CN116307652A - 一种智能电网人工智能资源分配方法 - Google Patents
一种智能电网人工智能资源分配方法 Download PDFInfo
- Publication number
- CN116307652A CN116307652A CN202310593660.4A CN202310593660A CN116307652A CN 116307652 A CN116307652 A CN 116307652A CN 202310593660 A CN202310593660 A CN 202310593660A CN 116307652 A CN116307652 A CN 116307652A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic
- vector
- data set
- calculation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 149
- 238000013468 resource allocation Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 162
- 238000004364 calculation method Methods 0.000 claims abstract description 76
- 230000005611 electricity Effects 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000005265 energy consumption Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000010248 power generation Methods 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 75
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 47
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 238000013079 data visualisation Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 10
- 230000036760 body temperature Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 description 20
- 238000005457 optimization Methods 0.000 description 14
- 238000007405 data analysis Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 230000007787 long-term memory Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及智能电网技术领域,尤其涉及一种智能电网人工智能资源分配方法。该方法包括以下步骤:采集智能电网***所负责的光能发电区域设备数据并进行数据预处理,通过将不同的数据生成向量并且使用归一标准化公式生成光伏***数据集;利用机器学习算法对光伏***数据集进行光伏能耗计算,从而生成光伏能耗数据集;收集历史用电量并利用动量法和反向传播网络相结合的数据预测模型对历史用电量进行电力需求分析计算,从而生成电力需求值;根据电力需求值和光伏能耗数据集进行负载均衡分析,从而生成动态资源分配调整方案。本发明可以提高对智能电网在新能源领域进行资源分配的效率。
Description
技术领域
本发明涉及智能电网技术领域,尤其涉及一种智能电网人工智能资源分配方法。
背景技术
随着科学技术的不断发展,电力需求量越来越大,对电力***的效率提出了更高的要求。智能电网概念应运而生。在智能电网***中,使用人工智能技术对资源进行合理分配,以提高电力***的效率和可靠性。在电力领域的传统发电领域中,例如火力发电领域以及水力发电领域,对于资源分配方法已经比较成熟,但是在新能源发电领域中,例如光伏发电领域,采用与传统分配方法会导致效率低下、资源分配不合理问题。传统分配方法应用在新能源领域还会有一定的局限性,不能全面利用数据,导致资源利用不充分,从而增加了高昂的成本。因此,如何使用人工智能技术对新能源领域进行资源分配成为了一个问题。
发明内容
本发明为解决上述技术问题,提出了一种智能电网人工智能资源分配方法,以解决至少一个上述技术问题。
为实现上述目的,本发明提供一种智能电网人工智能资源分配方法,包括以下步骤:
步骤S1:采集智能电网***所负责的光能发电区域设备数据并进行数据预处理,生成光伏***数据集;
步骤S2:利用机器学习算法对光伏***数据集进行光伏能耗计算,从而生成光伏能耗数据集;
步骤S3:收集历史用电量并利用数据预测模型对历史用电量进行电力需求分析计算,从而生成电力需求值;
步骤S4:根据电力需求值和光伏能耗数据集进行负载均衡分析,从而生成动态资源分配调整方案。
本发明对采集的光能发电区域设备数据并进行数据预处理,生成光伏***数据集,减少了因为采集的原始光能发电区域设备数据存在的噪声、缺失、离群值等问题带来的影响,提高了数据的准确性;本发明采用机器学习算法对光伏***数据进行光伏能耗计算从而生成光伏能耗数据集,能够准确的预测光伏设备目前的运行状态和在未来时间的性能表现。此外,机器学习算法应用于光伏发电领域还能帮助工程师快速检测出光伏设备中的故障,包括损坏、缺陷和设计问题,通过数据分析还能够大规模的寻找数据之间的联系,从而实现自适应控制优化并延长光伏组件的使用寿命;本发明收集历史用电量并利用数据预测模型进行电力需求分析计算,可以更准确的预测未来电力需求,有助于指定合理的电力分配计划,同时可以揭示过去的用电趋势和消费方式以及不同地区之间的用电差距,以便于实现生产/消费模式的负载均衡。此外,机器学习模型还能对历史用电量进行更深入的分析,确定节约能源和降低用电成本,通过特定时间段或者特定用户群体实施无功补偿和负载管理等措施;本发明根据电力需求值和光伏能耗数据集进行负载均衡分析,能让智能电网***更加高效的分配电力生产,从而优化电力分配,避免资源浪费,降低能源消耗。此外,还能使***更稳定并且提高光伏发电的效率。
可选地,步骤S1中数据预处理包括数据质量检查处理、特征处理计算和归一标准化计算,具体包括以下步骤:
步骤S11:对光能发电区域设备数据进行数据质量检查处理,从而生成完善设备数据;
步骤S12:对完善设备数据进行特征处理计算,从而生成转换特征向量;
步骤S13:对转换特征向量进行归一标准化计算,从而生成光伏设备数据集;
步骤S14:对光伏设备数据集进行去噪处理,从而生成光伏***数据集。
本发明对光能发电设备数据进行数据质量检查和处理,提高了光能发电***的运行效率,完善的设备数据可以帮助相关的工作人员及时发现光伏发电***的各种数据指标,避免了因数据错误、缺失等问题导致的光能发电***出现安全隐患,从而保证人员和设备的安全。此外,完善的设备数据质量检查还优化了发电***的维护成本,改进了发电***的维护效率;对完善设备数据进行了特征处理计算并转换成特征向量,去除了光伏设备中的一些非关键性信息和噪声,保留重要的特征信息,从而提高了数据的质量,减少了在后续的模型计算的复杂度,从而提高训练和预测的效率;对转换特征向量进行归一标准化,使得不同特征之间的比较更加的公平,避免了某些特征因为数值本身偏大而影响最终的训练效果,排除了量纲影响,通过归一化将所有的特征统一到相同的比例范围内,便于进一步处理,有助于生成高质量的光伏设备数据集。此外还加快了例如梯度下降这类算法的优化速度。
