CN117077955A - 用于光储并网发电***的能量管理***及其方法 - Google Patents
用于光储并网发电***的能量管理***及其方法 Download PDFInfo
- Publication number
- CN117077955A CN117077955A CN202311052748.1A CN202311052748A CN117077955A CN 117077955 A CN117077955 A CN 117077955A CN 202311052748 A CN202311052748 A CN 202311052748A CN 117077955 A CN117077955 A CN 117077955A
- Authority
- CN
- China
- Prior art keywords
- energy
- yield
- feature
- vector
- input vector
- 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.)
- Withdrawn
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 115
- 238000003860 storage Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000003287 optical effect Effects 0.000 title claims abstract description 17
- 238000004146 energy storage Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 395
- 230000008859 change Effects 0.000 claims description 85
- 239000011159 matrix material Substances 0.000 claims description 85
- 238000007726 management method Methods 0.000 claims description 54
- 238000010586 diagram Methods 0.000 claims description 34
- 238000012546 transfer Methods 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本申请涉及智能管理领域,其具体地公开了一种用于光储并网发电***的能量管理***及其方法,其采用基于深度神经网络模型的人工智能技术,获取多个月的能源需求和多个月的光伏发电的产量,分别排列为向量后进行差值计算得到变化向量,将所述向量和变化向量进行级联后通过多尺度特征提取、空间特征增强,以得到用于表示储能设备充电放电的标签的分类结果。通过对能源需求和光伏发电的预测,能够合理安排储能设备的充放电操作,避免能源供应不足或过剩,保证***的安全稳定运行。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种用于光储并网发电***的能量管理***及其方法。
背景技术
光储并网需要根据光伏发电、储能设备和能源的需求进行合理的调度能量。不同的时间段能源的需求是不同的,如冬季的需求可能会比夏季高,在能源需求高于光伏发电时,可以将多余的能量存储到储能设备中,在能源需求低于光伏发电时,可以从储能设备中释放能量来满足需求。但由于现有技术对能源需求和发电产量无法准确比较,从而判断是否对储能设备进行充放电。
因此,期待一种优化的用于光储并网发电***的能量管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于光储并网发电***的能量管理***及其方法,其采用基于深度神经网络模型的人工智能技术,获取多个月的能源需求和多个月的光伏发电的产量,分别排列为向量后进行差值计算得到变化向量,将所述向量和变化向量进行级联后通过多尺度特征提取、空间特征增强,以得到用于表示储能设备充电放电的标签的分类结果。通过对能源需求和光伏发电的预测,能够合理安排储能设备的充放电操作,避免能源供应不足或过剩,保证***的安全稳定运行。
根据本申请的一个方面,提供了一种用于光储并网发电***的能量管理***,其包括:
数据获取模块,用于获取多个月的能源需求和多个月的光伏发电的产量;
时间维度排列模块,用于将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量;
时序变化计算模块,用于计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量;
级联模块,用于将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量;
多尺度特征模块,用于将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量;
关联编码模块,用于对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵;
空间增强模块,用于将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图;
优化模块,用于对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;
分类结果模块,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
在上述用于光储并网发电***的能量管理***中,所述多尺度特征模块,包括:第一尺度特征提取单元,用于将所述能源输入向量和所述产量特征向量输入所述包含第一卷积层和第二卷积层的多尺度特征提取器的第一卷积层以得到第一尺度能源特征向量和第一尺度产量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元,用于将所述能源输入向量和所述产量特征向量输入所述包含第一卷积层和第二卷积层的多尺度特征提取器的第二卷积层以得到第二尺度能源特征向量和第二尺度产量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,融合单元,用于使用所述包含第一卷积层和第二卷积层的多尺度特征提取器的级联层将所述第一尺度能源特征向量和所述第二尺度能源特征向量以及第一尺度产量特征向量和所述第二尺度产量特征向量进行级联以得到所述能源特征向量和所述产量特征向量。
在上述用于光储并网发电***的能量管理***中,所述关联编码模块,用于:使用所述关联编码器以如下关联编码公式对所述能源特征向量和所述产量特征向量进行关联编码以生成所述能源-产量关联特征矩阵;其中,所述关联编码公式为:
其中表示向量相乘,M表示所述能源-产量关联特征矩阵,F1表示所述能源特征向量,F2表示所述产量特征向量,/>表示所述产量特征向量的转置。
在上述用于光储并网发电***的能量管理***中,所述空间增强模块,包括:深度卷积编码单元,用于使用所述空间注意力增强模块的卷积编码部分对所述能源-产量关联特征矩阵进行深度卷积编码以得到检测卷积特征图;空间注意力单元,用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图;激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算单元,用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到分类特征图;。
在上述用于光储并网发电***的能量管理***中,所述空间注意力单元,包括:池化子单元,用于对所述检测初始卷积特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵;通道调整子单元,用于将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵;以及,卷积编码子单元,用于使用所述空间注意力特征图的卷积层对所述通道特征矩阵进行卷积编码以得到空间注意力图。
根据本申请的另一方面,提供了一种用于光储并网发电***的能量管理方法,其包括:
获取多个月的能源需求和多个月的光伏发电的产量;
将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量;
计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量;
将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量;
将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量;
对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵;
将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图;
对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;
将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
与现有技术相比,本申请提供的一种用于光储并网发电***的能量管理***及其方法,其采用基于深度神经网络模型的人工智能技术,获取多个月的能源需求和多个月的光伏发电的产量,分别排列为向量后进行差值计算得到变化向量,将所述向量和变化向量进行级联后通过多尺度特征提取、空间特征增强,以得到用于表示储能设备充电放电的标签的分类结果。通过对能源需求和光伏发电的预测,能够合理安排储能设备的充放电操作,避免能源供应不足或过剩,保证***的安全稳定运行。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于光储并网发电***的能量管理***的框图。
图2为根据本申请实施例的用于光储并网发电***的能量管理***的架构示意图。
图3为根据本申请实施例的用于光储并网发电***的能量管理***中空间增强模块的框图。
图4为根据本申请实施例的用于光储并网发电***的能量管理方法的流程图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,光储并网发电***需要根据能源需求、光伏发电的产量和储能情况进行响应的能量调度。在不同的时间段内,能源需求量是不同的,当能源需求量高于光伏发电的产量时,需要对储能设备进行充电,反之就需要对储能设备进行放电处理。但由于现有的技术无法预料出未来的一段时间内能源需求和光伏发电产量之间的关系,从而判断储能设备的充电放电情况,进而进行响应能量调度。因此,期待一种优化的用于光储并网发电***的能量管理方案。
针对上述技术问题,本申请的申请人通过获取多个月的能源需求和多个月的光伏发电的产量,分别排列为向量后进行差值计算得到变化向量,将所述向量和变化向量进行级联后通过多尺度特征提取、空间特征增强,以得到用于表示储能设备充电放电的标签的分类结果。
相应地,在本申请的技术方案中,考虑到单个月的数据可能受到季节性、天气变化、节假日等因素的影响,无法全面反映真实的能源需求和光伏发电情况。通过获取多个月的数据,可以更好地理解能源需求和光伏发电的长期趋势和变化规律。具体地,能源需求预测是为了了解未来一段时间内的能源需求量,以便进行合理的能源调度和供应计划。通过分析历史能源需求数据,可以识别出季节性、周日/工作日差异以及特殊事件对能源需求的影响,从而更准确地预测未来的需求。光伏发电的产量预测是为了了解未来一段时间内光伏***的发电能力,以便进行合理的能源调度和优化。光伏发电受到太阳辐射、天气条件、光伏组件效率等因素的影响,这些因素在不同月份可能存在差异。通过获取多个月的光伏发电数据,可以更好地了解光伏***的季节性变化、天气条件对发电量的影响,从而更准确地预测未来的光伏发电量。因此,获取多个月的能源需求和多个月的光伏发电的产量可以提供更全面、准确的数据基础,为能源管理***的能量优化调度模块提供更可靠的预测和决策依据。
近年来,深度学***。
具体地,在本申请的技术方案中,首先,获取多个月的能源需求和多个月的光伏发电的产量。考虑到在能源管理***中,时间是一个重要的因素,能源需求和光伏发电量都随着时间的推移而变化。通过按照时间维度排列数据,可以更好地反映能源需求和光伏发电的时间相关性,帮助***更准确地预测和分析未来的能源情况。将能源需求和光伏发电的数据按照时间维度排列为时序输入向量,可以将历史数据和未来数据组织成一个连续的序列。时序输入向量的每个时间步包含了过去一段时间内的数据,可以用于预测未来的能源需求和光伏发电量。因此,将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量可以保留数据的时间顺序和时序关系,有助于建立预测模型和进行数据分析。
接着,考虑到通过计算差值,可以获得能源需求和产量的增减情况,进而了解其变化的速度和幅度。这样的时序变化信息对于能量管理***的优化调度非常重要。具体地,通过分析差值,可以预测未来能源需求和产量的趋势。这有助于***在未来时段内进行准确的能源规划和调度。另外,差值向量可以揭示能源需求和产量的波动情况,***可以根据这些信息进行智能调度,以最大程度地利用可再生能源并满足能源需求。此外,通过分析差值向量,***可以识别能源需求和产量的高峰和低谷,从而合理安排能源供应和使用,降低成本并提高能源利用效率。因此,计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量,可以为能量管理***提供重要的时序变化输入向量,从而实现更精确的能源预测和优化调度。
