储电设备供电量预测方法、装置及计算机可读介质与流程

1.本发明涉及机器学习技术领域，具体地说是储电设备供电量预测方法、装置及计算机可读介质。


背景技术：

2.每个新场景都能产生没有见过的数据模式，当一个机器学习模型部署在边缘端设备上后，当模型遇到新的数据模式后，已经固化的模型就不能对新的数据模式进行正确响应，因此会产生错误的结果。此外，用一个上下文的数据训练模型部署到另一个上下文的环境中，通常不会产生期望的结果。实际上，对不同上下文环境训练不同的模型通常是不可行的，因为需要各个模型收集、标注、处理数据并对模型进行调参，因此边缘端设备应该具备本地收集数据并增量训练。
3.如何预测用电量并对储电设备供电功率进行预测指导，是需要解决的技术问题。


技术实现要素：

4.本发明的技术任务是针对以上不足，提供储电设备供电量预测方法、装置及计算机可读介质，来解决如何预测用电量并对储电设备供电功率进行预测指导的技术问题。
5.第一方面，本发明的储电设备供电量预测方法，包括如下步骤：
6.以一个小时为收集周期，收集每天家庭用电节点及用电设备的用电量作为历史用户量数据并存储至边缘设备；
7.构建用电预测模型，所述用电预测模型为以用电量数据为输入、以每天的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出的时序模型，基于历史用电量数据训练所述用电预测模型；
8.构建发电预测模型，所述发电预测模型为以天气数据为输入、发电量数据为输出的线性回归模型，基于历史发电量数据和天气数据训练所述发电预测模型；
9.构建供电功率预测模型，所述供电功率模型中配置有代价函数，所述代价函数表示为：∑l(t)＝(pu(t)-(pg(t) pr)*δt-pv)*pp(t)
10.其中，pu(t)为当前时段的用电功耗预测，pg(t)为当前时段的发电功率预测，pr为储电设备的剩余电量数据，δt为当前时段的变化值，pv为储电设备的供电功率，pp(t)为当前的电价；
11.通过训练后用电预测模型获取当前时段的用电功耗，通过训练后发电预测模型获取当前时段的发电功率，并获取当前电价以及储电设备的剩余电量数据，优化上述代价函数，基于优化后代价函数，根据时段进行pv值的优选，得到供电功率预测。
12.作为优选，所述时序模型包括：
13.连续时序模型，所述连续时序模型共一个，以连续n周的用电量数据为输入，预测并输出每天以小时为单位的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出；
14.离线时序模型，所述离散时序模型共七个，一周的周一至周日每天对应一个离线时序模型，对于每个离散时序模型，一周中与其对应的一天为作为目标天，以m周中所有目标天以小时为单位的用电量数据为输入，预测并输出目标天的用电量波动周期、用电量变化趋势以及用电量随机波动残差。
15.所述n为大于4的自然数，m为大于8的自然数。
16.作为优选，通过训练后的用电预测模型得到用电功耗预测的计算公式为：
17.pu(t)＝∑p_d/∑p_c*p_c(t)
18.其中，∑p_d表示对离散时序模型的预测值的求和，
19.∑p_c表示对连续时序模型的预测值求和；
20.p_c(t)表示连续时序模型一天中t时刻的预测值。
21.作为优选，通过梯度下降方法优化上述代价函数。
22.作为优选，通过梯度下降方法优化上述代价函数，包括如下步骤：
23.通过迭代实验确定步长l和常数max，所述常数max为限制随机梯度下降次数的上限；
24.对于每次迭代，将数据进行batch加载并计算梯度，当前梯度的计算公式为：
25.g_s＝1/n∑(i＝1,n)f_i’(x_s)
26.其中，t属于[1,max]中的随机值且符合分布：∑(t＝1,max)(1-l)^(max-t)，n为当前样本数，x_s为当前的样本值，f_i’(x_s)表示第i个样本的函数映射的梯度；
[0027]
从g_s中减去f_i’(x_s)并加入f_i’(y_(s,t))，以保证期望是一个随机变量i，服从均匀分布，f_i’(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价；
[0028]
将y_(s,t 1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))，根据y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))进行梯度更新。
[0029]
作为优选，所述天气数据包括温度、湿度和云量。
[0030]
第二方面，本发明的装置，包括：至少一个存储器和至少一个处理器；
[0031]
所述至少一个存储器，用于存储机器可读程序；
[0032]
所述至少一个处理器，用于调用所述机器可读程序，执行第一方面任一所述的方法。
[0033]
第三方面，本发明的计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面任一所述的方法。
[0034]
本发明的储电设备供电量预测方法、装置及计算机可读介质具有以下优点：
[0035]
1、收集每天家庭各个用电节点或设备的用电量、储电设备的发电量、储电设备的余量等数据，进行时间序列建模预测，可根据第二天的天气情况进行发电量预估，并结合家庭储电设施的余量进行统筹供电，削峰填谷，优化用电费用；
[0036]
