国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于HS-MOE的多模態(tài)的電能預(yù)測和優(yōu)化方法與流程

      文檔序號:39559172發(fā)布日期:2024-09-30 13:29閱讀:21來源:國知局
      一種基于HS-MOE的多模態(tài)的電能預(yù)測和優(yōu)化方法與流程

      本發(fā)明涉及新能源,尤其是一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法。


      背景技術(shù):

      1、在新能源領(lǐng)域,尤其是在光伏、風(fēng)能、儲能電池等用電場景中,精確的預(yù)測和調(diào)度是提高能源利用效率和穩(wěn)定性的關(guān)鍵。隨著大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展,基于深度學(xué)習(xí)的預(yù)測模型在新能源場景中得到了廣泛的應(yīng)用。然而,傳統(tǒng)的單一模型架構(gòu)在處理高維、多模態(tài)和異質(zhì)性強(qiáng)的數(shù)據(jù)時,往往面臨性能瓶頸和泛化能力不足的問題。

      2、為了更好地應(yīng)對這些挑戰(zhàn),混合專家模型(mixture?of?experts,moe)提供了一種有效的解決方案?;旌蠈<夷P屯ㄟ^將任務(wù)分解給多個“專家”子模型,每個子模型專注于特定的數(shù)據(jù)特征或模式,從而提高了模型的表達(dá)能力和預(yù)測精度。在此基礎(chǔ)上,多層稀疏混合專家模型(hierarchical?sparse?mixture?of?experts,hs-moe)進(jìn)一步引入了分層架構(gòu)和稀疏激活機(jī)制,進(jìn)一步優(yōu)化了模型的效率和性能。

      3、在新能源領(lǐng)域,光伏、風(fēng)能等發(fā)電系統(tǒng)的數(shù)據(jù)具有多樣性和復(fù)雜性,不同數(shù)據(jù)類型之間的關(guān)聯(lián)性較高,進(jìn)行多目標(biāo)預(yù)測(如發(fā)電量、設(shè)備健康狀態(tài)等)具有重要意義,傳統(tǒng)方法難以同時處理多模態(tài)數(shù)據(jù)并進(jìn)行多目標(biāo)預(yù)測。


      技術(shù)實(shí)現(xiàn)思路

      1、為了解決上述問題,本發(fā)明提出一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,基于多層稀疏混合專家模型,并且進(jìn)行多目標(biāo)預(yù)測的模型架構(gòu)構(gòu)建,實(shí)現(xiàn)對新能源場景中多目標(biāo)預(yù)測的高效建模,以提升預(yù)測精度和計(jì)算效率。其創(chuàng)新的架構(gòu)設(shè)計(jì)和技術(shù)亮點(diǎn),為新能源領(lǐng)域的智能化、精準(zhǔn)化管理提供了強(qiáng)有力的技術(shù)支持,具有廣泛的應(yīng)用前景和顯著的實(shí)用價值。

      2、本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:

      3、一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,包括如下實(shí)現(xiàn)步驟:

      4、步驟s1數(shù)據(jù)預(yù)處理:包括數(shù)據(jù)清洗和歸一化處理輸入數(shù)據(jù),并進(jìn)行特征工程,提取關(guān)鍵特征,確保數(shù)據(jù)對齊,保證每個樣本包含所有類型的輸入數(shù)據(jù)。

      5、進(jìn)一步的,所述輸入數(shù)據(jù)是多模態(tài)輸入數(shù)據(jù),包括但不限于電流、電壓、溫度、壓力、阻抗、聲光氣、光強(qiáng)度、用電負(fù)荷、電價等數(shù)據(jù),其中電壓、溫度、壓力、阻抗是具備獨(dú)特性采集的數(shù)據(jù)。

      6、步驟s2模型構(gòu)建:使用深度學(xué)習(xí)框架keras構(gòu)建多層稀疏混合專家模型的各個組件,包括輸入層、特征提取層、門控網(wǎng)絡(luò)層、專家子模型層、融合層和輸出層。

      7、進(jìn)一步的,所述門控網(wǎng)絡(luò)通過softmax函數(shù)實(shí)現(xiàn)稀疏激活,每個模型均輸出一個激活概率,但只激活少量專家子模型,提高計(jì)算效率和模型泛化能力。

      8、進(jìn)一步的,所述專家子模型層是針對不同特征設(shè)計(jì)多個專家子模型,每個子模型專注于特定特征或特征組合的學(xué)習(xí),所述專家子模型層優(yōu)選dnn、cnn、lstm。

