CN117196116A - 基于ae-lstm的可调资源集群多时间节点响应潜力评估方法 - Google Patents
基于ae-lstm的可调资源集群多时间节点响应潜力评估方法 Download PDFInfo
- Publication number
- CN117196116A CN117196116A CN202311241361.0A CN202311241361A CN117196116A CN 117196116 A CN117196116 A CN 117196116A CN 202311241361 A CN202311241361 A CN 202311241361A CN 117196116 A CN117196116 A CN 117196116A
- Authority
- CN
- China
- Prior art keywords
- individual
- time point
- adjustable resource
- individuals
- frequency
- 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.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 57
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 230000005284 excitation Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AE‑LSTM算法的可调资源集群的响应潜力评估方法,包括:1、采集原始功率数据和激励强度数据;2、利用离散小波变换对可调资源个体的用电功率序列进行分解;3、利用基于DTW算法的K‑medoids聚类对可调资源集群分解后的序列进行分类;4、对聚类后的可调资源集群各序列中心点数据使用AE‑LSTM算法提取特征值,求取潜力评估概率分布的参数,并计算可调资源个体的响应潜力概率分布。本发明能有效提高AE‑LSTM神经网络提取特征值效率,解决可调资源潜力评估中忽略个体差异的问题,从而能实现对可调度集群中可调对象的调度潜力进行有效评估。
Description
技术领域
本发明涉及电力系统可调资源响应潜力评估领域,具体涉及一种考虑不同工作特征可调资源集群的多时间节点潜力评估方法。
背景技术
将需求侧响应集成到电网能源管理系统中可以通过使消费者积极参与来改善负荷曲线,从而实现经济效益和减少电力系统的碳排放,需求响应不仅可以有效降低峰值负荷和传统机组装机容量,还有助于提高电网的可靠性和稳健性。对可调资源的精确响应潜力评估,可以有效的促进各类可调资源参与电力系统辅助服务,对于电力系统的调度、规划等都具有重要意义。
现有的可调资源潜力评估方法,一般直接按照用户容量比例去估计,然而具有不同工作特征的用户在激励强度大小、可调范围等方面存在差别,没有考虑个体差异对可调资源的响应范围的影响,没有充分挖掘需求响应在配电网中容量资源的协调优化利用能力。此外可调资源响应潜力评估的准确性受气象环境和响应行为等外部不确定性因素的影响,使得可调资源响应潜力评估的系统性和有效性不足。上述评估方法考虑因素不足,导致在配电网协同控制优化中存在实际效果较差,降低了需求响应的广泛适用性。
发明内容
本发明为克服上述现有技术中存在的不足之处,提出一种基于AE-LSTM的可调资源集群多时间节点响应潜力评估方法,以期能实现综合考虑可调资源个体响应强度差异、工作特征不同的可调资源集群多时间节点响应潜力评估方法,从而为柔性负荷安全控制、源荷优化调度、电网规划建设等提供有效指导。
为了达到上述目的,本发明所采用的技术方案为:
本发明一种基于AE-LSTM算法的可调资源集群的响应潜力评估方法的特点在于,是按如下步骤进行:
步骤一、从包含M个可调资源个体的可调资源集群中每天采样T个时间点的原始功率数据和激励强度数据,从而得到N天的原始功率数据集合A={A1,A2,...,Am,...,AM}和激励强度数据集合δ={δ1,δ2,...,δm,...,δM},其中,Am表示第m个可调资源个体的原始功率数据集合,且Am={Am,1,Am,2,...,Am,n,...,Am,N},Am,n表示第m个可调资源个体在第n天的原始功率数据序列,且 表示第m个可调资源个体在第n天的第t个时间点的原始功率数据,则第m个可调资源个体在N天的第t个时间点的原始功率数据记为/>δm表示第m个可调资源个体的激励强度数据集合,且δm={δm,1,δm,2,...,δm,t,...,δm,T},δm,t表示第m个可调资源个体每天的第t个时间点的激励强度数据;
