[發明專利]基于遷移學習的分布式源-儲-荷匹配方法及裝置

有效

• 申請號: 202110184771.0
• 申請日: 2021-02-10
• 公開（公告）號: CN112821456B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 田海亭;仲福森;田立國;蒲一帆;朱磊
• 申請（專利權）人: 中青云智科技（浙江）有限公司
• 主分類號: H02J3/38
• 分類號: H02J3/38;H02J3/28;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京華專卓海知識產權代理事務所(普通合伙) 11664
• 代理人: 王一

本公開的實施例提供了基于遷移學習的分布式源?儲?荷匹配方法、裝置、設備和計算機可讀存儲介質。所述方法包括獲取待部署神經網絡模型的第二樓宇的輸入參數；根據第二樓宇的輸入參數與實際輸出參數生成第二訓練樣本，利用所述第二訓練樣本對第一神經網絡模型進行遷移學習，生成第二神經網絡模型；將第二樓宇的輸入參數輸入所述第二神經網絡模型，得到輸出的輸出參數；根據所述輸出參數對所述第二樓宇進行控制。以此方式，可以在更少的訓練樣本需求，更短的訓練收斂時間、更低的算力需求下，實現對樓宇內分布式源?儲?荷的匹配調度。

技術領域

本公開的實施例一般涉及電網供電技術領域，并且更具體地，涉及基于遷移學習的分布式源-儲-荷匹配方法、裝置、設備和計算機可讀存儲介質。

背景技術

用戶側分布式能源系統在不同地理分布位置接入城市配電網，可協同調度各類分布式能源，實現能源的互補利用，對提高可再生能源的就地消納能力，提升能源綜合利用效率具有重要意義，相關研究受到了廣泛關注。然而，可再生能源出力具有極強的隨機特性，加之與負荷的不匹配性加重了系統運行的復雜程度，對系統運行的穩定性、安全性、可靠性提出了挑戰。儲能系統可打破能量的時間和空間限制，有效平抑可再生能源出力的隨機性和波動性,是解決上述問題的有效手段。

但是，現有分布式能源管理系統多基于遠程系統或云平臺技術，邊緣側能力不足，由于建筑能源場景的復雜性，如果僅采用基于遠程系統或云平臺的架構，造成本地數據采集和控制能力不足，無法對緊急情況及時處置。

發明內容

根據本公開的實施例，提供了一種基于遷移學習的分布式源-儲-荷匹配方案。

在本公開的第一方面，提供了一種基于遷移學習的源-儲-荷匹配神經網絡模型訓練方法。該方法包括：根據第一樓宇的歷史輸入參數及輸出參數生成第一訓練樣本，利用所述第一訓練樣本訓練深度神經網絡，生成第一神經網絡模型；根據第二樓宇的輸入參數與實際輸出參數生成第二訓練樣本，利用所述第二訓練樣本對所述第一神經網絡模型進行遷移學習，生成第二神經網絡模型。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述輸入參數包括：樓宇通用參數、樓宇內能源設備特征、樓宇內主要負荷的電氣測量值、環境參數測量值、人員相關情況；所述輸出參數包括：樓宇內分布式電源的出力功率、儲能的充放電功率，以及外購電功率。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述方法還包括：根據第二樓宇的輸入參數與實際輸出參數更新第一訓練樣本，利用所述更新后的第一訓練樣本更新所述第一深度神經網絡模型。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，利用所述第二訓練樣本對所述第一神經網絡模型進行遷移學習包括：根據新部署的樓宇的輸入參數，將其區分為不同的樓宇類型，根據不同的樓宇類型，對部署在其上的第一神經網絡模型分別進行遷移學習。

在本公開的第二方面，提供了一種基于遷移學習的分布式源-儲-荷匹配方法。該方法包括：獲取待部署神經網絡模型的第二樓宇的輸入參數；根據第二樓宇的輸入參數與實際輸出參數生成第二訓練樣本，利用所述第二訓練樣本對第一神經網絡模型進行遷移學習，生成第二神經網絡模型；將第二樓宇的輸入參數輸入所述第二神經網絡模型，得到輸出的輸出參數；根據所述輸出參數對所述第二樓宇進行控制。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，利用所述第二訓練樣本對第一神經網絡模型進行遷移學習包括：若待部署神經網絡模型的第二樓宇的類型已存在于第一樓宇區分的類型中，則直接進行部署，將新產生的數據加入第一訓練樣本中對對應樓宇類型的第一神經網絡模型進行更新；若待部署神經網絡模型的第二樓宇的類型不存在于第一樓宇區分的類型中，則對部署在其上的第一神經網絡模型進行遷移學習。