[发明专利]基于迁移学习的分布式源-储-荷匹配方法及装置

说明书

本公开的实施例提供了基于迁移学习的分布式源‑储‑荷匹配方法、装置、设备和计算机可读存储介质。所述方法包括获取待部署神经网络模型的第二楼宇的输入参数；根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制。以此方式，可以在更少的训练样本需求，更短的训练收敛时间、更低的算力需求下，实现对楼宇内分布式源‑储‑荷的匹配调度。

技术领域

本公开的实施例一般涉及电网供电技术领域，并且更具体地，涉及基于迁移学习的分布式源-储-荷匹配方法、装置、设备和计算机可读存储介质。

背景技术

用户侧分布式能源系统在不同地理分布位置接入城市配电网，可协同调度各类分布式能源，实现能源的互补利用，对提高可再生能源的就地消纳能力，提升能源综合利用效率具有重要意义，相关研究受到了广泛关注。然而，可再生能源出力具有极强的随机特性，加之与负荷的不匹配性加重了系统运行的复杂程度，对系统运行的稳定性、安全性、可靠性提出了挑战。储能系统可打破能量的时间和空间限制，有效平抑可再生能源出力的随机性和波动性,是解决上述问题的有效手段。

但是，现有分布式能源管理系统多基于远程系统或云平台技术，边缘侧能力不足，由于建筑能源场景的复杂性，如果仅采用基于远程系统或云平台的架构，造成本地数据采集和控制能力不足，无法对紧急情况及时处置。

发明内容

根据本公开的实施例，提供了一种基于迁移学习的分布式源-储-荷匹配方案。

在本公开的第一方面，提供了一种基于迁移学习的源-储-荷匹配神经网络模型训练方法。该方法包括：根据第一楼宇的历史输入参数及输出参数生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成第一神经网络模型；根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对所述第一神经网络模型进行迁移学习，生成第二神经网络模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述输入参数包括：楼宇通用参数、楼宇内能源设备特征、楼宇内主要负荷的电气测量值、环境参数测量值、人员相关情况；所述输出参数包括：楼宇内分布式电源的出力功率、储能的充放电功率，以及外购电功率。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：根据第二楼宇的输入参数与实际输出参数更新第一训练样本，利用所述更新后的第一训练样本更新所述第一深度神经网络模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用所述第二训练样本对所述第一神经网络模型进行迁移学习包括：根据新部署的楼宇的输入参数，将其区分为不同的楼宇类型，根据不同的楼宇类型，对部署在其上的第一神经网络模型分别进行迁移学习。

在本公开的第二方面，提供了一种基于迁移学习的分布式源-储-荷匹配方法。该方法包括：获取待部署神经网络模型的第二楼宇的输入参数；根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用所述第二训练样本对第一神经网络模型进行迁移学习包括：若待部署神经网络模型的第二楼宇的类型已存在于第一楼宇区分的类型中，则直接进行部署，将新产生的数据加入第一训练样本中对对应楼宇类型的第一神经网络模型进行更新；若待部署神经网络模型的第二楼宇的类型不存在于第一楼宇区分的类型中，则对部署在其上的第一神经网络模型进行迁移学习。