【技术实现步骤摘要】
基于域适应的电力用户需求响应行为预测方法
[0001]本专利技术涉及需求响应行为预测
,特别是涉及基于域适应的电力用户需求响应行为预测方法
。
技术介绍
[0002]负荷预测的一个重要的应用是需求响应行为分析,但是用户的需求响应行为很难估计
。
用户的需求响应行为受到多种因素的影响,可以简单地将这些因素分为两部分
。
其一是用户本身的特性,另一个是需求响应的具体政策
。
目前主要的需求响应政策为阶梯电价
。
许多现有技术中尝试对单个用户的需求响应行为做预测,但是效果并不佳
。
缺乏训练数据是需求响应行为预测算法效果不佳的主要因素
。
数据缺乏问题包括两个方面
。
第一,单个用户的历史数据可能较少,在极端的情况下,甚至没有任何实验数据
。
比如,对于一个准备参加需求响应的新用户,对此用户的需求响应行为没有任何了解
。
缺乏单个用户的历史数据导致预测模型难以得到充分训练
。
第二,需求响应行为并不经常发生,这就导致了记录需求响应行为的数据较少
。
同时需求响应实验的公开数据集也较少,因为进行需求响应实验具有很高的代价,目前仅有少数国家开展了相关实验
。
技术实现思路
[0003]本专利技术的目的是提供了基于域适应的电力用户需求响应行为预测方法,能够准确预测缺乏训练数据条件下的用户需求响应行为
。 >[0004]为实现上述目的,本专利技术提供了如下方案:
[0005]基于域适应的电力用户需求响应行为预测方法,包括:
[0006]获取用户执行需求响应策略时的目标数据和源数据,构建并训练双层迁移学习模型和域适应模型,获取所述目标数据和所述源数据的相关权重
、
隐变量
、
适应目标训练集以及适应源训练集;
[0007]构建电力用户需求响应行为预测模型,通过所述相关权重
、
所述隐变量
、
所述适应目标训练集以及所述适应源训练集训练所述电力用户需求响应行为预测模型,基于训练后的所述电力用户需求响应行为预测模型,获取预测结果
。
[0008]可选地,构建所述域适应模型的方法为:
[0009][0010]其中,为目标数据样本中的解释变量,为目标数据样本中的预测变量,
f
为适用于所有用户的通用预测模型
。
[0011]可选地,获取所述目标数据和所述源数据的相关权重的方法为:
[0012][0013][0014]其中,和分别表示和的标准差,表示目标问题的随机误差,表示源问题
k
的随机误差,表示源问题
k
的系统误差
。
[0015]可选地,所述隐变量包括:目标数据隐变量和源数据隐变量
。
[0016]可选地,获取所述目标数据隐变量和所述源数据隐变量包括:
[0017]将所述目标数据和所述源数据分别输入训练后的所述双层迁移学习模型中的隐变量提取模块,通过所述隐变量提取模块的编码器,提取所述目标数据的第一数据特征和所述源数据的第二数据特征,将所述第一数据特征和所述第二数据特征存储到隐变量中,即所述目标数据隐变量和所述源数据隐变量,并基于所述隐变量提取模块的解码器恢复所述目标数据和所述源数据,则说明所述隐变量成功保存了所述第一数据特征和所述第二数据特征,从而获取所述目标数据隐变量和所述源数据隐变量
。
[0018]可选地,构建电力用户需求响应行为预测模型的方法为:
[0019][0020][0021]其中,为目标数据样本中的预测变量,
f
为适用于所有用户的通用预测模型,
L
(k)
为源问题的隐变量,
L
(target)
为目标问题的隐变量,为目标数据样本中的解释变量,为源数据样本中的预测变量,为源数据样本中的解释变量
。
[0022]可选地,通过所述相关权重
、
隐变量以及适应目标训练集训练所述电力用户需求响应行为预测模型包括:
[0023]通过所述相关权重对所述适应目标训练集和域适应源训练集进行赋权,引入所述隐变量,获取最终训练集,通过所述最终训练集训练所述电力用户需求响应行为预测模型
。
[0024]可选地,通过所述相关权重对所述适应目标训练集和域适应源训练集进行赋权的方法为:
[0025][0026]其中,即是对应样本点的权重