2、家庭用电的预测中，进行实时数据收集和周期性离线训练和模型迭代更新，提高了运算效率和准确率。
附图说明
[0037]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些
实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]
下面结合附图对本发明进一步说明。
[0039]
图1为实施例1储电设备供电量预测方法的流程框图。
具体实施方式
[0040]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
[0041]
本发明实施例提供储电设备供电量预测方法、装置及计算机可读介质，用于解决如何预测用电量并对储电设备供电功率进行预测指导的技术问题。
[0042]
实施例1：
[0043]
本发明储电设备供电量预测方法，包括如下步骤：
[0044]
s100、以一个小时为收集周期，收集每天家庭用电节点及用电设备的用电量作为历史用户量数据并存储至边缘设备；
[0045]
s200、构建用电预测模型，用电预测模型为以用电量数据为输入、以每天的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出的时序模型，基于历史用电量数据训练所述用电预测模型；
[0046]
s300、构建发电预测模型，发电预测模型为以天气数据为输入、发电量数据为输出的线性回归模型，基于历史发电量数据和天气数据训练所述发电预测模型；
[0047]
s400、构建供电功率预测模型，供电功率模型中配置有代价函数，代价函数表示为：∑l(t)＝(pu(t)-(pg(t) pr)*δt-pv)*pp(t)
[0048]
其中，pu(t)为当前时段的用电功耗预测，pg(t)为当前时段的发电功率预测，pr为储电设备的剩余电量数据，δt为当前时段的变化值，pv为储电设备的供电功率，pp(t)为当前的电价；
[0049]
s500、通过训练后用电预测模型获取当前时段的用电功耗，通过训练后发电预测模型获取当前时段的发电功率，并获取当前电价以及储电设备的剩余电量数据，优化上述代价函数，基于优化后代价函数，根据时段进行pv值的优选，得到供电功率预测。
[0050]
本实施例中，时序模型包括连续时序模型和离散时序模型，连续时序模型共一个，以连续n周的用电量数据为输入，预测并输出每天以小时为单位的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出；离散时序模型共七个，一周的周一至周日每天对应一个离线时序模型，对于每个离散时序模型，一周中与其对应的一天为作为目标天，以m周中所有目标天以小时为单位的用电量数据为输入，预测并输出目标天的用电量波动周期、用电量变化趋势以及用电量随机波动残差。其中n为大于4的自然数，m为大于8的自然数，在具体应用中根据需求设置n和m的值。
[0051]
通过训练后的用电预测模型得到用电功耗预测的方法为：将连离散时序模型的预测值求和并除以连续时序模型的和，可以得到一个倍率；用该倍率乘上连续时序模型每个小时的数值作为用电功耗的最终结果。计算公式为：
[0052]
pu(t)＝∑p_d/∑p_c*p_c(t)
[0053]
其中，∑p_d表示对离散时序模型的预测值的求和，
[0054]
∑p_c表示对连续时序模型的预测值求和；
[0055]
p_c(t)表示连续时序模型一天中t时刻的预测值。
[0056]
本实施例通过梯度下降方法优化上述代价函数，具体步骤如下：
[0057]
(1)通过迭代实验确定步长l和常数max，所述常数max为限制随机梯度下降次数的上限；
[0058]
(2)对于每次迭代，将数据进行batch加载并计算梯度，当前梯度的计算公式为：
[0059]
g_s＝1/n∑(i＝1,n)f_i’(x_s)
[0060]
其中，t属于[1,max]中的随机值且符合分布：∑(t＝1,max)(1-l)^(max-t)，n为当前样本数，x_s为当前的样本值，f_i’(x_s)表示第i个样本的函数映射的梯度；
[0061]
(3)从g_s中减去f_i’(x_s)并加入f_i’(y_(s,t))，以保证期望是一个随机变量i，服从均匀分布，f_i’(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价；
[0062]
(4)将y_(s,t 1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))，根据y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))进行梯度更新。
[0063]
本实施例储电设备供电量预测方法，通过收集每天家庭各个用电节点或设备的用电量，记录到边缘设备的存储中，周期为一个小时。然后通过如下步骤进行用电量预测：根据过去七天的用电量数据进行时间序列分解，可以得到每天的用电波动周期、用电量变化趋势和无序波动值三组数据，通过这种方式获得电量连续的变化。同时，将过去十周的周一到周日的数据分为七组，一周的每天对应一组数据，对该数据进行时间序列分解，同样得到每天的用电波动周期，用电量变化趋势和无序波动值，通过这种方式获得离散的电量变化。
[0064]
同时通过如下步骤进行发电量预测：收集每天的储电设备的发电量、当天天气数据(包括温度，湿度，云量等)对发电量进行线性回归建模，用该模型分析每天的数据，对发电量进行预测。
