[发明专利]云平台下储能系统的时间序列数据的自组织学习建模方法

说明书

本发明提供一种云平台下储能系统的时间序列数据的自组织学习建模方法，通过将各储能系统产生的运行数据存储于云平台中，作为训练数据；对训练数据进行预处理，剔除其中的异常数据，并对数据进行归一化之后，输出为时间序列数据；判断是否存在历史学习模型，若存在历史学习模型，则直接利用学习模型进行预测；若在不存在历史学习模型，则进入下一步骤；根据云平台下不同储能系统产生的时间序列数据的长度大小，进行对应自组织学习建模，得到模型用于储能系统的负荷预测、峰值预测；该方法能够解决云平台下储能设备的时间序列数据学习建模时造成大量资源占用且分配不合理的问题。

技术领域

本发明涉及一种云平台下储能系统的时间序列数据的自组织学习建模方法。

背景技术

时间序列数据展示了一个变量值或多个变量值随着另一个变量的变化而不断变化的状态，其中主要是随着时间的变化而不同，时间序列数据针对数据的表现有两种形式，即单元时间序列是指随着时间变化而变化的单变量值的状态序列，而多元时间序列是指随着时间变化的多变量的状态序列。一般情况下，时间序列数据都可以被抽象为二元组(t,d)的形式，其中，t表示时间变量，d表示数据变量，该变量反映了数据单元的变量值和实际的意义，可以表示储能系统的运行情况。储能系统通过分布式相互连接，每台储能系统的运行数据都会上传到云平台上。

由于其本身的的低成本和开放性，云平台技术正在被广泛应用于商业、军事和学术等各个领域中，这就使得云平台整体资源的可靠性显得格外重要。有效的数据学习方法及策略能够高效的使用计算与网络资源，降低不必要的成本浪费，为用户提供一个可靠的且具有高可用性的环境。

目前现有的云平台下的时间序列数据学习建模方法存在不考虑资源占用且分配不合理的问题，目前的技术在于考虑增加云平台投入，或动态增加云平台内存容量，增加了成本，对于资金不足的企业是极大的负担。

上述问题是在云平台下储能系统的时间序列数据的自组织学习建模方法的设计过程中应当予以考虑并解决的问题。

发明内容

本发明的目的是提供一种云平台下储能系统的时间序列数据的自组织学习建模方法解决现有技术中存在的云平台下储能设备的时间序列数据学习建模时造成大量资源占用且分配不合理的问题。

本发明的技术解决方案是：

一种云平台下储能系统的时间序列数据的自组织学习建模方法，包括以下步骤，

S1、将各储能系统产生的运行数据存储于云平台中，作为训练数据；

S2、对训练数据进行预处理，剔除其中的异常数据，并对数据进行归一化之后，输出为时间序列数据；

S3、判断是否存在历史学习模型，若存在历史学习模型，则直接利用学习模型进行预测；若在不存在历史学习模型，则进入下一步骤；

S4、根据云平台下不同储能系统产生的时间序列数据的长度大小，进行对应自组织学习建模，得到模型用于储能系统的负荷预测、峰值预测。

进一步地，所述的云平台下储能系统的时间序列数据的自组织学习建模方法，其特征在于：步骤S4中，进行对应自组织学习建模，具体为，

S41、判断时间序列数据的长度，若时间序列数据长度小于设定值，则对数据进行进行在线学习，将学习得到的模型直接用于储能系统的负荷预测、峰值预测；若时间序列数据长度不小于设定值，则进入下一步骤；

S42、若时间序列数据长度不小于设定值，则将时间序列数据进行离线学习，并对该系统进行首次查询，查询是否有历史学习模型，若没有历史学习模型并将学习得到的模型参数进行保存，将模型参数用于负荷预测、峰值预测；当同一储能系统进行二次以上的预测时，则将先前的模型参数直接用于预测，并定期对该储能系统的时间序列数据进行学习，得到相应的模型并更新保留，将学习得到的模型用于储能系统的负荷预测、峰值预测。