CN116029520B - 基于电力需求响应的在线调度方法及其系统 - Google Patents
基于电力需求响应的在线调度方法及其系统 Download PDFInfo
- Publication number
- CN116029520B CN116029520B CN202310060187.3A CN202310060187A CN116029520B CN 116029520 B CN116029520 B CN 116029520B CN 202310060187 A CN202310060187 A CN 202310060187A CN 116029520 B CN116029520 B CN 116029520B
- Authority
- CN
- China
- Prior art keywords
- feature
- scale
- matrix
- power demand
- feature matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004044 response Effects 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 306
- 239000013598 vector Substances 0.000 claims abstract description 190
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010790 dilution Methods 0.000 claims description 4
- 239000012895 dilution Substances 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000001105 regulatory effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于电力需求响应的在线调度方法及其系统，其基于电力用户的电力用户需求响应申报调控数据的整体分布情况来为各个电力用户智能地分配需求响应调控量。具体地，以待调度电力用户的基于全局的电力用户需求响应调控语义特征向量作为查询特征向量，以乘积的方式去搜索作为库的包含多尺度电力需求隐含特征的多尺度电力需求关联特征矩阵，通过这样的方式，构建基于电力需求响应的在线调度方案，其具有更强的适用性和智能性。
Description
技术领域
本申请涉及电力领域，且更为具体地，涉及一种基于电力需求响应的在线调度方法及其系统。
背景技术
电力需求响应的定义为电力用户对实施机构发布的价格信号或激励机制做出响应，并改变电力消费模式的一种参与行为。有别于传统的有序用电和“刚性”调控负荷，电力需求响应手段突出“柔性”调控。
当电网受极端天气、新能源出力波动以及可靠性事件等因素影响，在局部区域、局部时段出现供电缺口或低谷调峰能力不足时，由省级电力运行主管部门安排需求响应实施机构组织电力用户或负荷聚合商参与日前级、小时级、分钟级和准实时级的互动响应，由电力用户直接或通过负荷聚合商间接调增或调减部分用电功率，从而对电力负荷进行再平衡，解决电力供需矛盾问题，并根据互动响应效果获得实施机构发放的激励资金。
电力需求响应实施机构，根据电网削峰或填谷的调控目标总量，组织邀约电力用户或者负荷聚合商参与需求响应调控。一方面，电力用户或者负荷聚合商，根据自身生产用能安排、可调节负荷设备资源的可调节能力向实施机构申报调控量；另一方面，实施机构如何根据申报情况，快速和高效地为电力用户或者负荷聚合商分解合适的调控量，保证参与需求响应调控的完成率，达到电力需求响应调控目标，保障电网用电平衡，是实施机构需要解决的一个问题。
目前电力需求响应实施机构是根据电力用户或者负荷聚合商的需求响应申报调控量情况，结合目标调控量，从申报时间的先后、申报价格的高低、申报调控量的多少等维度，为电力用户或者负荷聚合商分配需求响应调控量。
但是，目前电力需求响应实施机构对电力用户或者负荷聚合商参与需求响应调控的调控量分解，仍然存在以下不足：
1)按照固化的业务流程进行调控量分解，考虑的维度比较单一；
2)对于不同场景的需求响应调控事件，缺乏灵活应对的手段，无法调控分解至合适的电力用户或者负荷聚合商参与需求响应。
因此，期待一种优化的基于电力需求响应的在线调度方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于电力需求响应的在线调度方法及其系统，其基于电力用户的电力用户需求响应申报调控数据的整体分布情况来为各个电力用户智能地分配需求响应调控量。具体地，以待调度电力用户的基于全局的电力用户需求响应调控语义特征向量作为查询特征向量，以乘积的方式去搜索作为库的包含多尺度电力需求隐含特征的多尺度电力需求关联特征矩阵，通过这样的方式，构建基于电力需求响应的在线调度方案，其具有更强的适用性和智能性。
根据本申请的一个方面，提供了一种基于电力需求响应的在线调度方法，其包括：获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度；将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量；将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵；从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量；以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量；将所述分类特征向量输入类Softmax分类函数以得到概率值；以及基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量。
在上述基于电力需求响应的在线调度方法中，所述将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量，包括：对所述各个电力用户的需求响应申报调控的描述进行分词处理以得到词序列；将所述词序列通过词嵌入层以得到词嵌入向量的序列；将所述词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个语义特征向量；以及，将所述多个语义特征向量进行级联以得到所述电力用户需求响应调控语义特征向量。
在上述基于电力需求响应的在线调度方法中，所述将所述词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个语义特征向量，包括：将所述词嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述词嵌入向量的序列中各个词嵌入向量作为值向量分别进行相乘以得到所述多个语义特征向量。
在上述基于电力需求响应的在线调度方法中，所述第一卷积神经网络模型使用具有第一尺度的第一卷积核，所述第二卷积神经网络模型使用具有第二尺度的第二卷积核，所述第一尺度不同于所述第二尺度。