步骤二、利用离散小波变换对可调资源个体的原始功率数据进行分解:
采用db6小波函数将分解为Ka层,从而得到第m个可调资源个体在N天的第t个时间点的1个高频信号/>和第m个可调资源个体在N天的第t个时间点的Ka层低频信号/>其中,/>表示第m个可调资源个体在N天的第t个时间点的第ka层低频信号,且/> 表示第m个可调资源个体在第n天的第t个时间点的第ka层低频原始功率数据;从而得到M个可调资源个体在N天的第t个时间点的高频信号/>和M个可调资源个体在N天的第t个时间点的Ka层低频信号记为/>其中,/>表示M个可调资源个体在N天的第t个时间点的第ka层低频信号,且其中,/>表示第m个可调资源个体在第n天的第t个时间点的高频原始功率数据,
步骤三、利用基于DTW算法的K-medoids聚类对可调资源集群分解后的高频信号和低频信号进行分类:
步骤3.1、对Bt中的高频信号进行聚类,得到第t个时间点下最终更新后的Nk个高频聚类中心个体其中,/>表示第t个时间点下最终更新的第mb个高频聚类中心个体;
步骤3.2、从中随机选择Nk个可调资源个体在N天的第t个时间点的第ka层低频信号作为第ka层低频聚类中心个体,则剩下M-Nk个可调资源个体在N天的第t个时间点的第ka层低频信号作为第ka层低频非聚类中心个体;然后按照步骤3.1.2-步骤3.1.5的过程,得到第t个时间点下最终更新后的第ka层低频聚类中心个体其中,/>表示第t个时间点下最终更新的第ka层第mb个低频聚类中心个体;从而得到第t个时间点下最终更新后的Ka层低频聚类中心个体
步骤3.3、将和/>合并后,得到第t个时间点下高频信号和Ka层低频信号的聚类中心个体集合/>其中,/>表示第t个时间点下第ke个聚类中心个体;
步骤四、利用AE-LSTM算法对聚类后的聚类中心点数据提取特征值,并求潜力评估模型的一般参数和随机参数,并计算可调资源个体的响应潜力概率分布:
步骤4.1、构建AE-LSTM神经网络包括:输入层、编码器LSTM网络层、解码器LSTM网络层;用于提取聚类中心集合中第t个时间点下第ke个聚类中心个体/>的特征值其中,/>表示最优特征矩阵中第i行第j列的特征值;
步骤4.2、分别采集所属的可调资源个体产生激励强度响应的基础阀值所在可调资源个体对激励强度响应的上限阀值/>所在可调资源个体的最大响应率/>
步骤4.3、基于最小二乘法将和/>分别与/>进行拟合,相应得到第t个时间点下/>中第ke个聚类中心个体/>的激励强度响应的基础阀值拟合函数/>第t个时间点下/>中第ke个聚类中心个体/>的激励强度响应的上限阀值拟合函数/>第t个时间点下/>中第ke个个体/>的最大响应率拟合函数/>
步骤4.4、在中重新选取第t个时间点下的一个聚类中心个体,并重复步骤4.1-4.3直至求出所有第t个时间点下高频信号和Ka层低频信号的聚类中心个体的拟合函数;
步骤4.5、将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据分别求出其特征向量后,代入其所归属的聚类中心的基础阀值拟合函数中,并将得到的各个结果进行叠加,从而得到第m个可调资源个体在第t个时间点下的基础阀值
将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据分别求出其特征向量后,代入其所归属的聚类中心的上限阀值拟合函数中,并将得到的各个结果进行叠加,从而得到第m个可调资源个体在第t个时间点下的上限阀值
将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据分别求出其特征向量后,代入其所归属的聚类中心的最大响应率拟合函数中,并将得到的各个结果进行叠加,从而得到第m个可调资源个体在第t个时间点下的最大响应率
步骤4.6、采集历史数据中第t个时间点下第m个可调资源个体的降负荷率ηm,t,并利用点估计法得到概率分布其中,N表示正态分布,μm,t、σm,t分别第t个时间点下第m个可调资源个体降负荷率的均值和标准差;并有:
式(6)和式(7)中,ξt,m为第t个时间点下第m个可调资源个体的潜力评估参数,为第t个时间点下第m个可调资源个体的潜力评估参数的均值和标准差;
步骤4.7、利用式(5)计算第t个时间点下第m个可调资源个体的激励强度的响应潜力/>
本发明所述的基于AE-LSTM的可调资源集群多时间节点响应潜力评估方法的也特点在于,所述步骤3.1包括:
步骤3.1.1、在Bt中随机选择Nk个可调资源个体在N天的第t个时间点的高频信号作为高频聚类中心个体,则剩下M-Nk个可调资源个体在N天的第t个时间点的高频信号作为高频非聚类中心个体;
步骤3.1.2、利用式(1)和式(2)求解第ma个高频非聚类中心个体和第mb个高频聚类中心个体/>的DTW距离/>
式(1)和(2)中,为/>中第N个信号值,/>为/>中第N个信号值,为/>和/>的当前距离,且/> 为/>和/>的累计距离;/>为/>中第N-1个信号值和/>中第N-1个信号值/>的累计距离;/>为/>中第N-1个信号值/>和/>中第N个信号值/>的累计距离,/>为/>中第N个信号值和第N-1个信号值/>的累计距离;
步骤3.1.3、依次求第t个时间点下所有高频非聚类中心个体与每个高频聚类中心个体的DTW距离,并将DTW距离最小的高频非聚类中心个体分配到对应的高频聚类中心个体上,从而得到第t个时间点下聚类好的高频种群;
步骤3.1.4、依据K-medoids算法计算第t个时间点下聚类好的高频种群的高频聚类中心,得到更新后的高频聚类中心个体;
步骤3.1.5、将更新后的高频聚类中心个体带入步骤3.1.2中顺序执行,直到达到最大迭代次为止,从而得到第t个时间点下最终更新后的Nk个高频聚类中心个体其中,/>表示第t个时间点下最终更新的第mb个高频聚类中心个体。
所述步骤4.1包括:
步骤4.1.1、设置阀值参数为Lmse,设置滑动窗口长度参数为na;
所述输入层通过滑动窗口算法将转换为N-na+1个向量,记为第t个时间点下第ke个个体的滑动特征矩阵/>其中,/>表示第t个时间点下第ke个聚类中心个体/>中第na个向量,且/> 表示/>中第va个数据;
步骤4.1.2、所述编码器LSTM网络层对进行编码处理,得到第ke个聚类中心个体的特征矩阵/>其中,La为LSTM神经网络的输出维度;
步骤4.1.3、所述解码器LSTM网络层对进行解码处理,得到第ke个聚类中心个体的还原矩阵/>
步骤4.1.4、构建和/>的均方误差损失,并利用梯度下降法训练AE-LSTM神经网络的参数,直到均方误差损失小于Lmse时,得到训练后的最优AE-LSTM模型,并从训练后的最优AE-LSTM模型中的编码器层LSTM网络层所输出的最优特征矩阵中提取第t个时间点下的第ke个个体特征向量/>其中,/>表示最优特征矩阵中第i行第j列的特征值。
本发明一种电子设备,包括存储器以及处理器的特点在于,所述存储器用于存储支持处理器执行所述可调资源集群多时间节点响应潜力评估方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序的特点在于,所述计算机程序被处理器运行时执行所述可调资源集群多时间节点响应潜力评估方法的步骤。
与已有技术相比,本发明的有益效果体现在:
1.本发明考虑多种不同可调资源用电行为分解与特征提取,求取各时间节点响应特征的差异性的可调潜力模型参数。精准评估了大规模可调资源集群的响应潜力,为实际调控提供有效帮助。
2.本发明综合考虑可调资源集群的不同工作特性,提出了采用小波分解时间序列和基于DTW算法的K-medoids聚类,提高了可调资源响应潜力评估的数据预测可靠性,并降低了可调资源集群的子序列数量,从而显著提高了特征提取效率,降低了不同可调资源潜力评估过程中的冗余计算。
3.本发明综合考虑可调资源集群用电行为的时序特征,提出了基于AE-LSTM算法的特征提取方式,对于关于时间连续特性的数据具有较好处理效果,可以有效提取可调资源集群响应潜力的特征值,助力区域多类型可调资源的分级分类调控。
附图说明
图1为本发明的可调资源潜力评估流程图。
具体实施方式
在本实施例中,一种基于自编码器-长短期记忆网络(AE-LSTM,Autoencoder-LongShort-Term Memory)的可调资源集群多时间节点响应潜力评估方法,是基于可调资源集群的历史用电行为的特征提取来预测不同可调资源的响应潜力,并包括1、采集原始功率数据和激励强度数据;2、利用离散小波变换对可调资源个体的用电功率序列进行分解;3、利用基于DTW(DTW,Dynamic Time Warping)算法的K-medoids聚类对可调资源集群分解后的序列进行分类;4、对聚类后的可调资源集群各序列中心点数据使用AE-LSTM算法提取特征值,并求潜力评估模型的一般参数和随机参数,并计算可调资源个体的响应潜力概率分布。具体的说,如图1所示,是按如下步骤进行的:
步骤一、从包含M个可调资源个体的可调资源集群中每天采样T个时间点的原始功率数据和激励强度数据,从而得到N天的原始功率数据集合A={A1,A2,...,Am,...,AM}和激励强度数据集合δ={δ1,δ2,...,δm,...,δM},其中,Am表示第m个可调资源个体的原始功率数据集合,且Am={Am,1,Am,2,...,Am,n,...,Am,N},Am,n表示第m个可调资源个体在第n天的原始功率数据序列,且 表示第m个可调资源个体在第n天的第t个时间点的原始功率数据,则第m个可调资源个体在N天的第t个时间点的原始功率数据记为/>δm表示第m个可调资源个体的激励强度数据集合,且δm={δm,1,δm,2,...,δm,t,...,δm,T},δm,t表示第m个可调资源个体每天的第t个时间点的激励强度数据;
步骤二、利用离散小波变换对可调资源个体的原始功率数据进行分解,使用小波分解对可调资源个体原始用电数据进行处理可以有效降低噪声和干扰。将原始序列的的高频部分进行平滑处理,使得原始数据序列更加准确和可靠:
采用db6小波函数将分解为Ka层,从而得到第m个可调资源个体在N天的第t个时间点的1个高频信号/>和第m个可调资源个体在N天的第t个时间点的Ka层低频信号/>其中,/>表示第m个可调资源个体在N天的第t个时间点的第ka层低频信号,且/> 表示第m个可调资源个体在第n天的第t个时间点的第ka层低频原始功率数据;从而得到M个可调资源个体在N天的第t个时间点的高频信号/>和M个可调资源个体在N天的第t个时间点的Ka层低频信号记为/>其中,/>表示M个可调资源个体在N天的第t个时间点的第ka层低频信号,且其中,/>表示第m个可调资源个体在第n天的第t个时间点的高频原始功率数据,
步骤三、利用基于DTW算法的K-medoids聚类对可调资源集群分解后的高频信号和低频信号进行分类,DTW最小化了两个时间序列观测值之间的总距离。它通过局部拉伸或压缩序列使得两个序列尽可能类似来实现。由于序列之间的时间对齐不是固定的,DTW算法可以检测时间序列之间超前滞后关联的周期变化,从而提供对其动态精准分析:
步骤3.1、对高频信号进行聚类:
步骤3.1.1、在Bt中随机选择Nk个可调资源个体在N天的第t个时间点的高频信号作为高频聚类中心个体,则剩下M-Nk个可调资源个体在N天的第t个时间点的高频信号作为高频非聚类中心个体;
步骤3.1.2、利用式(1)和式(2)求解第ma个高频非聚类中心个体和第mb个高频聚类中心个体/>的DTW距离/>
式(1)和(2)中,为/>中第N个信号值,/>为/>中第N个信号值,为/>和/>的当前距离,且/> 为/>和/>的累计距离;/>为/>中第N-1个信号值和/>中第N-1个信号值/>的累计距离;/>为/>中第N-1个信号值/>和/>中第N个信号值/>的累计距离,/>为/>中第N个信号值和第N-1个信号值/>的累计距离;
步骤3.1.3、依次求第t个时间点下所有高频非聚类中心个体与每个高频聚类中心个体的DTW距离,并将DTW距离最小的高频非聚类中心个体分配到对应的高频聚类中心个体上,从而得到第t个时间点下聚类好的高频种群;
步骤3.1.4、依据K-medoids算法计算第t个时间点下聚类好的高频种群的高频聚类中心,得到更新后的高频聚类中心个体;
步骤3.1.5、将更新后的高频聚类中心个体带入步骤3.1.2中顺序执行,直到达到最大迭代次为止,从而得到第t个时间点下最终更新后的Nk个高频聚类中心个体其中,/>表示第t个时间点下最终更新的第mb个高频聚类中心个体;
步骤3.2、从中随机选择Nk个可调资源个体在N天的第t个时间点的第ka层低频信号作为第ka层低频聚类中心个体,则剩下M-Nk个可调资源个体在N天的第t个时间点的第ka层低频信号作为第ka层低频非聚类中心个体;然后按照步骤3.1.2-步骤3.1.5的过程,得到第t个时间点下最终更新后的第ka层低频聚类中心个体其中,/>表示第t个时间点下最终更新的第ka层第mb个低频聚类中心个体;从而得到第t个时间点下最终更新后的Ka层低频聚类中心个体