优选地,其中对完善设备数据进行特征处理计算生成转换特征向量,具体为步骤为:
对外界的环境温度和外界的环境湿度进行第一特征归类处理,从而获得温湿度向量;
对光照强度进行第二特征归类处理,从而获得光照度向量;
对设备的机体温度、太阳能板的有效照射面积和设备角度进行第三特征归类处理,从而获得设备向量;
将温湿度向量、光照度向量和设备向量汇集为转换特征向量。
本发明分别对不同的数据进行不同的特征归类处理可以避免冗余数据,降低数据处理的复杂度,从而提高数据处理的效率;将多个参数汇集到同一特征向量中,可以方便地进行数据分析。根据特征向量之间的相似度和差异性,可以更清晰地把握数据之间的关系,实现更精准的数据分析;将各种参数综合起来作为特征向量,可以更全面的考虑环境和设备的因素对结果的影响,从而提升预测精准度。此外,通过将各种参数综合为特征向量,可以作为智能化控制的依据,通过对特征向量的实时检测和学习,可以实现数据的自适应调整和智能化控制。
进一步地,其中步骤S13中采用归一标准化公式计算获得光伏设备数据集,其中归一标准化公式具体为:
为温湿度向量,/>为光照度向量,/>为设备向量,/>为温湿度向量的特征值,/>为光照度向量的特征值,/>为设备向量的特征值;/>为温湿度向量的特征均值,/>为光照度向量的特征均值,/>为设备向量的特征均值;/>为温湿度向量的特征方差,/>光照度向量的特征方差,/>为设备向量的特征方差,/>为归一标准化获得的光伏设备数据集。
本发明首先获取了温湿度向量、光照度向量以及设备向量的值和温湿度向量、光照度向量以及设备向量的特征值,对于上述每一个向量,都需要找到相应的特征值,通常使用线性代数获得,使得温湿度向量、光照度向量以及设备向量的特征都满足了均值和单位方差,通过对温湿度向量、光照度向量以及设备向量的特征值进行累加求和得出特征值的平均值,并用每个向量求差值得出其特征值/>,/>为温湿度向量的特征均值,/>为光照度向量的特征均值,/>为设备向量的特征均值;利用温湿度向量、光照度向量以及设备向量的值/>减去每个向量的特征值/>得出的差值平方/>,得到温湿度向量、光照度向量以及设备向量的特征方差/>,/>为温湿度向量的特征方差,/>光照度向量的特征方差,/>为设备向量的特征方差;对其进行求和平均得到/>,消除了因为偶然的极限数据从而影响了某种向量自身的误差,通过求和平均的方式,进而求出温湿度向量、光照度向量以及设备向量的归一标准化结果光伏设备数据集。
可选地,对光伏设备数据集进行去噪处理,从而生成光伏***数据集,包括以下步骤:
根据光伏设备数据集进行图像可视化处理,从而获得光伏设备数据图像;
利用局部平滑算法对光伏设备数据图像进行局部加权回归计算,从而实现去噪处理,获得光伏图像数据集;
利用光伏图像数据集进行数字降维计算,从而获得光伏***数据集。
本发明采用了计算机视觉、图像处理和机器学***滑算法对光伏设备数据图像进行去噪声和异常值的除去处理,一定程度上减少了真实环境中的因素影响,从而提升后续分析的效率;基于图像出局进行数字降维计算,可以减少模型复杂度,提高模型训练和预测效率,此外,同时也可以采用机器学习算法导出数据中的重要特征,消除线性相关性,从而减少输入数据的维度,增加处理大量数据的优势。最后生成的光伏***数据集以供后续模型进行学习计算,也可以为研究者和工程师提供更全面、准确的信息,便于优化***设计和改进能源运营,从而提升智能电网***人工智能资源分配的效率。
可选地,上述提到的机器学习算法包括卷积神经网络、基于门控的循环神经网络和深度学习网络,具体为:
步骤S21:利用卷积神经网络对光伏***数据集进行特征提取,从而生成一阶光伏特征集;
步骤S22:利用基于门控的循环神经网络对一阶光伏特征集进行数据降维处理,从而生成二阶光伏特征集;
步骤S23:利用深度学习神经网络对二阶光伏特征集进行深度拟合,从而生成光伏能耗数据集。
本发明通过卷积神经网络提取光伏***数据集的特征,卷积神经网络中的卷积层对输入数据进行的是局部连接,即仅对一小块输入进行卷积操作产生输出,这种方式避免了全连接带来的过拟合问题,并且能够保留输入数据的空间结构信息,可以降低数据维度和噪声,提高特征表示的稳定性和可靠性,从而生成一阶光伏特征集;利用了基于门控循环神经网络将一阶光伏特征集进行数据降维处理,在进行数据降维时,利用这种门控机制可以筛选出对结果影响不大的信息,从而降低数据的维度,提高模型效率和准确性,有效提高了计算效率,减少了计算负担并有助于提高预测的精确度,从而生成二阶光伏特征集;通过深度学习神经网络对二阶光伏特征集进行深度拟合,利用深度学习神经网络强大的非线性建模能力,可以更好地逼近真实光伏电池的电流-电压和功率-电压曲线数据,以获得更高的预测精度,进一步提高了模型的精确度与鲁棒性,生成光伏能耗数据集;卷积神经网络、基于门控的循环神经网络和深度学习网络分别为自己的任务提供了准确和稳健的结果,然后组合起来更全面地表达了光伏能耗相关性。通过甄选特征,减少噪声和冗余,可以帮助去除不必要的信息,并突出最重要的因素,从而使得整个过程更加高效和可靠。此外,本发明提高了建模的准确性和鲁棒性,还可以支持实时数据分析和决策。
可选地,长短期记忆神经网络的遗忘门和输入门控制了神经元的状态更新和输入信息,使得网络能够有效地处理长序列依赖关系,避免了梯度消失和梯度***问题。同时,长短期记忆神经网络的输出门控制了输出的信息流,使得神经元只输出需要的信息,减少了冗余信息和过拟合的风险。
此外,在自然语言处理任务中,长短期记忆神经网络已经被广泛应用于语音识别、机器翻译、文本分类、情感分析等任务。例如,在机器翻译任务中,采用长短期记忆神经网络可以更好地捕捉长句子之间的语义依赖关系,提高翻译的准确率和流畅度。在文本分类任务中,采用长短期记忆神经网络可以更好地处理长文本序列,提高分类的准确率和鲁棒性。在时间序列数据处理任务中,长短期记忆神经网络也常常被用来预测未来值,如股票价格、气温、交通流量。
可选地,收集历史用电量并利用数据预测模型对历史用电量进行电力需求分析计算,具体包括以下步骤:
步骤S31:根据历史用电量进行数据可视化处理,从而得到历史用电曲线趋势图;
步骤S32:根据历史用电曲线趋势图进行曲率分析计算,从而获得历史用电曲率;
步骤S33:利用数据预测模型对历史用电曲率进行电力需求分析计算,从而生成电力需求值。
本发明根据历史用电量进行数据可视化处理,以便更好地理解和分析历史数据。利用得到的用电曲线趋势图对其进行下一步分析。此外,通过观察历史趋势图,可以识别出季节性、周日变化等周期性因素、工作时间、假期等常规用电模式,进而发现与用电量相关的隐性需求;根据历史用电曲线趋势图进行曲率分析计算,得到精细的用电数据特征,包括高峰谷值、波动性强度、增长速度以及历史用电曲率,更加全面地了解历史用电的趋势和变化;利用数据预测模型的电力需求分析计算,可以根据历史用电曲线趋势和曲率信息快速准确地计算出未来用电需求,从而指导电力公司制定差异化的电力调配和生产计划。此外,数据预测模型还可以对历史数据进行深入学习,根据新的历史数据记录不断在线预测和更新即将到来的电力需求变化。
进一步地,上述描述中数据预测模型为基于反向传播的神经网络模型,其学习过程采用自适应学习速率附加动量法和反向传播网络相结合,在每次学习过程中进行两次学习参数的自适应调整,其中自适应调整步骤具体为:
步骤S301:在学习过程中经过阈值次数迭代,利用当次迭代的总体误差与上一次的总体误差进行比较运算,调整学习率和动量因子,从而生成第一次学习参数调整项;