在上述基于电力需求响应的在线调度方法中，所述将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵，包括：使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于所述第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵；使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于所述第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵；以及，融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵。
在上述基于电力需求响应的在线调度方法中，所述使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于所述第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据基于所述第一卷积核进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度电力需求关联特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述电力用户需求特征矩阵。
在上述基于电力需求响应的在线调度方法中，所述使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于所述第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据基于所述第二卷积核进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度电力需求关联特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述电力用户需求特征矩阵。
在上述基于电力需求响应的在线调度方法中，所述融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵，包括：以如下公式对所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵分别进行相对类角度概率信息表示校正；其中，所述公式为：
其中和/>分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵的第(i,j)位置的特征值，且/>和/>分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵的全部特征值的均值，M1和M2分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵，/>和分别是校正后第一尺度电力需求关联特征矩阵和校正后第二尺度电力需求关联特征矩阵，log表示以2为底的对数；以及，以如下公式来融合所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵；其中，所述公式为：
其中，Mc为所述多尺度电力需求关联特征矩阵，M1为所述校正后第一尺度电力需求关联特征矩阵，M2为所述校正后第二尺度电力需求关联特征矩阵，表示所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵相对应位置处的元素相加，α和β为用于控制所述多尺度电力需求关联特征矩阵中所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵之间的平衡的加权参数。
在上述基于电力需求响应的在线调度方法中，所述将所述分类特征向量输入类Softmax分类函数以得到概率值，包括：以如下公式计算所述分类特征向量输入类Softmax分类函数以得到概率值；其中，所述公式为：exp(-xi)/∑iexp(-xi)；其中，xi为所述分类特征向量第i个特征值，exp (·)表示以自然常数e为底的指数运算。
根据本申请的另一方面，提供了一种基于电力需求响应的在线调度系统，包括：
数据获取模块，用于获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度；上下文编码模块，用于将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量；多尺度卷积编码模块，用于将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵；待调度特征提取模块，用于从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量；查询搜索模块，用于以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量；类分类模块，用于将所述分类特征向量输入类Softmax分类函数以得到概率值；以及调控量确定模块，用于基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量。
在上述基于电力需求响应的在线调度系统中，所述上下文编码模块，进一步用于：对所述各个电力用户的需求响应申报调控的描述进行分词处理以得到词序列；将所述词序列通过词嵌入层以得到词嵌入向量的序列；将所述词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个语义特征向量；以及，将所述多个语义特征向量进行级联以得到所述电力用户需求响应调控语义特征向量。
在上述基于电力需求响应的在线调度系统中，所述第一卷积神经网络模型使用具有第一尺度的第一卷积核，所述第二卷积神经网络模型使用具有第二尺度的第二卷积核，所述第一尺度不同于所述第二尺度。
在上述基于电力需求响应的在线调度系统中，所述多尺度卷积编码模块，进一步用于：使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于所述第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵；使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于所述第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵；以及，融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵。
在上述基于电力需求响应的在线调度系统中，所述类分类模块，进一步用于：以如下公式计算所述分类特征向量输入类Softmax分类函数以得到概率值；其中，所述公式为：exp(-xi)/∑iexp(-xi)；其中，xi为所述分类特征向量第i个特征值，exp (·)表示以自然常数e为底的指数运算。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于电力需求响应的在线调度方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于电力需求响应的在线调度方法。
与现有技术相比，本申请提供的基于电力需求响应的在线调度方法及其系统，其基于电力用户的电力用户需求响应申报调控数据的整体分布情况来为各个电力用户智能地分配需求响应调控量。具体地，以待调度电力用户的基于全局的电力用户需求响应调控语义特征向量作为查询特征向量，以乘积的方式去搜索作为库的包含多尺度电力需求隐含特征的多尺度电力需求关联特征矩阵，通过这样的方式，构建基于电力需求响应的在线调度方案，其具有更强的适用性和智能性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于电力需求响应的在线调度方法的流程图。
