1.一种基于环境上下文和用户反馈信息的用电模型优化方法,其特征在于,包括以下步骤:
(1)将用户数据库与用电环境上下文信息数据库的数据输入第一上下文交互模块,得到特征向量
(2)根据用电环境上下文信息cm得到影响用电负荷变化的自变量,称为影响因子,对影响因子和用电负荷进行线性回归,估计线性回归方程的回归系数hθ,并通过损失函数调整hθ,再结合hθ和cm得到
(3)采用注意力机制对
(4)将用电模型参数与eu,c输入第二上下文交互模块,得到环境上下文信息对用电模型的影响向量fu,c,m;
(5)通过目标函数计算用电模型参数的优化结果。
2.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法,其特征在于,所述步骤(1)中的上下文交互模型的搭建包括以下步骤:
(11)使用bilinear层将用户原始特征向量pu和上下文特征向量
其中,
(12)在bilinear层之上设立多层隐藏层,
其中,l为隐藏层的数量,
(13)在得到最后一层隐藏层
其中,
3.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法,其特征在于,所述步骤(2)具体包括:
(21)用电负荷设为y,影响其变化的各个自变量记为x1,x2,...,xn,对y和x1,x2,...,xn按不同时间点进行n次记录,确定线性回归方程:
y=f(x1,x2,…,xn)
(22)通过最小二乘法估计线性回归方程的回归系数hθ,并通过损失函数调整hθ至最佳,损失函数为:
(23)结合hθ和用电环境上下文信息cm得到
4.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法,其特征在于,所述步骤(3)具体包括:
(31)计算每个上下文信息的注意力分数:
其中,
(32)在得到每个上下文与用户反馈交互的分数α(u,cm)后,m=1,2…,m,通过softmax函数对上述分数分别进行归一化得到最终注意力权重:
(33)在得到每个注意力权重γ(u,cm)后,对其进行加权求和,得到上下文环境与用户反馈信息交互的整体作用,用向量eu,c表示:
5.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法,其特征在于,所述步骤(5)具体包括:
(51)最小化以下平方误差损失函数:
其中,θ表示需要学习的模型参数,rtrain表示训练集;
(52)利用损失函数对fu,c,m进行计算,得到用电模型参数的优化结果。
6.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法,其特征在于,所述步骤(5)之后还包括以下步骤:记录模型各个参数的调整时间、调整结果,形成日志文件,进行存储。
7.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法,其特征在于,所述步骤(1)的用户数据包括:用户使用用电设备的频率,时间,时长,用户所在地区,用户满意度中的至少之一。
8.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法,其特征在于,所述用电模型参数包括:用电总量,用电量变化率,电流环比例系数,电压环比例系数中的至少之一。
9.一种基于环境上下文和用户反馈信息的用电模型优化系统,其特征在于,实现权利要求1~8任一项所述的优化方法,所述系统包括:用户数据库、用电环境上下文信息数据库、深度学习模块以及上下文交互模块;所述深度学习模块采用注意力机制,对上下文交互模块输出的特征向量与