【技术实现步骤摘要】
本专利技术属于电网储能调度，具体是涉及到一种基于深度学习与能量管理的电网储能调度方法及系统。
技术介绍
1、传统电网系统通常是以集中式发电为主，电能从发电厂传输到各个用电终端，因此传统电网系统的电能调度仅需采用简单的计划调度方案。随着可再生能源技术的发展和应用，特别是光伏发电和风力发电等分布式能源的快速增长，传统电网系统面临着巨大的变革和挑战。
2、光伏发电和风力发电均具有极强的不稳定性和波动性，且分布范围广泛。为了避免光伏发电和风力发电的能源被浪费，往往还会为光伏发电区域和风力发电区域配置储能装置，以存储对应区域所溢出的电能。由于传统的计划调度方案仅依赖于电厂发电数据和少量的终端用电数据生成，传统调度方案已经难以应对复杂多变的电力需求和供给情况，导致电网运行效率低下，能源浪费严重。因此，智能电网的概念应运而生，智能电网旨在通过信息通信技术和先进的控制手段，实现电网的高效、可靠和智能化运行。在这一背景下，如何有效地管理和调度分布式能源以及储能装置，成为智能电网研究和应用的核心问题之一。
技术实现思路
1、本专利技术提供一种基于深度学习与能量管理的电网储能调度方法及系统，以解决传统电网调度方式导致包含大量分布式新能源电网的运行效率低下、能源浪费严重的问题。
2、第一方面，本专利技术提供一种基于深度学习与能量管理的电网储能调度方法，应用于配电组网，所述配电组网包括多个配电区域，每个所述配电区域均包含多个用电负载和多个基于光伏风力发电系统构建的微电网，每个所述配电
3、对于每个所述配电区域，获取所述配电区域中所有所述用电负载的历史用电数据和实时用电数据；
4、基于深度卷积神经网络并通过所述历史用电数据构建用电特征识别模型，利用所述用电特征识别模型分析所述实时用电数据，预测得到所述用电负载的预测用电特征；
5、根据所有所述用电负载的所述预测用电特征计算得到所述配电区域的预测用电总量；
6、获取所述配电区域的历史天气数据和天气预测数据，以及所有所述微电网的历史盈余电能数据，所述历史天气数据和所述历史盈余电能数据处于同一历史时间段；
7、基于支持向量机并通过所述历史天气数据和所述历史盈余电能数据构建发电预测模型，对所述将所述天气预测数据进行预处理，将预处理后的所述天气预测数据输入至所述发电预测模型，得到所述微电网的预测盈余电能；
8、结合所述预测用电总量、所有所述微电网的所述预测盈余电能和所述共享储能装置的剩余存储电能，计算得到所述共享储能装置的预测储能数据，并将所述预测储能数据存储于所述共享储能装置所搭载的储能服务器中；
9、基于每个所述共享储能装置的所述储能服务器构建所述配电组网的能源调度区块链网络，结合所有所述预测储能数据并通过所述能源调度区块链网络生成所述配电组网的电能调度方案。
10、可选的，所述基于深度卷积神经网络并通过所述历史用电数据构建用电特征识别模型，利用所述用电特征识别模型分析所述实时用电数据，预测得到所述用电负载的预测用电特征包括如下步骤：
11、基于深度卷积神经网络构建初始用电特征识别模型；
12、将所有所述历史用电数据预处理为历史用电数据集，所有所述历史用电数据均预先标记有对应的历史用电特征；
13、对所述历史用电数据集的所述历史用电特征进行特征关联性分析，获取所述历史用电数据集的用电特征分类矩阵；
14、利用所述用电特征分类矩阵训练所述初始用电特征识别模型，得到训练完成的用电特征识别模型；
15、利用所述用电特征识别模型分析所述实时用电数据，预测得到所述用电负载的预测用电特征。
16、可选的，所述对所述历史用电数据集的所述历史用电特征进行特征关联性分析，获取所述历史用电数据集的用电特征分类矩阵包括如下步骤：
17、可选的，提取所述历史用电数据集的所述历史用电特征；
18、采用连接函数计算得到各个不同特征类型的所述历史用电特征的用电特征关联度；
19、利用基于信息熵的决策树学习算法分析所述用电特征关联度，并获取所述历史用电数据集的用电特征分类矩阵。
20、可选的，所述利用所述用电特征分类矩阵训练所述初始用电特征识别模型，得到训练完成的用电特征识别模型包括如下步骤：
21、采用粒子群优化算法从所述用电特征分类矩阵中选取最优用电特征；
22、基于所述最优用电特征并通过加权最小二乘法构建最优特征矩阵；
23、将所述最优特征矩阵输入至所述初始用电特征识别模型，计算得到所述初始用电特征识别模型中所有全连接层的偏置项参数；
24、通过预设的最优参数计算所述偏置项参数的参数误差；
25、若所述参数误差大于等于预设的误差阈值，则重新执行上述所有步骤，直至所述参数误差小于所述误差阈值；
26、若所述参数误差小于所述误差阈值，则完成所述初始用电特征识别模型的模型训练过程，得到训练完成的用电特征识别模型。
27、可选的，所述采用粒子群优化算法从所述用电特征分类矩阵中选取最优用电特征包括如下步骤：
28、从所述用电特征分类矩阵中随机选取初始用电特征；
29、利用预设的粒子群算法参数将所述初始用电特征初始化为二维特征数据，并根据所述二维特征数据构建初始粒子群；
30、通过粒子群优化算法对所述初始粒子群据进行多次迭代优化，直至将所述初始粒子群优化为最优粒子群；
31、将所述最优粒子群中的所有所述初始用电特征作为最优用电特征。
32、可选的，所述基于支持向量机并通过所述历史天气数据和所述历史盈余电能数据构建发电预测模型，对所述将所述天气预测数据进行预处理，将预处理后的所述天气预测数据输入至所述发电预测模型，得到所述微电网的预测盈余电能包括如下步骤：
33、基于支持向量机构建初始发电预测模型；
34、利用灰色关联算法分别计算不同类型的所述历史天气数据与所述历史盈余电能数据之间的数据关联度；