图2为根据本申请实施例的基于电力需求响应的在线调度方法的架构图。
图3为根据本申请实施例的基于电力需求响应的在线调度方法中将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量的流程图。
图4为根据本申请实施例的基于电力需求响应的在线调度系统的框图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，目前电力需求响应实施机构对电力用户或者负荷聚合商参与需求响应调控的调控量分解，仍然存在以下不足：1)按照固化的业务流程进行调控量分解，考虑的维度比较单一；2)对于不同场景的需求响应调控事件，缺乏灵活应对的手段，无法调控分解至合适的电力用户或者负荷聚合商参与需求响应。因此，期待一种优化的基于电力需求响应的在线调度方案。
针对上述技术问题，在本申请的技术方案中，期待使用数据智能来基于电力用户的电力用户的需求响应申报调控数据的整体分布情况来为各个电力用户智能地分配需求响应调控量，通过这样的方式，无需按照固化的业务流程进行调控量分解，且因考虑到了更多的数据维度和不受场景的局限，因此，本申请提供的基于电力需求响应的在线调度方案具有更强的适用性和智能性。
具体地，在电力需求响应的在线调度的过程中，多个电力用户会基于目标调控量来提交自己的需求响应申报调控方案，所述需求响应申报调控方案包括竞价时间、竞价价格以及交易额度等。应可以理解，在本申请的技术方案中，在为各个电力用户分配需求响应调控量时，不仅需要考虑目标调控量，还需要考虑所有电力用户的需求响应申报调控方案的整体情况。这里，所有电力用户的需求响应申报调控方案的整体情况形成应用场景自身，且所述各个电力用户的需求响应申报调控方案包含多个维度的数据。
在得到所述多个电力用户的需求响应申报调控的描述后，将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量。也就是，将各个电力用户的需求响应申报调控方案视为一个文本描述，对其进行分词处理并词向量转化后，将所得到的词嵌入向量的序列输入所述基于转换器的上下文编码器(例如，基于转换器的Bert模型)以得到多个电力用户需求响应调控语义特征向量。
进而，将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵。也就是，首先将各个电力用户的需求响应申报调控方案的语义特征表示在数据层面进行结构化整合以得到电力用户需求特征矩阵；然后，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型对所述电力用户需求特征矩阵进行深度卷积编码以捕捉各个电力用户的需求响应申报调控方案的特征表示间的高维隐含关联特征。在本申请一个具体的示例中，所述卷积神经网络模型为深度残差网络，例如，ResNet 50，ResNet 150等。
接着，从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量。并以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量。应可以理解，所述分类特征向量包含待调度电力用户的需求响应调控特征以及以所有电力用户的需求响应调控特征为背景的上下文语义关联信息。最终，将所述分类特征向量输入类Softmax分类函数以得到概率值，并基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量。
这样，使用数据智能来基于电力用户的电力用户需求响应申报调控数据的整体分布情况来为各个电力用户智能地分配需求响应调控量，通过这样的方式，无需按照固化的业务流程进行调控量分解，且因考虑到了更多的数据维度和不受场景的局限，因此，本申请提供的基于电力需求响应的在线调度方案具有更强的适用性和智能性。
这里，将所述电力用户需求特征矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构得到所述多尺度电力需求关联特征矩阵时，需要将所述电力用户需求特征矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一特征矩阵和第二特征矩阵融合以获得所述多尺度电力需求关联特征矩阵。并且，由于所述第一卷积神经网络和所述第二卷积神经网络具有不同尺度的卷积结构，这使得所述第一特征矩阵和所述第二特征矩阵的特征分布在高维特征空间内会存在空间位置误差，从而影响所述第一特征矩阵和所述第二特征矩阵的融合效果。
本申请的申请人考虑到所述第一特征矩阵和所述第二特征矩阵都是从所述电力用户需求特征矩阵获得的，因此其作为同源特征矩阵在特征分布上存在一定的对应性，因此，可以对所述第一特征矩阵和所述第二特征矩阵分别进行相对类角度概率信息表示校正，表示为：
其中和/>分别是所述第一特征矩阵M1和所述第二特征矩阵M2的第(i,j)位置的特征值，且/>和/>分别是所述所述第一特征矩阵M1和所述第二特征矩阵M2的全部特征值的均值，log表示以2为底的对数。
这里，所述相对类角度概率信息表示校正通过所述第一特征矩阵M1和所述第二特征矩阵M2之间的相对类角度概率信息表示，来进行所述第一特征矩阵M1和所述第二特征矩阵M2在高维特征空间内的特征分布的空间位置误差的几何精度稀释，从而在所述第一特征矩阵M1和所述第二特征矩阵M2间具有一定对应性的情况下，基于所述第一特征矩阵M1和所述第二特征矩阵M2各自的各位置的特征值分布相较于彼此整体的分布约束性，来通过按位置的逐点回归来进行特征的隐式上下文对应性校正，从而提高所述第一特征矩阵M1和所述第二特征矩阵M2的融合效果。
基于此，本申请提出了一种基于电力需求响应的在线调度方法，其包括：获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度；将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量；将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵；从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量；以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量；将所述分类特征向量输入类Softmax分类函数以得到概率值；以及，基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的基于电力需求响应的在线调度方法的流程图。如图1所示，根据本申请实施例的基于电力需求响应的在线调度方法，包括：S110，获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度；S120，将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量；S130，将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵；S140，从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量；S150，以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量；S160，将所述分类特征向量输入类Softmax分类函数以得到概率值；以及，S170，基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量。
