CN117081068A - 基于变分自编码器网络的空调负荷计算方法、模型及介质 - Google Patents

基于变分自编码器网络的空调负荷计算方法、模型及介质 Download PDF

Info

Publication number
CN117081068A
CN117081068A CN202311333153.3A CN202311333153A CN117081068A CN 117081068 A CN117081068 A CN 117081068A CN 202311333153 A CN202311333153 A CN 202311333153A CN 117081068 A CN117081068 A CN 117081068A
Authority
CN
China
Prior art keywords
load
distribution
air conditioner
encoder network
load curve
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.)
Granted
Application number
CN202311333153.3A
Other languages
English (en)
Other versions
CN117081068B (zh
Inventor
杨玉强
刘洪波
张炜靓
王朝亮
黄荣国
徐耀辉
沈皓
郁春雷
戴昶
谭伟涛
林振智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202311333153.3A priority Critical patent/CN117081068B/zh
Publication of CN117081068A publication Critical patent/CN117081068A/zh
Application granted granted Critical
Publication of CN117081068B publication Critical patent/CN117081068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Abstract

本发明为基于变分自编码器网络的空调负荷计算方法、模型及介质，属于电力系统技术领域，针对现有空调负荷计算模型不合理、不适配实际生产的问题，采用技术方案如下：一种基于变分自编码器网络的空调负荷计算方法，包括基于变分推理和神经网络的负荷曲线特征辨识算法，构建变分自编码器网络模型；向变分自编码器网络模型中输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，获得训练模型；向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，计算得到空调负荷功率。这一过程中，无需获取用户的用电设备信息和用电行为信息，能够量化空调负荷参与需求响应。此外，本申请还提供采用上述方法的装置和介质。