进一步地,考虑到级联的目的是将时序信息和时序变化信息结合起来,以便***可以同时考虑能源需求和产量的当前状态以及其变化趋势。这种综合考虑可以帮助***更准确地进行能源规划和调度,以满足需求并优化能源利用。具体地,能源时序输入向量提供了过去几个月的能源需求数据,而时序变化输入向量提供了能源需求的变化趋势。级联后的能源输入向量可以提供当前的能源需求情况。时序变化输入向量中的差值信息可以揭示能源需求的增减情况和速度。级联后的能源输入向量可以提供能源需求的变化趋势,帮助***预测未来的能源需求。相同的,产量时序输入向量提供了过去几个月的光伏发电产量数据,而时序变化输入向量提供了产量的变化趋势。级联后的产量输入向量可以提供当前的产量情况。时序变化输入向量中的差值信息可以揭示产量的增减情况和速度。级联后的产量输入向量可以提供产量的变化趋势,帮助***预测未来的产量情况。因此,将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量,可以提供更全面的输入向量,使能量管理***可以综合考虑能源需求和产量的当前状态和变化趋势,从而实现更准确的能源规划和调度。
然后,考虑到在光储并网发电***中,能源输入向量和产量输入向量可能包含不同时间尺度上的变化趋势和模式。通过使用多尺度特征提取器,可以同时考虑长期和短期的变化特征,从而获取更全面的能源特征向量和产量特征向量。例如,第一卷积层可以捕捉到较长时间尺度上的变化趋势,如季节性变化或年度趋势。而第二卷积层可以更加关注较短时间尺度上的变化,如每日或每周的周期性变化。通过结合这些不同尺度的特征提取,可以得到更具代表性和丰富的特征向量,有助于提高能源管理***的准确性和性能。因此,将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量。
进一步地,对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵。考虑到在光储并网发电***中,能源输入和产量之间存在着复杂的关联关系。能源输入的变化会直接影响到产量的变化,而产量的变化又会反馈到能源输入的需求上。通过对能源特征向量和产量特征向量进行关联编码,可以将它们的相关信息融合在一起,形成一个能源-产量关联特征矩阵。这个矩阵可以提供更全面的信息,反映能源输入和产量之间的时序关系、相互影响以及可能存在的潜在模式。通过对关联特征矩阵进行进一步的分析和处理,能够更准确地预测未来的能源需求和光伏发电量,从而实现更有效的能量管理和优化调度。
接着,考虑到特征图是对关联特征矩阵进行空间上的可视化表示,其中每个像素位置对应一个特征值。通过应用空间注意力机制,可以对特征图进行加权,使得关注和强调关联特征矩阵中的重要空间区域。具体地,通过空间注意力增强得到的特征图可以提供更直观和可解释的视觉信息,帮助我们理解和分析能源输入和产量之间的关联关系。特征图可以显示哪些区域对于分类任务更为重要,从而指导后续的决策和优化。此外,特征图还可以用于可视化和解释模型的预测结果,帮助我们理解模型的工作原理和推理过程。因此,通过空间注意力增强得到的特征图可以提供更全面、直观和可解释的信息,有助于提高能源管理***的可视化和决策能力。
特别地,考虑到通过多尺度特征提取器和关联编码,能源输入向量和产量输入向量被转化为能源特征向量和产量特征向量,并通过关联编码得到能源-产量关联特征矩阵。然而,这些特征向量和特征矩阵可能存在高维度、冗余或不具有明确的类别边界的问题。同时分类特征图是通过对能源-产量关联特征矩阵进行空间注意力增强得到的。然而,空间注意力增强模块可能无法充分强调不同类别之间的边界信息,导致类别之间的混叠或模糊。在实际应用中,输入数据可能包含噪声、异常值或未见过的样本。
基于此,对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图,包括:所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量;将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量;计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值;将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量;以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。
在本申请的技术方案中,首先对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量,所述多个局部特征主成分特征向量为所述分类特征图的沿通道维度的各个特征矩阵的稀疏化表示。进一步,将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量,所述全局局部特征上下文关联特征向量用于表示所述分类特征图的所有局部特征的全局上下文表示。
进一步地,以所述全局局部特征上下文关联特征向量作为枢轴,来量化表示所述分类特征矩阵的各个局部特征的特征流形的几何复杂度,进而基于量化的几何复杂度对所述分类特征图来进行类注意力机制特征显著性强化以得到优化分类特征图,具体地,在本申请的技术方案中,首先计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值,进而将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量,最终以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
这样,通过对所述分类特征图的高维特征分布进行基于枢轴的几何复杂度约束,可以使得所述分类特征图具有强为明确的类边界,同时,还可以使得分类模型对于输入数据的变化更加鲁棒,即使在面临噪声、异常值或未见过的样本时,模型也能够更好地适应并进行正确分类。进一步地,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