步骤S302:在学***均值进行比较处理,调整平均值与精度,生成收敛界限的均方差值,从而获得第二次学习参数调整项;
步骤S303:根据第一次学习参数调整项以及第二次学习参数调整项进行学习参数修正处理,从而实现学习过程自适应调整。
本发明上述描述的采用自适应学***均值,把这一平均值与根据精度要求确定的收敛界限值e相比较根据比较结果调整允许均方误差e。
本发明通过比较两次迭代的总体误差,自适应调整学***均值和精度,可以直接控制模型在训练集上的表现,并且更合理地设置收敛条件,从而防止过拟合等不良状态的发生;本发明结合第一次和第二次学习参数调整项进行学习参数修正处理,实现学习过程自适应调整,根据最新的总体误差和均方差值进行修正之后,才能保证算法产生更为精确的学习参数,从而更好地适应新数据使整个过程更具有全局的优化性能。
可选地,根据电力需求值和光伏能耗数据集进行负载均衡分析,具体包括以下步骤:
步骤S41:利用电力均衡计算对电力需求值进行均衡处理,从而获得电力均衡评分;
步骤S42:根据电力均衡评分作为权重与光伏能耗数据集进行加权平均计算,从而生成动态电力需求指数;
步骤S43:对动态电力需求指数进行负载均衡分析,从而生成动态资源分配调整方案。
本发明利用电力均衡计算对电力需求值进行均衡处理,从而获得电力均衡评分,确保***的能耗效率并提高设备寿命。通过电力均衡,电网中不同区域的能耗将被均匀分配,避免了能源过度消耗导致的部分区域用电故障和负载过重烧毁设备等问题;根据电力均衡评分作为权重与光伏能耗数据集进行加权平均计算,从而生成动态电力需求指数,使得用电需求数据能更准确地反映出实际的用电情况,有助于制定更好的资源分配策略,有效提高能源利用率;对动态电力需求指数进行负载均衡分析,从而生成动态资源分配调整方案,通过运行分布式负载均衡算法,根据不同时段的动态需求指数,优化分配不同的电能供给,实现最优的电力调度和分配。可以避免在资源使用上的浪费,缩短运维时间,提高应用程序的响应时间和性能表现。此外,自动适应不同的环境和需求,从而在减少资源浪费和提高能源利用效率之间做出最佳平衡,同时,它还可以实现多个智能电网设备的互相协作,以实现更强大的资源分配性能。
本发明提供了一种智能电网人工智能分配的方法,能通过采集和预处理数据集,利用机器学***滑算法和数字降维计算,从而有效提高光伏图像设备数据集的质量和可用性;该方法提供了机器学习算法的具体实现方案,包括卷积神经网络、基于门控的循环神经网络和深度学习神经网络,从而提高光伏能耗数据集的准确性和可靠性;该方法具体描述了基于门控的循环神经网络的结构和实现原理,从而为光伏能耗数据集的特征提取提供实际操作方案;提供了基于历史用电量的电力需求分析具体步骤,包括数据可视化、曲率分析和预测模型,从而为智能电网***的负载均衡分析提供可靠的基础数据和预测结果;该方法提供基于反向传播的神经网络模型的具体学习过程,包括自适应学习速率附加动量法和反向传播网络相结合的方式,从而为电力需求的预测模型提供实际优化方案;该方法通过计算电力均衡评分和进行负载均衡分析,可以实现电力需求的均衡处理和动态资源分配,提高电网的负载均衡性,降低用电成本和提高电网稳定性;该方法可以应用于能源领域的电网管理和优化,提高电网的能源管理效率和可持续性。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的智能电网人工智能资源分配方法的步骤流程图;
图2为本发明实施例提供的采集设备数据并进行数据预处理的步骤流程图;
图3为本发明实施例提供的光伏能耗计算的步骤流程图;
图4为本发明实施例提供的电力需求分析计算的步骤流程图;
图5为本法明实施例提供自适应学习速率附加动量法和反向传播网络相结合的自适应调整步骤的步骤流程图。
图6为本法明实施例提供根据电力需求值和光伏能耗数据集进行负载均衡分析的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种智能电网人工智能资源分配方法。所述智能电网人工智能资源分配方法的执行主题包括但是不限于服务端、终端能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述人工智能资源分配方法可以由安装在终端设备或服务端设备的软件或硬件执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云储存、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络以及大数据和人工智能平台等基础云计算服务的云服务器。
在本发明实施例中,参照图1所示,所述智能电网人工智能资源分配方法包括以下步骤:
步骤S1:采集智能电网***所负责的光能发电区域设备数据并进行数据预处理,生成光伏***数据集;
步骤S2:利用机器学习算法对光伏***数据集进行光伏能耗计算,从而生成光伏能耗数据集;
步骤S3:收集历史用电量并利用数据预测模型对历史用电量进行电力需求分析计算,从而生成电力需求值;
步骤S4:根据电力需求值和光伏能耗数据集进行负载均衡分析,从而生成动态资源分配调整方案。
本发明对采集的光能发电区域设备数据并进行数据预处理,生成光伏***数据集,减少了因为采集的原始光能发电区域设备数据存在的噪声、缺失、离群值等问题带来的影响,提高了数据的准确性;本发明采用机器学习算法对光伏***数据进行光伏能耗计算从而生成光伏能耗数据集,能够准确的预测光伏设备目前的运行状态和在未来时间的性能表现。此外,机器学习算法应用于光伏发电领域还能帮助工程师快速检测出光伏设备中的故障,包括损坏、缺陷和设计问题,通过数据分析还能够大规模的寻找数据之间的联系,从而实现自适应控制优化并延长光伏组件的使用寿命;本发明手机历史用电量并利用数据预测模型进行电力需求分析计算,可以更准确的预测未来电力需求,有助于指定合理的电力分配计划,同时可以揭示过去的用电趋势和消费方式以及不用地区之间的用电差距,以便于实现生产/消费模式的负载均衡。此外,机器学习模型还能对历史用电量进行更深入的分析,确定节约能源和降低用电成本,通过特定时间段或者特定用户群体实施无功补偿和负载管理等措施;本发明根据电力需求值和光伏能耗数据集进行负载均衡分析,能让智能电网***更加高效的分配电力生产,从而优化电力分配,避免资源浪费,降低能源消耗。此外,还能使***更稳定并且提高光伏发电的效率。
在本发明实施例中,参照图2所示,步骤S1中数据预处理包括数据质量检查处理、特征处理计算和归一标准化计算,具体包括以下步骤:
步骤S11:对光能发电区域设备数据进行数据质量检查处理,从而生成完善设备数据;
详细地,所述收集光能发电区域设备数据,包括设备的机体温度、太阳能板的有效照射面积、设备角度、外界的环境温度、外界的环境湿度和光照强度。此外还可以包括设备名称、型号、规格、生产厂家、生产日期、安装日期、位置信息等;对收集到的设备数据进行清洗,去除重复、缺失、错误、不一致等问题,确保数据的准确性和完整性;将处理后的设备数据存储到数据库或数据仓库中,供后续光能发电管理***使用。
步骤S12:对完善设备数据进行特征处理计算,从而生成转换特征向量;
详细地,其中对完善设备数据进行特征处理计算生成转换特征向量,具体为步骤为:
对外界的环境温度和外界的环境湿度进行第一特征归类处理,从而获得温湿度向量;
对光照强度进行第二特征归类处理,从而获得光照度向量;
对设备的机体温度、太阳能板的有效照射面积和设备角度进行第三特征归类处理,从而获得设备向量;
将温湿度向量、光照度向量和设备向量汇集为转换特征向量。