Description

基于变分自编码器网络的空调负荷计算方法、模型及介质
技术领域
本发明属于电力系统技术领域，特别涉及一种基于变分自编码器网络的空调负荷计算方法、模型及介质。
背景技术
电力负荷逐渐呈现出“夏冬双峰型”的季节性特征，电网运行的稳定性和可靠性面临重大挑战。作为挖掘用户侧灵活性的重要手段，需求侧管理可以实现电网和用户间的“源荷互动”，对于维持电力实时供需平衡、提高电网运行的稳定性和可靠性具有重要意义。在众多灵活性资源中，空调负荷是最具有潜力的一类需求响应资源，原因在于：一方面，空调负荷体量较大，约占夏季高峰负荷的30-50%；另一方面，由于空调负荷具有空间热储能特性，因而可以在不影响用户舒适度的情况下通过改变温度设定值等方式实时地调节有功功率。为了挖掘空调负荷可调潜力，引导用户更有效地参与需求响应，须对用户空调负荷的功率大小进行实时监测。
目前广泛应用的空调负荷计算方法主要有等效参数模型法和基准负荷法。但现有算法存在如下问题：等效参数模型法由于计算复杂且需要获取详细的建筑热工参数，在实际中难以大规模应用；基准负荷比较法则没有考虑用电类型的精细化建模，难以选择合适的基准负荷且没有考虑用户用电行为的不确定性，因此计算精度较低。
发明内容
针对现有空调负荷计算模型不合理不适配实际生产的问题，本发明提供一种基于变分自编码器网络的空调负荷计算方法、模型及介质，考虑了用户用电行为不确定性，具有较高的计算精度，从而可以在无需获取用户的用电设备信息和用电行为信息的条件下准确辨识空调负荷功率，为量化空调负荷参与需求响应的可调潜力提供基础。
本发明采用技术方案如下：一种基于变分自编码器网络的空调负荷计算方法，包括：
步骤1，基于变分推理和神经网络的负荷曲线特征辨识算法，通过辨识用电负荷曲线的潜在特征，构建变分自编码器网络模型；
步骤2，向步骤1构建的变分自编码器网络模型中输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，确定该模型中的参数，获得训练模型；
步骤3，向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，采用直接逐点差分法计算得到空调负荷功率。
变分自编码器网络模型是一种基于变分贝叶斯推断的无监督学习模型，该模型通过变分推理的方式，构建空调负荷计算的基础，基于变分推理和神经网络的负荷曲线特征辨识方法，以辨识无空调负荷时用电负荷曲线的潜在特征；采用训练模型将夏冬两季用户总负荷曲线重构，将实际采集负荷曲线减去重构后的总负荷曲线获得空调负荷功率，这一过程中，无需获取用户的用电设备信息和用电行为信息，能够量化空调负荷参与需求响应。
进一步地，步骤1具体过程包括：
步骤1.1，通过多层感知器提取日负荷曲线矩阵的潜在特征分布向量，对日负荷曲线矩阵进行低维表示；
步骤1.2，考虑到正态分布的叠加可以近似任意分布，通过有限维的正态分布表征潜在特征分布向量，获得正态分布的均值和方差参数；
步骤1.3，为了重构日负荷曲线矩阵，采样潜在特征分布向量，并将潜在特征分布向量重构为日负荷曲线矩阵；
步骤1.4，接收并输出重构后的日负荷曲线矩阵。
进一步地，步骤1.1具体过程为：
步骤1.1.1，构建日负荷曲线建立负荷序列矩阵x，该负荷序列矩阵表示为：
（1）；
其中，i 1......i m表示用户；j 1......j n表示日期；矩阵的每个元素表示该用户在对应日期的日负荷曲线；
步骤1.1.2，通过多层感知器获得潜在特征分布p(z|x)的变分推理q(z|x)；
由贝叶斯定理可得：
（2）；
式中，p(·)表示累积概率分布；p(z|x)表示潜在特征分布，p(x|z)表示输入x的后验分布；p(z)和p(x)分别表示潜在特征向量z和负荷序列矩阵x的边际分布；
由于实际中日负荷序列的潜在特征分布p(z|x)难以直接求解，因此对变分推理q(z|x)进行近似求解，近似变分推理q(z|x)可表示为：
（3）；