[0065]
最后，将以上用电量数据、发电量数据，结合储电设备的电量剩余和峰谷电价进行联合优化，使代价函数最小化。该式得到的代价可以直观理解为每天的总电费，通过合理分配pv使得每天的电费最小。
[0066]
模型优化方法为改进的梯度下降方法。能在iot的边缘嵌入式设备上用微控制器(mcu)通过减少梯度下降的计算消耗，并结合数据块方法进行数据流生成，从而在端侧离线训练一个电量管理模型进行储能设备的用电量估计和调控。
[0067]
传统随机梯度下降主要使用了基于batch的方法，但在相同数据集上重复计算梯度会带来冗余，这对mcu来说是非常昂贵的代价，也无法广泛推广。为了优化梯度下降，需要降低梯度计算的消耗；为了优化随机梯度下降，需要优化随机梯度下降的方差。本实施例主要思想是最小化损失函数的和。
[0068]
首先对于优化的随机梯度下降(optimized-sgd)，设置一个步长l，一个常数max去限制随机梯度下降的次数，这两个参数使用不同的组合进行测试验证而确定。
[0069]
该算法的外层for循环是根据epoch进行索引循环，内层for循环是由t索引。t属于[1,max]中的随机值且符合分布:∑(t＝1,max)(1-l)^(max-t)。执行步骤为：
[0070]
第一步，在每个epoch中，计算g_s,表示函数在x_s时的全部梯度.计算公为：g_s＝1/n∑(i＝1,n)f_i’(x_s),其中n是当前epoch的样本数，x_s代表当前epoch的样本值。计算
每个内循环的随机梯度时，由于数据量通常非常大，无法存进mcu的内存中，因此将数据进行按batch加载并计算梯度；
[0071]
下一步的计算是从g_s中减去f_i’(x_s)并加入f_i’(y_s,t)保证期望是一个随机变量i，服从均匀分布；
[0072]
然后将y_(s,t 1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))；
[0073]
根据y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s)).进行梯度更新。
[0074]
在进行储电设备发电量预测时，通过输入时间到上述pv数值模型中，得到对储电设备的输出功率指导。
[0075]
此算法需要的数据流是储能设备收集到并储存在本地的闪存中。根据实际设备的闪存大小进行数据量的限制。如周期性收集或者对已收集数据的平滑等方式。当模型需要更新的时候，将数据取出进行规定的预处理后，通过上述算法进行模型训练后，本地清空数据存储。
[0076]
当储能设备的核心模型被迭代更新后，即时上线并进行数据分析和预测，对后续结果的误差进行收集，同时对下一轮模型更新的时间节点进行指导。
[0077]
本实施例的方法通过收集运行中的iot设备的数据流支持在设备侧进行训练和部署。通常像微控制器级别的资源受限的设备只有几mb的存储空间和上百kb内存，以及几十mhz的时钟频率，通常无法负担得起高计算量的现代的机器学习算法。并将其用在家庭用电的预测中，进行实时数据收集和周期性离线训练和模型迭代更新。
[0078]
当前储能电站可以日常参与电网调峰，满足地区“午高峰 晚高峰”电力供应需求，有效降低峰谷差，优化负荷特性；新能源与负荷出力不匹配时段，存储电量，促进新能源消纳；在降低碳排放方面，储能系统在火电机组出力低谷期间充电，可以增加低谷期机组出力，降低火电机组调峰深度，有效降低机组单位电量煤耗，降低碳排放。
[0079]
得益于家庭用电的峰谷电价特性和家庭用户对电力消耗更加敏感，自动化电力调度对家用储能设备的用户更具有吸引力。通过针对分时电价和用电、储电功率，实时调整供电功率，达到单户单日电费最优化。
[0080]
实施例2：
[0081]
本发明的装置，包括：至少一个存储器和至少一个处理器；至少一个存储器，用于存储机器可读程序；至少一个处理器，用于调用所述机器可读程序，执行实施例1公开的方法。
[0082]
实施例3：
[0083]
本发明的计算机可读介质，该计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行实施例1公开的方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0084]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0085]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd rw)、磁带、非易失性存储卡和rom。可选择地，
可以由通信网络从服务器计算机上下载程序代码。
[0086]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0087]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0088]
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
[0089]
以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
[0090]
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。