基于此,本申请提供了一种用于光储并网发电***的能量管理***,其包括:数据获取模块,用于获取多个月的能源需求和多个月的光伏发电的产量;时间维度排列模块,用于将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量;时序变化计算模块,用于计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量;级联模块,用于将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量;多尺度特征模块,用于将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量;关联编码模块,用于对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵;空间增强模块,用于将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图;优化模块,用于对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;以及,分类结果模块,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图1为根据本申请实施例的用于光储并网发电***的能量管理***的框图。如图1所示,根据本申请实施例的用于光储并网发电***的能量管理***100,包括:数据获取模块110,用于获取多个月的能源需求和多个月的光伏发电的产量;时间维度排列模块120,用于将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量;时序变化计算模块130,用于计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量;级联模块140,用于将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量;多尺度特征模块150,用于将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量;关联编码模块160,用于对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵;空间增强模块170,用于将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图;优化模块180,用于对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;以及,分类结果模块190,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
图2为根据本申请实施例的用于光储并网发电***的能量管理***的架构示意图。如图2所示,首先,获取多个月的能源需求和多个月的光伏发电的产量。接着,将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量。然后,计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量。接着,将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量。然后,将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量。接着,对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵。然后,将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图。接着,对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图。最后,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
在本申请实施例中,所述数据获取模块110,用于获取多个月的能源需求和多个月的光伏发电的产量。考虑到单个月的数据可能受到季节性、天气变化、节假日等因素的影响,无法全面反映真实的能源需求和光伏发电情况。通过获取多个月的数据,可以更好地理解能源需求和光伏发电的长期趋势和变化规律。具体地,能源需求预测是为了了解未来一段时间内的能源需求量,以便进行合理的能源调度和供应计划。通过分析历史能源需求数据,可以识别出季节性、周日/工作日差异以及特殊事件对能源需求的影响,从而更准确地预测未来的需求。光伏发电的产量预测是为了了解未来一段时间内光伏***的发电能力,以便进行合理的能源调度和优化。光伏发电受到太阳辐射、天气条件、光伏组件效率等因素的影响,这些因素在不同月份可能存在差异。通过获取多个月的光伏发电数据,可以更好地了解光伏***的季节性变化、天气条件对发电量的影响,从而更准确地预测未来的光伏发电量。
在本申请实施例中,所述时间维度排列模块120,用于将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量。考虑到在能源管理***中,时间是一个重要的因素,能源需求和光伏发电量都随着时间的推移而变化。通过按照时间维度排列数据,可以更好地反映能源需求和光伏发电的时间相关性,帮助***更准确地预测和分析未来的能源情况。将能源需求和光伏发电的数据按照时间维度排列为时序输入向量,可以将历史数据和未来数据组织成一个连续的序列。时序输入向量的每个时间步包含了过去一段时间内的数据,可以用于预测未来的能源需求和光伏发电量。因此,将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量可以保留数据的时间顺序和时序关系,有助于建立预测模型和进行数据分析。
在本申请实施例中,所述时序变化计算模块130,用于计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量。考虑到通过计算差值,可以获得能源需求和产量的增减情况,进而了解其变化的速度和幅度。这样的时序变化信息对于能量管理***的优化调度非常重要。具体地,通过分析差值,可以预测未来能源需求和产量的趋势。这有助于***在未来时段内进行准确的能源规划和调度。另外,差值向量可以揭示能源需求和产量的波动情况,***可以根据这些信息进行智能调度,以最大程度地利用可再生能源并满足能源需求。此外,通过分析差值向量,***可以识别能源需求和产量的高峰和低谷,从而合理安排能源供应和使用,降低成本并提高能源利用效率。因此,计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量,可以为能量管理***提供重要的时序变化输入向量,从而实现更精确的能源预测和优化调度。