式中，表示f(x)和g(x)构成高斯分布函数，f(x)和g(x)表示为日负荷序列潜在特征分布的均值和方差，分别隶属于两个可优化的函数族F和G。
进一步地，步骤1.2具体过程为：利用变分自编码器网络，通过最小化变分推理和先验分布之间的Kullback-Leibler散度，找到函数族F和G中的最佳近似f *和g *：
（4）；
D KL(a,b))函数为a和b的Kullback-Leibler散度；E z(·)表示期望函数；h(z)为解码重构的负荷序列，隶属于可优化的函数族H；γ表示对日负荷序列潜在特征分布进行抽样时的正则化参数，其取值大于0；argmin（.）为最小化函数；argmax（.）为最大化函数。
进一步地，步骤1.3具体过程为：采用重采样方法对潜在特征分布进行采样，获得潜在特征分布的采样值z *，采样值z *由个分量z τ *构成，则采样值z *的分量z τ *可表示为：
（5）；
其中，z τ *为采样值z *的分量；c τ表示对日负荷序列潜在特征分布进行采样时的随机噪声，且，即服从标准高斯分布；μ τ和σ τ分别表示第τ个正态分布的均值和方差；/>表示潜在特征分布的维数；
求解映射函数h最优近似值h*，使得解码重构负荷序列的概率最大化：
（6）；
式中：表示对潜在特征分布的采样值z *求期望；/>为重构序列的后验概率分布；h(z*)为输出结果。
进一步地，步骤2具体过程为：
步骤2.1，输入春秋两季各用户多日的负荷曲线，采用聚类算法对日负荷曲线进行分类；
步骤2.2，将同类型的日负荷曲线作为步骤1对应模型的输入数据；
步骤2.3，采用神经网络对公式（4）至公式（6）对应的概率模型进行训练，以便通过平滑连续概率分布的方式来反映同一类型日负荷序列的潜在特征，进而辨识春、秋季用户用电负荷曲线的特征，确定步骤1获得模型中的参数，获得训练模型。
在编码阶段将输入负荷曲线的分布映射为潜在特征变量的分布，而在解码阶段从潜在特征变量分布上进行采样，将潜在特征变量进行解码得到重构的负荷曲线，并使得重构负荷曲线的分布近似为输入负荷曲线的分布。
一种基于变分自编码器网络的空调负荷计算装置，其包括：
建模模块，用于基于变分推理和神经网络的负荷曲线特征辨识算法，通过辨识用电负荷曲线的潜在特征，构建变分自编码器网络模型；
训练模块，用于向建模装置输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，确定变分自编码器网络模型的参数，获得训练模型；
比对模块，用于向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，采用直接逐点差分法计算得到空调负荷功率。
进一步地，所述建模模块包括：
编码层，用于通过多层感知器提取日负荷曲线矩阵的潜在特征分布向量；
潜在特征层，用于通过有限维的正态分布表征潜在特征分布向量，获得正态分布的均值和方差参数；
解码层，用于采样潜在特征分布向量，并通过多层感知器将潜在特征分布向量重构为日负荷曲线矩阵；
输出层，用于接收并输出重构后的日负荷曲线矩阵。
一种基于变分自编码器网络的空调负荷计算模型，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述基于变分自编码器网络的空调负荷计算方法。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述基于变分自编码器网络的空调负荷计算方法。
本发明具有的有益效果：本申请为基于变分自编码器网络的空调负荷计算方法、模型及介质，基于变分推理和神经网络的负荷曲线特征辨识算法，构建变分自编码器网络模型，获得空调负荷计算的基础，利用春秋两季负荷曲线对模型进行训练，获得无空调负荷时用电负荷曲线的潜在特征；通过训练模型将夏冬两季用户总负荷曲线重构，将实际采集负荷曲线减去重构后的总负荷曲线获得空调负荷功率，这一过程中，无需获取用户的用电设备信息和用电行为信息，辨识准确。
