一种基于网络汇总层级的新能源平台的制作方法

1.本发明涉及电力物联网领域，尤其涉及一种基于网络汇总层级的新能源平台。


背景技术：

2.随着“互联网 ”国家战略的提出，bat等互联网企业宣布要拥抱实体经济，从消费互联网转向产业互联网。目前，无论是工业互联网、产业互联网，都正处于平台发展的规模化扩张期，“物”的连接越来越重要，物联网、大数据等新技术与行业应用深度融合，成为重要的基础支撑。
[0003][0004]
过去，我国经历了比较长的电力短缺时期，电力行业竭尽全力增加电力产出，也因此形成了比较单一的产品思维，能源互联网的本质是能源的高效综合利用。能源是工业互联网、产业互联网的基础支撑和重要组成。
[0005]
例如，一种在中国专利文献上公开的“。


技术实现要素：

[0006]
为此，本发明提供一种基于网络汇总层级的新能源平台，能够将电力系统中各种运维信息进行汇总处理，提供优化策略，提高了电网消纳能力。
[0007]
为了实现上述目的，本发明提供如下技术方案：
[0008]
一种基于网络汇总层级的新能源平台，包括：获取层，用于获取信息；分析层，用于对获取的供电信息进行分析并提供策略，对数据中的缺失值使用多重插补法处理，对数据的标准化处理包括使用直线法中的z-score法对及供电信息其影响因素数据进行标准化处理；决策层，根据分析层提供的策略并确定最终方案。
[0009]
作为优选的，获取层包括对内获取端与对外获取端，对内获取端包括消纳分析端，辅助决策端，政策分析端，过程管理端，新能源总览端；对外获取端包括运行监测端，建站并网端，运维检修端。
[0010]
作为优选的，获取层还包括整合数据层与列式数据层，列式数据层包括设备状态数据。
[0011]
作为优选的，分析层包括使用svr模型和bp网络模型进行决策评估。
[0012]
作为优选的，对数据中的缺失值处理包括从一个包含缺失值数据集中生成一组完整的数据集，每个模拟数据集中，缺失数据将用蒙特卡罗法来填补。此时，标准的统计方法便可应用到每个模拟的数据集上，通过组合输出结果给出估计结果，以及引入缺失值的置信区间。缺失值处理后再进行归一化处理。缺失值处理后，进行granger因果关系检验。granger因果检验值越小，表明因果关系越显著。分析时着重考虑值小于0.05的因果关系。采用granger因果关系检验进行第二步因子筛选，考虑2个时间序列x和y，由granger提出的关于x和y的granger因果检验用来评估x过去的观测值对于预测y是否有用。如公式(4-1)所示：
[0013]yt
＝a0 a1y
t-1

…
a
pyt-p
b0 b1x
t-1

…
b
p
x
t-p
ε
t
；
[0014]
式中:a，b为系数；p为x过去的观测值个数；ε
t
为误差项。如果系数b1，
…
， b
p
都显著不为0，则称变量x是y的“granger原因”。
[0015]
作为优选的，分析层中对处理的数据集使用弹性网络和灰色关联分析相结合的影响因素挖掘方法进行建模，通过调整混合比参数r值来控制弹性网络中的算法贡献度，通过调整惩罚参数λ来调整l1正则化范数和l2正则化范数构成的惩罚项的值，通过惩罚项将回归系数收缩到0，最终得到所需数据的稀疏矩阵。采用基于弹性网络和灰色关联分析相结合的影响因素挖掘算法对关键影响因素进行识别，具体步骤如下：
[0016]
步骤1：对获取层数据及其影响因素数据进行标准化处理。首先对存在缺失项的原始数据集应用蒙特卡洛(mcmc)方法对每个独立的缺失项进行插补；随后将这些独立的分析结果处理为一个完整不存在缺失的数据集；最后综合处理这个数据集，评价插补结果的优劣，若插补结果满足预期要求，则对其进行输出；
[0017][0018]
式中，yi为变量x的第i个样本的标准化数据；xi为变量x的第i个样本的观测值；和s为变量x的样本均值和样本均方差。
[0019]
步骤2：构建弹性网络回归模型，通过交叉验证来确定混合参数r与惩罚参数λ。
[0020]
步骤3：将所得的参数λ与r带入弹性网络回归中，对影响因素进行计算，筛选出回归系数值不为0的影响因素，即为与月度售电量密切相关的影响因素。
[0021]
步骤4：计算各个影响因素的与获取层信息之间的灰色关联度。
[0022]
步骤5：将各个影响因素按照灰色关联度大小排序，以0.8为分界点，筛选出灰色关联度大于0.8的因素为月度售电量的关键影响因素。
[0023]
作为优选的，使用交叉验证方法来确定混合比r与惩罚参数λ。对于混合比参数r，根据其取值范围0《r《1，选择多个r值分别进行交叉验证，并且逐步增大r值，比较模型的训练效果和交叉验证结果，挑选效果最好的r值作为此次弹性网络的混合比。对于惩罚参数λ，根据数据的量级，采用3折交叉验证，将历史数据随机分成3组，分别以每一组作为验证，其他组作为训练集，进行循环验证，最终挑选出效果最好的惩罚参数λ。把前面计算出的参数λ与r带入弹性网络模型，对影响因素进行优化选择，根据惩罚参数λ＝7.0874，将众多的影响因素的回归系数值收缩为0，剩下的系数值不等于0的月度售电量影响因素，就是通过弹性网络模型计算后，最终得出的与月售电量密切相关的影响因素。
[0024]
本发明的实施方式具有如下优点：
[0025]
(1)能够将电力系统中各种运维信息进行汇总处理，提供优化策略，提高了电网消纳能力实现能源互联网，能够显著提高新能源消纳能力，提高电网优化策略的效率，有利于电网统筹规划，将用电侧与供电侧结合到同一个网络中进行控制，提高电力物联网可靠性；(2)结合泛在电力物联网，深化新能源大数据平台的建设和应用，使其成为新能源生态系统的核心，从装备制造、电站建设、系统运行、新能源消纳等构成一个完整的新能源生态圈；(3)基于边缘计算等新技术、新模式来分析需求、改进生产，将产品的生产和使用连接起来，促进其转型升级和高质量发展。该项目旨在通过新能源云平台，形成产品使用全链条的枢纽，即电站建设及其装备制造和建设运营过程中的能源管理融合的产业生态互联网，打造
生产服务、贸易、投融资服务的生态系统。
附图说明
[0026]
为了更清楚地说明本发明或现有技术中的技术方案，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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0027]
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达到的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
[0028]
图1是本发明的结构示意图。
[0029]
图中：
[0030]
1-获取层；2-分析层；3-决策层。
具体实施方式
[0031]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的认识可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0032]
如图1所示，在一个较佳的实施例中，本发明公开了一种基于网络汇总层级的新能源平台，包括：获取层，用于获取信息；分析层，用于对获取的供电信息进行分析并提供策略，对数据中的缺失值使用多重插补法处理，对数据的标准化处理包括使用直线法中的z-score法对及供电信息其影响因素数据进行标准化处理；决策层，根据分析层提供的策略并确定最终方案。
[0033]
获取层包括对内获取端与对外获取端，对内获取端包括消纳分析端，辅助决策端，政策分析端，过程管理端，新能源总览端；对外获取端包括运行监测端，建站并网端，运维检修端。
[0034]
获取层还包括整合数据层与列式数据层，列式数据层包括设备状态数据。
[0035]
分析层包括使用svr模型和bp网络模型进行决策评估。
[0036]
对数据中的缺失值处理包括从一个包含缺失值数据集中生成一组完整的数据集，每个模拟数据集中，缺失数据将用蒙特卡罗法来填补。此时，标准的统计方法便可应用到每个模拟的数据集上，通过组合输出结果给出估计结果，以及引入缺失值的置信区间。缺失值处理后再进行归一化处理。缺失值处理后，进行granger因果关系检验。granger因果检验值越小，表明因果关系越显著。分析时着重考虑值小于0.05的因果关系。采用granger因果关系检验进行第二步因子筛选，考虑2个时间序列x和y，由granger提出的关于x和y的 granger因果检验用来评估x过去的观测值对于预测y是否有用。如公式(4-1) 所示：
[0037]yt
＝a0 a1y
t-1