在本申请实施例中,所述级联模块140,用于将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量。考虑到级联的目的是将时序信息和时序变化信息结合起来,以便***可以同时考虑能源需求和产量的当前状态以及其变化趋势。这种综合考虑可以帮助***更准确地进行能源规划和调度,以满足需求并优化能源利用。具体地,能源时序输入向量提供了过去几个月的能源需求数据,而时序变化输入向量提供了能源需求的变化趋势。级联后的能源输入向量可以提供当前的能源需求情况。时序变化输入向量中的差值信息可以揭示能源需求的增减情况和速度。级联后的能源输入向量可以提供能源需求的变化趋势,帮助***预测未来的能源需求。相同的,产量时序输入向量提供了过去几个月的光伏发电产量数据,而时序变化输入向量提供了产量的变化趋势。级联后的产量输入向量可以提供当前的产量情况。时序变化输入向量中的差值信息可以揭示产量的增减情况和速度。级联后的产量输入向量可以提供产量的变化趋势,帮助***预测未来的产量情况。因此,将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量,可以提供更全面的输入向量,使能量管理***可以综合考虑能源需求和产量的当前状态和变化趋势,从而实现更准确的能源规划和调度。
在本申请实施例中,所述多尺度特征模块150,用于将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量。考虑到在光储并网发电***中,能源输入向量和产量输入向量可能包含不同时间尺度上的变化趋势和模式。通过使用多尺度特征提取器,可以同时考虑长期和短期的变化特征,从而获取更全面的能源特征向量和产量特征向量。例如,第一卷积层可以捕捉到较长时间尺度上的变化趋势,如季节性变化或年度趋势。而第二卷积层可以更加关注较短时间尺度上的变化,如每日或每周的周期性变化。通过结合这些不同尺度的特征提取,可以得到更具代表性和丰富的特征向量,有助于提高能源管理***的准确性和性能。因此,将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量。
具体地,在本申请实施例中,所述多尺度特征模块,包括:第一尺度特征提取单元,用于将所述能源输入向量和所述产量特征向量输入所述包含第一卷积层和第二卷积层的多尺度特征提取器的第一卷积层以得到第一尺度能源特征向量和第一尺度产量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元,用于将所述能源输入向量和所述产量特征向量输入所述包含第一卷积层和第二卷积层的多尺度特征提取器的第二卷积层以得到第二尺度能源特征向量和第二尺度产量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,融合单元,用于使用所述包含第一卷积层和第二卷积层的多尺度特征提取器的级联层将所述第一尺度能源特征向量和所述第二尺度能源特征向量以及第一尺度产量特征向量和所述第二尺度产量特征向量进行级联以得到所述能源特征向量和所述产量特征向量。
在本申请实施例中,所述关联编码模块160,用于对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵。考虑到在光储并网发电***中,能源输入和产量之间存在着复杂的关联关系。能源输入的变化会直接影响到产量的变化,而产量的变化又会反馈到能源输入的需求上。通过对能源特征向量和产量特征向量进行关联编码,可以将它们的相关信息融合在一起,形成一个能源-产量关联特征矩阵。这个矩阵可以提供更全面的信息,反映能源输入和产量之间的时序关系、相互影响以及可能存在的潜在模式。通过对关联特征矩阵进行进一步的分析和处理,能够更准确地预测未来的能源需求和光伏发电量,从而实现更有效的能量管理和优化调度。
具体地,在本申请实施例中,所述关联编码模块,用于:使用所述关联编码器以如下关联编码公式对所述能源特征向量和所述产量特征向量进行关联编码以生成所述能源-产量关联特征矩阵;其中,所述关联编码公式为:
其中表示向量相乘,M表示所述能源-产量关联特征矩阵,F1表示所述能源特征向量,F2表示所述产量特征向量,/>表示所述产量特征向量的转置。
在本申请实施例中,所述空间增强模块170,用于将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图。考虑到特征图是对关联特征矩阵进行空间上的可视化表示,其中每个像素位置对应一个特征值。通过应用空间注意力机制,可以对特征图进行加权,使得关注和强调关联特征矩阵中的重要空间区域。具体地,通过空间注意力增强得到的特征图可以提供更直观和可解释的视觉信息,帮助我们理解和分析能源输入和产量之间的关联关系。特征图可以显示哪些区域对于分类任务更为重要,从而指导后续的决策和优化。此外,特征图还可以用于可视化和解释模型的预测结果,帮助我们理解模型的工作原理和推理过程。
图3为根据本申请实施例的用于光储并网发电***的能量管理中空间增强模块的框图。具体地,在本申请实施例中,如图3所示,所述空间增强模块170,包括:深度卷积编码单元171,用于使用所述空间注意力增强模块的卷积编码部分对所述能源-产量关联特征矩阵进行深度卷积编码以得到检测卷积特征图;空间注意力单元172,用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图;激活单元173,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算单元174,用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到分类特征图。
更具体地,在本申请实施例中,所述空间注意力单元,包括:池化子单元,用于对所述检测初始卷积特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵;通道调整子单元,用于将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵;以及,卷积编码子单元,用于使用所述空间注意力特征图的卷积层对所述通道特征矩阵进行卷积编码以得到空间注意力图。
在本申请实施例中,所述优化模块180,用于对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图。
特别地,考虑到通过多尺度特征提取器和关联编码,能源输入向量和产量输入向量被转化为能源特征向量和产量特征向量,并通过关联编码得到能源-产量关联特征矩阵。然而,这些特征向量和特征矩阵可能存在高维度、冗余或不具有明确的类别边界的问题。同时分类特征图是通过对能源-产量关联特征矩阵进行空间注意力增强得到的。然而,空间注意力增强模块可能无法充分强调不同类别之间的边界信息,导致类别之间的混叠或模糊。在实际应用中,输入数据可能包含噪声、异常值或未见过的样本。