本发明分别对不同的数据进行不同的特征归类处理可以避免冗余数据,降低数据处理的复杂度,从而提高数据处理的效率;将多个参数汇集到同一特征向量中,可以方便地进行数据分析。根据特征向量之间的相似度和差异性,可以更清晰地把握数据之间的关系,实现更精准的数据分析;将各种参数综合起来作为特征向量,可以更全面的考虑环境和设备的因素对结果的影响,从而提升预测精准度。此外,通过将各种参数综合为特征向量,可以作为智能化控制的依据,通过对特征向量的实时检测和学习,可以实现数据的自适应调整和智能化控制。
在本发明实施例中,外界的环境温度和湿度的数据通常通过传感器获取。可以把环境温度和湿度分为多个级别,例如将其分成低、中、高三个级别,也可以根据实际需求进行分级。对于每个级别,设定一个范围,将温度和湿度数据进行分类。例如,当环境温度小于等于20摄氏度时,可以将其归为低温度级别;当湿度小于等于30%时,可以将其归为低湿度级别。最终,获得一个经过第一特征归类处理的温湿度向量;光照强度也通常通过传感器进行测量。根据实际情况,将光照强度分为多个级别,例如将光照强度分成低、中、高三个级别。对于每个级别,设定一个范围,将光照强度数据进行分类。例如,当光照强度小于1000lux时,可以将其归为低光照强度级别;当光照强度大于等于5000lux时,可以将其归为高光照强度级别。最终,获得一个经过第二特征归类处理的光照度向量;设备的机体温度、太阳能板的有效照射面积和设备角度可以通过传感器获得,也可以通过测算获得。可以将机体温度按照一定范围分为多个级别,例如将其分成低、中、高三个级别。太阳能板的有效照射面积可以在设计之初预先设定。设备角度一般可以通过测量得到。也可以将设备角度按照一定范围分为多个级别。以机体温度、太阳能板的有效照射面积和设备角度作为特征向量中的第三特征,对其进行归类处理,获得一个经过第三特征归类处理的设备向量。上述第一特征归类处理、第二特征归类处理以及第三特征归类可以采用聚类分析、决策树以及人工智能神经网络构建模型的方法来进行聚类分析以及预测。
步骤S13:对转换特征向量进行归一标准化计算,从而生成光伏设备数据集;
步骤S14:对光伏设备数据集进行去噪处理,从而生成光伏***数据集。
本发明对光能发电设备数据进行数据质量检查和处理,提高了光能发电***的运行效率,完善的设备数据可以帮助相关的工作人员及时发现光伏发电***的各种数据指标,避免了因数据错误、缺失等问题导致的光能发电***出现安全隐患,从而保证人员和设备的安全。此外,完善的设备数据质量检查还优化了发电***的维护成本,改进了发电***的维护效率;对完善设备数据进行了特征处理计算并转换成特征向量,去除了光伏设备中的一些非关键性信息和噪声,保留重要的特征信息,从而提高了数据的质量,减少了在后续的模型计算的复杂度,从而提高训练和预测的效率;对转换特征向量进行归一标准化,使得不同特征之间的比较更加的公平,避免了某些特征因为数值本身偏大而影响最终的训练效果,排除了量纲影响,通过归一化将所有的特征统一到相同的比例范围内,便于进一步处理,有助于生成高质量的光伏设备数据集。此外还加快了例如梯度下降这类算法的优化速度。
进一步地,其中步骤S13中采用归一标准化公式计算获得光伏设备数据集,其中归一标准化公式具体为:
为温湿度向量,/>为光照度向量,/>为设备向量,/>为温湿度向量的特征值,/>为光照度向量的特征值,/>为设备向量的特征值;/>为温湿度向量的特征均值,/>为光照度向量的特征均值,/>为设备向量的特征均值;/>为温湿度向量的特征方差,/>光照度向量的特征方差,/>为设备向量的特征方差,/>为归一标准化获得的光伏设备数据集。
本发明首先获取了温湿度向量、光照度向量以及设备向量的值和温湿度向量、光照度向量以及设备向量的特征值,对于上述每一个向量,都需要找到相应的特征值,通常使用线性代数获得,使得温湿度向量、光照度向量以及设备向量的特征都满足了均值和单位方差,通过对温湿度向量、光照度向量以及设备向量的特征值进行累加求和得出特征值的平均值,并用每个向量求差值得出其特征值/>,/>为温湿度向量的特征均值,/>为光照度向量的特征均值,/>为设备向量的特征均值;利用温湿度向量、光照度向量以及设备向量的值/>减去每个向量的特征值/>得出的差值平方/>,得到温湿度向量、光照度向量以及设备向量的特征方差/>,/>为温湿度向量的特征方差,/>光照度向量的特征方差,/>为设备向量的特征方差;对其进行求和平均得到/>,消除了因为偶然的极限数据从而影响了某种向量自身的误差,通过求和平均的方式,进而求出温湿度向量、光照度向量以及设备向量的归一标准化结果光伏设备数据集。
详细地,对光伏设备数据集进行去噪处理,从而生成光伏***数据集,包括以下步骤:
根据光伏设备数据集进行图像可视化处理,从而获得光伏设备数据图像。
进一步地,将光伏设备数据集转化为图像数据集,可以将光伏设备数据集的时间序列看作是图像的像素灰度值,将其可视化为灰度图像。图像中的每个像素表示一个数据点,其灰度值表示该数据点的大小。
所述方法具体可以使用Python的Matplotlib等库绘制数据图像,并对其进行调整以获得更清晰的图像效果。
利用局部平滑算法对光伏设备数据图像进行局部加权回归计算,从而实现去噪处理,获得光伏图像数据集。
进一步地,对光伏设备数据集可视化处理后的图像进行去噪处理,可以采用局部平滑算法。局部平滑算法是一种非参数回归方法,在局部范围内根据离目标点近的数据点进行加权平均,对目标点进行平滑处理。局部平滑算法的缺点是计算量大,但可以大大提高去噪的效果。
所述方法具体可以使用Python的Scikit-learn等库实现该算法的计算,并进行调整以获得更好的去噪效果。
利用光伏图像数据集进行数字降维计算,从而获得光伏***数据集。
进一步地,可以使用主成分分析(PCA)算法对光伏图像数据集进行数字降维。PCA算法是一种常见的无监督学习算法,通过线性变换将高维数据映射到低维空间中,保留原始数据最大的方差。
所述方法具体可以使用Python的Scikit-learn等库实现该算法的计算,并进行调整以获得更好的降维效果。在完成数字降维后,即可得到光伏***数据集,用于进一步分析和应用。
本发明采用了计算机视觉、图像处理和机器学***滑算法对光伏设备数据图像进行去噪声和异常值的除去处理,一定程度上减少了真实环境中的因素影响,从而提升后续分析的效率;基于图像出局进行数字降维计算,可以减少模型复杂度,提高模型训练和预测效率,此外,同时也可以采用机器学习算法导出数据中的重要特征,消除线性相关性,从而减少输入数据的维度,增加处理大量数据的优势。最后生成的光伏***数据集以供后续模型进行学习计算,也可以为研究者和工程师提供更全面、准确的信息,便于优化***设计和改进能源运营,从而提升智能电网***人工智能资源分配的效率。
在本发明实施例中,参照图3所示,步骤S2提到的机器学习算法包括卷积神经网络、基于门控的循环神经网络和深度学习网络,具体为:
步骤S21:利用卷积神经网络对光伏***数据集进行特征提取,从而生成一阶光伏特征集;
进一步地,在进行特征提取之前,需要设计一种卷积神经网络模型。卷积神经网络通常包含多层卷积层、池化层和全连接层。其中,卷积层和池化层应用卷积和池化操作来识别图像中的特征,而全连接层用于对特征进行分类或回归。设计卷积神经网络模型的关键是选择合适的层数、层内神经元个数、卷积核大小和激活函数等超参数。
所述方法具体可以使用Python的Keras等库设计并构建卷积神经网络模型。
需要对其进行训练。在训练期间,可以使用随机梯度下降等优化算法来最小化损失函数,进而提高模型的预测准确度。在训练期间,使用训练集的数据来不断更新模型参数。
所述方法具体可以使用Python的Keras等库训练和验证卷积神经网络模型,并调整超参数来优化模型的表现。
本发明采用简单的因果卷积只能回顾线性尺度的网络宽度,使用了多尺度信息融合的因果卷积,可以融合指数级大小的接受域。
