长短期记忆网络在虚拟电厂数据中心的应用

doi:10.11959/j.issn.2096-0271.2023077

摘要/Abstract

摘要：

可再生能源发电具有间歇性、随机性和不可控性，为绿色能源的充分利用带来了挑战。虚拟电厂数据中心具有高能耗特性，因此成为可再生能源中间歇性（非调度性）电力的高效吸纳与调控手段。基于此，提出了一种通过时间嵌词编码的长短期记忆（long short-term memory，LSTM）网络对虚拟电厂“源荷”双侧状态进行预测的方法。该方法可实现15分钟级的“电力短缺”主动预警，为容器的暂停和备份创造充分的缓冲时间窗口，结合容器技术实现数据中心的动态能耗管理，从而提升了虚拟电厂数据中心应对电力供需失衡的鲁棒性。这对稳定电网运行、加速绿色清洁能源应用、构建能源生态的服务格局、加速电网数字化转型具有重要的意义。

关键词: 虚拟电厂, 数据中心, 深度学习, 长短期记忆网络, 容器技术

Abstract:

The intermittent, random and uncontrollable power generation characteristics of renewable energy pose challenges for the full utilization of green energy.The high energy consumption feature of the virtual power plant data center makes it an efficient absorption and regulation strategy for the intermittent (non-dispatchable) power in renewable energy.This paper proposes a method to predict the ＆quot;source-load＆quot; dual-state of the virtual power plant using a long short-term memory network that incorporates time-embedded encoding.The results indicate that using the model presented in this paper can achieve proactive alerts for ＆quot;power shortages＆quot; at 15-minute intervals, creating ample buffer time windows for container suspension and backup.Combined with container technology, it realizes dynamic energy consumption management in data centers, thereby enhancing the robustness of the virtual power plant data center against power supply-demand imbalances.This technology is of great significance for stabilizing grid operations, accelerating the application of green clean energy, constructing a service pattern for the energy ecosystem and speeding up the digital transformation of the grid.

Key words: virtual power plant, data center, deep learning, long short-term memory network, container technology

中图分类号:

TP399

陈峻, 宁思衡. 长短期记忆网络在虚拟电厂数据中心的应用[J]. 大数据, 2023, 9(6): 160-173.

Jun CHEN, Siheng NING. Application of long short-term memory networks in virtual power plant data centers[J]. Big Data Research, 2023, 9(6): 160-173.

图/表 12

图1

图2

表1

图3

图4

图5

图6

图7

表2

图8

表3

图9

参考文献 8

[1]	钱晓栋, 虞伟君, 徐展 ,等. “30·60”战略目标下低碳智慧园区“双碳”路径研究[J]. 低碳世界, 2022,12(8): 10-12.
	QIAN X D , YU W J , XU Z ,et al. Research on “double carbon” path of low-carbon smart park under the strategic goal of“30.60”[J]. Low Carbon World, 2022,12(8): 10-12.
[2]	钟永洁, 纪陵, 李靖霞 ,等. 虚拟电厂基础特征内涵与发展现状概述[J]. 综合智慧能源, 2022(6): 25-36.
	ZHONG Y J , JI L , LI J X ,et al. Overview on the characteristics connotation and development status of virtual power plants in China[J]. Integrated Intelligent Energy, 2022(6): 25-36.
[3]	刘伟 . 互联网发展下的电力源网荷储一体化项目建设分析[J]. 中国设备工程, 2023,17: 249-251.
	LIU W . Analysis on the construction of integrated project of power source,grid,load and storage under the development of Internet[J]. China Plant Engineering, 2023,17: 249-251.
[4]	王丹, 杨俊涛, 曾燕 ,等. 考虑源荷不确定性的配电网风光储综合规划[J]. 电力需求侧管理, 2023,25(5): 65-72.
	WANG D , YANG J T , ZENG Y ,et al. Integrated planning of wind,solar and energy storage in distribution network considering uncertainty of source and load[J]. Power Demand Side Management, 2023,25(5): 65-72.
[5]	董治新, 韩雅萱, 杨丽 ,等. “源-网-荷储”互动下适应多元主体需求的灵活性交易机制研究[J]. 现代电力,doi:10.19725/j.cnki.1007-2322.2022.0289.
	DONG Z X , HAN Y X , YANG L ,et al. Research on flexible trading mechanism catering to requirements of multiple entities under “generationgrid-load-storage” interaction[J]. Modern Electric Power,doi:10.19725/j.cnki.1007-2322.2022.0289.
[6]	肖佳, 梅琦, 黄晓琪 ,等. “双碳”目标下我国光伏发电技术现状与发展趋势[J]. 天然气技术与经济, 2022,16(5): 64-69.
	XIAO J , MEI Q , HUANG X Q ,et al. Status quo and development trend of photovoltaic power-generating technology under the dual-carbon goal[J]. Natural Gas Technology and Economy, 2022,16(5): 64-69.
[7]	王鑫, 吴际, 刘超 ,等. 基于LSTM循环神经网络的故障时间序列预测[J]. 北京航空航天大学学报, 2018,44(4): 772-784.
	WANG X , WU J , LIU C ,et al. Exploring LSTM based recurrent neural network for failure time series prediction[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018,44(4): 772-784.
[8]	SAK H , SENIOR A , BEAUFAYS F ,et al. Long short-term memory based recurrent neural network architectures for large vocabulary speech recognition[EB]. arXiv preprint, 2014,arXiv:1402.1128.

