一种智能电网人工智能资源分配方法

本发明涉及智能电网，尤其涉及一种智能电网人工智能资源分配方法。

背景技术：

1、随着科学技术的不断发展，电力需求量越来越大，对电力系统的效率提出了更高的要求。智能电网概念应运而生。在智能电网系统中，使用人工智能技术对资源进行合理分配，以提高电力系统的效率和可靠性。在电力领域的传统发电领域中，例如火力发电领域以及水力发电领域，对于资源分配方法已经比较成熟，但是在新能源发电领域中，例如光伏发电领域，采用与传统分配方法会导致效率低下、资源分配不合理问题。传统分配方法应用在新能源领域还会有一定的局限性，不能全面利用数据，导致资源利用不充分，从而增加了高昂的成本。因此，如何使用人工智能技术对新能源领域进行资源分配成为了一个问题。

技术实现思路

1、本发明为解决上述技术问题，提出了一种智能电网人工智能资源分配方法，以解决至少一个上述技术问题。

2、为实现上述目的，本发明提供一种智能电网人工智能资源分配方法，包括以下步骤：

3、步骤s1：采集智能电网系统所负责的光能发电区域设备数据并进行数据预处理，生成光伏系统数据集；

4、步骤s2：利用机器学习算法对光伏系统数据集进行光伏能耗计算，从而生成光伏能耗数据集；

5、步骤s3：收集历史用电量并利用数据预测模型对历史用电量进行电力需求分析计算，从而生成电力需求值；

6、步骤s4：根据电力需求值和光伏能耗数据集进行负载均衡分析，从而生成动态资源分配调整方案。

7、本发明对采集的光能发电区域设备数据并进行数据预处理，生成光伏系统数据集，减少了因为采集的原始光能发电区域设备数据存在的噪声、缺失、离群值等问题带来的影响，提高了数据的准确性；本发明采用机器学习算法对光伏系统数据进行光伏能耗计算从而生成光伏能耗数据集，能够准确的预测光伏设备目前的运行状态和在未来时间的性能表现。此外，机器学习算法应用于光伏发电领域还能帮助工程师快速检测出光伏设备中的故障，包括损坏、缺陷和设计问题，通过数据分析还能够大规模的寻找数据之间的联系，从而实现自适应控制优化并延长光伏组件的使用寿命；本发明收集历史用电量并利用数据预测模型进行电力需求分析计算，可以更准确的预测未来电力需求，有助于指定合理的电力分配计划，同时可以揭示过去的用电趋势和消费方式以及不同地区之间的用电差距，以便于实现生产/消费模式的负载均衡。此外，机器学习模型还能对历史用电量进行更深入的分析，确定节约能源和降低用电成本，通过特定时间段或者特定用户群体实施无功补偿和负载管理等措施；本发明根据电力需求值和光伏能耗数据集进行负载均衡分析，能让智能电网系统更加高效的分配电力生产，从而优化电力分配，避免资源浪费，降低能源消耗。此外，还能使系统更稳定并且提高光伏发电的效率。

8、可选地，步骤s1中数据预处理包括数据质量检查处理、特征处理计算和归一标准化计算，具体包括以下步骤：

9、步骤s11：对光能发电区域设备数据进行数据质量检查处理，从而生成完善设备数据；

10、步骤s12：对完善设备数据进行特征处理计算，从而生成转换特征向量；

11、步骤s13：对转换特征向量进行归一标准化计算，从而生成光伏设备数据集；

12、步骤s14：对光伏设备数据集进行去噪处理，从而生成光伏系统数据集。

13、本发明对光能发电设备数据进行数据质量检查和处理，提高了光能发电系统的运行效率，完善的设备数据可以帮助相关的工作人员及时发现光伏发电系统的各种数据指标，避免了因数据错误、缺失等问题导致的光能发电系统出现安全隐患，从而保证人员和设备的安全。此外，完善的设备数据质量检查还优化了发电系统的维护成本，改进了发电系统的维护效率；对完善设备数据进行了特征处理计算并转换成特征向量，去除了光伏设备中的一些非关键性信息和噪声，保留重要的特征信息，从而提高了数据的质量，减少了在后续的模型计算的复杂度，从而提高训练和预测的效率；对转换特征向量进行归一标准化，使得不同特征之间的比较更加的公平，避免了某些特征因为数值本身偏大而影响最终的训练效果，排除了量纲影响，通过归一化将所有的特征统一到相同的比例范围内，便于进一步处理，有助于生成高质量的光伏设备数据集。此外还加快了例如梯度下降这类算法的优化速度。