步骤S22:利用基于门控的循环神经网络对一阶光伏特征集进行数据降维处理,从而生成二阶光伏特征集;
可选地,所述基于门控的循环神经网络具体为长短期记忆神经网络,长短期记忆神经网络的遗忘门和输入门控制了神经元的状态更新和输入信息,使得网络能够有效地处理长序列依赖关系,避免了梯度消失和梯度***问题。同时,长短期记忆神经网络的输出门控制了输出的信息流,使得神经元只输出需要的信息,减少了冗余信息和过拟合的风险。
此外,在自然语言处理任务中,长短期记忆神经网络已经被广泛应用于语音识别、机器翻译、文本分类、情感分析等任务。例如,在机器翻译任务中,采用长短期记忆神经网络可以更好地捕捉长句子之间的语义依赖关系,提高翻译的准确率和流畅度。在文本分类任务中,采用长短期记忆神经网络可以更好地处理长文本序列,提高分类的准确率和鲁棒性。在时间序列数据处理任务中,长短期记忆神经网络也常常被用来预测未来值,如股票价格、气温、交通流量。
进一步地,每个长短期记忆神经网络都包括遗忘门、输入门和输出门三个门控结构,以控制数据有信息的换地。其中,遗忘门负责丢弃和保留上一个时刻的有效信息,输入门存放当前时刻有效信息,输出门决定神经元输出的信息。其中候选状态向量是当前时刻的状态的候选向量。它是由上一时刻的状态向量和当前时刻的输入向量融合得到的。输出门的输出向量决定了当前时刻的状态向量对当前时刻的输出的影响程度。循环单元的状态向量是由上一时刻的状态向量、候选状态向量以及更新门决定的。状态向量由门控单元和双曲正切函数控制,能够有效地捕获长序列依赖关系。输出层将最终的状态向量转换为需要的输出形式。输出层可以是一个简单的全连接神经网络,也可以是一个Softmax分类器。
所述方法具体可以使用Python设计并构建。
步骤S23:利用深度学习神经网络对二阶光伏特征集进行深度拟合,从而生成光伏能耗数据集。
所述方法具体可以使用TensorFlow、Keras或PyTorch等框架建立。
本发明通过卷积神经网络提取光伏***数据集的特征,卷积神经网络中的卷积层对输入数据进行的是局部连接,即仅对一小块输入进行卷积操作产生输出,这种方式避免了全连接带来的过拟合问题,并且能够保留输入数据的空间结构信息,可以降低数据维度和噪声,提高特征表示的稳定性和可靠性,从而生成一阶光伏特征集;利用了基于门控循环神经网络将一阶光伏特征集进行数据降维处理,在进行数据降维时,利用这种门控机制可以筛选出对结果影响不大的信息,从而降低数据的维度,提高模型效率和准确性,有效提高了计算效率,减少了计算负担并有助于提高预测的精确度,从而生成二阶光伏特征集;通过深度学习神经网络对二阶光伏特征集进行深度拟合,利用深度学习神经网络强大的非线性建模能力,可以更好地逼近真实光伏电池的电流-电压和功率-电压曲线数据,以获得更高的预测精度,进一步提高了模型的精确度与鲁棒性,生成光伏能耗数据集;卷积神经网络、基于门控的循环神经网络和深度学习网络分别为自己的任务提供了准确和稳健的结果,然后组合起来更全面地表达了光伏能耗相关性。通过甄选特征,减少噪声和冗余,可以帮助去除不必要的信息,并突出最重要的因素,从而使得整个过程更加高效和可靠。此外,本发明提高了建模的准确性和鲁棒性,还可以支持实时数据分析和决策。
在本发明实施例中,参照图4所示,步骤S3收集历史用电量并利用数据预测模型对历史用电量进行电力需求分析计算,具体包括以下步骤:
步骤S31:根据历史用电量进行数据可视化处理,从而得到历史用电曲线趋势图。
具体的,获取历史用电量的数据,并按照时间顺序排序,以便后面的数据分析和可视化处理。
进一步地,所述方法可以利用数据可视化工具,例如Python中的matplotlib和seaborn库,绘制历史用电量的曲线趋势图。将数据进行分段处理,以便更详细地观察用电量的变化趋势。对绘制出的历史用电曲线趋势图进行分析,观察用电曲线的形态、波动程度、周期性等情况,以便更好地理解用电量的变化规律。
步骤S32:根据历史用电曲线趋势图进行曲率分析计算,从而获得历史用电曲率。
具体地,根据数据可视化实现的历史用电曲线趋势图,可以采用拟合算法对曲线进行拟合。通常采用多项式回归或样条插值等算法,以便更好地反映出用电量的波动情况;使用导数计算公式,对拟合后的历史用电曲线进行求导,即可得到历史用电曲线的曲率;可以通过选取合适的偏微分公式,分别对历史用电曲线进行计算,并将曲率的值绘制成图表,以便更好地观察用电量的变化趋势。
步骤S33:利用数据预测模型对历史用电曲率进行电力需求分析计算,从而生成电力需求值。
本发明根据历史用电量进行数据可视化处理,以便更好地理解和分析历史数据。利用得到的用电曲线趋势图对其进行下一步分析。此外,通过观察历史趋势图,可以识别出季节性、周日变化等周期性因素、工作时间、假期等常规用电模式,进而发现与用电量相关的隐性需求;根据历史用电曲线趋势图进行曲率分析计算,得到精细的用电数据特征,包括高峰谷值、波动性强度、增长速度以及历史用电曲率,更加全面地了解历史用电的趋势和变化;利用数据预测模型的电力需求分析计算,可以根据历史用电曲线趋势和曲率信息快速准确地计算出未来用电需求,从而指导电力公司制定差异化的电力调配和生产计划。此外,数据预测模型还可以对历史数据进行深入学习,根据新的历史数据记录不断在线预测和更新即将到来的电力需求变化。
进一步地,上述描述中数据预测模型为基于反向传播的神经网络模型,其学习过程采用自适应学习速率附加动量法和反向传播网络相结合。
在本发明实施例中,参照图5所示,在每次学习过程中进行两次学习参数的自适应调整,其中自适应调整步骤具体为:
步骤S301:在学习过程中经过阈值次数迭代,利用当次迭代的总体误差与上一次的总体误差进行比较运算,调整学习率和动量因子,从而生成第一次学习参数调整项;
步骤S302:在学***均值进行比较处理,调整平均值与精度,生成收敛界限的均方差值,从而获得第二次学习参数调整项;
步骤S303:根据第一次学习参数调整项以及第二次学习参数调整项进行学习参数修正处理,从而实现学习过程自适应调整。
本发明上述描述的采用自适应学***均值,把这一平均值与根据精度要求确定的收敛界限值e相比较根据比较结果调整允许均方误差e。
本发明通过比较两次迭代的总体误差,自适应调整学***均值和精度,可以直接控制模型在训练集上的表现,并且更合理地设置收敛条件,从而防止过拟合等不良状态的发生;本发明结合第一次和第二次学习参数调整项进行学习参数修正处理,实现学习过程自适应调整,根据最新的总体误差和均方差值进行修正之后,才能保证算法产生更为精确的学习参数,从而更好地适应新数据使整个过程更具有全局的优化性能。
具体为,在开始训练神经网络时,首先需要初始化学习率和动量因子的值。通常情况下,可以使用较小的值来初始化学习率和动量因子。为了保证学习过程的效率和效果,需要设置一个阈值,当训练误差在一定程度内变化时,停止训练。迭代更新学习率和动量因子在每次迭代过程中,依据当前的总体误差与上一次的总体误差进行比较运算,根据比较结果,调整学习率和动量因子的值,并生成第一次学习参数调整项。一般可以使用类似于下降的方式来调整学习率和动量因子,即当误差下降时,逐渐降低学习率和动量因子的值,加快模型训练;当误差变化不大时,逐渐增加学习率和动量因子的值,保证学习过程的稳定性;
在每次迭代过程中,记录下当前迭代与上一次迭代之间的最大误差变化量,然后计算相邻两次迭代之间的最大误差变化量平均值。这个平均值可以用来判断模型是否趋于稳定。为了避免误差变化量的噪声和波动对模型稳定性的影响,需要根据当前的精度和平均值,调整它们的大小,以便更好地体现模型的稳定性。生成收敛界限的均方差值,根据调整后的平均值和精度,生成收敛界限的均方差值。这个均方差值可以作为模型收敛的阈值,在模型误差达到这个阈值后,停止训练。