35、将所述数据关联度大于预设的关联度阈值的所有所述历史天气数据整合为历史天气数据集；
36、结合所述历史天气数据集和所述历史盈余电能数据对所述初始发电预测模型进行迭代训练，直至所述初始发电预测模型中的模型参数被训练至最优模型参数，得到训练完成的发电预测模型；
37、对所述将所述天气预测数据进行预处理，将预处理后的所述天气预测数据输入至所述发电预测模型，得到所述微电网的预测盈余电能。
38、可选的，所述对所述将所述天气预测数据进行预处理，将预处理后的所述天气预测数据输入至所述发电预测模型，得到所述微电网的预测本文档来自技高网...
【技术保护点】
1.一种基于深度学习与能量管理的电网储能调度方法，其特征在于，应用于配电组网，所述配电组网包括多个配电区域，每个所述配电区域均包含多个用电负载和多个基于光伏风力发电系统构建的微电网，每个所述配电区域中还配置有共享储能装置，所述共享储能装置用于存储所述配电区域中所有所述微电网所生产的盈余电能，所述盈余电能表示所述微电网在同一时间段内所生产电能超出微电网内部供能的部分电能，所述方法包括如下步骤：
2.根据权利要求1所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述基于深度卷积神经网络并通过所述历史用电数据构建用电特征识别模型，利用所述用电特征识别模型分析所述实时用电数据，预测得到所述用电负载的预测用电特征包括如下步骤：
3.根据权利要求2所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述对所述历史用电数据集的所述历史用电特征进行特征关联性分析，获取所述历史用电数据集的用电特征分类矩阵包括如下步骤：
4.根据权利要求3所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述利用所述用电特征分类矩阵训练所述初始用电特
5.根据权利要求4所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述采用粒子群优化算法从所述用电特征分类矩阵中选取最优用电特征包括如下步骤：
6.根据权利要求1所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述基于支持向量机并通过所述历史天气数据和所述历史盈余电能数据构建发电预测模型，对所述将所述天气预测数据进行预处理，将预处理后的所述天气预测数据输入至所述发电预测模型，得到所述微电网的预测盈余电能包括如下步骤：
7.根据权利要求6所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述对所述将所述天气预测数据进行预处理，将预处理后的所述天气预测数据输入至所述发电预测模型，得到所述微电网的预测盈余电能包括如下步骤：
8.根据权利要求1所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述基于每个所述共享储能装置的所述储能服务器构建所述配电组网的能源调度区块链网络，结合所有所述预测储能数据并通过所述能源调度区块链网络生成所述配电组网的电能调度方案包括如下步骤：
9.根据权利要求8所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述通过所述领导服务器汇总所有所述电能调度信息并生成所述配电组网的电能调度方案包括如下步骤：
10.一种基于深度学习与能量管理的电网储能调度系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的基于深度学习与能量管理的电网储能调度方法。
...【技术特征摘要】
1.一种基于深度学习与能量管理的电网储能调度方法，其特征在于，应用于配电组网，所述配电组网包括多个配电区域，每个所述配电区域均包含多个用电负载和多个基于光伏风力发电系统构建的微电网，每个所述配电区域中还配置有共享储能装置，所述共享储能装置用于存储所述配电区域中所有所述微电网所生产的盈余电能，所述盈余电能表示所述微电网在同一时间段内所生产电能超出微电网内部供能的部分电能，所述方法包括如下步骤：
2.根据权利要求1所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述基于深度卷积神经网络并通过所述历史用电数据构建用电特征识别模型，利用所述用电特征识别模型分析所述实时用电数据，预测得到所述用电负载的预测用电特征包括如下步骤：
3.根据权利要求2所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述对所述历史用电数据集的所述历史用电特征进行特征关联性分析，获取所述历史用电数据集的用电特征分类矩阵包括如下步骤：
4.根据权利要求3所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述利用所述用电特征分类矩阵训练所述初始用电特征识别模型，得到训练完成的用电特征识别模型包括如下步骤：
5.根据权利要求4所述的基于深度学习与能量管理的电网储能调度方法，其特征在于，所述采用粒子群优化算法从所述用电特征分类矩阵中选取最优用电特征包括如下步骤：
【专利技术属性】
技术研发人员：徐诚，李双，向阳，邓琪，李建邦，
申请(专利权)人：武汉易晨创想科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。