图2为根据本申请实施例的基于电力需求响应的在线调度方法的架构图。如图2所示，在该架构中，首先，获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度。接着，将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量。然后，将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵。进而，从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量。接着，以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量。然后，将所述分类特征向量输入类Softmax分类函数以得到概率值。进而，基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量。
在步骤S110中，获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度。如上述背景技术所言，目前电力需求响应实施机构对电力用户或者负荷聚合商参与需求响应调控的调控量分解，仍然存在以下不足：1)按照固化的业务流程进行调控量分解，考虑的维度比较单一；2)对于不同场景的需求响应调控事件，缺乏灵活应对的手段，无法调控分解至合适的电力用户或者负荷聚合商参与需求响应。因此，期待一种优化的基于电力需求响应的在线调度方案。
针对上述技术问题，在本申请的技术方案中，期待使用数据智能来基于电力用户的电力用户需求响应申报调控数据的整体分布情况来为各个电力用户智能地分配需求响应调控量，通过这样的方式，无需按照固化的业务流程进行调控量分解，且因考虑到了更多的数据维度和不受场景的局限，因此，本申请提供的基于电力需求响应的在线调度方案具有更强的适用性和智能性。
具体地，在电力需求响应的在线调度的过程中，多个电力用户会基于目标调控量来提交自己的需求响应申报调控方案，所述需求响应申报调控方案包括竞价时间、竞价价格以及交易额度等。应可以理解，在本申请的技术方案中，在为各个电力用户分配需求响应调控量时，不仅需要考虑目标调控量，还需要考虑所有电力用户的需求响应申报调控方案的整体情况。这里，所有电力用户的需求响应申报调控方案的整体情况形成应用场景自身，且所述各个电力用户的需求响应申报调控方案包含多个维度的数据。
在步骤S120中，将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量。在得到所述多个电力用户的需求响应申报调控的描述后，将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量。也就是，将各个电力用户的需求响应申报调控方案视为一个文本描述，对其进行分词处理并词向量转化后，将所得到的词嵌入向量的序列输入所述基于转换器的上下文编码器(例如，基于转换器的Bert模型)以得到多个电力用户需求响应调控语义特征向量。
图3为根据本申请实施例的基于电力需求响应的在线调度方法中将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量的流程图。如图3所示，所述将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量，包括：S210，对所述各个电力用户的需求响应申报调控的描述进行分词处理以得到词序列；S220，将所述词序列通过词嵌入层以得到词嵌入向量的序列；S230，将所述词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个语义特征向量；以及，S240，将所述多个语义特征向量进行级联以得到所述电力用户需求响应调控语义特征向量。
在上述基于电力需求响应的在线调度方法中，所述将所述词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个语义特征向量，包括：将所述词嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述词嵌入向量的序列中各个词嵌入向量作为值向量分别进行相乘以得到所述多个语义特征向量。
在步骤S130中，将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵。也就是，首先将各个电力用户的需求响应申报调控方案的语义特征表示在数据层面进行结构化整合以得到电力用户需求特征矩阵；然后，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型对所述电力用户需求特征矩阵进行深度卷积编码以捕捉各个电力用户的需求响应申报调控方案的特征表示间的高维隐含关联特征。在本申请一个具体的示例中，所述卷积神经网络模型为深度残差网络，例如，ResNet 50，ResNet 150等。
在上述基于电力需求响应的在线调度方法中，所述第一卷积神经网络模型使用具有第一尺度的第一卷积核，所述第二卷积神经网络模型使用具有第二尺度的第二卷积核，所述第一尺度不同于所述第二尺度。
在上述基于电力需求响应的在线调度方法中，所述将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵，包括：使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于所述第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵；使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于所述第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵；以及，融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵。
在上述基于电力需求响应的在线调度方法中，所述使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于所述第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据基于所述第一卷积核进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度电力需求关联特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述电力用户需求特征矩阵。
在上述基于电力需求响应的在线调度方法中，所述使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于所述第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据基于所述第二卷积核进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度电力需求关联特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述电力用户需求特征矩阵。