附图说明
图1为实施例1的流程图；
图2为步骤1的构建过程示意图；
图3为实施例1中商业写字楼用户负荷曲线及其解码重构对比图；
图4为实施例1的计算和实测结果对比图；
图5为不同空调负荷计算方法误差的比较结果图。
具体实施方式
下面结合本发明的附图，对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
一种基于变分自编码器网络的空调负荷计算方法，如图1所示，包括：
步骤1，基于变分推理和神经网络的负荷曲线特征辨识算法，通过辨识用电负荷曲线的潜在特征，构建变分自编码器网络模型；如图2所示，具体为：
步骤1.1，通过多层感知器提取日负荷曲线矩阵的潜在特征分布向量，对日负荷曲线矩阵进行低维表示；
步骤1.1.1，构建日负荷曲线建立负荷序列矩阵x，该负荷序列矩阵表示为：
（1）；
其中，i 1......i m表示用户；j 1......j n表示日期；矩阵的每个元素表示该用户在对应日期的日负荷曲线；本实施中，i m个用户共j n日的96点负荷曲线，该矩阵中每个元素均表述96点负荷序列。
步骤1.1.2，通过多层感知器获得负荷序列矩阵x的潜在特征分布z，获得先验分布p(z|x)和潜在特征分布q(z|x)的变分推理；
由贝叶斯定理可得：
（2）；
式中，p(·)表示累积概率分布；p(z|x)表示潜在特征分布，p(x|z)表示输入x的后验分布；p(z)和p(x)分别表示潜在特征向量z和负荷序列矩阵x的边际分布；
由于实际中日负荷序列的潜在特征分布p(z|x)难以直接求解，因此采用其变分推理q(z|x)进行近似求解，近似变分推理q(z|x)可表示为：
（3）；
式中，表示f(x)和g(x)构成高斯分布函数，f(x)和g(x)表示为日负荷序列潜在特征分布的均值和方差，分别隶属于两个可优化的函数族F和G。
步骤1.2，考虑到正态分布的叠加可以近似任意分布，通过有限维的正态分布表征潜在特征分布向量，获得正态分布的均值和方差参数；具体过程为：利用变分自编码器网络，通过最小化变分推理和先验分布之间的Kullback-Leibler散度，获得潜在特征分布的均值和方差：
（4）；
式中，D KL(q(z|x),p(z|x))为日负荷序列潜在特征的变分推理q(z|x)和其先验分布p(z|x)之间的Kullback-Leibler散度；E z(·)表示对负荷序列潜在特征分布z~q(z)的采样值求期望；h(z)为解码重构的负荷序列，隶属于可优化的函数族H；γ表示对日负荷序列潜在特征分布进行抽样时的正则化参数，其取值大于0 ；argmin（.）函数为最小化函数；argmax（.）函数为最大化函数。
步骤1.3，为了重构日负荷曲线矩阵，采样潜在特征分布向量，并将潜在特征分布向量重构为日负荷曲线矩阵；具体过程为：
采用重采样方法对潜在特征分布进行采样，获得潜在特征分布的采样值z *，采样值z *由个分量z τ *构成，则采样值z *的分量z τ *可表示为：
（5）；
其中，z τ *为采样值z *的分量；表示对日负荷序列潜在特征分布进行采样时的随机噪声，且服从标准高斯分布；μ τ和σ τ分别表示第τ个正态分布的均值和方差；/>表示潜在特征分布的维数；
求解映射函数h最优近似，使得解码重构负荷序列的概率最大化：
（6）；
式中：表示对潜在特征分布的采样值z *求期望；/>为重构序列的后验概率分布；h(z*)为输出结果。
步骤1.4，接收并输出重构后的日负荷曲线矩阵。
步骤2，向步骤1构建的变分自编码器网络模型中输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，确定该模型中的参数，获得训练模型；具体过程为：
步骤2.1，输入春秋两季各用户多日的负荷曲线，采用聚类算法对日负荷曲线进行分类；
步骤2.2，将同类型的日负荷曲线作为步骤1对应模型的输入数据；
