System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种电力系统用户用能数据生成的方法和装置,属于电力系统需求侧管理。
技术介绍
1、在新型电力系统中,精确模拟和分析用户用能行为对于实现高效的电网管理至关重要。随着智能电网的发展和高精度计量设备的普及,通过采集得到的用户用能数据,可以进一步了解需求侧状态、优化电网运行和提高系统效率。此外,准确的功耗需求数据对于营销策略和需求预测至关重要,可以实现更低的机会成本和更高的利润,同时有助于提高需求响应的定制并提供合理的节能建议。然而,这些用能数据中包含了用户的敏感个人信息,将数据提供给用能服务商存在潜在泄露用户的生活习惯和行为模式的风险。在电力市场中提供客户能源数据时,一般需要提供处理过的数据而非原始客户数据,因此,如何保证隐私的情况下生成大量用户用能数据成为了进一步提升需求侧管理效率的关键。传统数据隐私保护方法一般通过数据匿名化和添加随机噪声实现对用户隐私数据的保护。然而,在添加噪声的过程中可能引入过多噪声,尤其是对于高维时间序列数据而言难以同时保证数据的隐私性和可用性;数据匿名化的方法可能通过特定用户的用能信息实现精准定位,存在较大的隐私风险。此外,随着人工智能技术的快速发展,数据驱动的生成模型也被用于可再生能源出力数据合成等领域,然而现有的数据生成方法和装置在生成过程中缺乏可控性,无法定制化地生成所需特定用户的用能数据,不能满足日益增长的电力负荷数据生成的需要。因此,亟需一种高效、准确、满足电网用户侧建模需求的电力系统生成用户用能数据的方法和装置。
技术实现思路
1、本
2、为此,本专利技术提出一种电力系统用户用能数据生成的方法,提出了结合信息最大化生成对抗网络和多变量核密度估计的负荷数据生成方法。通过建立用户用能数据库,利用信息最大化生成对抗网络学习数据特征,结合多元核密度估计计算不同用户对应的概率密度函数,在此基础上抽样并结合生成模型即可快速生成大量用能数据,在保护用户隐私的前提下提供大量用户用能数据为后续需求侧管理提供数据支撑。
3、本专利技术的另一个目的在于提出一种电力系统用户用能数据生成装置。
4、为达上述目的,本专利技术一方面提出一种电力系统用户用能数据生成方法,包括:
5、基于电力系统用户的历史用能数据得到目标用能数据集;
6、将所述目标用能数据集输入至信息最大化生成对抗网络模型进行模型训练,以基于模型训练结果得到训练好的生成模型和训练好的特征推断模型;
7、利用所述训练好的特征推断模型对目标用能数据集进行分析,并根据数据分析结果构建目标特征数据集;
8、利用多元核密度估计计算所述目标特征数据集的分布概率密度函数以抽样得到所需的用户特征数据;
9、将所述用户特征数据输入至所述训练好的生成模型中以生成所需的用户用能数据。
10、本专利技术实施例的电力系统用户用能数据生成方法还可以具有以下附加技术特征:
11、在本专利技术的一个实施例中,所述基于电力系统用户的历史用能数据得到目标用能数据集,包括:
12、设置用户数、采集频率、用户编号和采集时间戳,对于包含n个用户m天且每天包含t个时间戳的数据,采集得到原始用能数据集d0,其中,n代表数据对应用户编号为n,n=1,2,…,n;m代表数据对应日期编号为m,m=1,2,…,m;代表用户编号为n的用户在日期编号为m的当天用能数据,表达式如下:
13、
14、其中,t代表数据对应的时间戳编号,t=1,2,…,t;代表用户编号为n的用户在日期编号为m的时间戳为t时刻的实时用能数据;
15、对原始用能数据集d0中的缺失值采取插值方法进行处理,并将处理后的数据转换为统一的格式和标准得到目标用能数据集d1。
16、在本专利技术的一个实施例中,将所述目标用能数据集输入至信息最大化生成对抗网络模型进行模型训练,以基于模型训练结果得到训练好的生成模型和训练好的特征推断模型,包括:
17、构建信息最大化生成对抗网络模型,所述信息最大化生成对抗网络模型包括:生成模型mg、判别模型md和特征推断模型mq;
18、基于目标用能数据集d1训练所述生成模型mg、判别模型md和特征推断模型mq,在训练的过程中,根据最大最小博弈函数计算模型各参数的梯度向量,通过反向传播和梯度下降方法更新生成模型mg、判别模型md、特征推断模型mq的网络权重,迭代至ep次后停止训练以得到训练好的生成模型mg、判别模型md和特征推断模型mq;训练过程中的最大最小博弈函数如下:
19、
20、其中,mg(·)、mq(·)、md(·)分别表示生成模型、特征推断模型和判别模型的模型输出结果,e(log(·))表示对应的数学期望,pdata表示目标用能数据集d1中的所有用能数据分布。
21、在本专利技术的一个实施例中,利用所述训练好的特征推断模型对目标用能数据集进行分析,并根据数据分析结果构建目标特征数据集,包括:
22、利用所述训练好的特征推断模型计算单一用户一天的用能数据对应的特征数据向量如下:
23、
24、其中,上下标含义与相同,表示用户编号为n的用户在日期编号为m的当天用能特征数据向量;
25、基于特征数据向量计算所有用户所有时间的特征数据向量,以构建特征数据集c,
26、在本专利技术的一个实施例中,利用多元核密度估计计算所述目标特征数据集的分布概率密度函数以抽样得到所需的用户特征数据,包括:
27、确定所需用户的编号nk,选择对应的所需用户的目标特征数据集ck,其中即ck为特征数据集c中用户编号等于所需用户的编号nk的数据子集;
28、确定核函数kh,利用多元核密度估计计算对应的目标特征数据集ck对应的分布概率密度函数
29、基于分布概率密度函数采用随机抽样的方法,确定抽样数量s,抽样获得到由s个抽样得到的特征数据构成的用户特征数据vk,其中下标s表示特征数据编号,s=1,…,s。
30、在本专利技术的一个实施例中,将所述用户特征数据输入至所述训练好的生成模型中以生成所需的用户用能数据,包括:
31、将所述用户特征数据输入训练好的生成模型mg以生成一天的用能数据如下:
32、
33、其中,表示所需用户的编号nk的用户在日期编号为s的用能特征数据向量;
34、基于用能数据计算所有用户所有编号的用能数据,生成用能数据集g,以生成所需的用户用能数据。
35、为达上述目的,本专利技术另一方面提出一种电力系统用户用能数据生成装置,包括:
36、数据采集模块,用于基于电力系统用户的历史用能数据得到目标用能数据集;
37、模型训练模块,用于将所述目标用能数据集输入至信息最大化生成对抗网络模型进行模型训练,以基于模型训练结果得到训练好的生成模型和训练好的特征推断模型;
...【技术保护点】
1.一种电力系统用户用能数据生成方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述基于电力系统用户的历史用能数据得到目标用能数据集,包括:
3.根据权利要求2所述的方法,其特征在于,将所述目标用能数据集输入至信息最大化生成对抗网络模型进行模型训练,以基于模型训练结果得到训练好的生成模型和训练好的特征推断模型,包括:
4.根据权利要求3所述的方法,其特征在于,利用所述训练好的特征推断模型对目标用能数据集进行分析,并根据数据分析结果构建目标特征数据集,包括:
5.根据权利要求4所述的方法,其特征在于,利用多元核密度估计计算所述目标特征数据集的分布概率密度函数以抽样得到所需的用户特征数据,包括:
6.根据权利要求5所述的方法,其特征在于,将所述用户特征数据输入至所述训练好的生成模型中以生成所需的用户用能数据,包括:
7.一种电力系统用户用能数据生成装置,其特征在于,包括:
8.根据权利要求7所述的装置,其特征在于,所述数据采集模块,还用于:
9.根据权利
10.根据权利要求9所述的装置,其特征在于,所述特征推断模块,还用于:
...【技术特征摘要】
1.一种电力系统用户用能数据生成方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述基于电力系统用户的历史用能数据得到目标用能数据集,包括:
3.根据权利要求2所述的方法,其特征在于,将所述目标用能数据集输入至信息最大化生成对抗网络模型进行模型训练,以基于模型训练结果得到训练好的生成模型和训练好的特征推断模型,包括:
4.根据权利要求3所述的方法,其特征在于,利用所述训练好的特征推断模型对目标用能数据集进行分析,并根据数据分析结果构建目标特征数据集,包括:
5.根据权利要求4所述...
【专利技术属性】
技术研发人员:郭庆来,孙宏斌,兰健,周艳真,王彬,吴文传,
申请(专利权)人:清华大学,
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。