      9、進(jìn)一步的,所述融合層將激活的專家子模型的輸出進(jìn)行融合,生成最終的預(yù)測結(jié)果。采用加權(quán)平均的方法,其中權(quán)重是來自于門控網(wǎng)絡(luò)層的輸出概率的歸一化數(shù)值。

      10、步驟s3模型訓(xùn)練:使用大規(guī)模歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練。訓(xùn)練過程中,采用分布式訓(xùn)練方法提高效率,并使用交叉驗(yàn)證和早停技術(shù)防止過擬合。

      11、進(jìn)一步的,在模型訓(xùn)練中,將數(shù)據(jù)集按照8:2的比例分成訓(xùn)練集合和測試集合,在訓(xùn)練集上進(jìn)行模型訓(xùn)練,通過反向傳播算法更新模型參數(shù),訓(xùn)練過程中需要監(jiān)控驗(yàn)證集上的表現(xiàn),防止過擬合。

      12、進(jìn)一步的,模型的損失函數(shù)選擇均方誤差、交叉熵、平均絕對誤差;選擇優(yōu)化算法sgd和adam來最小化損失函數(shù)。

      13、進(jìn)一步的,采用多任務(wù)學(xué)習(xí)模型,將電池數(shù)據(jù)預(yù)測、功率預(yù)測、充放電策略和故障管理預(yù)測作為不同的任務(wù)。設(shè)計(jì)多任務(wù)損失函數(shù),如果是連續(xù)數(shù)值預(yù)測目標(biāo),則采用mse損失函數(shù),如果是二分類預(yù)測目標(biāo),則采用交叉熵?fù)p失函數(shù),整體的損失函數(shù)可以是多個預(yù)測目標(biāo)的單獨(dú)損失函數(shù)的加權(quán)和。

      14、步驟s4模型評估和優(yōu)化:通過評估指標(biāo)對模型進(jìn)行評估。根據(jù)評估結(jié)果,優(yōu)化模型結(jié)構(gòu)和參數(shù),使用超參數(shù)調(diào)優(yōu)方法進(jìn)一步提升模型性能。

      15、步驟s5模型部署和應(yīng)用:將訓(xùn)練好的模型部署到實(shí)際系統(tǒng)中進(jìn)行在線預(yù)測,使用微服務(wù)架構(gòu)、容器化技術(shù)和分布式計(jì)算框架來實(shí)現(xiàn)模型的高效部署和運(yùn)行。

      16、本發(fā)明有益效果是

      17、(1)分層架構(gòu)設(shè)計(jì):通過多層結(jié)構(gòu),模型能夠捕捉不同尺度的特征,從而提高對復(fù)雜數(shù)據(jù)的表示能力和預(yù)測精度;

      18、(2)多模態(tài)數(shù)據(jù)處理:模型能夠處理和融合來自多種數(shù)據(jù)源的信息(如氣象數(shù)據(jù)、設(shè)備狀態(tài)數(shù)據(jù)),提升對新能源發(fā)電量和設(shè)備健康狀態(tài)的預(yù)測準(zhǔn)確性;

      19、(3)稀疏激活機(jī)制:使用門控網(wǎng)絡(luò)實(shí)現(xiàn)稀疏激活,僅激活相關(guān)的專家子模型,降低計(jì)算開銷,同時防止過擬合,提高模型泛化能力;

      20、(4)多目標(biāo)預(yù)測能力:能夠同時預(yù)測多個關(guān)鍵指標(biāo)(如發(fā)電量、設(shè)備健康狀態(tài)),提供全面的預(yù)測結(jié)果,滿足不同應(yīng)用需求;

      21、(5)動態(tài)模型選擇:門控網(wǎng)絡(luò)根據(jù)輸入數(shù)據(jù)的特征動態(tài)選擇最合適的專家子模型,提升模型的適應(yīng)性和靈活性;

      22、(6)融合多種模型的優(yōu)點(diǎn):結(jié)合dnn、cnn、lstm等多種模型的優(yōu)點(diǎn),針對不同特征和特征組合進(jìn)行最優(yōu)建模,提升整體預(yù)測性能;

      23、(7)應(yīng)用廣泛:該模型架構(gòu)不僅適用于光伏、風(fēng)能等新能源場景,還可以擴(kuò)展到其他需要多目標(biāo)預(yù)測的復(fù)雜數(shù)據(jù)場景中。



      技術(shù)特征:

      1.一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,其特征是:包括如下實(shí)現(xiàn)步驟

