一种基于增量学习的柔性负荷可调功率评估方法技术

本发明专利技术公开了一种基于增量学习的柔性负荷可调功率评估方法包括：构建空调负荷群可调功率计算模型；获取历史数据并对数据进行预处理，找到可调功率的相关特征因素；将处理后的数据输入基于E2EIL的空调负荷群可调功率计算模型，提高模型性能；采集空调负载数据，通过所述空调负荷群可调功率模型计算并输出空调负荷聚合集群可调功率。可以避免学习阶段之间的误差累积问题；可以根据新类别的数量动态地调整网络结构，从而避免了固定网络结构的限制，更好地适应各种增量学习任务。可以更好地保留过去学到的知识，避免灾难性遗忘累积问题。避免灾难性遗忘累积问题。避免灾难性遗忘累积问题。

【技术实现步骤摘要】
一种基于增量学习的柔性负荷可调功率评估方法


[0001]本专利技术涉及多源协调控制和柔性负荷可调功率计算
，具体为一种基于增量学习的柔性负荷可调功率评估方法。

技术介绍

[0002]基于构建的ETP和有序温控的空调负荷聚合可调功率计算模型，ETP模型中的房内空气等效热容C、房间等效热阻R计算方法复杂，且C、R取值与墙体门窗保温特性、房屋内物体情况等多因素相关，是一个时变量，难以实时准确辨识，给基于ETP模型进行空调群可调功率计算带来困难。
[0003]事实上，室内空调历史运行数据蕴含了多因素对室内传热特性影响规律，采用人工智能算法，可以捕捉历史数据中各变量对输出结果的关联关系，并基于蕴含的关系进行模型参数训练，得出符合历史规律的计算模型。
[0004]传统的机器学习算法可能面临着两个主要问题：一是数据不足，难以对模型进行训练，容易出现过拟合和欠拟合的情况；二是当需要增加新的数据时，需要重新对整个数据集进行训练，这样会导致训练时间和计算资源的浪费，同时传统模型在学习空调负荷群增长情况时会缺乏对旧模型的辨识能力，存在灾难性遗忘的问题。增量学习能够在小样本场景下有效解决这些问题。增量学习可以利用现有的模型知识，仅对新的数据进行少量的更新，而不需要重新训练整个模型，这样可以减少模型训练的时间和计算资源的浪费。另外，增量学习还能够逐步地增加新的数据，不断地更新模型，让模型具有更好的泛化性能，对新的数据能够有更好的适应性。
[0005]在空调负荷规模不断扩充下，同时在数据增量模型的建设中有增量类型数据进来时，需要考虑模型的灾难性遗忘的问题。防止灾难性遗忘的一个方法是收集所有已知故障类型的数据来重新训练模型，但是耗费的计算资源非常昂贵，甚至是不可行的。在计算机视觉领域，一些关于解决灾难性遗忘的研究被称为终身学习、持续学习或增量学习。将知识蒸馏引入终身学习，此后几乎所有的终身学习方法都采用了这种方法。尽管方法的设计不同，但这些模型的一个共同特征是无论是通过参数、分布还是样本，它们试图尽可能多地保存关于旧类别的知识。直观地看，在终身学习中，增量的过程是迁移学习的微调。因此，终身学习不仅能使知识积累，而且能使知识转移。在现实场景中空调负荷群在不断增加的过程中，与基于深度学习和机器学习的计算模型相比，这些模型需要所有已知的样本。基于终身学习的计算模型可以不断学习新的空调负荷群规模，降低训练成本，提高可靠性和泛化能力。因此，研究基于终身学习范式的增量问题，构建可持续学习的终身模型是合理的，具有广阔的应用前景。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部
分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于上述存在的问题，提出了本专利技术。
[0008]因此，本专利技术解决的技术问题是：现有的柔性负荷可调功率计算方法存在模型训练的时间过长和计算资源的浪费问题。
[0009]为解决上述技术问题，本专利技术提供如下技术方案：一种基于增量学习的柔性负荷可调功率评估方法，包括：构建空调负荷群可调功率计算模型；获取历史数据并对数据进行预处理，找到可调功率的相关特征因素；将处理后的数据输入基于E2EIL的空调负荷群可调功率计算模型，提高模型性能；采集空调负载数据，通过所述空调负荷群可调功率模型计算并输出空调负荷聚合集群可调功率。
[0010]作为本专利技术所述的基于增量学习的柔性负荷可调功率评估方法的一种优选方案，其中：所述空调负荷群可调功率计算模型包括，对空调负荷聚合，将N台空调的功率进行累加，t时刻空调负荷群功率P
aggTCL
(t)为：
[0011][0012]其中，N表示集群空调台数，P
iTCL
表示第i台空调额定功率，表示t时刻的空调群聚合功率，s
i
(t)表示第i台空调的运行状态。
[0013]作为本专利技术所述的基于增量学习的柔性负荷可调功率评估方法的一种优选方案，其中：所述预处理包括，对离散特征数据进行One
‑
hot编码，对连续特征变量进行最大最小化归一化；所述特征包括基于spearman相关系数的空调负荷群可调功率影响特征选择，特征一为空调负荷数量，特征二为室外温度，特征三为设置温度；通过计算每一项监测数据X和其他特征数据Y的相关性，Spearman相关系数计算如下：
[0014][0015]其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差；Spearman相关系数定量地刻画X与Y的相关程度，取值范围为[
‑
1,1]，1表示两个变量完全单调正相关，
‑
