[发明专利]一种基于随机批量梯度下降算法的储能管理方法及系统

说明书

本发明公开一种基于随机批量梯度下降算法的储能管理方法及系统，涉及储能管理技术领域，其实现内容包括：收集历史用电量数据，取出连续四周的数据进行时间序列分解，得到每天的用电量波动周期、用电量变化趋势、用电量随机波动残差，同时，取出过去十周的用电量数据，根据一周七天划分为七组，进行时间序列分解，得到相同天的用电量波动周期、用电量变化趋势、用电量随机波动残差；收集历史发电量数据和天气数据，对发电量进行线性回归建模；结合得到的数据和模型、以及储电设备的剩余电量数据，给定t后带入代价函数中，使用随机批量梯度下降算法优化代价函数，以根据使用时段进行供电功率的最优选取。本发明可以实现统筹供电、削峰填谷。

技术领域

本发明涉及储能管理技术领域，具体的说是一种基于随机批量梯度下降算法的储能管理方法及系统。

背景技术

真实世界里，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，边缘端设备应该进行本地收集数据及增量训练，但是，边缘端设备采用机器学习算法进行本地数据收集及增量训练的过程中，功耗较大，无法进行实时数据收集和周期性离线训练和模型迭代更新。

发明内容

首先，本发明公开保护一种基于随机批量梯度下降算法的储能管理方法，解决上述技术问题采用的技术方案如下：

一种基于随机批量梯度下降算法的储能管理方法，其实现内容包括：

(1)收集历史用电量数据，

(1.1)取出连续四周的数据进行时间序列分解，得到每天的用电量波动周期、用电量变化趋势、用电量随机波动残差，并通过这三组数据进一步得到连续时序模型；

(1.2)取出过去十周的用电量数据，根据一周七天划分为七组，进行时间序列分解，得到相同天的用电量波动周期、用电量变化趋势、用电量随机波动残差，并通过这三组数据进一步得到离散时序模型；

(2)收集历史发电量数据和天气数据，对发电量进行线性回归建模，得到回归模型；

(3)结合得到的数据和模型、以及储电设备的剩余电量数据，给定时间t后带入代价函数中，使用随机批量梯度下降算法优化代价函数，以根据使用时段进行供电功率的最优选取。

可选的，所涉及代价函数为：

∑L(t)＝(pu(t)-(pg(t)+pr)*Δt-pv)*pp(t)，

其中，pu(t)＝∑P_d/∑P_c*(P_c(t)，pu(t)为当前时段的用电功耗预测，P_d为离散时序模型的值，P_c为连续时序模型的值，pg(t)为当前时段的发电功率预测，Δt为当前时段的变化值，通常为1，pv为储电设备的供电功率，pp(t)为当前的电价，pr表示储电设备的剩余电量数据；

∑L(t)表示每天的总电费，通过合理分配pv，即可以得到每天的最低电费。

可选的，使用随机批量梯度下降算法优化代价函数的具体过程为：

(a)设置一个stepsize L，一个常数max，来限制随机梯度下降的次数；

(b)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)；