步骤2.3，采用神经网络对公式（4）至公式（6）对应的概率模型进行训练，以便通过平滑连续概率分布的方式来反映同一类型日负荷序列的潜在特征，进而辨识春、秋季用户用电负荷曲线的特征，确定步骤1获得模型中的参数，获得训练模型。
步骤3，向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，采用直接逐点差分法计算得到空调负荷功率。
变分自编码器网络模型是一种基于变分贝叶斯推断的无监督学习模型，该模型通过变分推理的方式，构建空调负荷计算的基础，基于变分推理和神经网络的负荷曲线特征辨识方法，以辨识无空调负荷时用电负荷曲线的潜在特征；采用训练模型将夏冬两季用户总负荷曲线重构，将实际采集负荷曲线减去重构后的总负荷曲线获得空调负荷功率，这一过程中，无需获取用户的用电设备信息和用电行为信息，能够量化空调负荷参与需求响应。
在编码阶段将输入负荷曲线的分布映射为潜在特征变量的分布，而在解码阶段从潜在特征变量分布上进行采样，将潜在特征变量进行解码得到重构的负荷曲线，并使得重构负荷曲线的分布近似为输入负荷曲线的分布。
选取春、秋季环境温度在10℃-22℃之间的日负荷曲线，并可假定在该气温范围内用户几乎没有开启空调，而用户在夏、冬季空调用电行为导致的负荷可以视为在此基础上进行叠加，在数值上表现为总负荷功率的异常增长。
以2022年度某省某市商业写字楼宇的用户负荷曲线数据为例，进行空调负荷大小的计算。需要说明的是，为推动空调负荷计算方法的研究，该市的电网公司已在部分工商业用户中试点安装了空调负荷监控设备。该空调负荷监控设备直接与用户空调设备相连接，以15分钟为采样周期测量用户空调设备的功率，采集结果通过通信网络传输至计量数据主站。以编号为245**595的用户为例，该用户的行业类型为商业写字楼宇，且其负荷类型为全天用电型。选取其中3日的负荷序列进行分析，变分自编码器网络对该用户负荷序列解码的结果如图3所示。
图3中的(a)为商业写字楼用户未开启空调的负荷曲线及其解码重构对比图，可以看出解码重构的负荷序列与实际的日负荷序列较为接近，这表明该用户具有较为规律的用电模式。当不存在空调用电时，该用户总负荷实际上就是与生产经营相关的基础负荷，变分自编码器网络通过学习秋季用户的基础负荷用电行为和用电模式的潜在特征，可以对冬季负荷序列进行准确重构，以反映在同一用电类型下的日负荷序列变化规律。
图3中的(b)为商业写字楼用户开启空调的负荷曲线及其解码重构对比图，可以看出全天实际负荷功率均高于解码重构的负荷序列，且两者的差异在白天负荷率较高的时段(9:00-17:00)更为显著，这是因为变分自编码器网络以用户秋季无空调负荷开启时的负荷序列作为训练样本，其潜在特征层表征的是用户生产经营相关负荷的用电规律，当以相同的变分自编码器网络参数对用户冬季负荷序列进行解码时，变分自编码器网络仅对生产经营相关负荷进行编码和解码，相当于对用户负荷序列进行了“滤波”，其输出结果为相应的生产经营相关负荷的功率大小。因此，当用户存在空调用电行为时，输出负荷序列大小与实际负荷序列之间存在差异，而造成这一差异的原因是空调用电行为导致的功率增加，即为空调负荷所消耗的功率值，而两者之间所包围的面积即为空调能耗的估计值。
图3中的(c)为商业写字楼用户未开启空调的出现异常采样时负荷曲线及其解码重构对比图，可以看出图中用户实际日负荷序列在18:00前后时刻存在异常采样点（采样的负荷功率值约为0），而变分自编码器网络对实际负荷序列的滤波效果并不受该异常点影响，这表明所提方法具有较好的抗扰动能力。
以某年某月某日编号为245**595的用户负荷曲线为例进行分析，该日负荷曲线与解码重构序列对应于图3中的(b)，将其中的实际日负荷序列与解码重构的负荷序列作差即可得到空调负荷功率的辨识结果，如图4所示。
误差公式为：
式中，分别为用户i在第j日的实际空调负荷序列和相应的计算结果；分别为该空调负荷序列在第k个采样点（k= 1, 2, ..., 96）的采样值和相应的计算结果。
