CN114154781B 储电设备供电量预测方法、装置及计算机可读介质 （山东浪潮科学研究院有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114154781B(45)授权公告日2025.07.08

(21)申请号202111218790.7

(22)申请日2021.10.20

(65)同一申请的已公布的文献号申请公布号CN114154781A

(43)申请公布日2022.03.08

H02J3/00(2006.01)

GO6F30/27(2020.01)

(56)对比文件

CN105048457A,2015.11.11审查员刘雨竹

(73)专利权人山东浪潮科学研究院有限公司

地址250100山东省济南市高新浪潮路

1036号SO2号楼

(72)发明人段强李锐张晖

(74)专利代理机构济南信达专利事务所有限公司37100

专利代理师潘悦梅

(51)Int.CI.

GO6Q10/0631(2023.01)

GO6Q50/06(2024.01)权利要求书2页说明书7页附图1页

(54)发明名称

储电设备供电量预测方法、装置及计算机可读介质

(57)摘要

CN114154781B本发明公开了储电设备供电量预测方法、装置及计算机可读介质，属于机器学习技术领域，要解决的技术问题为如何预测用电量并对储电设备供电功率进行预测指导。包括如下步骤：以一个小时为收集周期，收集每天家庭用电节点及用电设备的用电量作为历史用户量数据并存储至边缘设备；构建用电预测模型，基于历史用电量数据训练所述用电预测模型；构建发电预测模型，基于历史发电量数据和天气数据训练所述发电预测模型；构建供电功率预测模型，所述供电功率模型中配置有代价函数；优化上述代价函数，基于优化后代价函数，根据时段进行pv

CN114154781B

紫

紫

中

CN114154781B权利要求书1/2页

2

1.储电设备供电量预测方法，其特征在于包括如下步骤：

以一个小时为收集周期，收集每天家庭用电节点及用电设备的用电量作为历史用电量数据并存储至边缘设备；

构建用电预测模型，所述用电预测模型为以用电量数据为输入、以每天的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出的时序模型，基于历史用电量数据训练所述用电预测模型；

构建发电预测模型，所述发电预测模型为以天气数据为输入、发电量数据为输出的线性回归模型，基于历史发电量数据和天气数据训练所述发电预测模型；

构建供电功率预测模型，所述供电功率模型中配置有代价函数；

通过训练后用电预测模型获取当前时刻的用电功耗，通过训练后发电预测模型获取当前时刻的发电功率，并获取当前电价以及储电设备的剩余电量数据，优化上述代价函数，基于优化后代价函数，得到供电功率预测；

所述时序模型包括：

连续时序模型，所述连续时序模型共一个，以连续N周的用电量数据为输入，预测并输出每天以小时为单位的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输

出；

离散时序模型，所述离散时序模型共七个，一周的周一至周日每天对应一个离散时序模型，对于每个离散时序模型，一周中与其对应的一天为作为目标天，以M周中所有目标天的用电量数据为输入，预测并输出目标天的以小时为单位用电量波动周期、用电量变化趋势以及用电量随机波动残差；

所述N为大于4的自然数，M为大于8的自然数；

通过训练后的用电预测模型得到用电功耗预测的计算公式为：

其中，d表示对离散时序模型的预测值的求和，

P_c(t)表示连续时序模型一天中t时刻的预测值；

通过梯度下降方法优化上述代价函数，包括如下步骤：

通过迭代实验确定步长L和常数max,所述常数max为限制随机梯度下降次数的上限；对于每次迭代，将数据进行batch加载并计算梯度，当前梯度的计算公式为：

n为当前样本数，X_S为当前的样本值，fi(x_s)表示第i个样本的函数映射的梯度；

从g_s中减去fi(x_s)并加入fi(y_(s,k)),fi(y_(s,k))中的k表示第k次梯度下降，其中，k

属于[1,max]中随机值且符合分布：

CN114154781B权利要求书2/2页

3

将y