基于变分自编码器网络的空调负荷计算方法、模型及介质与流程

本发明属于电力系统，特别涉及一种基于变分自编码器网络的空调负荷计算方法、模型及介质。

背景技术：

1、电力负荷逐渐呈现出“夏冬双峰型”的季节性特征，电网运行的稳定性和可靠性面临重大挑战。作为挖掘用户侧灵活性的重要手段，需求侧管理可以实现电网和用户间的“源荷互动”，对于维持电力实时供需平衡、提高电网运行的稳定性和可靠性具有重要意义。在众多灵活性资源中，空调负荷是最具有潜力的一类需求响应资源，原因在于：一方面，空调负荷体量较大，约占夏季高峰负荷的30-50%；另一方面，由于空调负荷具有空间热储能特性，因而可以在不影响用户舒适度的情况下通过改变温度设定值等方式实时地调节有功功率。为了挖掘空调负荷可调潜力，引导用户更有效地参与需求响应，须对用户空调负荷的功率大小进行实时监测。

2、目前广泛应用的空调负荷计算方法主要有等效参数模型法和基准负荷法。但现有算法存在如下问题：等效参数模型法由于计算复杂且需要获取详细的建筑热工参数，在实际中难以大规模应用；基准负荷比较法则没有考虑用电类型的精细化建模，难以选择合适的基准负荷且没有考虑用户用电行为的不确定性，因此计算精度较低。

技术实现思路

1、针对现有空调负荷计算模型不合理不适配实际生产的问题，本发明提供一种基于变分自编码器网络的空调负荷计算方法、模型及介质，考虑了用户用电行为不确定性，具有较高的计算精度，从而可以在无需获取用户的用电设备信息和用电行为信息的条件下准确辨识空调负荷功率，为量化空调负荷参与需求响应的可调潜力提供基础。

2、本发明采用技术方案如下：一种基于变分自编码器网络的空调负荷计算方法，包括：

3、步骤1，基于变分推理和神经网络的负荷曲线特征辨识算法，通过辨识用电负荷曲线的潜在特征，构建变分自编码器网络模型；

4、步骤2，向步骤1构建的变分自编码器网络模型中输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，确定该模型中的参数，获得训练模型；

5、步骤3，向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，采用直接逐点差分法计算得到空调负荷功率。

6、变分自编码器网络模型是一种基于变分贝叶斯推断的无监督学习模型，该模型通过变分推理的方式，构建空调负荷计算的基础，基于变分推理和神经网络的负荷曲线特征辨识方法，以辨识无空调负荷时用电负荷曲线的潜在特征；采用训练模型将夏冬两季用户总负荷曲线重构，将实际采集负荷曲线减去重构后的总负荷曲线获得空调负荷功率，这一过程中，无需获取用户的用电设备信息和用电行为信息，能够量化空调负荷参与需求响应。

7、进一步地，步骤1具体过程包括：

8、步骤1.1，通过多层感知器提取日负荷曲线矩阵的潜在特征分布向量，对日负荷曲线矩阵进行低维表示；

9、步骤1.2，考虑到正态分布的叠加可以近似任意分布，通过有限维的正态分布表征潜在特征分布向量，获得正态分布的均值和方差参数；

10、步骤1.3，为了重构日负荷曲线矩阵，采样潜在特征分布向量，并将潜在特征分布向量重构为日负荷曲线矩阵；

11、步骤1.4，接收并输出重构后的日负荷曲线矩阵。

12、进一步地，步骤1.1具体过程为：

13、步骤1.1.1，构建日负荷曲线建立负荷序列矩阵 x，该负荷序列矩阵表示为：

14、（1）；

15、其中， i1...... im表示用户； j1...... jn表示日期；矩阵的每个元素表示该用户在对应日期的日负荷曲线；

16、步骤1.1.2，通过多层感知器获得潜在特征分布 p( z| x)的变分推理 q( z| x)；

17、由贝叶斯定理可得：

18、（2）；

19、式中， p(·)表示累积概率分布； p( z| x)表示潜在特征分布， p( x| z)表示输入 x的后验分布； p( z)和 p( x)分别表示潜在特征向量 z和负荷序列矩阵 x的边际分布；