图4中的（a）为实施例1的计算结果与实际测量结果对比图；图4中的（b）为测量时环境气温曲线图；从图4可以看出，本文方法辨识的空调负荷大小与监控设备采集的空调功率基本接近，且辨识结果的归一化均方误差为η NMSE≈ 0.142，这表明本文方法的辨识结果具有较高的准确率。此外，根据空调负荷的辨识结果，不难发现：该用户全天均存在空调用电，上午8:00-10:00时段为空调用电高峰期，这是因为该商业写字楼宇的人员流动多集中于白天，且上午时段的气温较低（约为3℃-6℃），人员的密集和室内外温差的加剧导致空调用电量的增加。下午时段气温迅速回暖（最高达13℃），同时用户关停了部分空调用电设备，空调负荷逐渐降低。而在夜间时段，空调负荷功率仍保持在40 kW左右，说明该用户仍存在较高的空调用电。考虑到该用户类型为商业写字楼宇，夜间几乎不存在人员流动和生产经营活动，可以推断该用户并未关停所有空调负荷，大楼中央空调等温控设备仍处于工作状态。因此，上述空调负荷的计算结果可以为用户提供较为准确的空调负荷功率监测曲线，引导用户在不影响舒适度的前提下设定合理的空调温度，提高用户节能意识。对于电网公司而言，空调负荷的辨识结果亦可帮助电网公司在不装设额外的空调监控采集设备的前提下获取用户空调负荷功率大小，降低了硬件成本且不侵犯用户隐私信息，因而对于量化用户空调负荷可调潜力、引导用户有序用电具有指导意义。
采用所提方法辨识连续多日的空调负荷功率，计算辨识结果与空调监控设备采集的实际空调负荷功率之间的归一化均方误差，并将本文方法的辨识误差与基准负荷法的辨识误差进行比较，结果如图5所示。可以看出，相较于基准负荷法，本文方法在连续多日的空调负荷辨识上均具有较高的准确度，其辨识的空调负荷与实际空调负荷之间的误差（η NMSE≤ 0.26）低于基准负荷法的辨识误差。这是因为基准负荷法辨识的准确率很大程度上取决于基准日的选取，当基准负荷与实际总负荷序列之间的特征差异较大时，空调辨识结果的准确率将会降低。此外，基准负荷法的计算过程实际上是总负荷功率序列的逐点相减，而没有考虑实际负荷序列的时移问题，因此其空调负荷辨识结果中存在部分不合理的负数值，使得辨识误差进一步增加。而本实施例的方法本质上是以生产经营相关负荷的潜在特征对用户总负荷序列进行“滤波”，因此计算得到的空调负荷序列与总负荷序列之间不存在明显的时移问题，具有更高的辨识准确率。
实施例2
一种基于变分自编码器网络的空调负荷计算装置，执行实施例1的方法，其包括：
建模模块，用于基于变分推理和神经网络的负荷曲线特征辨识算法，通过辨识用电负荷曲线的潜在特征，构建变分自编码器网络模型；
训练模块，用于向建模装置输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，确定变分自编码器网络模型的参数，获得训练模型；
比对模块，用于向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，采用直接逐点差分法计算得到空调负荷功率。
所述建模模块包括：
编码层，用于通过多层感知器提取日负荷曲线矩阵的潜在特征分布向量；
潜在特征层，用于通过有限维的正态分布表征潜在特征分布向量，获得正态分布的均值和方差参数；
解码层，用于采样潜在特征分布向量，并通过多层感知器将潜在特征分布向量重构为日负荷曲线矩阵；
输出层，用于接收并输出重构后的日负荷曲线矩阵。
实施例3
一种基于变分自编码器网络的空调负荷计算模型，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现实施例1所述的基于变分自编码器网络的空调负荷计算方法。
实施例4
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现实施例1所述的基于变分自编码器网络的空调负荷计算方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求的范围中。