这里，将所述电力用户需求特征矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构得到所述多尺度电力需求关联特征矩阵时，需要将所述电力用户需求特征矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一特征矩阵和第二特征矩阵融合以获得所述多尺度电力需求关联特征矩阵。并且，由于所述第一卷积神经网络和所述第二卷积神经网络具有不同尺度的卷积结构，这使得所述第一特征矩阵和所述第二特征矩阵的特征分布在高维特征空间内会存在空间位置误差，从而影响所述第一特征矩阵和所述第二特征矩阵的融合效果。本申请的申请人考虑到所述第一特征矩阵和所述第二特征矩阵都是从所述电力用户需求特征矩阵获得的，因此其作为同源特征矩阵在特征分布上存在一定的对应性，因此，可以对所述第一特征矩阵和所述第二特征矩阵分别进行相对类角度概率信息表示校正。
具体地，所述融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵，包括：以如下公式对所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵分别进行相对类角度概率信息表示校正；其中，所述公式为：
其中和/>分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵的第(i,j)位置的特征值，且/>和/>分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵的全部特征值的均值，M1和M2分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵，/>和分别是校正后第一尺度电力需求关联特征矩阵和校正后第二尺度电力需求关联特征矩阵，log表示以2为底的对数；以及，以如下公式来融合所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵；其中，所述公式为：
其中，Mc为所述多尺度电力需求关联特征矩阵，M1为所述校正后第一尺度电力需求关联特征矩阵，M2为所述校正后第二尺度电力需求关联特征矩阵，表示所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵相对应位置处的元素相加，α和β为用于控制所述多尺度电力需求关联特征矩阵中所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵之间的平衡的加权参数。
这里，所述相对类角度概率信息表示校正通过所述第一特征矩阵M1和所述第二特征矩阵M2之间的相对类角度概率信息表示，来进行所述第一特征矩阵M1和所述第二特征矩阵M2在高维特征空间内的特征分布的空间位置误差的几何精度稀释，从而在所述第一特征矩阵M1和所述第二特征矩阵M2间具有一定对应性的情况下，基于所述第一特征矩阵M1和所述第二特征矩阵M2各自的各位置的特征值分布相较于彼此整体的分布约束性，来通过按位置的逐点回归来进行特征的隐式上下文对应性校正，从而提高所述第一特征矩阵M1和所述第二特征矩阵M2的融合效果。
在步骤S140中，从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量。这里，可以标注所述待调度电力用户的电力用户需求响应调控语义特征向量的位置来进行提取处理。
在步骤S150中，以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量。应可以理解，所述分类特征向量包含待调度电力用户的需求响应调控特征以及以所有电力用户的需求响应调控特征为背景的上下文语义关联信息。
在步骤S160中，将所述分类特征向量输入类Softmax分类函数以得到概率值。具体地，以如下公式计算所述分类特征向量输入类Softmax分类函数以得到概率值；其中，所述公式为：exp(-xi)/∑iexp(-xi)；其中，xi为所述分类特征向量第i个特征值，exp(·)表示以自然常数e为底的指数运算。
在步骤S170中，基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量。这样，使用数据智能来基于电力用户的电力用户的需求响应申报调控数据的整体分布情况来为各个电力用户智能地分配需求响应调控量，通过这样的方式，无需按照固化的业务流程进行调控量分解，且因考虑到了更多的数据维度和不受场景的局限，因此，本申请提供的基于电力需求响应的在线调度方案具有更强的适用性和智能性。
综上，基于本申请实施例的基于电力需求响应的在线调度方法被阐明，其基于电力用户的电力用户需求响应申报调控数据的整体分布情况来为各个电力用户智能地分配需求响应调控量。具体地，以待调度电力用户的基于全局的电力用户需求响应调控语义特征向量作为查询特征向量，以乘积的方式去搜索作为库的包含多尺度电力需求隐含特征的多尺度电力需求关联特征矩阵，通过这样的方式，构建基于电力需求响应的在线调度方案，其具有更强的适用性和智能性。
示例性系统
图4为根据本申请实施例的基于电力需求响应的在线调度系统的框图。如图4所示，根据本申请实施例的基于电力需求响应的在线调度系统100，包括：数据获取模块110，用于获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度；上下文编码模块120，用于将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量；多尺度卷积编码模块130，用于将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵；待调度特征提取模块140，用于从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量；查询搜索模块150，用于以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量；类分类模块160，用于将所述分类特征向量输入类Softmax分类函数以得到概率值；以及，调控量确定模块170，用于基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量。
在一个示例中，在上述基于电力需求响应的在线调度系统100中，所述上下文编码模块120，进一步用于：对所述各个电力用户的需求响应申报调控的描述进行分词处理以得到词序列；将所述词序列通过词嵌入层以得到词嵌入向量的序列；将所述词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个语义特征向量；以及，将所述多个语义特征向量进行级联以得到所述电力用户需求响应调控语义特征向量。
在一个示例中，在上述基于电力需求响应的在线调度系统100中，所述第一卷积神经网络模型使用具有第一尺度的第一卷积核，所述第二卷积神经网络模型使用具有第二尺度的第二卷积核，所述第一尺度不同于所述第二尺度。
在一个示例中，在上述基于电力需求响应的在线调度系统100中，所述多尺度卷积编码模块130，进一步用于：使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于所述第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵；使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于所述第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵；以及，融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵。
