一种基于大数据的储能控制并网管理方法及系统与流程

本技术涉及数据处理领域，具体而言，涉及一种基于大数据的储能控制并网管理方法及系统。

背景技术：

1、储能控制并网管理是指对储能系统进行监测、控制和优化，以便将其与电力系统并网运行，主要涉及储能系统的调度、能量管理、功率平衡等方面。首先，储能控制并网管理需要对储能系统进行实时监测和控制。通过监测储能系统的状态和性能参数，可以实时获取储能系统的充放电情况、容量、效率、充放电效率、循环寿命、负荷数据、可再生能源数据（如监测的太阳能光伏、风能等可再生能源的产生量和波动情况）、环境数据（如温度、湿度等影响热管理的数据）等数据，并进行相应的控制策略调整。这有助于确保储能系统的安全稳定运行，并满足电力系统的需求。在功率平衡中，通过监测电力系统的以上各类数据，可以动态调整储能系统的输出功率，以确保电力系统的功率平衡和稳定运行，有助于提高电力系统的调度灵活性和可靠性。然而，在实际运行中，储能系统中的数据因为外部环境和用户需求的不确定性，系统负荷变化较大，储能系统在调节干预时，输出功率亦具有跳跃性和不显著性，换言之，可供参考的历史样本通常是稀疏的，对于根据实时储能系统数据进行输出功率控制干预的预测带来困难，预测得到的结果精度得不到保障。

技术实现思路

1、本发明的目的在于提供一种基于大数据的储能控制并网管理方法及系统，以改善上述问题。

2、本技术实施例的实现方式如下：

3、第一方面，本技术实施例提供一种基于大数据的储能控制并网管理方法，应用于储能控制并网管理系统，所述方法包括：

4、获取目标储能系统的对照要素数据集合；所述对照要素数据集合用于在储能系统输出功率确定过程中提供对照信息；

5、基于系统输出功率确定算法中的多维度算子包括的p个算子维度，基于所述对照要素数据集合进行隐藏表征向量抽取操作，得到p个维度输出表征向量；所述p＞1，在所述系统输出功率确定算法的调试环节中，所述p个算子维度分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达；

6、基于所述系统输出功率确定算法中的维度训练平衡算子，通过所述对照要素数据集合，确定所述p个维度输出表征向量分别对应的影响偏心系数；

7、基于所述系统输出功率确定算法中的分类映射算子，通过所述p个维度输出表征向量和其分别对应的所述影响偏心系数，确定所述目标储能系统对应的目标低维映射表征向量；

8、通过所述目标低维映射表征向量，确定所述目标储能系统对应的系统输出功率确定结果。

9、其中，作为一种实施方式，所述基于系统输出功率确定算法中的多维度算子包括的p个算子维度，基于所述对照要素数据集合进行隐藏表征向量抽取操作，得到p个维度输出表征向量，包括：

10、基于所述多维度算子中的公共特征表示网络，基于所述对照要素数据集合进行向量嵌入映射操作，得到对照输入表征向量；

11、基于所述多维度算子中的每个所述算子维度，对所述对照输入表征向量进行隐藏表征向量抽取操作，得到每个所述算子维度对应的维度输出表征向量；

12、所述基于所述系统输出功率确定算法中的维度训练平衡算子，通过所述对照要素数据集合，确定所述p个维度输出表征向量分别对应的影响偏心系数，包括：

13、基于所述维度训练平衡算子中的前馈神经网络，通过所述对照要素数据集合，确定预测表征向量；所述预测表征向量中包括p个维数的关键数据项，所述p个维数的关键数据项与所述p个维度输出表征向量一一关联；

14、基于所述维度训练平衡算子中的归一化网络，对所述预测表征向量进行归一化操作，得到归一化预测表征向量；所述归一化预测表征向量中包括所述p个维度输出表征向量分别对应的影响偏心系数。

15、其中，作为一种实施方式，所述基于所述系统输出功率确定算法中的分类映射算子，通过所述p个维度输出表征向量和其分别对应的所述影响偏心系数，确定所述目标储能系统对应的目标低维映射表征向量，包括：

16、基于所述分类映射算子中的表征向量整合网络，通过所述p个维度输出表征向量分别对应的所述影响偏心系数，对所述p个维度输出表征向量进行融合操作，得到所述目标低维映射表征向量；

17、所述通过所述目标低维映射表征向量，确定所述目标储能系统对应的系统输出功率确定结果，包括：

18、基于所述分类映射算子中的归一映射网络，通过所述目标低维映射表征向量，确定所述目标储能系统对应的系统输出功率确定结果；

19、所述获取目标储能系统的对照要素数据集合，包括：

20、通过所述目标储能系统的系统编号，确定对应所述编号的历史储能监测数据；

21、获取所述目标储能系统在历史储能监测数据中的目标要素数据集合，作为所述对照要素数据集合。

22、其中，作为一种实施方式，所述方法还包括：

23、获取调试学习样例库；所述调试学习样例库中包括多个调试学习样例，每个所述调试学习样例包括样例要素数据和其对应的系统输出功率标签；

24、基于拟进行调试的系统输出功率确定算法中的多维度算子包括的p个算子维度，基于所述调试学习样例中的所述样例要素数据进行隐藏表征向量抽取操作，得到p个样例维度输出表征向量；所述p＞1，所述p个算子维度分别用于学习对应不同系统输出功率范围的样例要素数据的隐藏向量表达；

25、基于所述系统输出功率确定算法中的维度训练平衡算子，通过所述调试学习样例中所述样例要素数据，确定所述p个样例维度输出表征向量分别对应的样例影响偏心系数；

26、基于所述系统输出功率确定算法中的分类映射算子，通过所述p个样例维度输出表征向量和其分别对应的所述样例影响偏心系数，确定所述调试学习样例对应的样例低维映射表征向量；