14、优选地，其中对完善设备数据进行特征处理计算生成转换特征向量，具体为步骤为：

15、对外界的环境温度和外界的环境湿度进行第一特征归类处理，从而获得温湿度向量；

16、对光照强度进行第二特征归类处理，从而获得光照度向量；

17、对设备的机体温度、太阳能板的有效照射面积和设备角度进行第三特征归类处理，从而获得设备向量；

18、将温湿度向量、光照度向量和设备向量汇集为转换特征向量。

19、本发明分别对不同的数据进行不同的特征归类处理可以避免冗余数据，降低数据处理的复杂度，从而提高数据处理的效率；将多个参数汇集到同一特征向量中，可以方便地进行数据分析。根据特征向量之间的相似度和差异性，可以更清晰地把握数据之间的关系，实现更精准的数据分析；将各种参数综合起来作为特征向量，可以更全面的考虑环境和设备的因素对结果的影响，从而提升预测精准度。此外，通过将各种参数综合为特征向量，可以作为智能化控制的依据，通过对特征向量的实时检测和学习，可以实现数据的自适应调整和智能化控制。

20、进一步地，其中步骤s13中采用归一标准化公式计算获得光伏设备数据集，其中归一标准化公式具体为：

21、；

22、其中，；

23、为温湿度向量，为光照度向量，为设备向量，为温湿度向量的特征值，为光照度向量的特征值，为设备向量的特征值；为温湿度向量的特征均值，为光照度向量的特征均值，为设备向量的特征均值；为温湿度向量的特征方差，光照度向量的特征方差，为设备向量的特征方差，为归一标准化获得的光伏设备数据集。

24、本发明首先获取了温湿度向量、光照度向量以及设备向量的值和温湿度向量、光照度向量以及设备向量的特征值，对于上述每一个向量，都需要找到相应的特征值，通常使用线性代数获得，使得温湿度向量、光照度向量以及设备向量的特征都满足了均值和单位方差，通过对温湿度向量、光照度向量以及设备向量的特征值进行累加求和得出特征值的平均值，并用每个向量求差值得出其特征值，为温湿度向量的特征均值，为光照度向量的特征均值，为设备向量的特征均值；利用温湿度向量、光照度向量以及设备向量的值减去每个向量的特征值得出的差值平方，得到温湿度向量、光照度向量以及设备向量的特征方差，为温湿度向量的特征方差，光照度向量的特征方差，为设备向量的特征方差；对其进行求和平均得到，消除了因为偶然的极限数据从而影响了某种向量自身的误差，通过求和平均的方式，进而求出温湿度向量、光照度向量以及设备向量的归一标准化结果光伏设备数据集。

25、可选地，对光伏设备数据集进行去噪处理，从而生成光伏系统数据集，包括以下步骤：

26、根据光伏设备数据集进行图像可视化处理，从而获得光伏设备数据图像；

27、利用局部平滑算法对光伏设备数据图像进行局部加权回归计算，从而实现去噪处理，获得光伏图像数据集；

28、利用光伏图像数据集进行数字降维计算，从而获得光伏系统数据集。

29、本发明采用了计算机视觉、图像处理和机器学习等技术实现对光伏设备数据集进行去噪处理，利用可视化处理光伏设备数据集，获得更容易理解和分析的形式，提出出关注的特征并可视化，帮助工作人员更好的观测数据；利用局部平滑算法对光伏设备数据图像进行去噪声和异常值的除去处理，一定程度上减少了真实环境中的因素影响，从而提升后续分析的效率；基于图像出局进行数字降维计算，可以减少模型复杂度，提高模型训练和预测效率，此外，同时也可以采用机器学习算法导出数据中的重要特征，消除线性相关性，从而减少输入数据的维度，增加处理大量数据的优势。最后生成的光伏系统数据集以供后续模型进行学习计算，也可以为研究者和工程师提供更全面、准确的信息，便于优化系统设计和改进能源运营，从而提升智能电网系统人工智能资源分配的效率。

