基于数据驱动的储能配置鲁棒优化预测方法及系统与流程

本发明涉及数据处理与优化，更具体地说，本发明涉及基于数据驱动的储能配置鲁棒优化预测方法及系统。

背景技术：

1、在涉及多源异构输入的复杂系统资源配置规划中，现有技术通常采用一种分阶段的解耦式方法框架，该框架首先基于历史数据，独立地构建并训练预测模型，旨在对未来不确定性参数（如需求、资源性能）做出尽可能准确的点预测或概率分布预测，随后在规划阶段，将第一阶段得到的预测结果作为固定输入或预设场景，构建并求解一个以系统效率为目标的优化配置模型，从而确定各类资源的容量分配方案，这种方法将数据驱动的预测与数学规划优化视为两个分离的、顺序执行的技术环节。

2、然而，预测环节的训练目标与优化环节的最终目标本质不一致，预测环节通常以统计学意义上的精度（如最小化均方误差）为训练准则，但优化环节的性能实际上取决于不确定性参数对系统成本与约束的敏感性，一个预测误差较小但对整体规划成本影响微弱的不确定性维度，与另一个预测误差稍大但会显著拉高成本或引发约束违反的不确定性维度，在传统预测模型评价中受到同等对待，这导致预测模型未能优先学习对优化决策至关重要的不确定性模式，基于此类预测结果得到的优化配置方案并非全局最优，而是被一个非针对性的预测模型所限制，造成系统整体效率的潜在损失。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供基于数据驱动的储能配置鲁棒优化预测方法及系统以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于数据驱动的储能配置鲁棒优化预测方法，包括：

4、s1：获得多源异构系统的历史运行数据，历史运行数据至少包含历史不确定性参数序列；

5、s2：构建集成框架，集成框架包含用于生成预测结果的预测单元和用于输出资源配置方案的优化单元；

6、s3：在集成框架中，分析历史不确定性参数序列中各不确定性维度在其历史波动范围内变化时，对优化单元的可行域边界所产生的威胁程度；

7、s4：基于多源异构系统的分层分区结构，分析各不确定性维度的影响通过分层分区结构中的层级与分区耦合关系进行传播的路径与广度；

8、s5：依据威胁程度和传播的路径与广度，识别威胁程度高且传播范围超出预设范围的关键不确定性维度；

9、s6：使用历史运行数据对预测单元和优化单元进行联合迭代训练，其中预测单元的训练目标侧重于降低由关键不确定性维度引起的可行域边界的威胁，直至集成框架输出的资源配置方案满足预设的系统效率条件。

10、进一步地，s1包括：

11、获取来自多源异构系统中不同来源的历史时间序列数据；

12、对来自不同来源的历史时间序列数据进行时间戳对齐与缺失值处理以形成规范历史数据集；

13、从规范历史数据集中提取至少一个表征系统输入波动或性能波动的参数以构建历史不确定性参数序列。

14、进一步地，s2包括：

15、基于历史运行数据定义预测单元的输入为历史不确定性参数序列且输出为预测结果；

16、基于资源配置方案的定义确定优化单元的输入包含预测结果且输出为资源配置方案；

17、建立预测单元的输出与优化单元的输入之间的信息传递连接关系以完成集成框架的构建。

18、进一步地，s3包括：

19、针对历史不确定性参数序列中的每一不确定性维度，定义用于评估对优化单元的可行域边界产生影响的数学评估指标；

20、基于历史不确定性参数序列，在历史波动范围内改变该不确定性维度的取值并保持其他不确定性维度不变，计算每一次改变下数学评估指标的变化；

21、依据数学评估指标的变化，量化该不确定性维度对优化单元的可行域边界所产生的威胁程度。

22、进一步地，计算每一次改变下数学评估指标的变化，包括：基于历史不确定性参数序列确定每一不确定性维度的历史波动范围的上界与下界；在上界与下界构成的区间内，对该不确定性维度的取值进行等间隔采样；对于每一个采样点取值，固定该不确定性维度为该采样点取值并保持历史不确定性参数序列中其他所有维度的取值为其历史均值，调用优化单元并记录此时数学评估指标的具体数值；根据所有采样点取值对应的数学评估指标具体数值的变化情况，完成变化的计算。