27、通过所述样例低维映射表征向量，确定所述调试学习样例对应的系统输出功率样例确定结果；

28、通过所述调试学习样例库中各所述调试学习样例分别对应的系统输出功率样例确定结果、以及各所述调试学习样例分别包含的系统输出功率标签，确定系统输出功率误差；

29、基于所述系统输出功率误差，优化所述系统输出功率确定算法的算法参变量。

30、其中，作为一种实施方式，所述调试学习样例库中包括p个系统输出功率范围分别对应的调试学习样例集合，所述系统输出功率范围对应的调试学习样例集合中，各个所述调试学习样例分别包含的系统输出功率确定结果均属于所述系统输出功率范围；所述p个系统输出功率范围包括一个系统输出功率为预设范围的数值范围、以及o个系统输出功率不为预设范围的数值范围，所述o个系统输出功率不为预设范围的数值范围分别对应的调试学习样例集合包括的调试学习样例数量之间的作差结果符合结果阈值，其中，o=p-1；

31、所述方法还包括：

32、针对每个所述调试学习样例，通过所述调试学习样例包括的系统输出功率标签，确定所述调试学习样例对应的输出功率标记；所述输出功率标记中包括所述p个系统输出功率范围分别对应的输出功率标记数据，所述系统输出功率标签所属的系统输出功率范围对应的输出功率标记数据为y，其它输出功率标记数据为n；

33、通过所述调试学习样例库中各所述调试学习样例分别对应的推理影响系数分布情况、以及各所述调试学习样例分别对应的输出功率标记，确定输出功率识别误差；所述调试学习样例对应的推理影响系数分布情况为所述维度训练平衡算子通过所述调试学习样例中的所述样例要素数据确定的样例影响偏心系数；

34、所述基于所述系统输出功率误差，优化所述系统输出功率确定算法的算法参变量，包括：

35、基于所述系统输出功率误差和所述输出功率识别误差，优化所述系统输出功率确定算法的算法参变量。

36、其中，作为一种实施方式，所述方法还包括：

37、通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量、以及各所述调试学习样例分别包含的系统输出功率标签，确定共性评估误差；

38、所述基于所述系统输出功率误差，优化所述系统输出功率确定算法的算法参变量，包括：

39、基于所述系统输出功率误差和所述共性评估误差，优化所述系统输出功率确定算法的算法参变量。

40、其中，作为一种实施方式，所述通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量、以及各所述调试学习样例分别包含的系统输出功率标签，确定共性评估误差，包括：

41、通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量，确定低维映射共性二维数组；所述低维映射共性二维数组中的组成单元用以指示两个所述样例低维映射表征向量之间的共性度量结果；

42、通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签，确定系统输出功率共性二维数组；所述系统输出功率共性二维数组中的组成单元用以指示两个所述系统输出功率标签之间的共性度量结果；

43、通过所述低维映射共性二维数组以及所述系统输出功率共性二维数组，确定所述共性评估误差。

44、其中，作为一种实施方式，所述通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量，确定低维映射共性二维数组，包括：

45、通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量，生成初始低维映射二维数组；

46、通过各所述调试学习样例分别对应的所述样例低维映射表征向量的欧几里得距离，生成标准低维映射二维数组；

47、通过所述初始低维映射二维数组和其对应的对偶数表、以及所述标准低维映射二维数组和其对应的对偶数表，确定所述低维映射共性二维数组。

48、其中，作为一种实施方式，所述通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签，确定系统输出功率共性二维数组，包括：

49、通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签，生成系统输出功率结果数组；所述系统输出功率结果数组中包括x行相同的系统输出功率标签行，所述系统输出功率标签行中包括x个所述系统输出功率标签，所述x为所述调试学习样例库中所述调试学习样例的数量；

50、通过所述系统输出功率结果数组和其对应的对偶数表，确定所述系统输出功率共性二维数组。

51、第二方面，本技术实施例提供一种储能控制并网管理系统，包括存储器和处理器，所述存储器存储有计算机程序，当所述处理器运行所述计算机程序时，实现如上所述的方法。

52、本技术具有的有益效果：

53、本技术实施例提供的基于大数据的储能控制并网管理方法，方法过程中引入整合分类与回归策略的系统输出功率确定算法，其中，先通过系统输出功率确定算法中基于分类确定策略的多维度算子和维度训练平衡算子，通过目标储能系统的对照要素数据集合，确定p个维度输出表征向量和p个维度输出表征向量分别对应的影响偏心系数；由于多维度算子中的p个算子维度在算法调校环节分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达，同时目标储能系统的对照要素数据集合势必对应其中的一个系统输出功率范围，那么，多维度算子中包含一个或多个算子维度可以从对照要素数据集合中精准挖掘得到对于预测系统输出功率具备强指导意义的隐藏向量表达（也即维度输出表征向量）；进一步地，通过维度训练平衡算子输出的影响偏心系数，对指导意义强的维度输出表征向量进行加强，并对指导意义弱的维度输出表征向量进行减弱，以得到目标储能系统对应的目标低维映射表征向量，该目标低维映射表征向量可以精确体现目标储能系统的负荷波动与环境因素，通过该目标低维映射表征向量确定目标储能系统对应的系统输出功率确定结果，能确保该系统输出功率确定结果的精确度。基于此，通过分类确定策略协同完成系统输出功率数据的回归预测，通过多个算子维度学习对应不同系统输出功率范围的要素数据的隐藏向量表达，以及通过维度训练平衡算子学习各算子维度分别输出的隐藏向量表达的准确性，缓解系统输出功率数据的跳跃性和不显著问题引起的情况，提高系统输出功率确定结果的精度。

54、在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。