      2.根據(jù)權(quán)利要求1所述的一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,其特征是:所述步驟s1中輸入數(shù)據(jù)是多模態(tài)輸入數(shù)據(jù),包括但不限于電流、電壓、溫度、壓力、阻抗、聲光氣、光強(qiáng)度、用電負(fù)荷、電價等數(shù)據(jù),其中電壓、溫度、壓力、阻抗是具備獨(dú)特性采集的數(shù)據(jù)。

      3.根據(jù)權(quán)利要求1所述的一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,其特征是:在步驟s2中,所述門控網(wǎng)絡(luò)通過softmax函數(shù)實(shí)現(xiàn)稀疏激活,每個模型均輸出一個激活概率,但只激活少量專家子模型,提高計(jì)算效率和模型泛化能力。

      4.根據(jù)權(quán)利要求1所述的一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,其特征是:在步驟s2中,所述專家子模型層是針對不同特征設(shè)計(jì)多個專家子模型,每個子模型專注于特定特征或特征組合的學(xué)習(xí),所述專家子模型層優(yōu)選dnn、cnn、lstm。

      5.根據(jù)權(quán)利要求1所述的一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,其特征是:在步驟s2中,所述融合層將激活的專家子模型的輸出進(jìn)行融合,生成最終的預(yù)測結(jié)果。采用加權(quán)平均的方法,其中權(quán)重是來自于門控網(wǎng)絡(luò)層的輸出概率的歸一化數(shù)值。

      6.根據(jù)權(quán)利要求1所述的一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,其特征是:所述步驟s3在模型訓(xùn)練中,將數(shù)據(jù)集按照8:2的比例分成訓(xùn)練集合和測試集合,在訓(xùn)練集上進(jìn)行模型訓(xùn)練,通過反向傳播算法更新模型參數(shù),訓(xùn)練過程中需要監(jiān)控驗(yàn)證集上的表現(xiàn),防止過擬合。

      7.根據(jù)權(quán)利要求1所述的一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,其特征是:所述步驟s3中,模型的損失函數(shù)選擇均方誤差、交叉熵、平均絕對誤差;選擇優(yōu)化算法sgd和adam來最小化損失函數(shù)。

      8.根據(jù)權(quán)利要求7所述的一種基于hs-moe的多模態(tài)的電能預(yù)測和優(yōu)化方法,其特征是:采用多任務(wù)學(xué)習(xí)模型,將電池數(shù)據(jù)預(yù)測、功率預(yù)測、充放電策略和故障管理預(yù)測作為不同的任務(wù);并且設(shè)計(jì)多任務(wù)損失函數(shù),如果是連續(xù)數(shù)值預(yù)測目標(biāo),則采用mse損失函數(shù);如果是二分類預(yù)測目標(biāo),則采用交叉熵?fù)p失函數(shù),整體的損失函數(shù)是多個預(yù)測目標(biāo)的單獨(dú)損失函數(shù)的加權(quán)和。


      技術(shù)總結(jié)
      本發(fā)明公開一種基于HS?MOE的多模態(tài)的電能預(yù)測和優(yōu)化方法,包括S1數(shù)據(jù)預(yù)處理:包括數(shù)據(jù)清洗和歸一化處理輸入數(shù)據(jù),并進(jìn)行特征工程,提取關(guān)鍵特征;S2模型構(gòu)建:使用深度學(xué)習(xí)框架Keras構(gòu)建多層稀疏混合專家模型的各個組件;S3模型訓(xùn)練:使用大規(guī)模歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練,訓(xùn)練過程中采用分布式訓(xùn)練方法提高效率,并使用交叉驗(yàn)證和早停技術(shù)防止過擬合;S4模型評估和優(yōu)化:通過評估指標(biāo)對模型進(jìn)行評估;S5模型部署和應(yīng)用:將訓(xùn)練好的模型部署到實(shí)際系統(tǒng)中進(jìn)行在線預(yù)測。本發(fā)明能夠?qū)崿F(xiàn)對新能源場景中多目標(biāo)預(yù)測的高效建模,以提升預(yù)測精度和計(jì)算效率,為新能源領(lǐng)域的智能化、精準(zhǔn)化管理提供強(qiáng)有力的技術(shù)支持,具有廣泛的應(yīng)用前景和顯著的實(shí)用價值。

      技術(shù)研發(fā)人員:常偉,徐培旺,胡志超,周志華
      受保護(hù)的技術(shù)使用者:廣東飛粵科技有限公司
      技術(shù)研發(fā)日:
      技術(shù)公布日:2024/9/29
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
      1