步骤3.3将和/>合并后,得到第t个时间点下高频信号和Ka层低频信号的聚类中心个体集合/>其中,/>表示第t个时间点下第ke个聚类中心个体;
步骤四、利用AE-LSTM算法对聚类后的聚类中心点数据提取特征值,并求潜力评估模型的一般参数和随机参数,并计算可调资源个体的响应潜力概率分布,AE-LSTM算法模型可以有效处理高维、非线性和稀疏性问题。由于编码器-解码器架构,通过该模型可以实现无监督学习,并根据提取的信息重建原始序列。可以从位于编码器后面的堆叠LSTM模块很好地学习时间序列的相对低维表示:
步骤4.1、构建AE-LSTM神经网络包括:输入层、编码器LSTM网络层、解码器LSTM网络层;用于提取聚类中心集合中第t个时间点下第ke个聚类中心个体/>的特征值;
步骤4.1.1、设置阀值参数为Lmse,设置滑动窗口长度参数为na;
输入层通过滑动窗口算法将转换为N-na+1个向量,记为第t个时间点下第ke个个体的滑动特征矩阵/>其中,/>表示第t个时间点下第ke个聚类中心个体/>中第na个向量,且/> 表示/>中第va个数据;
步骤4.1.2、编码器LSTM网络层对进行编码处理,得到第ke个聚类中心个体/>的特征矩阵/>其中,La为LSTM神经网络的输出维度;
步骤4.1.3、解码器LSTM网络层对进行解码处理,得到第ke个聚类中心个体的还原矩阵/>
步骤4.1.4、构建和/>的均方误差损失,并利用梯度下降法训练AE-LSTM神经网络的参数,直到均方误差损失小于Lmse时,得到训练后的最优AE-LSTM模型,并从训练后的最优AE-LSTM模型中的编码器层LSTM网络层所输出的最优特征矩阵中提取第t个时间点下的第ke个个体特征向量/>其中,/>表示/>中第i行第j列的特征值;
步骤4.2、分别采集所属的可调资源个体产生激励强度响应的基础阀值所在可调资源个体对激励强度响应的上限阀值/>所在可调资源个体的最大响应率/>
步骤4.3、基于最小二乘法将和/>分别与/>进行拟合,相应得到第t个时间点下/>中第ke个聚类中心个体/>的激励强度响应的基础阀值拟合函数/>第t个时间点下/>中第ke个聚类中心个体/>的激励强度响应的上限阀值拟合函数/>第t个时间点下/>中第ke个个体/>的最大响应率拟合函数/>
步骤4.4、在中重新选取/>并重复步骤4.1-4.3直至求出所有第t个时间点下高频信号和Ka层低频信号的聚类中心个体的拟合函数;
步骤4.4、将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据求出的特征向量分别代入其所归属的聚类中心的基础阀值拟合函数中,并将最后得到的对应结果叠加,从而利用式(3)得到第m个可调资源个体在第t个时间点下的基础阀值
将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据求出的特征向量分别代入其所归属的聚类中心的上限阀值拟合函数中,并将最后得到的结果叠加,从而利用式(3)得到第m个可调资源个体在第t个时间点下的上限阀值
将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据求出的特征向量分别代入其所归属的聚类中心的最大响应率拟合函数中,并将最后得到的结果叠加,从而利用式(5)得到第m个可调资源个体在第t个时间点下的最大响应率
式(3)-(5)中,是第m个可调资源个体在t时刻提取的高频信号经过聚类后,其所归属的聚类中心,/>是第m个可调资源个体在t时刻的第z层低频信号经过聚类后,其所归属的聚类中心,/>表示第m个可调资源个体在t时刻提取的高频信号的特征值,/>表示第m个可调资源个体在t时刻提取第z层的低频信号的特征值。
步骤4.6、不同种类的用户对电价波动、电价敏感度的差异使其用电行为的响应不同,根据消费者心理学模型,电力消费者在需求响应中的用电行为改变也满足一定规律,将电力消费者参与需求响应导致的降负荷率和对应的激励强度关系描述为一个分段线性函数。采集历史数据中第t个时间点下第m个可调资源个体的降负荷率ηm,t,并利用点估计法得到概率分布其中,N表示正态分布,μm,t、σm,t分别第t个时间点下第m个可调资源个体降负荷率的均值和标准差;并有:
式(6)和式(7)中,ξt,m为第t个时间点下第m个可调资源个体的潜力评估参数,为第t个时间点下第m个可调资源个体的潜力评估参数的均值和标准差;