,
为估计所得参数
,
为最小化运算符,
p(x
′
)
为源问题域的解释变量分布,
p(y
′
|x
′
,
θ
)
为源问题域内预测目标的条件概率分布,
p(x)
为目标域内的解释变量分布,
p(y|x
,
θ
)
为目标问题域内预测目标的条件概率分布
。
[0027]本专利技术的有益效果为:
[0028]本专利技术通过设计迁移学习算法,引入其他数据源,提取每个问题的隐含特征,并且
得到每个源问题与目标问题的相关性,基于域适应方法进行域适应训练集加权,解决了需求响应事件积累较少引起的模型训练难题,有效提升了需求响应行为预测的准确性
。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图
。
[0030]图1为本专利技术实施例的基于域适应的电力用户需求响应行为预测方法流程图;
[0031]图2为本专利技术实施例的解释变量偏移现象示意图,图
2(a)
为训练集分布示意图,图
2(b)
为测试集分布示意图;
[0032]图3为本专利技术实施例的使用了域适应方法算法之后改善模型对左半支的预测效果图;
[0033]图4为本专利技术实施例的基于双层迁移学习和域适应的电力用户需求响应行为预测模型结构示意图;
[0034]图5为本专利技术实施例的基于双层迁移学习和域适应的电力用户需求响应行为预测模型结构示意图;
[0035]图6为本专利技术实施例的双层迁移学习模型中内层的隐变量模型的结构示意图;
[0036]图7为本专利技术实施例的隐变量提取示意图;
[0037]图8为本专利技术实施例的
QS
与
w
(target)
的关系示意图;
[0038]图9为本专利技术实施例相关权重获取示意图
。
具体实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
基于域适应的电力用户需求响应行为预测方法,其特征在于,包括:获取用户执行需求响应策略时的目标数据和源数据,构建并训练双层迁移学习模型和域适应模型,获取所述目标数据和所述源数据的相关权重
、
隐变量
、
适应目标训练集以及适应源训练集;构建电力用户需求响应行为预测模型,通过所述相关权重
、
所述隐变量
、
所述适应目标训练集以及所述适应源训练集训练所述电力用户需求响应行为预测模型,基于训练后的所述电力用户需求响应行为预测模型,获取预测结果
。2.
根据权利要求1所述的基于域适应的电力用户需求响应行为预测方法,其特征在于,构建所述域适应模型的方法为:其中,为目标数据样本中的解释变量,为目标数据样本中的预测变量,
f
为适用于所有用户的通用预测模型
。3.
根据权利要求1所述的基于域适应的电力用户需求响应行为预测方法,其特征在于,获取所述目标数据和所述源数据的相关权重的方法为:获取所述目标数据和所述源数据的相关权重的方法为:其中,和分别表示和的标准差,表示目标问题的随机误差,表示源问题
k
的随机误差,表示源问题
k
的系统误差
。4.
根据权利要求1所述的基于域适应的电力用户需求响应行为预测方法,其特征在于,所述隐变量包括:目标数据隐变量和源数据隐变量
。5.
根据权利要求4所述的基于域适应的电力用户需求响应行为预测方法,其特征在于,获取所述目标数据隐变量和所述源数据隐变量包括:将所述目标数据和所述源数据分别输入训练后的所述双层迁移学习模型中的隐变量提取模块,通过所述隐变量提取模块的编码器,提取所述目标数据的第一数据特征和所述源数据的第二数据特征,将所述第一数据特征和所述第二数据特征存储到隐变量中,即所述目标数据隐变量和所述源数据隐变量,并基于所述隐变量提取模块的解码器恢复所...
【专利技术属性】
技术研发人员:乔如妤,李泽民,刘雁行,于凯,徐恺,李旭东,梁楠,孔繁春,冯军,郭勇志,
申请(专利权)人:内蒙古电力集团有限责任公司电力营销服务与运营管理分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。