[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的配電臺(tái)區(qū)儲(chǔ)能配置方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011247499.8
• 申請(qǐng)日: 2020-11-10
• 公開(kāi)（公告）號(hào): CN112418496B
• 公開(kāi)（公告）日: 2022-04-22
• 發(fā)明（設(shè)計(jì)）人: 魏俊;葉圣永;劉旭娜;張文濤;劉立揚(yáng);韓宇奇;龍川;劉潔穎;李達(dá);趙達(dá)維
• 申請(qǐng)（專(zhuān)利權(quán)）人: 國(guó)網(wǎng)四川省電力公司經(jīng)濟(jì)技術(shù)研究院
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;H02J3/28;H02J3/24
• 代理公司: 成都行之專(zhuān)利代理事務(wù)所(普通合伙) 51220
• 代理人: 張超

1.一種基于深度學(xué)習(xí)的配電臺(tái)區(qū)儲(chǔ)能配置方法，其特征在于，包括以下步驟：

S1：構(gòu)建歷史特征數(shù)據(jù)集；所述歷史特征數(shù)據(jù)集包括在不同時(shí)間點(diǎn)下的配電臺(tái)區(qū)的特征變量的歷史數(shù)據(jù)，所述特征變量包括臺(tái)區(qū)儲(chǔ)能配置的電壓等級(jí)、儲(chǔ)能成本、儲(chǔ)能壽命、不同季節(jié)不同典型日的最大充電功率、不同季節(jié)不同典型日的最大放電功率、不同季節(jié)不同典型日的充電能量值以及不同季節(jié)不同典型日的放電能量；

S2：獲取第一LSTM神經(jīng)網(wǎng)絡(luò)；所述第一LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度大于預(yù)設(shè)精度；

用所述歷史特征數(shù)據(jù)集中的歷史數(shù)據(jù)對(duì)LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至所述LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度達(dá)到預(yù)設(shè)精度；

S3：獲取配電臺(tái)區(qū)的當(dāng)前特征變量值，根據(jù)所述當(dāng)前特征變量值和所述第一LSTM神經(jīng)網(wǎng)絡(luò)，對(duì)所述配電臺(tái)區(qū)的儲(chǔ)能進(jìn)行預(yù)測(cè)；

獲取所述配電臺(tái)區(qū)的當(dāng)前特征變量值，并將所述當(dāng)前特征變量值輸入至所述第一LSTM神經(jīng)網(wǎng)絡(luò)中，從而輸出一個(gè)三維矩陣，所述三維矩陣分別是儲(chǔ)能類(lèi)型、儲(chǔ)能功率和儲(chǔ)能能量；

其中，所述儲(chǔ)能功率為該配電臺(tái)區(qū)所需儲(chǔ)能的額定功率，所述儲(chǔ)能能量為該配電臺(tái)區(qū)所需儲(chǔ)能的儲(chǔ)能能量，所述儲(chǔ)能類(lèi)型輸出為該配電臺(tái)區(qū)第一LSTM神經(jīng)網(wǎng)絡(luò)得到的所需儲(chǔ)能的編號(hào)，所述編號(hào)對(duì)應(yīng)的設(shè)備包括抽水蓄能、超導(dǎo)儲(chǔ)能以及超級(jí)電容儲(chǔ)能。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的配電臺(tái)區(qū)儲(chǔ)能配置方法，其特征在于，所述S1包括以下子步驟：

S11：獲取在不同時(shí)間點(diǎn)下配電臺(tái)區(qū)的特征變量的歷史數(shù)據(jù)；

S12：對(duì)任意一個(gè)所述特征變量的歷史數(shù)據(jù)按時(shí)間點(diǎn)進(jìn)行標(biāo)準(zhǔn)化處理，以得到所述歷史特征數(shù)據(jù)集。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的配電臺(tái)區(qū)儲(chǔ)能配置方法，其特征在于，所述歷史數(shù)據(jù)按下式進(jìn)行標(biāo)準(zhǔn)化處理：

其中，為第k個(gè)特征變量的第j個(gè)時(shí)間點(diǎn)標(biāo)準(zhǔn)化之后的特征值，為第k個(gè)特征變量第j個(gè)時(shí)間點(diǎn)的歷史數(shù)據(jù)，j∈[1，n]，n為第k個(gè)特征變量的時(shí)間長(zhǎng)度，為第k個(gè)特征變量在第i個(gè)時(shí)間點(diǎn)的歷史數(shù)據(jù)，為第k個(gè)特征變量在第t個(gè)時(shí)間點(diǎn)的歷史數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的配電臺(tái)區(qū)儲(chǔ)能配置方法，其特征在于，所述S2包括以下子步驟：

S21：采用粒子群優(yōu)化算法對(duì)所述LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，以得到所述LSTM神經(jīng)網(wǎng)絡(luò)的最佳超參數(shù)，進(jìn)而得到優(yōu)化的LSTM神經(jīng)網(wǎng)絡(luò)；其中，所述最佳超參數(shù)包括網(wǎng)絡(luò)權(quán)重矩陣w、網(wǎng)絡(luò)權(quán)重矩陣v以及網(wǎng)絡(luò)權(quán)重矩陣b；

S22：按時(shí)間先后順序?qū)λ鰵v史特征數(shù)據(jù)集使用長(zhǎng)度為q的滑動(dòng)窗口進(jìn)行幀格化，以得到多個(gè)樣本數(shù)據(jù)集；

S23：用所述樣本數(shù)據(jù)集對(duì)優(yōu)化的所述LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以得到所述第一LSTM神經(jīng)網(wǎng)絡(luò)；

S24：對(duì)所述第一LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度進(jìn)行評(píng)估；

若所述預(yù)測(cè)精度小于所述預(yù)設(shè)精度，則重復(fù)步驟S21-S23；

若所述預(yù)測(cè)精度大于或等于所述預(yù)設(shè)精度，則獲取從所述LSTM神經(jīng)網(wǎng)絡(luò)到所述第一LSTM神經(jīng)網(wǎng)絡(luò)的更新次數(shù)；

S25：對(duì)所述更新次數(shù)進(jìn)行判定，若所述更新次數(shù)小于預(yù)設(shè)更新次數(shù)，則重復(fù)步驟S21-S23。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的配電臺(tái)區(qū)儲(chǔ)能配置方法，其特征在于，所述S2之后還包括一個(gè)驗(yàn)證步驟，所述驗(yàn)證步驟用于對(duì)所述第一LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度進(jìn)行驗(yàn)證。

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的配電臺(tái)區(qū)儲(chǔ)能配置方法，其特征在于，所述驗(yàn)證步驟包括以下子步驟：

獲取測(cè)試樣本數(shù)據(jù)集，所述測(cè)試樣本數(shù)據(jù)集包括在不同時(shí)間點(diǎn)下的配電臺(tái)區(qū)的特征變量的歷史數(shù)據(jù)；

獲取預(yù)測(cè)值，將所述測(cè)試樣本數(shù)據(jù)集中的歷史數(shù)據(jù)輸入至所述第一LSTM神經(jīng)網(wǎng)絡(luò)中，所述第一LSTM神經(jīng)網(wǎng)絡(luò)的輸出值即為預(yù)測(cè)值；

將所述預(yù)測(cè)值和實(shí)際值進(jìn)行對(duì)比，若所述預(yù)測(cè)精度小于所述預(yù)設(shè)精度，則重復(fù)步驟S2。