30、可选地，上述提到的机器学习算法包括卷积神经网络、基于门控的循环神经网络和深度学习网络，具体为：

31、步骤s21：利用卷积神经网络对光伏系统数据集进行特征提取，从而生成一阶光伏特征集；

32、步骤s22：利用基于门控的循环神经网络对一阶光伏特征集进行数据降维处理，从而生成二阶光伏特征集；

33、步骤s23：利用深度学习神经网络对二阶光伏特征集进行深度拟合，从而生成光伏能耗数据集。

34、本发明通过卷积神经网络提取光伏系统数据集的特征，卷积神经网络中的卷积层对输入数据进行的是局部连接，即仅对一小块输入进行卷积操作产生输出，这种方式避免了全连接带来的过拟合问题，并且能够保留输入数据的空间结构信息，可以降低数据维度和噪声，提高特征表示的稳定性和可靠性，从而生成一阶光伏特征集；利用了基于门控循环神经网络将一阶光伏特征集进行数据降维处理，在进行数据降维时，利用这种门控机制可以筛选出对结果影响不大的信息，从而降低数据的维度，提高模型效率和准确性，有效提高了计算效率，减少了计算负担并有助于提高预测的精确度，从而生成二阶光伏特征集；通过深度学习神经网络对二阶光伏特征集进行深度拟合，利用深度学习神经网络强大的非线性建模能力，可以更好地逼近真实光伏电池的电流-电压和功率-电压曲线数据，以获得更高的预测精度，进一步提高了模型的精确度与鲁棒性,生成光伏能耗数据集；卷积神经网络、基于门控的循环神经网络和深度学习网络分别为自己的任务提供了准确和稳健的结果，然后组合起来更全面地表达了光伏能耗相关性。通过甄选特征，减少噪声和冗余，可以帮助去除不必要的信息，并突出最重要的因素，从而使得整个过程更加高效和可靠。此外，本发明提高了建模的准确性和鲁棒性，还可以支持实时数据分析和决策。

35、可选地，长短期记忆神经网络的遗忘门和输入门控制了神经元的状态更新和输入信息，使得网络能够有效地处理长序列依赖关系，避免了梯度消失和梯度爆炸问题。同时，长短期记忆神经网络的输出门控制了输出的信息流，使得神经元只输出需要的信息，减少了冗余信息和过拟合的风险。

36、此外，在自然语言处理任务中，长短期记忆神经网络已经被广泛应用于语音识别、机器翻译、文本分类、情感分析等任务。例如，在机器翻译任务中，采用长短期记忆神经网络可以更好地捕捉长句子之间的语义依赖关系，提高翻译的准确率和流畅度。在文本分类任务中，采用长短期记忆神经网络可以更好地处理长文本序列，提高分类的准确率和鲁棒性。在时间序列数据处理任务中，长短期记忆神经网络也常常被用来预测未来值，如股票价格、气温、交通流量。

37、可选地，收集历史用电量并利用数据预测模型对历史用电量进行电力需求分析计算，具体包括以下步骤：

38、步骤s31：根据历史用电量进行数据可视化处理，从而得到历史用电曲线趋势图；

39、步骤s32：根据历史用电曲线趋势图进行曲率分析计算，从而获得历史用电曲率；

40、步骤s33：利用数据预测模型对历史用电曲率进行电力需求分析计算，从而生成电力需求值。

41、本发明根据历史用电量进行数据可视化处理，以便更好地理解和分析历史数据。利用得到的用电曲线趋势图对其进行下一步分析。此外，通过观察历史趋势图，可以识别出季节性、周日变化等周期性因素、工作时间、假期等常规用电模式，进而发现与用电量相关的隐性需求；根据历史用电曲线趋势图进行曲率分析计算，得到精细的用电数据特征，包括高峰谷值、波动性强度、增长速度以及历史用电曲率，更加全面地了解历史用电的趋势和变化；利用数据预测模型的电力需求分析计算，可以根据历史用电曲线趋势和曲率信息快速准确地计算出未来用电需求，从而指导电力公司制定差异化的电力调配和生产计划。此外，数据预测模型还可以对历史数据进行深入学习，根据新的历史数据记录不断在线预测和更新即将到来的电力需求变化。

42、进一步地，上述描述中数据预测模型为基于反向传播的神经网络模型，其学习过程采用自适应学习速率附加动量法和反向传播网络相结合，在每次学习过程中进行两次学习参数的自适应调整，其中自适应调整步骤具体为：

43、步骤s301：在学习过程中经过阈值次数迭代，利用当次迭代的总体误差与上一次的总体误差进行比较运算，调整学习率和动量因子，从而生成第一次学习参数调整项；

44、步骤s302：在学习过程中经过两倍阈值次数迭代，利用最近两次学习过程中的最大误差变化量平均值进行比较处理，调整平均值与精度，生成收敛界限的均方差值，从而获得第二次学习参数调整项；

45、步骤s303：根据第一次学习参数调整项以及第二次学习参数调整项进行学习参数修正处理，从而实现学习过程自适应调整。

46、本发明上述描述的采用自适应学习速率附加动量法和弹性循环网络相结合方法。基本思想是在每次学习过程中进行二次学习参数的自适应调整：第一次是自适应调整学习率n和动量因子的调整过程，其方法为在第t次选代完成之后，比较本次迭代的总体误差e(t)与上一次的总体误差e(t-1)的大小，调整学习率n和动量因子并利用e(t)和e(t-1)之差的正、负关系，最后调整连接权值和值：第二次是自适应调整允许均方误差e的值其方法是在第n次学习(指所有样本学习遍)完成后求出本次学习的最大误差smax(n)，然后计算最近2次学习过程中最大误差变化量的平均值，把这一平均值与根据精度要求确定的收敛界限值e相比较根据比较结果调整允许均方误差e。