具体地,在本申请实施例中,所述优化模块,包括:矩阵分解单元,用于所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量;上下文关联单元,用于将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量;转移矩阵计算单元,用于计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值;激活单元,用于将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量;以及,加权单元,用于以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。
这样,通过对所述分类特征图的高维特征分布进行基于枢轴的几何复杂度约束,可以使得所述分类特征图具有强为明确的类边界,同时,还可以使得分类模型对于输入数据的变化更加鲁棒,即使在面临噪声、异常值或未见过的样本时,模型也能够更好地适应并进行正确分类。
在本申请实施例中,分类结果模块190,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
具体地,在本申请实施例中,所述分类结果模块,包括:展开单元,用于将所述优化分类特征图展开为分类特征向量;全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的用于光储并网发电***的能量管理***100被阐明,其采用基于深度神经网络模型的人工智能技术,获取多个月的能源需求和多个月的光伏发电的产量,分别排列为向量后进行差值计算得到变化向量,将所述向量和变化向量进行级联后通过多尺度特征提取、空间特征增强,以得到用于表示储能设备充电放电的标签的分类结果。通过对能源需求和光伏发电的预测,能够合理安排储能设备的充放电操作,避免能源供应不足或过剩,保证***的安全稳定运行。
示例性方法
图4为根据本申请实施例的用于光储并网发电***的能量管理方法的流程图。如图4所示,根据本申请实施例的用于光储并网发电***的能量管理方法,包括:S110,获取多个月的能源需求和多个月的光伏发电的产量;S120,将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量;S130,计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量;S140,将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量;S150,将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量;S160,对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵;S170,将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图;S180,对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;以及,S190,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
这里,本领域技术人员可以理解,上述用于光储并网发电***的能量管理方法中的各个步骤的具体操作已经在上面参考图1到图3的用于光储并网发电***的能量管理***的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理模块(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理模块,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于光储并网发电***的能量管理***及其方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如多个月的能源需求和多个月的光伏发电的产量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于光储并网发电***的能量管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于光储并网发电***的能量管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (10)
1.一种用于光储并网发电***的能量管理***,其特征在于,包括:
数据获取模块,用于获取多个月的能源需求和多个月的光伏发电的产量;
时间维度排列模块,用于将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量;
时序变化计算模块,用于计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量;
级联模块,用于将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量;
多尺度特征模块,用于将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量;
关联编码模块,用于对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵;
空间增强模块,用于将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图;
优化模块,用于对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;
分类结果模块,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
2.根据权利要求1所述的用于光储并网发电***的能量管理***,其特征在于,所述多尺度特征模块,包括:
第一尺度特征提取单元,用于将所述能源输入向量和所述产量特征向量输入所述包含第一卷积层和第二卷积层的多尺度特征提取器的第一卷积层以得到第一尺度能源特征向量和第一尺度产量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述能源输入向量和所述产量特征向量输入所述包含第一卷积层和第二卷积层的多尺度特征提取器的第二卷积层以得到第二尺度能源特征向量和第二尺度产量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
融合单元,用于使用所述包含第一卷积层和第二卷积层的多尺度特征提取器的级联层将所述第一尺度能源特征向量和所述第二尺度能源特征向量以及第一尺度产量特征向量和所述第二尺度产量特征向量进行级联以得到所述能源特征向量和所述产量特征向量。
3.根据权利要求2所述的用于光储并网发电***的能量管理***,其特征在于,所述关联编码模块,用于:
使用所述关联编码器以如下关联编码公式对所述能源特征向量和所述产量特征向量进行关联编码以生成所述能源-产量关联特征矩阵;
