一种能源数据预测模型的训练方法、预测方法及装置与流程

技术特征：
1.一种能源数据预测模型的训练方法，其特征在于，包括：从智能电网中获取待训练基础数据；将所述待训练基础数据输入优化模型，得到待训练优化数据，其中，所述优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模型；所述待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；根据所述待训练基础数据和所述待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述待训练基础数据包括：e
res,max
、e
d,max
，所述消费者剩余能源优化模型包括：，所述消费者剩余能源优化模型包括：，所述消费者剩余能源优化模型包括：，所述消费者剩余能源优化模型包括：其中，表示第h小时的可再生能源产生的消耗性能源，e
res,max
表示可再生能源产生的最大消耗性能源，表示第h小时的消耗性能源需求，e
d,max
表示最大消耗性能源需求，而表示第h小时的消费者剩余能源数据。3.根据权利要求1所述的方法，其特征在于，所述待训练基础数据包括：p
h
、e
res,max
、e
d,max
，所述消费者能源优化成本模型包括：，所述消费者能源优化成本模型包括：，所述消费者能源优化成本模型包括：，所述消费者能源优化成本模型包括：其中，p
h
表示第h小时智能电网提供的消费者能源进口率，表示第h小时的可再生能源产生的消耗性能源，e
res,max
表示可再生能源产生的最大消耗性能源，表示第h小时的消耗性能源需求，e
d,max
表示最大消耗性能源需求，表示第h小时的消费者能源成本数据。4.根据权利要求1所述的方法，其特征在于，所述总能量成本模型包括：
其中，是智能电网提供的名义价格，是从公用事业部门进口的消费者能源，p
h
表示第h小时智能电网提供的消费者能源进口率，e
res,max
表示可再生能源产生的最大消耗性能源，e
d,max
表示最大消耗性能源需求，表示第h小时的消费者剩余能源数据，gr表示总能量成本。5.根据权利要求1所述的方法，其特征在于，所述高斯过程回归模型包括：y＝h(x)
t
β f(x),f(x)～gp(0,k(x,x)')其中，x表示待训练基础数据，y表示待训练优化数据，潜函数f(x)表示待训练基础数据基于协方差k(x,x)'的高斯过程，h(x)
t
表示待训练基础数据的显式基函数，β表示待训练基础数据的系数，gp表示高斯过程，k(x,x)'表示高斯过程中的核函数。6.一种能源数据预测的方法，其特征在于，包括：获取智能电网中的待预测基础数据；基于所述待预测基础数据，通过能源数据预测模型获取所述待预测基础数据对应的预测结果，所述预测结果包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据，所述能源数据预测管理模型为采用上述权利要求1至5中任一项方法训练得到的。7.一种能源数据预测模型的训练装置，其特征在于，包括：获取模块，用于从智能电网中获取待训练基础数据；所述获取模块，还用于将所述待训练基础数据输入优化模型，得到待训练优化数据，其中，所述优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模型；所述待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；训练模块，用于根据所述待训练基础数据和所述待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。8.一种能源数据预测装置，其特征在于，包括：获取模块，用于获取智能电网中的待预测基础数据；预测模块，用于基于所述待预测基础数据，通过能源数据预测管理模型获取所述待预测基础数据对应的优化数据，所述优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据，所述能源数据预测管理模型为采用上述权利要求1至5中任一项方法训练得到的。9.一种计算机设备，其特征在于，包括：存储器、收发器、处理器以及总线系统；其中，所述存储器用于存储程序；所述处理器用于执行所述存储器中的程序，以实现权利要求1至5中任一项所述的方法，或，实现权利要求6所述的方法；所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。10.一种计算机可读存储介质，其特征在于，存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1至5中任一项所述的方法，或，执行如权利要求6所述的方法。

技术总结
本申请公开了一种能源数据预测模型的训练方法，包括：从智能电网中获取待训练基础数据；将待训练基础数据输入优化模型，得到待训练优化数据，其中，优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模型；待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；根据待训练基础数据和待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。本申请通过将消费者剩余能源数据、消费者能源成本数据、总能量成本数据作为训练数据，结合高斯过程回归模型对能源数据预测模型进行训练，考虑了可再生能源的随机性，从而解决了在消费者能源生产和消费者能源消费上存在供需不平衡的问题。衡的问题。衡的问题。


技术研发人员：刘曌煜 王蕾 戴攀 邹波 黄晶晶 朱超 张曼颖 胡哲晟
受保护的技术使用者：国网浙江省电力有限公司经济技术研究院
技术研发日：2021.12.02
技术公布日：2022/2/28