一种基于随机批量梯度下降算法的储能管理方法及系统与流程

1.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：

2.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。
3.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。


技术实现要素：

4.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：
5.一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：
6.(1)收集历史用电量数据，
7.(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；
8.(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；
9.(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；
10.(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。
11.可选的，所涉及代价函数为：
12.∑l(t)＝(pu(t)-(pg(t)+pr)*δt-pv)*pp(t)，
13.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；
14.∑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。
15.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：
16.(a)设置一个stepsize l，一个常数max，来限制随机梯度下降的次数；
17.(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)；
[0018]
(c)根据g_s＝1/n∑(i＝1,n)f_i’(x_s)，计算g_s在x_s时的全部梯度，其中，n是当前epoch的样本数,x_s代表当前epoch的样本值，f_i’(x_s)表示第i个样本的函数映射的梯度；
[0019]
(d)从g_s中减去f_i’(x_s)并加入f_i’(y_s,t)，保证期望是一个随机变量i,服从均匀分布，f_i’(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价表示.然后将y_(s,t+1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))。
[0020]
进一步可选的，执行步骤(a)时，通过迭代实验测试并验证stepsize l和迭代轮数t_s的概率分布上限max，根据验证结果，进行stepsize l和max的设置。
[0021]
进一步可选的，使用随机批量梯度下降算法优化代价函数的过程中，需要的数据流是储电设备收集到并储存在本地闪存中的。
[0022]
其次，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系统，解决上述技术问题采用的技术方案如下：
[0023]
一种基于随机批量梯度下降算法的储能管理系统，其包括：
[0024]
数据收集模块，用于收集历史用电量数据；
[0025]
数据处理模块一，用于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；
[0026]
数据处理模块二，用于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；
[0027]
收集处理模块，用于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；
[0028]
函数优化模块，用于利用得到的数据和模型、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，并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。
[0029]
可选的，所涉及代价函数为：
[0030]
∑l(t)＝(pu(t)-(pg(t)+pr)*δt-pv)*pp(t)，
[0031]
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；
[0032]
∑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。
[0033]
可选的，所涉及函数优化模块使用随机批量梯度下降算法优化代价函数的具体过程为：
[0034]
(a)设置一个stepsize l，一个常数max，来限制随机梯度下降的次数；
[0035]
(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)；
[0036]
(c)根据g_s＝1/n∑(i＝1,n)f_i’(x_s)，计算g_s在x_s时的全部梯度，其中，n是当前epoch的样本数,x_s代表当前epoch的样本值，f_i’(x_s)表示第i个样本的函数映射的梯度；
[0037]
(d)从g_s中减去f_i’(x_s)并加入f_i’(y_s,t)，保证期望是一个随机变量i,服从均匀分布，f_i’(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价表示.然后将y_(s,t+1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))。
[0038]
进一步可选的，执行步骤(a)时，通过迭代实验测试并验证stepsize l和迭代轮数t_s的概率分布上限max，根据验证结果，进行stepsize l和max的设置。
[0039]
进一步可选的，所涉及函数优化模块使用随机批量梯度下降算法优化代价函数的过程中，需要的数据流是储电设备收集到并储存在本地闪存中的。
[0040]
本发明的一种基于随机批量梯度下降算法的储能管理方法及系统，与现有技术相比具有的有益效果是：
[0041]
(1)本发明通过收集历史电量数据进行模型构建和代价函数的优化，可以实现统筹供电、削峰填谷，用电费用的优化。
[0042]
(2)本发明可以通过针对分时电价和用电、储电功率，实时调整供电功率，达到单户单日电费最优化。
附图说明
[0043]
附图1是本发明实施例一的方法流程图；
[0044]
附图2是本发明实施例二的连接框图。
[0045]
附图中各标号信息表示：
[0046]
1、数据收集模块，2、数据处理模块一，3、数据处理模块二，
[0047]
4、收集处理模块，5、函数优化模块。
具体实施方式
[0048]
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述。
[0049]
实施例一：
[0050]
结合附图1，本实施例提出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：
[0051]
(1)收集历史用电量数据，
[0052]
(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；
[0053]
(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。
[0054]
(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。
[0055]
(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。
[0056]
步骤(3)中，代价函数为：
[0057]
∑l(t)＝(pu(t)-(pg(t)+pr)*δt-pv)*pp(t)，
[0058]
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；
[0059]
∑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。
[0060]
使用随机批量梯度下降算法优化代价函数的具体过程为：
[0061]
(a)设置一个stepsize l，一个常数max，来限制随机梯度下降的次数，具体的，通过迭代实验测试并验证stepsize l和迭代轮数t_s的概率分布上限max，根据验证结果，进行stepsize l和max的设置；
[0062]
(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)；
[0063]
(c)根据g_s＝1/n∑(i＝1,n)f_i’(x_s)，计算g_s在x_s时的全部梯度，其中，n是当前epoch的样本数,x_s代表当前epoch的样本值，f_i’(x_s)表示第i个样本的函数映射的梯度；
[0064]
(d)从g_s中减去f_i’(x_s)并加入f_i’(y_s,t)，保证期望是一个随机变量i,服从均匀分布，f_i’(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价表示.然后将y_(s,t+1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))。
[0065]
需要补充的是：使用随机批量梯度下降算法优化代价函数的过程中，需要的数据流是储电设备收集到并储存在本地闪存中的。
[0066]
实施例二：
[0067]
结合附图2，本实施例提出一种基于随机批量梯度下降算法的储能管理系统，其包括：
[0068]
数据收集模块1，用于收集历史用电量数据；
[0069]
数据处理模块一2，用于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；
[0070]
数据处理模块二3，用于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；
[0071]
收集处理模块4，用于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；
[0072]
函数优化模块5，用于利用得到的数据和模型、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，并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。
[0073]
本实施例涉及的代价函数为：
[0074]
∑l(t)＝(pu(t)-(pg(t)+pr)*δt-pv)*pp(t)，
[0075]
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；
[0076]
∑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。
[0077]
本实施例中，函数优化模块5使用随机批量梯度下降算法优化代价函数的具体过程为：
[0078]
(a)设置一个stepsize l，一个常数max，来限制随机梯度下降的次数，具体的，通过迭代实验测试并验证stepsize l和迭代轮数t_s的概率分布上限max，根据验证结果，进行stepsize l和max的设置；
[0079]
(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)；
[0080]
(c)根据g_s＝1/n∑(i＝1,n)f_i’(x_s)，计算g_s在x_s时的全部梯度，其中，n是当前epoch的样本数,x_s代表当前epoch的样本值，f_i’(x_s)表示第i个样本的函数映射的梯度；
[0081]
(d)从g_s中减去f_i’(x_s)并加入f_i’(y_s,t)，保证期望是一个随机变量i,服从均匀分布，f_i’(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价表示.然后将y_(s,t+1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))。
[0082]
需要补充的是：函数优化模块5使用随机批量梯度下降算法优化代价函数的过程中，需要的数据流是储电设备收集到并储存在本地闪存中的。
[0083]
需要补充的是，实施例一和实施例二中，随机批量梯度下降算法的实现代码如下：
[0084][0085]
综上可知，采用本发明的一种基于随机批量梯度下降算法的储能管理方法及系
统，可以实现统筹供电、削峰填谷，用电费用的优化。
[0086]
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。