其中,所述关联编码公式为:
其中表示向量相乘,M表示所述能源-产量关联特征矩阵,F1表示所述能源特征向量,F2表示所述产量特征向量,/>表示所述产量特征向量的转置。
4.根据权利要求3所述的用于光储并网发电***的能量管理***,其特征在于,所述空间增强模块,包括:
深度卷积编码单元,用于使用所述空间注意力增强模块的卷积编码部分对所述能源-产量关联特征矩阵进行深度卷积编码以得到检测卷积特征图;
空间注意力单元,用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图;
激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;
计算单元,用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到分类特征图。
5.根据权利要求4所述的用于光储并网发电***的能量管理***,其特征在于,所述空间注意力单元,包括:
池化子单元,用于对所述检测初始卷积特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵;
通道调整子单元,用于将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵;
卷积编码子单元,用于使用所述空间注意力特征图的卷积层对所述通道特征矩阵进行卷积编码以得到空间注意力图。
6.根据权利要求5所述的用于光储并网发电***的能量管理***,其特征在于,所述优化模块,包括:
矩阵分解单元,用于所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量;
上下文关联单元,用于将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量;
转移矩阵计算单元,用于计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值;
激活单元,用于将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量;
加权单元,用于以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。
7.根据权利要求6所述的用于光储并网发电***的能量管理***,其特征在于,所述分类结果模块,包括:
展开单元,用于将所述优化分类特征图展开为分类特征向量;
全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种用于光储并网发电***的能量管理方法,其特征在于,包括:
获取多个月的能源需求和多个月的光伏发电的产量;
将所述多个月的能源需求和多个月的光伏发电的产量分别按照时间维度排列为能源时序输入向量和产量时序输入向量;
计算所述能源时序输入向量中相邻两个月的能源需求之间的差值以得到能源时序变化输入向量且计算所述产量时序输入向量中相邻两个月的产量之间的差值以得到产量时序变化输入向量;
将所述能源时序输入向量和所述能源时序变化输入向量进行级联以得到能源输入向量,且将所述产量时序输入向量和所述产量时序变化输入向量进行级联以得到产量输入向量;
将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量;
对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵;
将所述能源-产量关联特征矩阵通过空间注意力增强模块以得到分类特征图;
对分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;
将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示储能设备充电放电的标签。
9.根据权利要求8所述的用于光储并网发电***的能量管理方法,其特征在于,将所述能源输入向量和所述产量输入向量通过包含第一卷积层和第二卷积层的多尺度特征提取器以得到能源特征向量和产量特征向量,包括:
将所述能源输入向量和所述产量特征向量输入所述包含第一卷积层和第二卷积层的多尺度特征提取器的第一卷积层以得到第一尺度能源特征向量和第一尺度产量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
将所述能源输入向量和所述产量特征向量输入所述包含第一卷积层和第二卷积层的多尺度特征提取器的第二卷积层以得到第二尺度能源特征向量和第二尺度产量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
使用所述包含第一卷积层和第二卷积层的多尺度特征提取器的级联层将所述第一尺度能源特征向量和所述第二尺度能源特征向量以及第一尺度产量特征向量和所述第二尺度产量特征向量进行级联以得到所述能源特征向量和所述产量特征向量。
10.根据权利要求9所述的用于光储并网发电***的能量管理方法,其特征在于,对所述能源特征向量和所述产量特征向量进行关联编码以得到能源-产量关联特征矩阵,包括:
使用所述关联编码器以如下关联编码公式对所述能源特征向量和所述产量特征向量进行关联编码以生成所述能源-产量关联特征矩阵;
其中,所述关联编码公式为:
其中表示向量相乘,M表示所述能源-产量关联特征矩阵,F1表示所述能源特征向量,F2表示所述产量特征向量,/>表示所述产量特征向量的转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311052748.1A CN117077955A (zh) | 2023-08-21 | 2023-08-21 | 用于光储并网发电***的能量管理***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311052748.1A CN117077955A (zh) | 2023-08-21 | 2023-08-21 | 用于光储并网发电***的能量管理***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117077955A true CN117077955A (zh) | 2023-11-17 |
Family
ID=88709290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311052748.1A Withdrawn CN117077955A (zh) | 2023-08-21 | 2023-08-21 | 用于光储并网发电***的能量管理***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077955A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117913866A (zh) * | 2024-01-18 | 2024-04-19 | 中机智源科技有限公司 | 基于光伏发电的蓄能*** |