步骤4.7、利用式(5)计算第t个时间点下第m个可调资源个体的激励强度的响应潜力/>
本实施例中,一种电子设备,包括存储器以及处理器,该存储器用于存储支持处理器执行上述方法的程序,该处理器被配置为用于执行该存储器中存储的程序。
本实施例中,一种计算机可读存储介质,是在计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
Claims (5)
1.一种基于AE-LSTM算法的可调资源集群的响应潜力评估方法,其特征在于,是按如下步骤进行:
步骤一、从包含M个可调资源个体的可调资源集群中每天采样T个时间点的原始功率数据和激励强度数据,从而得到N天的原始功率数据集合A={A1,A2,...,Am,...,AM}和激励强度数据集合δ={δ1,δ2,...,δm,...,δM},其中,Am表示第m个可调资源个体的原始功率数据集合,且Am={Am,1,Am,2,...,Am,n,...,Am,N},Am,n表示第m个可调资源个体在第n天的原始功率数据序列,且 表示第m个可调资源个体在第n天的第t个时间点的原始功率数据,则第m个可调资源个体在N天的第t个时间点的原始功率数据记为δm表示第m个可调资源个体的激励强度数据集合,且δm={δm,1,δm,2,...,δm,t,...,δm,T},δm,t表示第m个可调资源个体每天的第t个时间点的激励强度数据;
步骤二、利用离散小波变换对可调资源个体的原始功率数据进行分解:
采用db6小波函数将分解为Ka层,从而得到第m个可调资源个体在N天的第t个时间点的1个高频信号/>和第m个可调资源个体在N天的第t个时间点的Ka层低频信号/>其中,/>表示第m个可调资源个体在N天的第t个时间点的第ka层低频信号,且/> 表示第m个可调资源个体在第n天的第t个时间点的第ka层低频原始功率数据;从而得到M个可调资源个体在N天的第t个时间点的高频信号/>和M个可调资源个体在N天的第t个时间点的Ka层低频信号记为/>其中,/>表示M个可调资源个体在N天的第t个时间点的第ka层低频信号,且/>其中,/>表示第m个可调资源个体在第n天的第t个时间点的高频原始功率数据,
步骤三、利用基于DTW算法的K-medoids聚类对可调资源集群分解后的高频信号和低频信号进行分类:
步骤3.1、对Bt中的高频信号进行聚类,得到第t个时间点下最终更新后的Nk个高频聚类中心个体其中,/>表示第t个时间点下最终更新的第mb个高频聚类中心个体;
步骤3.2、从中随机选择Nk个可调资源个体在N天的第t个时间点的第ka层低频信号作为第ka层低频聚类中心个体,则剩下M-Nk个可调资源个体在N天的第t个时间点的第ka层低频信号作为第ka层低频非聚类中心个体;然后按照步骤3.1.2-步骤3.1.5的过程,得到第t个时间点下最终更新后的第ka层低频聚类中心个体/>其中,/>表示第t个时间点下最终更新的第ka层第mb个低频聚类中心个体;从而得到第t个时间点下最终更新后的Ka层低频聚类中心个体/>
步骤3.3、将和/>合并后,得到第t个时间点下高频信号和Ka层低频信号的聚类中心个体集合/>其中,/>表示第t个时间点下第ke个聚类中心个体;
步骤四、利用AE-LSTM算法对聚类后的聚类中心点数据提取特征值,并求潜力评估模型的一般参数和随机参数,并计算可调资源个体的响应潜力概率分布:
步骤4.1、构建AE-LSTM神经网络包括:输入层、编码器LSTM网络层、解码器LSTM网络层;用于提取聚类中心集合中第t个时间点下第ke个聚类中心个体/>的特征值其中,/>表示最优特征矩阵中第i行第j列的特征值;
步骤4.2、分别采集所属的可调资源个体产生激励强度响应的基础阀值/>所在可调资源个体对激励强度响应的上限阀值/>所在可调资源个体的最大响应率
步骤4.3、基于最小二乘法将和/>分别与/>进行拟合,相应得到第t个时间点下/>中第ke个聚类中心个体/>的激励强度响应的基础阀值拟合函数/>第t个时间点下/>中第ke个聚类中心个体/>的激励强度响应的上限阀值拟合函数/>第t个时间点下/>中第ke个个体/>的最大响应率拟合函数/>
步骤4.4、在中重新选取第t个时间点下的一个聚类中心个体,并重复步骤4.1-4.3直至求出所有第t个时间点下高频信号和Ka层低频信号的聚类中心个体的拟合函数;