进一步地,将第一次和第二次学习参数调整项综合起来,得到一个综合性的学习参数调整项。这个综合性的调整项可以更好地适应不同的训练数据和训练过程,并能够更好地促进模型的收敛和优化。将综合性的学习参数调整项应用于神经网络的学习过程中,根据调整项对学习参数进行修正。这样可以更好地引导神经网络的学习过程,提高模型的训练效果和精度。
在本发明实施例中,参照图6所示,步骤S4根据电力需求值和光伏能耗数据集进行负载均衡分析,具体包括以下步骤:
步骤S41:利用电力均衡计算对电力需求值进行均衡处理,从而获得电力均衡评分;
具体为,可以根据收集到的数据,计算每个时间段内的电力需求预测值,并与实际需求值进行比较,得到电力均衡评分。电力均衡评分可以使用各种度量标准来量化,例如误差平方和、平均绝对误差、均方根误差等。
步骤S42:根据电力均衡评分作为权重与光伏能耗数据集进行加权平均计算,从而生成动态电力需求指数。
具体为,将光伏能耗数据集按照时间序列进行排序,计算每个时间段内的光伏能耗总量,例如,每小时一次,为了获得准确的光伏能耗数据,考虑在每个时间段内随机选择若干个数据点并取平均值。利用电力均衡评分作为权重,对每个时间段内的光伏能耗数据进行加权平均计算,此处可以根据需求自行调整权重到每个时间段内的动态电力需求指数。
步骤S43:对动态电力需求指数进行负载均衡分析,从而生成动态资源分配调整方案。
具体为,分析电网负载情况,以及各个用电设备的能耗情况,包括预测未来的用电负载情况。根据动态电力需求指数和用电负载情况,使用合理负载均衡算法,从而生成动态资源分配调整方案,包括对光伏发电输出功率的调整、对用户用电设备的启停控制等。可以采用启发式算法、机器学习算法等方法优化调整方案。
本发明利用电力均衡计算对电力需求值进行均衡处理,从而获得电力均衡评分,确保***的能耗效率并提高设备寿命。通过电力均衡,电网中不同区域的能耗将被均匀分配,避免了能源过度消耗导致的部分区域用电故障和负载过重烧毁设备等问题;根据电力均衡评分作为权重与光伏能耗数据集进行加权平均计算,从而生成动态电力需求指数,使得用电需求数据能更准确地反映出实际的用电情况,有助于制定更好的资源分配策略,有效提高能源利用率;对动态电力需求指数进行负载均衡分析,从而生成动态资源分配调整方案,通过运行分布式负载均衡算法,根据不同时段的动态需求指数,优化分配不同的电能供给,实现最优的电力调度和分配。可以避免在资源使用上的浪费,缩短运维时间,提高应用程序的响应时间和性能表现。此外,自动适应不同的环境和需求,从而在减少资源浪费和提高能源利用效率之间做出最佳平衡,同时,它还可以实现多个智能电网设备的互相协作,以实现更强大的资源分配性能。
本发明提供了一种智能电网人工智能分配的方法,能通过采集和预处理数据集,利用机器学***滑算法和数字降维计算,从而有效提高光伏图像设备数据集的质量和可用性;该方法提供了机器学习算法的具体实现方案,包括卷积神经网络、基于门控的循环神经网络和深度学习神经网络,从而提高光伏能耗数据集的准确性和可靠性;该方法具体描述了基于门控的循环神经网络的结构和实现原理,从而为光伏能耗数据集的特征提取提供实际操作方案;提供了基于历史用电量的电力需求分析具体步骤,包括数据可视化、曲率分析和预测模型,从而为智能电网***的负载均衡分析提供可靠的基础数据和预测结果;该方法提供基于反向传播的神经网络模型的具体学习过程,包括自适应学习速率附加动量法和反向传播网络相结合的方式,从而为电力需求的预测模型提供实际优化方案;该方法通过计算电力均衡评分和进行负载均衡分析,可以实现电力需求的均衡处理和动态资源分配,提高电网的负载均衡性,降低用电成本和提高电网稳定性;该方法可以应用于能源领域的电网管理和优化,提高电网的能源管理效率和可持续性。
在本发明所提供的几个具体实施例中,应当理解到,所述的方法,都可以通过其他的方式实现。例如上述提到的模型仅仅是示意性的,例如神经网络模型的组合,仅仅为一种逻辑,实际实现时可以有另外的组合。
另外,在本发明各个实施步骤可以在一个模块实现,也可以是各个独立的功能模块。可以根据实际的需要选择其中的部分或者全部。对于本领域的技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附本发明而不是上述说明限定,因此旨在将落在本发明中的任何相关联图标记视为限制所涉及上述描述。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能是利用计算机或者计算机所控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种智能电网人工智能资源分配方法,其特征在于,包括以下步骤:
步骤S1:采集智能电网***所负责的光能发电区域设备数据并进行数据预处理,生成光伏***数据集;
步骤S2:利用机器学习算法对光伏***数据集进行光伏能耗计算,从而生成光伏能耗数据集;
步骤S3:收集历史用电量并利用数据预测模型对历史用电量进行电力需求分析计算,从而生成电力需求值;
步骤S4:根据电力需求值和光伏能耗数据集进行负载均衡分析,从而生成动态资源分配调整方案。
2.根据权利要求1中所述的方法,其特征在于,数据预处理包括数据质量检查处理、特征处理计算和归一化标准计算,步骤S1具体包括以下步骤:
步骤S11:对光能发电区域设备数据进行数据质量检查处理,从而生成完善设备数据;
步骤S12:对完善设备数据进行特征处理计算,从而生成转换特征向量;
步骤S13:对转换特征向量进行归一标准化计算,从而生成光伏设备数据集;
步骤S14:对光伏设备数据集进行去噪处理,从而生成光伏***数据集。
3.根据权利要求2所述的方法,其特征在于,完善设备数据包括设备的机体温度、外界环境湿度、外界的环境湿度、光照强度、对太阳能板的有效照射面积和设备角度,步骤S12具体为:
对外界的环境温度和外界的环境湿度进行第一特征归类处理,从而获得温湿度向量;
对光照强度进行第二特征归类处理,从而获得光照度向量;
对设备的机体温度、太阳能板的有效照射面积和设备角度进行第三特征归类处理,从而获得设备向量;
将温湿度向量、光照度向量和设备向量汇集为转换特征向量。
5.根据权利要求2所述的方法,其特征在于,步骤S14具体为:
根据光伏设备数据集进行图像可视化处理,从而获得光伏设备数据图像;
利用局部平滑算法对光伏设备数据图像进行局部加权回归计算,从而实现去噪处理,获得光伏图像数据集;
利用光伏图像数据集进行数字降维计算,从而获得光伏***数据集。
6.根据权利要求1所述的方法,其特征在于,步骤S2中的机器学习算法包括卷积神经网络、基于门控的循环神经网络和深度学习神经网络,步骤S2具体为:
步骤S21:利用卷积神经网络对光伏***数据集进行特征提取,从而生成一阶光伏特征集;
步骤S22:利用基于门控的循环神经网络对一阶光伏特征集进行数据降维处理,从而生成二阶光伏特征集;
步骤S23:利用深度学习神经网络对二阶光伏特征集进行深度拟合,从而生成光伏能耗数据集。
7.根据权利要求6所述的方法,其特征在于,基于门控的循环神经网络具体为:
采用长短期记忆神经网络作为循环神经网络,其中循环神经网络中的神经元包括遗忘门控结构、输入门控结构和输出门控结构,遗忘门负责丢弃和保留上一个时刻的有效信息,输入门存放当前时刻有效信息,输出门决定神经元输出有效信息。
8.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
步骤S31:根据历史用电量进行数据可视化处理,从而得到历史用电曲线趋势图;
步骤S32:根据历史用电曲线趋势图进行曲率分析计算,从而获得历史用电曲率;
步骤S33:利用数据预测模型对历史用电曲率进行电力需求分析计算,从而生成电力需求值。