Claims (10)

1.一种基于变分自编码器网络的空调负荷计算方法，其特征在于，包括：
步骤1，基于变分推理和神经网络的负荷曲线特征辨识算法，通过辨识用电负荷曲线的潜在特征，构建变分自编码器网络模型；
步骤2，向步骤1构建的变分自编码器网络模型中输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，确定该模型中的参数，获得训练模型；
步骤3，向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，采用直接逐点差分法计算得到空调负荷功率。
2.根据权利要求1所述的基于变分自编码器网络的空调负荷计算方法，其特征在于，步骤1具体过程包括：
步骤1.1，通过多层感知器提取日负荷曲线矩阵的潜在特征分布向量；
步骤1.2，通过有限维的正态分布表征潜在特征分布向量，获得正态分布的均值和方差参数；
步骤1.3，采样潜在特征分布向量，并将潜在特征分布向量重构为日负荷曲线矩阵；
步骤1.4，接收并输出重构后的日负荷曲线矩阵。
3.根据权利要求2所述的基于变分自编码器网络的空调负荷计算方法，其特征在于，步骤1.1具体过程为：
步骤1.1.1，构建日负荷曲线建立负荷序列矩阵x，该负荷序列矩阵表示为：
（1）；
其中，i 1......i m表示用户；j 1......j n表示日期；矩阵的每个元素表示该用户在对应日期的日负荷曲线；
步骤1.1.2，通过多层感知器获得潜在特征分布p(z|x)的变分推理q(z|x)；
由贝叶斯定理可得：
（2）；
式中，p(·)表示累积概率分布；p(z|x)表示潜在特征分布，p(x|z)表示输入x的后验分布；p(z)和p(x)分别表示潜在特征向量z和负荷序列矩阵x的边际分布；
对变分推理q(z|x)进行近似求解，近似变分推理q(z|x)可表示为：
（3）；
式中，表示f(x)和g(x)构成高斯分布函数，f(x)和g(x)表示为日负荷序列潜在特征分布的均值和方差，分别隶属于两个可优化的函数族F和G。
4.根据权利要求3所述的基于变分自编码器网络的空调负荷计算方法，其特征在于，步骤1.2具体过程为：利用变分自编码器网络，通过最小化变分推理和先验分布之间的Kullback-Leibler散度，找到函数族F和G中的最佳近似f *和g *：
（4）；
式中，D KL(a,b))函数为a和b的Kullback-Leibler散度；E z(·)表示期望函数；h(z)为解码重构的负荷序列，隶属于可优化的函数族H；γ表示对日负荷序列潜在特征分布进行抽样时的正则化参数，其取值大于0；argmin（.）函数为最小化函数；argmax（.）函数为最大化函数。
5.根据权利要求4所述的基于变分自编码器网络的空调负荷计算方法，其特征在于，步骤1.3具体过程为：采用重采样方法对潜在特征分布进行采样，获得潜在特征分布的采样值z *，采样值z *由个分量z τ *构成，则采样值z *的分量z τ *可表示为：
（5）；
其中，z τ *为采样值z *的分量；c τ表示对日负荷序列潜在特征分布进行采样时的随机噪声，且，即服从标准高斯分布；μ τ和σ τ分别表示第τ个正态分布的均值和方差；/>表示潜在特征分布的维数；
求解映射函数h最优近似，使得解码重构负荷序列的概率最大化：
（6）；
式中：表示对潜在特征分布的采样值z *求期望；/>为重构序列的后验概率分布；h(z*)为输出结果。
6.根据权利要求5所述的基于变分自编码器网络的空调负荷计算方法，其特征在于，步骤2具体过程为：
步骤2.1，输入春秋两季各用户多日的负荷曲线，采用聚类算法对日负荷曲线进行分类；
步骤2.2，将同类型的日负荷曲线作为步骤1对应模型的输入数据；
步骤2.3，采用神经网络对公式（4）至公式（6）对应的概率模型进行训练，以便通过平滑连续概率分布的方式来反映同一类型日负荷序列的潜在特征，进而辨识春、秋季用户用电负荷曲线的特征，确定步骤1获得模型中的参数，获得训练模型。
7.一种基于变分自编码器网络的空调负荷计算装置，其特征在于，其包括：
建模模块，用于基于变分推理和神经网络的负荷曲线特征辨识算法，通过辨识用电负荷曲线的潜在特征，构建变分自编码器网络模型；
训练模块，用于向建模装置输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，确定变分自编码器网络模型的参数，获得训练模型；
比对模块，用于向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，采用直接逐点差分法计算得到空调负荷功率。
8.根据权利要求7所述的基于变分自编码器网络的空调负荷计算装置，其特征在于，所述建模模块包括：
编码层，用于通过多层感知器提取日负荷曲线矩阵的潜在特征分布向量；
潜在特征层，用于通过有限维的正态分布表征潜在特征分布向量，获得正态分布的均值和方差参数；
解码层，用于采样潜在特征分布向量，并将潜在特征分布向量重构为日负荷曲线矩阵；
输出层，用于接收并输出重构后的日负荷曲线矩阵。
9.一种基于变分自编码器网络的空调负荷计算模型，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1至6任一项所述的基于变分自编码器网络的空调负荷计算方法。
10.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，实现权利要求1至6任一项所述的基于变分自编码器网络的空调负荷计算方法。
CN202311333153.3A 2023-10-16 2023-10-16 基于变分自编码器网络的空调负荷计算方法、模型及介质 Active CN117081068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311333153.3A CN117081068B (zh) 2023-10-16 2023-10-16 基于变分自编码器网络的空调负荷计算方法、模型及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311333153.3A CN117081068B (zh) 2023-10-16 2023-10-16 基于变分自编码器网络的空调负荷计算方法、模型及介质