在一个示例中，在上述基于电力需求响应的在线调度系统100中，所述类分类模块160，进一步用于：以如下公式计算所述分类特征向量输入类Softmax分类函数以得到概率值；其中，所述公式为：exp(-xi)/∑iexp(-xi)；其中，xi为所述分类特征向量第i个特征值，exp (·)表示以自然常数e为底的指数运算。
这里，本领域技术人员可以理解，上述基于电力需求响应的在线调度系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于电力需求响应的在线调度方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于电力需求响应的在线调度系统100可以实现在各种终端设备中，例如用于基于电力需求响应的在线调度的服务器等。在一个示例中，根据本申请实施例的基于电力需求响应的在线调度系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于电力需求响应的在线调度系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于电力需求响应的在线调度系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于电力需求响应的在线调度系统100与该终端设备也可以是分立的设备，并且该基于电力需求响应的在线调度系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。图5图示了根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于电力需求响应的在线调度方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如需求响应申报调控的描述等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括待调度电力用户的需求响应调控量等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于电力需求响应的在线调度方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于电力需求响应的在线调度方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于电力需求响应的在线调度方法，其特征在于，包括：
获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度；
将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量；
将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵；
从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量；
以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量；
将所述分类特征向量输入类Softmax分类函数以得到概率值；以及
基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量；
其中，所述将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵，包括：
使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵；
使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵；以及
融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵；
其中，所述融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵，包括：
以如下公式对所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵分别进行相对类角度概率信息表示校正；
其中，所述公式为：
其中和/>分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵的第(i,j)位置的特征值，且/>和/>分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵的全部特征值的均值，M1和M2分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵，/>和/>分别是校正后第一尺度电力需求关联特征矩阵和校正后第二尺度电力需求关联特征矩阵的第(i,j)位置的特征值，log表示以2为底的对数；
在上述公式中，所述相对类角度概率信息表示校正通过第一特征矩阵和第二特征矩阵之间的相对类角度概率信息表示，来进行所述第一特征矩阵和所述第二特征矩阵在高维特征空间内的特征分布的空间位置误差的几何精度稀释，从而在所述第一特征矩阵和所述第二特征矩阵间具有一定对应性的情况下，基于所述第一特征矩阵和所述第二特征矩阵各自的各位置的特征值分布相较于彼此整体的分布约束性，来通过按位置的逐点回归来进行特征的隐式上下文对应性校正，从而提高所述第一特征矩阵和所述第二特征矩阵的融合效果；
以如下公式来融合所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵；
其中，所述公式为：
其中，Mc为所述多尺度电力需求关联特征矩阵，M1'为所述校正后第一尺度电力需求关联特征矩阵，M2'为所述校正后第二尺度电力需求关联特征矩阵，表示所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵相对应位置处的元素相加，α和β为用于控制所述多尺度电力需求关联特征矩阵中所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵之间的平衡的加权参数。
2.根据权利要求1所述的基于电力需求响应的在线调度方法，其特征在于，所述将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量，包括：
对所述各个电力用户的需求响应申报调控的描述进行分词处理以得到词序列；
将所述词序列通过词嵌入层以得到词嵌入向量的序列；
将所述词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个语义特征向量；以及
将所述多个语义特征向量进行级联以得到所述电力用户需求响应调控语义特征向量。
3.根据权利要求2所述的基于电力需求响应的在线调度方法，其特征在于，所述将所述词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个语义特征向量，包括：
将所述词嵌入向量的序列排列为输入向量；
将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及
将所述自注意力特征矩阵与以所述词嵌入向量的序列中各个词嵌入向量作为值向量分别进行相乘以得到所述多个语义特征向量。