步骤4.5、将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据分别求出其特征向量后,代入其所归属的聚类中心的基础阀值拟合函数中,并将得到的各个结果进行叠加,从而得到第m个可调资源个体在第t个时间点下的基础阀值
将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据分别求出其特征向量后,代入其所归属的聚类中心的上限阀值拟合函数中,并将得到的各个结果进行叠加,从而得到第m个可调资源个体在第t个时间点下的上限阀值
将N天的第t个时间点的原始功率分解的高频数据和Ka层低频数据分别求出其特征向量后,代入其所归属的聚类中心的最大响应率拟合函数中,并将得到的各个结果进行叠加,从而得到第m个可调资源个体在第t个时间点下的最大响应率
步骤4.6、采集历史数据中第t个时间点下第m个可调资源个体的降负荷率ηm,t,并利用点估计法得到概率分布其中,N表示正态分布,μm,t、σm,t分别第t个时间点下第m个可调资源个体降负荷率的均值和标准差;并有:
式(6)和式(7)中,ξt,m为第t个时间点下第m个可调资源个体的潜力评估参数,为第t个时间点下第m个可调资源个体的潜力评估参数的均值和标准差;
步骤4.7、利用式(5)计算第t个时间点下第m个可调资源个体的激励强度的响应潜力/>
2.根据权利要求1所述的基于AE-LSTM的可调资源集群多时间节点响应潜力评估方法,其特征在于,所述步骤3.1包括:
步骤3.1.1、在Bt中随机选择Nk个可调资源个体在N天的第t个时间点的高频信号作为高频聚类中心个体,则剩下M-Nk个可调资源个体在N天的第t个时间点的高频信号作为高频非聚类中心个体;
步骤3.1.2、利用式(1)和式(2)求解第ma个高频非聚类中心个体和第mb个高频聚类中心个体/>的DTW距离/>
式(1)和(2)中,为/>中第N个信号值,/>为/>中第N个信号值,/>为/>和/>的当前距离,且/> 为/>和/>的累计距离;/>为/>中第N-1个信号值/>和/>中第N-1个信号值/>的累计距离;/>为/>中第N-1个信号值/>和/>中第N个信号值/>的累计距离,/>为/>中第N个信号值/>和第N-1个信号值的累计距离;
步骤3.1.3、依次求第t个时间点下所有高频非聚类中心个体与每个高频聚类中心个体的DTW距离,并将DTW距离最小的高频非聚类中心个体分配到对应的高频聚类中心个体上,从而得到第t个时间点下聚类好的高频种群;
步骤3.1.4、依据K-medoids算法计算第t个时间点下聚类好的高频种群的高频聚类中心,得到更新后的高频聚类中心个体;
步骤3.1.5、将更新后的高频聚类中心个体带入步骤3.1.2中顺序执行,直到达到最大迭代次为止,从而得到第t个时间点下最终更新后的Nk个高频聚类中心个体其中,/>表示第t个时间点下最终更新的第mb个高频聚类中心个体。
3.根据权利要求2所述的基于AE-LSTM的可调资源集群多时间节点响应潜力评估方法,其特征在于,所述步骤4.1包括:
步骤4.1.1、设置阀值参数为Lmse,设置滑动窗口长度参数为na;
所述输入层通过滑动窗口算法将转换为N-na+1个向量,记为第t个时间点下第ke个个体的滑动特征矩阵/>其中,/>表示第t个时间点下第ke个聚类中心个体/>中第na个向量,且/> 表示中第va个数据;
步骤4.1.2、所述编码器LSTM网络层对进行编码处理,得到第ke个聚类中心个体/>的特征矩阵/>其中,La为LSTM神经网络的输出维度;
步骤4.1.3、所述解码器LSTM网络层对进行解码处理,得到第ke个聚类中心个体的还原矩阵/>
步骤4.1.4、构建和/>的均方误差损失,并利用梯度下降法训练AE-LSTM神经网络的参数,直到均方误差损失小于Lmse时,得到训练后的最优AE-LSTM模型,并从训练后的最优AE-LSTM模型中的编码器层LSTM网络层所输出的最优特征矩阵中提取第t个时间点下的第ke个个体特征向量/>其中,/>表示最优特征矩阵中第i行第j列的特征值。
4.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1-3中任一所述可调资源集群多时间节点响应潜力评估方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