9.根据权利要求1所述的方法,其特征在于,步骤S3中数据预测模型为基于反向传播的神经网络模型,其学习过程采用自适应学习速率附加动量法和反向传播网络相结合,在每次学习过程中进行两次学习参数的自适应调整,其中自适应调整步骤具体为:
步骤S301:在学习过程中经过阈值次数迭代,利用当次迭代的总体误差与上一次的总体误差进行比较运算,调整学习率和动量因子,从而生成第一次学习参数调整项;
步骤S302:在学***均值进行比较处理,调整平均值与精度,生成收敛界限的均方差值,从而获得第二次学习参数调整项;
步骤S303:根据第一次学习参数调整项以及第二次学习参数调整项进行学习参数修正处理,从而实现学习过程自适应调整。
10.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
步骤S41:利用电力均衡计算对电力需求值进行均衡处理,从而获得电力均衡评分;
步骤S42:根据电力均衡评分作为权重与光伏能耗数据集进行加权平均计算,从而生成动态电力需求指数;
步骤S43:对动态电力需求指数进行负载均衡分析,从而生成动态资源分配调整方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310593660.4A CN116307652A (zh) | 2023-05-25 | 2023-05-25 | 一种智能电网人工智能资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310593660.4A CN116307652A (zh) | 2023-05-25 | 2023-05-25 | 一种智能电网人工智能资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307652A true CN116307652A (zh) | 2023-06-23 |
Family
ID=86834532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310593660.4A Pending CN116307652A (zh) | 2023-05-25 | 2023-05-25 | 一种智能电网人工智能资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307652A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542882A (zh) * | 2023-07-06 | 2023-08-04 | 浙江大学 | 光伏发电平滑方法、***和存储介质 |
CN117094478A (zh) * | 2023-10-19 | 2023-11-21 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
CN117114364A (zh) * | 2023-10-20 | 2023-11-24 | 华北电力大学 | 一种电力交易多市场协同管控方法及*** |
CN117171551A (zh) * | 2023-11-02 | 2023-12-05 | 山东港口科技集团烟台有限公司 | 大规模工业设备数据分析与智能管理方法 |
CN117175556A (zh) * | 2023-09-01 | 2023-12-05 | 滁州苏埠新能源科技有限公司 | 一种光伏电力供应管理*** |
CN117236527A (zh) * | 2023-11-13 | 2023-12-15 | 宁德市天铭新能源汽车配件有限公司 | 一种基于集成学习的汽车零部件需求预测方法及*** |
CN117395942A (zh) * | 2023-09-18 | 2024-01-12 | 广东云下汇金科技有限公司 | 一种基于智算中心的冷量自动调度*** |
CN117977589A (zh) * | 2024-04-02 | 2024-05-03 | 希格玛电气(珠海)有限公司 | 一种融合电网智能化终端管理***及方法 |
CN117996854A (zh) * | 2024-01-29 | 2024-05-07 | 重庆千信新能源有限公司 | 基于数据均衡理论进行光伏电力能源分配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013123446A1 (en) * | 2012-02-16 | 2013-08-22 | Lazaris Spyros | A system and a method for generation. and transmission of electrical energy from renewable resources. |
WO2019225834A1 (ko) * | 2018-05-23 | 2019-11-28 | 주식회사 광명전기 | 에너지 저장 장치와 태양광 발전을 이용한 전력 공급 제어 시스템 및 방법 |
US20210281077A1 (en) * | 2020-03-03 | 2021-09-09 | Caterpillar Inc. | Micro-grid site predictive control for multi-power resource management with machine learning |
KR20220075078A (ko) * | 2020-11-27 | 2022-06-07 | 주식회사 비온시이노베이터 | 건물 일체형 태양광 발전 설비의 경제적 운영을 위한 에너지 관리 모니터링 및 그 제어 방법 |
KR20220095313A (ko) * | 2020-12-29 | 2022-07-07 | 주식회사 그리드위즈 | 디지털 트윈 기반의 분산 자원 및 전력 계통 운영 계획 시스템 및 운영 계획 방법 |
US20220407310A1 (en) * | 2019-04-26 | 2022-12-22 | Energy Toolbase Software, Inc. | Intelligent energy management system for distributed energy resources and energy storage systems using machine learning |
-
2023
- 2023-05-25 CN CN202310593660.4A patent/CN116307652A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013123446A1 (en) * | 2012-02-16 | 2013-08-22 | Lazaris Spyros | A system and a method for generation. and transmission of electrical energy from renewable resources. |
WO2019225834A1 (ko) * | 2018-05-23 | 2019-11-28 | 주식회사 광명전기 | 에너지 저장 장치와 태양광 발전을 이용한 전력 공급 제어 시스템 및 방법 |
US20220407310A1 (en) * | 2019-04-26 | 2022-12-22 | Energy Toolbase Software, Inc. | Intelligent energy management system for distributed energy resources and energy storage systems using machine learning |