-
2023
- 2023-08-21 CN CN202311052748.1A patent/CN117077955A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117913866A (zh) * | 2024-01-18 | 2024-04-19 | 中机智源科技有限公司 | 基于光伏发电的蓄能*** |
CN117913866B (zh) * | 2024-01-18 | 2024-06-07 | 中机智源科技有限公司 | 基于光伏发电的蓄能*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Stock market trend prediction using high-order information of time series | |
Abdel-Basset et al. | PV-Net: An innovative deep learning approach for efficient forecasting of short-term photovoltaic energy production | |
Buwei et al. | A solar power prediction using support vector machines based on multi-source data fusion | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理*** | |
Pirbazari et al. | An ensemble approach for multi-step ahead energy forecasting of household communities | |
Lv et al. | EGA-STLF: A hybrid short-term load forecasting model | |
Lin et al. | Temporal convolutional attention neural networks for time series forecasting | |
CN117077955A (zh) | 用于光储并网发电***的能量管理***及其方法 | |
Sun et al. | Two-channel attention mechanism fusion model of stock price prediction based on CNN-LSTM | |
Wang et al. | A wind speed forecasting system for the construction of a smart grid with two-stage data processing based on improved ELM and deep learning strategies | |
Hu et al. | Improved multistep ahead photovoltaic power prediction model based on LSTM and self-attention with weather forecast data | |
Liu et al. | An innovative short-term multihorizon photovoltaic power output forecasting method based on variational mode decomposition and a capsule convolutional neural network | |
Zhang et al. | A hybrid deep learning model with error correction for photovoltaic power forecasting | |
Syed et al. | Short-term power forecasting model based on dimensionality reduction and deep learning techniques for smart grid | |
Mirza et al. | A comprehensive approach for PV wind forecasting by using a hyperparameter tuned GCVCNN-MRNN deep learning model | |
CN117094651A (zh) | 一体化储能管理***及能量管理方法 | |
Jønler et al. | Probabilistic forecasts of global horizontal irradiance for solar systems | |
CN117744855A (zh) | 基于机器学习的负荷预测***及方法 | |
CN117055632A (zh) | 太阳能光伏板的跟踪控制***及方法 | |
An et al. | Ultra-short-term prediction method of PV power output based on the CNN–LSTM hybrid learning model driven by EWT | |
Zhang et al. | Building energy consumption prediction based on temporal-aware attention and energy consumption states | |
Brahma et al. | Visualizing solar irradiance data in ArcGIS and forecasting based on a novel deep neural network mechanism | |
Garg et al. | Powernet: A novel method for wind power predictive analytics using Powernet deep learning model | |
Ahmed et al. | Investigating boosting techniques’ efficacy in feature selection: A comparative analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231117 |