[发明专利]基于深度学习的储能出力预测方法、系统、设备及介质

权利要求书

1.基于深度学习的储能出力预测方法，其特征在于，包括：

获取预测电网数据；

将预测电网数据作为预测输入数据输入储能出力预测模型，得到预测储能出力；其中，储能出力预测模型通过对多层神经元网络模型进行训练得到，对多层神经元网络模型进行训练时，将历史电网数据作为历史输入数据，将历史储能出力作为历史输出数据。

2.根据权利要求1所述的基于深度学习的储能出力预测方法，其特征在于，所述历史电网数据包括历史负荷值、历史网络拓扑结构以及水电、风电、光伏的历史出力值，所述历史网络拓扑结构作为历史输入数据时，将某一历史时间点的历史网络拓扑结构构建为此历史时间点对应的历史关联矩阵；

所述历史储能出力为若干储能设施在历史时间点的储能出力的集合。

3.根据权利要求2所述的基于深度学习的储能出力预测方法，其特征在于，将历史电网数据作为历史输入数据，将历史储能出力作为历史输出数据，对多层神经元网络模型进行训练的具体过程为：

将历史输入数据构建成历史输入矩阵；所述历史输入矩阵的每一行对应一历史时间点的历史负荷值，不同水电、风电、光伏的历史出力值，以及历史关联矩阵的不同元素，所述历史关联矩阵的不同元素表示历史网络拓扑结构中不同设备之间的连接关系；

将历史输出数据构建成历史输出矩阵；所述历史输出矩阵的每一行对应一历史时间点不同储能设施的储能出力；

将历史输入矩阵和历史输出矩阵通过历史时间点的对应关系连接，形成历史矩阵，对历史矩阵进行归一化处理；

对归一化处理后的历史矩阵按照预设比例拆分得到训练集和测试集，将训练集分解为历史输入训练集和历史输出训练集，将测试集分解为历史输入测试集和历史输出测试集；

采用历史输入训练集和历史输出训练集对多层神经元网络模型进行训练，采用历史输入测试集和历史输出测试集对训练后的多层神经元网络模型进行测试，若测试结果满足要求，则得到储能出力预测模型，若测试结果不满足要求，则调整训练后的多层神经元网络模型的模型参数后，采用历史输入训练集和历史输出训练集重新训练，并采用历史输入测试集和历史输出测试集重新测试，直至测试结果满足要求。

4.根据权利要求3所述的基于深度学习的储能出力预测方法，其特征在于，所述采用历史输入测试集和历史输出测试集对训练后的多层神经元网络模型进行测试的具体过程为：

将历史输入测试集输入训练后的多层神经元网络模型，得到输出结果，将输出结果与历史输出测试集进行比较，当准确度大于等于预设阈值时，则测试结果满足要求，否则，测试结果不满足要求。

5.根据权利要求3所述的基于深度学习的储能出力预测方法，其特征在于，所述模型参数包括多层神经元网络模型的构建形式及训练次数。

6.根据权利要求1所述的基于深度学习的储能出力预测方法，其特征在于，所述预测电网数据采用预测储能出力对应时间尺度下的预测值，具体包括负荷预测值、当前拓扑叠加检修计划构建的未来网络拓扑结构以及水电、风电、光伏预测值，所述未来网络拓扑结构在输入储能出力预测模型前，将某一未来时间点的未来网络拓扑结构构建为此未来时间点对应的预测关联矩阵。

7.根据权利要求1所述的基于深度学习的储能出力预测方法，其特征在于，所述的将预测电网数据作为预测输入数据输入储能出力预测模型，得到预测储能出力的过程具体为：

将预测输入数据构建成预测输入矩阵；

对预测输入矩阵进行归一化处理；

将归一化处理后的预测输入矩阵输入储能出力预测模型，获得预测输出矩阵；

将预测输出矩阵进行逆归一化处理，获得预测储能出力。