1表示两个变量完全单调负相关，0表示两个变量之间不存在单调关系。
[0016]作为本专利技术所述的基于增量学习的柔性负荷可调功率评估方法的一种优选方案，其中：所述E2EIL主要由两个部分组成：网络生成器和损失函数；
[0017]网络生成器由卷积层、池化层和全连接层组成，卷积层和池化层用于从特征数据中提取有用的特征，全连接层将提取出的特征转化为对各个类别的预测概率；损失函数用于衡量网络生成器的预测输出与真实标签之间的距离；设网络生成器对样本x的预测输出为y(x,θ)，其中θ是网络参数，真实标签为t，则交叉熵损失函数为：
[0018][0019]其中，|t|表示标签的类别数目，t
i
表示真实标签中第i个类别的概率，y
i
(x,θ)表示预测输出中第i个类别的概率。
[0020]作为本专利技术所述的基于增量学习的柔性负荷可调功率评估方法的一种优选方案，其中：所述E2EIL模型还包括，构建E2EIL
‑
CNN模型，使用类别嵌入器来获取每个类别的嵌入
向量，并通过联合优化CNN参数、网络生成器参数和类别嵌入器参数来实现增量学习；所述E2EIL
‑
CNN模型包括：原始CNN模型训练，使用原始的CNN模型对训练集进行训练，得到初始的模型参数，并对网络生成器和类别嵌入器进行初始化；新数据集训练，当遇到新的故障类型时，使用新的数据集对模型进行训练；每次加入新的类别时，模型会计算新类别的类别嵌入向量，并将其加入到已有的类别嵌入向量中，模型在训练过程中不断更新类别嵌入向量，获取类别嵌入向量的公式为：
[0021][0022]其中，D
k
是第k个类别的数据集，g
θ
(x
i
)表示使用参数为θ的神经网络提取x
i
的特征向量；f
k
表示第k个类别的类别嵌入向量，是该类别中所有特征向量的平均值；计算类别概率，对于每个样本，使用类别嵌入器和网络生成器来计算当前所有类别的概率；对于每个类别c，从所有样本中选取类别y
i
＝c的样本D
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量学习的柔性负荷可调功率评估方法，其特征在于，包括：构建空调负荷群可调功率计算模型；获取历史数据并对数据进行预处理，找到可调功率的相关特征因素；将处理后的数据输入基于E2EIL的空调负荷群可调功率计算模型，提高模型性能；采集空调负载数据，通过所述空调负荷群可调功率模型计算并输出空调负荷聚合集群可调功率。2.如权利要求1所述的基于增量学习的柔性负荷可调功率评估方法，其特征在于：所述空调负荷群可调功率计算模型包括，对空调负荷聚合，将N台空调的功率进行累加，t时刻空调负荷群功率P
aggTCL
(t)为：其中，N表示集群空调台数，P
iTCL
表示第i台空调额定功率，表示t时刻的空调群聚合功率，s
i
(t)表示第i台空调的运行状态。3.如权利要求2所述的基于增量学习的柔性负荷可调功率评估方法，其特征在于：所述预处理包括，对离散特征数据进行One
‑
hot编码，对连续特征变量进行最大最小化归一化；所述特征包括基于spearman相关系数的空调负荷群可调功率影响特征选择，特征一为空调负荷数量，特征二为室外温度，特征三为设置温度；通过计算每一项监测数据X和其他特征数据Y的相关性，Spearman相关系数计算如下：其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差；Spearman相关系数定量地刻画X与Y的相关程度，取值范围为[
‑
1,1]，1表示两个变量完全单调正相关，
‑
1表示两个变量完全单调负相关，0表示两个变量之间不存在单调关系。4.如权利要求3所述的基于增量学习的柔性负荷可调功率评估方法，其特征在于：所述E2EIL主要由两个部分组成：网络生成器和损失函数；网络生成器由卷积层、池化层和全连接层组成，卷积层和池化层用于从特征数据中提取有用的特征，全连接层将提取出的特征转化为对各个类别的预测概率；损失函数用于衡量网络生成器的预测输出与真实标签之间的距离；设网络生成器对样本x的预测输出为y(x,θ)，其中θ是网络参数，真实标签为t，则交叉熵损失函数为：其中，|t|表示标签的类别数目，t
i
表示真实标签中第i个类别的概率，y
i
(x,θ)表示预测输出中第i个类别的概率。5.如权利要求4所述的基于增量学习的柔性负荷可调功率评估方法，其特征在于：所述E2EIL模型还包括，构建E2EIL
‑
CNN模型，使用类别嵌入器来获取每个类别的嵌入向量，并通过联合优化CNN参数、网络生成器参数和类别嵌入器参数来实现增量学习；所述E2EIL
‑
CNN模型包括：原始CNN模型训练，使用原始的CNN模型对训练集进行训练，得到初始的模型参数，并对网络生成器和类别嵌入器进行初始化；
新数据集训练，当遇到新的故障类型时，使用新的数据集对模型进行训练；每次加入新的类别时，模型会计算新类别的类别嵌入向量，并将其加入到已有的类别嵌入向量中，模型在训练过程中不断更新类别嵌入向量，获取类别嵌入向量的公式为：其中，D
k
是第k个类别的数据集，g
θ
(x
i
)表示使用参数为θ的神经网络提取x
i
的特征向量；f
k
表示第k...

【专利技术属性】
技术研发人员：谈竹奎，刘斌，许文强，张秋雁，代吉玉蕾，唐赛秋，张锐锋，陈敦辉，王卓月，吴鹏，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：