Publications (2)

Publication Number Publication Date
CN117081068A true CN117081068A (zh) 2023-11-17
CN117081068B CN117081068B (zh) 2024-03-01

Family

ID=88717569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311333153.3A Active CN117081068B (zh) 2023-10-16 2023-10-16 基于变分自编码器网络的空调负荷计算方法、模型及介质

Country Status (1)

Country Link
CN (1) CN117081068B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109103888A (zh) * 2018-09-06 2018-12-28 国网浙江省电力有限公司衢州供电公司 一种基于电压调节矩的主变高压侧母线电压越限处理方法
WO2019155064A1 (en) * 2018-02-09 2019-08-15 Deepmind Technologies Limited Data compression using jointly trained encoder, decoder, and prior neural networks
CN110610280A (zh) * 2018-10-31 2019-12-24 山东大学 一种电力负荷短期预测方法、模型、装置及系统
US20200104640A1 (en) * 2018-09-27 2020-04-02 Deepmind Technologies Limited Committed information rate variational autoencoders
CN111612319A (zh) * 2020-05-11 2020-09-01 上海电力大学 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法
CN112231582A (zh) * 2020-11-10 2021-01-15 南京大学 一种基于变分自编码数据融合的网站推荐方法和设备
US20210056452A1 (en) * 2019-08-23 2021-02-25 Johnson Controls Technology Company Building system with probabilistic forecasting using a recurrent neural network sequence to sequence model
CN113177299A (zh) * 2021-04-12 2021-07-27 航天科工深圳（集团）有限公司 非侵入式电力负荷分解方法、装置、设备及介质
CN114330642A (zh) * 2021-11-29 2022-04-12 国网浙江省电力有限公司杭州供电公司 一种用于多采样时间的建筑电力负荷预测方法
CN115359313A (zh) * 2022-08-11 2022-11-18 中国人民解放军国防科技大学 一种超图变分自编码器的多模态半监督表征学习方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019155064A1 (en) * 2018-02-09 2019-08-15 Deepmind Technologies Limited Data compression using jointly trained encoder, decoder, and prior neural networks
CN109103888A (zh) * 2018-09-06 2018-12-28 国网浙江省电力有限公司衢州供电公司 一种基于电压调节矩的主变高压侧母线电压越限处理方法
US20200104640A1 (en) * 2018-09-27 2020-04-02 Deepmind Technologies Limited Committed information rate variational autoencoders
CN110610280A (zh) * 2018-10-31 2019-12-24 山东大学 一种电力负荷短期预测方法、模型、装置及系统
US20210056452A1 (en) * 2019-08-23 2021-02-25 Johnson Controls Technology Company Building system with probabilistic forecasting using a recurrent neural network sequence to sequence model
CN111612319A (zh) * 2020-05-11 2020-09-01 上海电力大学 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法
CN112231582A (zh) * 2020-11-10 2021-01-15 南京大学 一种基于变分自编码数据融合的网站推荐方法和设备
CN113177299A (zh) * 2021-04-12 2021-07-27 航天科工深圳（集团）有限公司 非侵入式电力负荷分解方法、装置、设备及介质
CN114330642A (zh) * 2021-11-29 2022-04-12 国网浙江省电力有限公司杭州供电公司 一种用于多采样时间的建筑电力负荷预测方法
CN115359313A (zh) * 2022-08-11 2022-11-18 中国人民解放军国防科技大学 一种超图变分自编码器的多模态半监督表征学习方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟令奎，段红伟，黄长青，孙琤: "一种基于语义聚类的典型日负荷曲线选取方法", 华北电力大学学报, vol. 40, no. 1, pages 43 - 48 *
秦佳奇，许源源: "基于变分自编码器的异常负荷检测算法研究", 电子技术与软件工程, no. 201, pages 183 - 184 *

Also Published As

Publication number Publication date
CN117081068B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
CN113572157B (zh) 一种基于近端策略优化的用户实时自治能量管理优化方法
CN109886567B (zh) 一种考虑体感温度和辐射强度的短期负荷预测方法
CN112687926B (zh) 一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统
CN112348287A (zh) 基于lstm分位数回归的电力系统短期负荷概率密度预测方法
CN116307076A (zh) 一种基于物联网的工业园区能效管控方法
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
CN112598155A (zh) 一种变电站的负荷增减预估方法及系统
CN112307675B (zh) 一种基于神经网络的温度敏感型负荷分离辨识方法及系统
CN117081068B (zh) 基于变分自编码器网络的空调负荷计算方法、模型及介质
Xu et al. A data-based day-ahead scheduling optimization approach for regional integrated energy systems with varying operating conditions
Luo et al. Power system reliability evaluation using self organizing map
CN111708987A (zh) 一种变电站多台并联变压器负荷预测方法
Aman et al. Learning to reduce: A reduced electricity consumption prediction ensemble
CN116227704A (zh) 基于边缘计算和云计算的供热能耗诊断及节能调控方法
CN110322063B (zh) 一种耗电功率仿真预测方法及存储介质
Feng et al. Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty
CN114444760A (zh) 一种基于模式提取和误差调整的行业用户电量预测方法
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN116108350B (zh) 一种基于多任务学习的非侵入式电器识别方法及系统
CN117254505B (zh) 基于数据处理的储能电站优化运行模式决策方法及系统
CN117239731B (zh) 基于混合模型的节假日短期电力负荷预测方法
Ximing et al. Potential assessment of electrical energy substitution in public buildings based on load decomposition
CN117977587A (zh) 基于深度神经网络的电力负荷预测系统及方法
Huang et al. Short-term load forecasting method based on heterogeneous big data of power

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