23、进一步地，s4包括：

24、基于分层分区结构中层级与分区之间的连接关系，定义用于描述影响传播的数学结构；

25、针对历史不确定性参数序列中的每一不确定性维度，基于其影响的初始位置，利用数学结构模拟该不确定性维度的影响在分层分区结构中的传递过程；

26、根据模拟的传递过程，确定该不确定性维度的影响在分层分区结构中所到达的层级与分区的范围，以此作为传播的广度，并记录传递的路径。

27、进一步地，s5包括：

28、设定用于判断威胁程度是否达到高的威胁程度阈值，设定用于判断传播范围是否超出预设范围的传播范围阈值；

29、针对历史不确定性参数序列中的每一不确定性维度，将其威胁程度与威胁程度阈值进行比较，将其传播的广度与传播范围阈值进行比较；

30、将威胁程度超过威胁程度阈值且传播的广度超过传播范围阈值的不确定性维度，识别为关键不确定性维度。

31、进一步地，s6包括：

32、将关键不确定性维度作为预测单元训练中需优先关注的维度，在预测单元的训练目标函数中增加对关键不确定性维度的预测误差的惩罚权重；

33、基于历史运行数据，交替执行以下过程：使用当前预测单元生成预测结果，将预测结果输入优化单元以求解资源配置方案并计算当前配置方案下的系统效率；

34、依据系统效率是否满足预设的系统效率条件判断是否停止训练，若未满足则根据关键不确定性维度的预测误差更新预测单元的参数。

35、进一步地，依据系统效率是否满足预设的系统效率条件判断是否停止训练，若未满足则根据关键不确定性维度的预测误差更新预测单元的参数，包括：在每一次交替执行过程中，计算当前资源配置方案下的系统效率具体数值；将系统效率具体数值与预设的系统效率条件中规定的系统效率目标值进行比较；若系统效率具体数值达到或超过系统效率目标值，则停止联合迭代训练并输出最终的预测单元与优化单元；若系统效率具体数值未达到系统效率目标值，则根据当前预测单元对关键不确定性维度的预测结果与其在历史运行数据中的真实值之间的误差，采用误差反向传播算法更新预测单元的内部参数。

36、另一方面，本发明提供基于数据驱动的储能配置鲁棒优化预测系统，包括：

37、数据获取模块，用于获得多源异构系统的历史运行数据，历史运行数据至少包含历史不确定性参数序列；

38、框架构建模块，用于构建集成框架，集成框架包含用于生成预测结果的预测单元和用于输出资源配置方案的优化单元；

39、威胁分析模块，用于在集成框架中，分析历史不确定性参数序列中各不确定性维度在其历史波动范围内变化时，对优化单元的可行域边界所产生的威胁程度；

40、传播分析模块，用于基于多源异构系统的分层分区结构，分析各不确定性维度的影响通过分层分区结构中的层级与分区耦合关系进行传播的路径与广度；

41、维度识别模块，用于依据威胁程度和传播的路径与广度，识别威胁程度高且传播范围超出预设范围的关键不确定性维度；

42、联合训练模块，用于使用历史运行数据对预测单元和优化单元进行联合迭代训练，其中预测单元的训练目标侧重于降低由关键不确定性维度引起的可行域边界的威胁，直至集成框架输出的资源配置方案满足预设的系统效率条件。

43、与现有技术相比，本发明具有如下有益效果：

44、1.通过构建集成框架并设计针对性的分析训练机制，实现了预测单元与优化单元在目标上的实质性对齐，引入对不确定性维度威胁程度及其传播路径与广度的量化分析，从中识别出真正影响优化决策的关键不确定性维度，进而在联合迭代训练中预测单元的训练目标被动态调整为侧重于降低这些关键维度引起的可行域威胁，而非单纯追求全局预测误差最小，确保了预测单元的学习过程直接聚焦于对最终资源配置方案的质量与鲁棒性有决定性影响的输入模式上，从而克服了预测目标与优化目标脱节的内在矛盾。

45、2.通过使预测单元优先精准把握关键不确定性模式，优化单元得以在更可靠的前瞻信息基础上进行决策，从而生成整体更优的资源配置方案，这种端到端的联合训练框架，促使预测与优化两个环节协同演进，最终输出的配置方案在面对真实世界的不确定性时展现出更强的适应性与鲁棒性，同时有效提升了系统整体的规划效率与经济性，在通用算法层面实现了资源配置决策质量的系统性提升。