47、本发明通过比较两次迭代的总体误差，自适应调整学习率和动量因子，可以使得学习算法更加稳定和有效，从而更快地收敛。调节动量因子可以降低震荡，即在优化过程中避免算法来回摆动。同时，调整学习率可以控制每一步参数更新的大小，从而避免步长太小或太大，影响收敛效率；本发明计算并生成收敛界限的均方差值，可以更加细致地调整学习算法，进一步提高算法精度和泛化能力。调整平均值和精度，可以直接控制模型在训练集上的表现，并且更合理地设置收敛条件，从而防止过拟合等不良状态的发生；本发明结合第一次和第二次学习参数调整项进行学习参数修正处理，实现学习过程自适应调整，根据最新的总体误差和均方差值进行修正之后，才能保证算法产生更为精确的学习参数，从而更好地适应新数据使整个过程更具有全局的优化性能。

48、可选地，根据电力需求值和光伏能耗数据集进行负载均衡分析，具体包括以下步骤：

49、步骤s41：利用电力均衡计算对电力需求值进行均衡处理，从而获得电力均衡评分；

50、步骤s42：根据电力均衡评分作为权重与光伏能耗数据集进行加权平均计算，从而生成动态电力需求指数；

51、步骤s43：对动态电力需求指数进行负载均衡分析，从而生成动态资源分配调整方案。

52、本发明利用电力均衡计算对电力需求值进行均衡处理，从而获得电力均衡评分，确保系统的能耗效率并提高设备寿命。通过电力均衡，电网中不同区域的能耗将被均匀分配，避免了能源过度消耗导致的部分区域用电故障和负载过重烧毁设备等问题；根据电力均衡评分作为权重与光伏能耗数据集进行加权平均计算，从而生成动态电力需求指数，使得用电需求数据能更准确地反映出实际的用电情况，有助于制定更好的资源分配策略，有效提高能源利用率；对动态电力需求指数进行负载均衡分析，从而生成动态资源分配调整方案，通过运行分布式负载均衡算法，根据不同时段的动态需求指数，优化分配不同的电能供给，实现最优的电力调度和分配。可以避免在资源使用上的浪费，缩短运维时间，提高应用程序的响应时间和性能表现。此外，自动适应不同的环境和需求，从而在减少资源浪费和提高能源利用效率之间做出最佳平衡，同时，它还可以实现多个智能电网设备的互相协作，以实现更强大的资源分配性能。

53、本发明提供了一种智能电网人工智能分配的方法，能通过采集和预处理数据集，利用机器学习算法对数据进行计算和分析，从而生成了动态的资源分配调整方案，提高了智能电网系统资源利用率和管理效率；该方法细化了数据预处理的具体步骤，包括数据质量检查处理、特征处理计算和归一标准化计算，增强了数据集的准确性和可用性；该方法描述了完善设备数据的具体方式，包括设备的多个特征归类处理，从而生成转换特征向量，有利于提高光伏系统数据集的质量；该方法定义了一个归一标准化计算公式，为数据处理提供了实际的操作方法，有利于快速准确地生成光伏设备数据集；该方法描述了去噪处理的具体步骤，包括图像可视化、局部平滑算法和数字降维计算，从而有效提高光伏图像设备数据集的质量和可用性；该方法提供了机器学习算法的具体实现方案，包括卷积神经网络、基于门控的循环神经网络和深度学习神经网络，从而提高光伏能耗数据集的准确性和可靠性；该方法具体描述了基于门控的循环神经网络的结构和实现原理，从而为光伏能耗数据集的特征提取提供实际操作方案；提供了基于历史用电量的电力需求分析具体步骤，包括数据可视化、曲率分析和预测模型，从而为智能电网系统的负载均衡分析提供可靠的基础数据和预测结果；该方法提供基于反向传播的神经网络模型的具体学习过程，包括自适应学习速率附加动量法和反向传播网络相结合的方式，从而为电力需求的预测模型提供实际优化方案；该方法通过计算电力均衡评分和进行负载均衡分析，可以实现电力需求的均衡处理和动态资源分配，提高电网的负载均衡性，降低用电成本和提高电网稳定性；该方法可以应用于能源领域的电网管理和优化，提高电网的能源管理效率和可持续性。