5.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1-3中任一所述可调资源集群多时间节点响应潜力评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241361.0A CN117196116A (zh) | 2023-09-25 | 2023-09-25 | 基于ae-lstm的可调资源集群多时间节点响应潜力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241361.0A CN117196116A (zh) | 2023-09-25 | 2023-09-25 | 基于ae-lstm的可调资源集群多时间节点响应潜力评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117196116A true CN117196116A (zh) | 2023-12-08 |
Family
ID=88988657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311241361.0A Pending CN117196116A (zh) | 2023-09-25 | 2023-09-25 | 基于ae-lstm的可调资源集群多时间节点响应潜力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196116A (zh) |
-
2023
- 2023-09-25 CN CN202311241361.0A patent/CN117196116A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhardwaj et al. | Estimation of solar radiation using a combination of Hidden Markov Model and generalized Fuzzy model | |
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN111553543A (zh) | 基于TPA-Seq2Seq的电力负荷预测方法及相关组件 | |
CN112508244B (zh) | 一种用户级综合能源系统多元负荷预测方法 | |
CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和系统 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 | |
Li et al. | GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
Osowski et al. | Local dynamic integration of ensemble in prediction of time series | |
Wei et al. | K-NN based neuro-fuzzy system for time series prediction | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN117455536A (zh) | 基于误差补偿的短期煤价预测方法及系统 | |
CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
CN116739168A (zh) | 一种基于灰色理论与编解码器的径流量预测方法 | |
CN117196116A (zh) | 基于ae-lstm的可调资源集群多时间节点响应潜力评估方法 | |
CN112529268B (zh) | 一种基于流形学习的中短期负荷预测方法及装置 | |
CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
CN114647987A (zh) | 基于时空相关性模型的分布式光伏电站日前出力预测方法 | |
CN112001519A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN112231933B (zh) | 一种面向雷达电磁干扰效应分析的特征选择方法 |
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 |