能源类型	电力数据类型	描述
电力来源	Hydro pumped storage consumption	抽水蓄能电站消耗的电量
		（负数通常表示电站正在消耗电力以泵水到高处的水库）
	Nuclear	核电站产生的电量
	Hydro Run-of-River	顺流式水电站产生的电量
	Biomass	生物质能源产生的电量
	Fossil brown coal / lignite	使用褐煤或煤泥产生的电量
	Fossil hard coal	使用硬煤产生的电量
	Fossil oil	使用石油产生的电量
	Fossil gas	使用天然气产生的电量
	Geothermal	地热能产生的电量
	Hydro water reservoir	水库式水电站产生的电量
	Hydro pumped storage	抽水蓄能电站产生的电量
		（正数通常表示电站正在释放水以产生电力）
	Waste	使用废物作为燃料产生的电量
	Others	其他电力来源
	Wind offshore	离岸风电产生的电量
	Wind onshore	在岸风电产生的电量
	Solar	太阳能产生的电量
负载	Load	总电力需求或负载

电站种类	平均平方误差	平均绝对误差
抽水蓄能电站耗电	170.95	114.42
抽水蓄能电站发电	169.02	107.82
顺流式水力发电	12.97	9.10
水库式水力发电	44.18	32.15
核电站发电	26.53	18.72
生物质能源发电	18.25	12.72
使用褐煤或煤泥为燃料的火力发电	131.63	89.07
使用硬煤为燃料的火力发电	112.90	81.95
使用石油为燃料的火力发电	14.72	5.24
使用天然气为燃料的火力发电	290.21	152.63
地热能发电	0.23	0.13
使用废物作为燃料的火力发电	34.72	13.08
离岸风电	130.92	87.07
在岸风电	303.02	224.43
光伏	263.46	197.36
其他	14.30	7.68
负载	394.03	294.64
总计	173.29	85.19

混淆矩阵	预测为假		预测为真
实际为假	13 112		213
实际为真	319		7 265
准确率		97.48%
召回率		95.86%
F1分数		96.49%
精确度		97.13%
假阳性率		1.6%

[1]	刘震, 赵嵩, 杨涛, 蔡太伟. 基于深度学习的施工安全隐患整改智能推荐系统[J]. 大数据, 2023, 9(6): 124-136.
[2]	李彪, 李少昆, 寇纲, 陈星潼, 卓训方. “东数西算”背景下四川战略定位与策略研究[J]. 大数据, 2023, 9(5): 20-31.
[3]	周瑜, 张炜乐, 段婉婷. “东数西算”背景下数据中心碳减排效益分析[J]. 大数据, 2023, 9(5): 48-60.
[4]	刘业政, 黄丽华, 朱扬勇, 孙见山, 宋靖达. 长三角国家算力枢纽节点赋能制造业数字化转型的机理与路径[J]. 大数据, 2023, 9(5): 61-77.
[5]	刘聪, 吕雪峰, 王宏林, 王晓伟, 陆瑾, 孙顺, 胡松奇. 基于概率分布差异的医学命名实体识别方法[J]. 大数据, 2023, 9(4): 159-171.
[6]	邓钇敏, 张旭龙, 司世景, 王健宗, 肖京. 虚拟人形象合成技术综述[J]. 大数据, 2023, 9(3): 114-139.
[7]	贺亚运, 彭俊清, 王健宗, 肖京. 节奏舞者：基于关键动作转换图和有条件姿态插值网络的3D舞蹈生成方法研究[J]. 大数据, 2023, 9(1): 23-37.
[8]	崔雨萌, 王靖亚, 闫尚义, 陶知众. 基于深度学习的警情记录关键信息自动抽取[J]. 大数据, 2022, 8(6): 127-142.
[9]	易杰, 曹腾飞, 黄明峰, 黄肖翰, 张子震. 基于时间编码LSTM的高校舆情热点趋势预测研究[J]. 大数据, 2022, 8(5): 124-138.
[10]	朱智韬, 司世景, 王健宗, 肖京. 联邦推荐系统综述[J]. 大数据, 2022, 8(4): 105-132.
[11]	王杰, 张松岩, 梁吉业. 融合一致性正则与流形正则的半监督深度学习算法[J]. 大数据, 2022, 8(3): 103-114.
[12]	徐康庭, 宋威. 结合语言知识和深度学习的中文文本情感分析方法[J]. 大数据, 2022, 8(3): 115-127.
[13]	赵智韬, 赵理君, 张正, 唐娉. 基于容器云技术的典型遥感智能解译算法集成[J]. 大数据, 2022, 8(2): 58-74.
[14]	张凯, 车漾. 基于分布式缓存加速容器化深度学习的优化方法[J]. 大数据, 2021, 7(5): 150-163.
[15]	温景熙, 于胡飞, 辛江, 唐艳. 基于深度学习的大脑性别差异分析[J]. 大数据, 2021, 7(4): 130-140.