4.根据权利要求3所述的基于电力需求响应的在线调度方法，其特征在于，所述第一卷积神经网络模型使用具有第一尺度的第一卷积核，所述第二卷积神经网络模型使用具有第二尺度的第二卷积核，所述第一尺度不同于所述第二尺度。
5.根据权利要求4所述的基于电力需求响应的在线调度方法，其特征在于，所述使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于所述第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵，包括：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据基于所述第一卷积核进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度电力需求关联特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述电力用户需求特征矩阵。
6.根据权利要求5所述的基于电力需求响应的在线调度方法，其特征在于，所述使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于所述第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵，包括：
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据基于所述第二卷积核进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度电力需求关联特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述电力用户需求特征矩阵。
7.根据权利要求6所述的基于电力需求响应的在线调度方法，其特征在于，所述将所述分类特征向量输入类Softmax分类函数以得到概率值，包括：
以如下公式计算所述分类特征向量输入类Softmax分类函数以得到概率值；其中，所述公式为：exp(-xi)/∑exp(-xi)；其中，xi为所述分类特征向量第i个特征值，exp(·)表示以自然常数e为底的指数运算。
8.一种基于电力需求响应的在线调度系统，其特征在于，包括：
数据获取模块，用于获取多个电力用户的需求响应申报调控的描述，所述需求响应申报调控的描述包括竞价时间、竞价价格以及交易额度；
上下文编码模块，用于将所述多个电力用户的需求响应申报调控的描述分别通过基于转换器的上下文编码器以得到多个电力用户需求响应调控语义特征向量；
多尺度卷积编码模块，用于将所述多个电力用户需求响应调控语义特征向量进行二维排列为电力用户需求特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度卷积结构以得到多尺度电力需求关联特征矩阵；
待调度特征提取模块，用于从所述多个电力用户需求响应调控语义特征向量中提取待调度电力用户的电力用户需求响应调控语义特征向量；
查询搜索模块，用于以所述待调度电力用户的电力用户需求响应调控语义特征向量作为查询特征向量，计算其与所述多尺度电力需求关联特征矩阵之间的乘积以得到分类特征向量；
类分类模块，用于将所述分类特征向量输入类Softmax分类函数以得到概率值；以及
调控量确定模块，用于基于所述概率值和目标调控量，确定所述待调度电力用户的需求响应调控量；
其中，所述多尺度卷积编码模块，包括：
使用所述多尺度卷积结构的第一卷积神经网络模型对所述电力用户需求特征矩阵基于第一卷积核进行第一尺度深度卷积编码以得到第一尺度电力需求关联特征矩阵；
使用所述多尺度卷积结构的第二卷积神经网络模型对所述电力用户需求特征矩阵基于第二卷积核进行第二尺度深度卷积编码以得到第二尺度电力需求关联特征矩阵；以及
融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵；
其中，所述融合所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵，包括：
以如下公式对所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵分别进行相对类角度概率信息表示校正；
其中，所述公式为：
其中和/>分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵的第(i,j)位置的特征值，且/>和/>分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵的全部特征值的均值，M1和M2分别是所述第一尺度电力需求关联特征矩阵和所述第二尺度电力需求关联特征矩阵，/>和/>分别是校正后第一尺度电力需求关联特征矩阵和校正后第二尺度电力需求关联特征矩阵的第(i,j)位置的特征值，log表示以2为底的对数；
在上述公式中，所述相对类角度概率信息表示校正通过第一特征矩阵和第二特征矩阵之间的相对类角度概率信息表示，来进行所述第一特征矩阵和所述第二特征矩阵在高维特征空间内的特征分布的空间位置误差的几何精度稀释，从而在所述第一特征矩阵和所述第二特征矩阵间具有一定对应性的情况下，基于所述第一特征矩阵和所述第二特征矩阵各自的各位置的特征值分布相较于彼此整体的分布约束性，来通过按位置的逐点回归来进行特征的隐式上下文对应性校正，从而提高所述第一特征矩阵和所述第二特征矩阵的融合效果；
以如下公式来融合所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵以得到所述多尺度电力需求关联特征矩阵；
其中，所述公式为：
其中，Mc为所述多尺度电力需求关联特征矩阵，M1'为所述校正后第一尺度电力需求关联特征矩阵，M2'为所述校正后第二尺度电力需求关联特征矩阵，表示所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵相对应位置处的元素相加，α和β为用于控制所述多尺度电力需求关联特征矩阵中所述校正后第一尺度电力需求关联特征矩阵和所述校正后第二尺度电力需求关联特征矩阵之间的平衡的加权参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310060187.3A CN116029520B (zh) | 2023-01-13 | 2023-01-13 | 基于电力需求响应的在线调度方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310060187.3A CN116029520B (zh) | 2023-01-13 | 2023-01-13 | 基于电力需求响应的在线调度方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116029520A CN116029520A (zh) | 2023-04-28 |
| CN116029520B true CN116029520B (zh) | 2023-10-27 |
Family
ID=86080985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310060187.3A Active CN116029520B (zh) | 2023-01-13 | 2023-01-13 | 基于电力需求响应的在线调度方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029520B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114779819A (zh) * | 2022-05-23 | 2022-07-22 | 泰昌科技(杭州)有限公司 | 基于无人机移动式机场的高精度升降控制系统及控制方法 |