技术特征：
1.一种基于随机批量梯度下降算法的储能管理方法，其特征在于,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。2.根据权利要求1所述的一种基于随机批量梯度下降算法的储能管理方法，其特征在于，所述代价函数为：∑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。3.根据权利要求1所述的一种基于随机批量梯度下降算法的储能管理方法，其特征在于，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)；(c)根据g_s＝1/n∑(i＝1,n)f_i’(x_s)，计算g_s在x_s时的全部梯度，其中，n是当前epoch的样本数,x_s代表当前epoch的样本值，f_i’(x_s)表示第i个样本的函数映射的梯度；(d)从g_s中减去f_i’(x_s)并加入f_i’(y_s,t)，保证期望是一个随机变量i,服从均匀分布，f_i’(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价表示.然后将y_(s,t+1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))。4.根据权利要求3所述的一种基于随机批量梯度下降算法的储能管理方法，其特征在于，执行步骤(a)时，通过迭代实验测试并验证stepsize l和迭代轮数t_s的概率分布上限max，根据验证结果，进行stepsize l和max的设置。5.根据权利要求3所述的一种基于随机批量梯度下降算法的储能管理方法，其特征在于，使用随机批量梯度下降算法优化代价函数的过程中，需要的数据流是储电设备收集到并储存在本地闪存中的。6.一种基于随机批量梯度下降算法的储能管理系统，其特征在于，其包括：数据收集模块，用于收集历史用电量数据；数据处理模块一，用于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；数据处理模块二，用于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；收集处理模块，用于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；函数优化模块，用于利用得到的数据和模型、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，并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。7.根据权利要求6所述的一种基于随机批量梯度下降算法的储能管理系统，其特征在于，所述代价函数为：∑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。8.根据权利要求6所述的一种基于随机批量梯度下降算法的储能管理系统，其特征在于，所述函数优化模块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)；(c)根据g_s＝1/n∑(i＝1,n)f_i’(x_s)，计算g_s在x_s时的全部梯度，其中，n是当前epoch的样本数,x_s代表当前epoch的样本值，f_i’(x_s)表示第i个样本的函数映射的梯度；(d)从g_s中减去f_i’(x_s)并加入f_i’(y_s,t)，保证期望是一个随机变量i,服从均匀分布，f_i’(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价表示.然后将y_(s,t+1)的梯度更新为y_s,t
–
l*(g_s-f_i’(y_s,t-f_i’(x_s))。9.根据权利要求8所述的一种基于随机批量梯度下降算法的储能管理系统，其特征在于，执行步骤(a)时，通过迭代实验测试并验证stepsize l和迭代轮数t_s的概率分布上限max，根据验证结果，进行stepsize l和max的设置。10.根据权利要求8所述的一种基于随机批量梯度下降算法的储能管理系统，其特征在于，所述函数优化模块使用随机批量梯度下降算法优化代价函数的过程中，需要的数据流是储电设备收集到并储存在本地闪存中的。

技术总结
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。峰填谷。峰填谷。


技术研发人员：段强 李锐 张晖
受保护的技术使用者：山东浪潮科学研究院有限公司
技术研发日：2021.11.26
技术公布日：2022/3/8