20、由于实际中日负荷序列的潜在特征分布 p( z| x)难以直接求解，因此对变分推理 q( z| x)进行近似求解，近似变分推理 q( z| x)可表示为：

21、（3）；

22、式中，表示 f( x)和 g( x)构成高斯分布函数， f( x)和 g( x)表示为日负荷序列潜在特征分布的均值和方差，分别隶属于两个可优化的函数族 f和 g。

23、进一步地，步骤1.2具体过程为：利用变分自编码器网络，通过最小化变分推理和先验分布之间的kullback-leibler散度，找到函数族 f和 g中的最佳近似 f*和 g*：

24、（4）；

25、 dkl( a, b))函数为a和b的kullback-leibler散度； ez(·)表示期望函数； h( z)为解码重构的负荷序列，隶属于可优化的函数族 h； γ表示对日负荷序列潜在特征分布进行抽样时的正则化参数，其取值大于0；argmin（.）为最小化函数；argmax（.）为最大化函数。

26、进一步地，步骤1.3具体过程为：采用重采样方法对潜在特征分布进行采样，获得潜在特征分布的采样值 z*，采样值 z*由个分量 zτ*构成，则采样值 z*的分量 zτ*可表示为：

27、（5）；

28、其中， zτ*为采样值 z*的分量； cτ表示对日负荷序列潜在特征分布进行采样时的随机噪声，且，即服从标准高斯分布； μτ和 στ分别表示第 τ个正态分布的均值和方差；表示潜在特征分布的维数；

29、求解映射函数 h最优近似值 h*，使得解码重构负荷序列的概率最大化：

30、（6）；

31、式中：表示对潜在特征分布的采样值 z*求期望；为重构序列的后验概率分布； h( z*)为输出结果。

32、进一步地，步骤2具体过程为：

33、步骤2.1，输入春秋两季各用户多日的负荷曲线，采用聚类算法对日负荷曲线进行分类；

34、步骤2.2，将同类型的日负荷曲线作为步骤1对应模型的输入数据；

35、步骤2.3，采用神经网络对公式（4）至公式（6）对应的概率模型进行训练，以便通过平滑连续概率分布的方式来反映同一类型日负荷序列的潜在特征，进而辨识春、秋季用户用电负荷曲线的特征，确定步骤1获得模型中的参数，获得训练模型。

36、在编码阶段将输入负荷曲线的分布映射为潜在特征变量的分布，而在解码阶段从潜在特征变量分布上进行采样，将潜在特征变量进行解码得到重构的负荷曲线，并使得重构负荷曲线的分布近似为输入负荷曲线的分布。

37、一种基于变分自编码器网络的空调负荷计算装置，其包括：

38、建模模块，用于基于变分推理和神经网络的负荷曲线特征辨识算法，通过辨识用电负荷曲线的潜在特征，构建变分自编码器网络模型；

39、训练模块，用于向建模装置输入春秋两季历史数据的用户多日的负荷曲线，对变分自编码器网络模型进行训练，确定变分自编码器网络模型的参数，获得训练模型；

40、比对模块，用于向训练模型输入夏冬两季用户总负荷曲线，获得解码重构后的负荷曲线，采用直接逐点差分法计算得到空调负荷功率。

41、进一步地，所述建模模块包括：

42、编码层，用于通过多层感知器提取日负荷曲线矩阵的潜在特征分布向量；

43、潜在特征层，用于通过有限维的正态分布表征潜在特征分布向量，获得正态分布的均值和方差参数；

44、解码层，用于采样潜在特征分布向量，并通过多层感知器将潜在特征分布向量重构为日负荷曲线矩阵；

45、输出层，用于接收并输出重构后的日负荷曲线矩阵。

46、一种基于变分自编码器网络的空调负荷计算模型，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述基于变分自编码器网络的空调负荷计算方法。

47、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述基于变分自编码器网络的空调负荷计算方法。

48、本发明具有的有益效果：本技术为基于变分自编码器网络的空调负荷计算方法、模型及介质，基于变分推理和神经网络的负荷曲线特征辨识算法，构建变分自编码器网络模型，获得空调负荷计算的基础，利用春秋两季负荷曲线对模型进行训练，获得无空调负荷时用电负荷曲线的潜在特征；通过训练模型将夏冬两季用户总负荷曲线重构，将实际采集负荷曲线减去重构后的总负荷曲线获得空调负荷功率，这一过程中，无需获取用户的用电设备信息和用电行为信息，辨识准确。