US20210281077A1 (en) * | 2020-03-03 | 2021-09-09 | Caterpillar Inc. | Micro-grid site predictive control for multi-power resource management with machine learning |
KR20220075078A (ko) * | 2020-11-27 | 2022-06-07 | 주식회사 비온시이노베이터 | 건물 일체형 태양광 발전 설비의 경제적 운영을 위한 에너지 관리 모니터링 및 그 제어 방법 |
KR20220095313A (ko) * | 2020-12-29 | 2022-07-07 | 주식회사 그리드위즈 | 디지털 트윈 기반의 분산 자원 및 전력 계통 운영 계획 시스템 및 운영 계획 방법 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542882B (zh) * | 2023-07-06 | 2023-09-19 | 浙江大学 | 光伏发电平滑方法、***和存储介质 |
CN116542882A (zh) * | 2023-07-06 | 2023-08-04 | 浙江大学 | 光伏发电平滑方法、***和存储介质 |
CN117175556A (zh) * | 2023-09-01 | 2023-12-05 | 滁州苏埠新能源科技有限公司 | 一种光伏电力供应管理*** |
CN117395942A (zh) * | 2023-09-18 | 2024-01-12 | 广东云下汇金科技有限公司 | 一种基于智算中心的冷量自动调度*** |
CN117094478A (zh) * | 2023-10-19 | 2023-11-21 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
CN117094478B (zh) * | 2023-10-19 | 2024-02-06 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
CN117114364A (zh) * | 2023-10-20 | 2023-11-24 | 华北电力大学 | 一种电力交易多市场协同管控方法及*** |
CN117171551B (zh) * | 2023-11-02 | 2024-01-30 | 山东港口科技集团烟台有限公司 | 大规模工业设备数据分析与智能管理方法 |
CN117171551A (zh) * | 2023-11-02 | 2023-12-05 | 山东港口科技集团烟台有限公司 | 大规模工业设备数据分析与智能管理方法 |
CN117236527A (zh) * | 2023-11-13 | 2023-12-15 | 宁德市天铭新能源汽车配件有限公司 | 一种基于集成学习的汽车零部件需求预测方法及*** |
CN117236527B (zh) * | 2023-11-13 | 2024-02-06 | 宁德市天铭新能源汽车配件有限公司 | 一种基于集成学习的汽车零部件需求预测方法及*** |
CN117996854A (zh) * | 2024-01-29 | 2024-05-07 | 重庆千信新能源有限公司 | 基于数据均衡理论进行光伏电力能源分配方法 |
CN117977589A (zh) * | 2024-04-02 | 2024-05-03 | 希格玛电气(珠海)有限公司 | 一种融合电网智能化终端管理***及方法 |
CN117977589B (zh) * | 2024-04-02 | 2024-06-25 | 希格玛电气(珠海)有限公司 | 一种融合电网智能化终端管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN109885907B (zh) | 一种基于云模型的卫星姿控***健康状态评估和预测方法 | |
Zhao et al. | A novel bidirectional mechanism based on time series model for wind power forecasting | |
CN112132351A (zh) | 电动汽车充电负荷聚类预测方法及装置 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN117713221B (zh) | 一种微逆光伏并网优化*** | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
Dolatabadi et al. | A novel model-free deep reinforcement learning framework for energy management of a PV integrated energy hub | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及*** | |
Ding et al. | Serial-parallel dynamic echo state network: A hybrid dynamic model based on a chaotic coyote optimization algorithm for wind speed prediction | |
CN113011680A (zh) | 一种电力负荷预测方法及*** | |
CN115983485A (zh) | 一种发电厂碳排放的预测方法及*** | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
Liu et al. | Varying condition SCOPF based on deep learning and knowledge graph | |
CN117220318B (zh) | 电网数字化驱动控制方法及*** | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
Wang et al. | Novel wind-speed prediction system based on dimensionality reduction and nonlinear weighting strategy for point-interval prediction | |
Ye et al. | Optimal Component IGSCV-SVR Ensemble Model Improved by VMD for Ultra-short-term Wind Speed Forecasting. | |
Liu et al. | Embedded scenario clustering for wind and photovoltaic power, and load based on multi-head self-attention | |
CN116431439A (zh) | 一种绿色数据中心能耗监测管理*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |
|
RJ01 | Rejection of invention patent application after publication |