…
a
pyt-p
b0 b1x
t-1

…
b
p
x
t-p
ε
t
；
[0038]
式中:a，b为系数；p为x过去的观测值个数；ε
t
为误差项。如果系数b1，
…
， b
p
都显著
不为0，则称变量x是y的“granger原因”。
[0039]
分析层中对处理的数据集使用弹性网络和灰色关联分析相结合的影响因素挖掘方法进行建模，通过调整混合比参数r值来控制弹性网络中的算法贡献度，通过调整惩罚参数λ来调整l1正则化范数和l2正则化范数构成的惩罚项的值，通过惩罚项将回归系数收缩到0，最终得到所需数据的稀疏矩阵。采用基于弹性网络和灰色关联分析相结合的影响因素挖掘算法对关键影响因素进行识别，具体步骤如下：
[0040]
步骤1：对获取层数据及其影响因素数据进行标准化处理。首先对存在缺失项的原始数据集应用蒙特卡洛(mcmc)方法对每个独立的缺失项进行插补；随后将这些独立的分析结果处理为一个完整不存在缺失的数据集；最后综合处理这个数据集，评价插补结果的优劣，若插补结果满足预期要求，则对其进行输出；
[0041][0042]
式中，yi为变量x的第i个样本的标准化数据；xi为变量x的第i个样本的观测值；和s为变量x的样本均值和样本均方差。
[0043]
步骤2：构建弹性网络回归模型，通过交叉验证来确定混合参数r与惩罚参数λ。
[0044]
步骤3：将所得的参数λ与r带入弹性网络回归中，对影响因素进行计算，筛选出回归系数值不为0的影响因素，即为与月度售电量密切相关的影响因素。
[0045]
步骤4：计算各个影响因素的与获取层信息之间的灰色关联度。
[0046]
步骤5：将各个影响因素按照灰色关联度大小排序，以0.8为分界点，筛选出灰色关联度大于0.8的因素为月度售电量的关键影响因素。
[0047]
使用交叉验证方法来确定混合比r与惩罚参数λ。对于混合比参数r，根据其取值范围0《r《1，选择多个r值分别进行交叉验证，并且逐步增大r值，比较模型的训练效果和交叉验证结果，挑选效果最好的r值作为此次弹性网络的混合比。对于惩罚参数λ，根据数据的量级，采用3折交叉验证，将历史数据随机分成3组，分别以每一组作为验证，其他组作为训练集，进行循环验证，最终挑选出效果最好的惩罚参数λ。把前面计算出的参数λ与r带入弹性网络模型，对影响因素进行优化选择，根据惩罚参数λ＝7.0874，将众多的影响因素的回归系数值收缩为0，剩下的系数值不等于0的月度售电量影响因素，就是通过弹性网络模型计算后，最终得出的与月售电量密切相关的影响因素。
[0048]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。