| CN115118675A (zh) * | 2022-06-17 | 2022-09-27 | 赛诺信致软件技术(北京)有限公司 | 基于智能网卡设备实现的数据流传输加速方法及其系统 |
| CN115169869A (zh) * | 2022-06-30 | 2022-10-11 | 浙江大学 | 多能互补混合储能调度系统及其调度方法 |
| CN115203380A (zh) * | 2022-09-19 | 2022-10-18 | 山东鼹鼠人才知果数据科技有限公司 | 基于多模态数据融合的文本处理系统及其方法 |
| CN115269980A (zh) * | 2022-07-26 | 2022-11-01 | 宁波西卡曼厨具有限公司 | 基于大数据的智能柜控制系统及其控制方法 |
| CN115293910A (zh) * | 2022-08-04 | 2022-11-04 | 杭州衡泰技术股份有限公司 | 基于金融大数据的企业现金流智能评级系统 |
| CN115373813A (zh) * | 2022-04-03 | 2022-11-22 | 福建福清核电有限公司 | 云计算环境中基于gpu虚拟化的调度方法、系统和电子设备 |
| CN115409649A (zh) * | 2022-08-29 | 2022-11-29 | 华能国际电力开发公司吉林通榆风电分公司 | 风电场能量管理系统及其方法 |
| CN115514343A (zh) * | 2022-05-13 | 2022-12-23 | 浙江腾腾电气有限公司 | 电网波形滤波系统及其滤波方法 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
-
2023
- 2023-01-13 CN CN202310060187.3A patent/CN116029520B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115373813A (zh) * | 2022-04-03 | 2022-11-22 | 福建福清核电有限公司 | 云计算环境中基于gpu虚拟化的调度方法、系统和电子设备 |
| CN115514343A (zh) * | 2022-05-13 | 2022-12-23 | 浙江腾腾电气有限公司 | 电网波形滤波系统及其滤波方法 |
| CN114779819A (zh) * | 2022-05-23 | 2022-07-22 | 泰昌科技(杭州)有限公司 | 基于无人机移动式机场的高精度升降控制系统及控制方法 |
| CN115118675A (zh) * | 2022-06-17 | 2022-09-27 | 赛诺信致软件技术(北京)有限公司 | 基于智能网卡设备实现的数据流传输加速方法及其系统 |
| CN115169869A (zh) * | 2022-06-30 | 2022-10-11 | 浙江大学 | 多能互补混合储能调度系统及其调度方法 |
| CN115269980A (zh) * | 2022-07-26 | 2022-11-01 | 宁波西卡曼厨具有限公司 | 基于大数据的智能柜控制系统及其控制方法 |
| CN115293910A (zh) * | 2022-08-04 | 2022-11-04 | 杭州衡泰技术股份有限公司 | 基于金融大数据的企业现金流智能评级系统 |
| CN115409649A (zh) * | 2022-08-29 | 2022-11-29 | 华能国际电力开发公司吉林通榆风电分公司 | 风电场能量管理系统及其方法 |
| CN115203380A (zh) * | 2022-09-19 | 2022-10-18 | 山东鼹鼠人才知果数据科技有限公司 | 基于多模态数据融合的文本处理系统及其方法 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116029520A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
| WO2019209846A1 (en) | Credit risk prediction method and device based on lstm model | |
| WO2021139816A1 (en) | System and method for optimizing resource allocation using gpu | |
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
| CN112348592A (zh) | 广告推荐方法、装置、电子设备及介质 | |
| CN109389424B (zh) | 流量分配方法、装置、电子设备及存储介质 | |
| CN115373813A (zh) | 云计算环境中基于gpu虚拟化的调度方法、系统和电子设备 | |
| US8924275B2 (en) | Hybrid multi-thread and multi-process computer simulation system and method | |
| CN112561351B (zh) | 用于评估中继卫星系统中的任务申请的方法及装置 | |
| CN116029520B (zh) | 基于电力需求响应的在线调度方法及其系统 | |
| CN113869596A (zh) | 任务预测处理方法、设备、产品和介质 | |
| CN111325614B (zh) | 电子对象的推荐方法、装置和电子设备 | |
| CN117744855A (zh) | 基于机器学习的负荷预测系统及方法 | |
| CN115796937A (zh) | 一种大数据复杂关联性的电力供需趋势分析方法和装置 | |
| CN114726870A (zh) | 基于可视化拖拽的混合云资源编排方法、系统和电子设备 | |
| CN115049458A (zh) | 基于用户人群建模的商品推送方法及装置、介质、设备 | |
| CN115202890A (zh) | 数据元件生产资源空间分配方法、系统及设备 | |
| CN114169923A (zh) | 光伏电站功率预测方法、系统、终端及存储介质 | |
| CN116976627A (zh) | 综合能源电力调度系统及其方法 | |
| CN116561696B (zh) | 基于多维度的用户可调节负荷快速聚合方法及其系统 | |
| CN115617986B (zh) | 智能招标管理系统及其管理方法 | |
| CN114118216A (zh) | 智能调节接收条件的数据接收方法、系统和电子设备 | |
| Kacperczyk et al. | A new class of Bayesian semi-parametric models with applications to option pricing | |
| CN111105274A (zh) | 数据处理方法、装置、介质及电子设备 | |
| CN111881747B (zh) | 信息预估方法、装置，电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |