CN116561696B - 基于多维度的用户可调节负荷快速聚合方法及其*** - Google Patents
基于多维度的用户可调节负荷快速聚合方法及其*** Download PDFInfo
- Publication number
- CN116561696B CN116561696B CN202310039529.3A CN202310039529A CN116561696B CN 116561696 B CN116561696 B CN 116561696B CN 202310039529 A CN202310039529 A CN 202310039529A CN 116561696 B CN116561696 B CN 116561696B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- dimension
- semantic feature
- feature vectors
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002776 aggregation Effects 0.000 title claims abstract description 79
- 238000004220 aggregation Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims description 433
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 238000005192 partition Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 230000009194 climbing Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 23
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000003860 storage Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于多维度的用户可调节负荷快速聚合方法及其***，其使用基于深度神经网络模型的人工智能技术来基于数据智能对所述多维度数据进行多维度聚合和多尺度特征编码与提取，以得到更为精准的用于表示可调节负荷能力值的解码值。这样，构建基于多维度的用户可调节负荷快速聚合方案，来综合待评估工商业用户的多维度数据，进而基于上述解码值可对工商业用户参与电力需求响应提供决策支撑。
Description
技术领域
本申请涉及电力领域，且更为具体地，涉及一种基于多维度的用户可调节负荷快速聚合方法及其***。
背景技术
电力需求响应的定义为电力用户对实施机构发布的价格信号或激励机制做出响应，并改变电力消费模式的一种参与行为。有别于传统的有序用电和“刚性”调控负荷，电力需求响应手段突出“柔性”调控。
当电网受极端天气、新能源出力波动以及可靠性事件等因素影响，在局部区域、局部时段出现供电缺口或低谷调峰能力不足时，由省级电力运行主管部门安排需求响应实施机构组织电力用户或负荷聚合商参与日前级、小时级、分钟级和准实时级的互动响应，由电力用户直接或通过负荷聚合商间接调增或调减部分用电功率，从而对电力负荷进行再平衡，解决电力供需矛盾问题，并根据互动响应效果获得实施机构发放的激励资金。
在电力用户中，工商业用户由于其生产用能安排的相对稳定、以及一定程度的可调节负荷设备资源的自动化管控，因而工商业用户适合组织可调节负荷设备资源参与电力需求响应，不仅可以有效缓解电力供需矛盾，还可以提高企业生产用能管理水平，同时还能得到一定的资金收入。
因此，工商业用户如何在不影响生产用能的情况下，更多、更高效地组织可调节负荷设备资源参与电力需求响应，是工商业用户需要考虑和解决的难题。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于多维度的用户可调节负荷快速聚合方法及其***，其使用基于深度神经网络模型的人工智能技术来基于数据智能对所述多维度数据进行多维度聚合和多尺度特征编码与提取，以得到更为精准的用于表示可调节负荷能力值的解码值。这样，构建基于多维度的用户可调节负荷快速聚合方案，来综合待评估工商业用户的多维度数据，进而基于上述解码值可对工商业用户参与电力需求响应提供决策支撑。
根据本申请的一个方面，提供了一种基于多维度的用户可调节负荷快速聚合方法，其包括：获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度；将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量；将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量；将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量；融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量；以及将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值。
在上述基于多维度的用户可调节负荷快速聚合方法中，所述将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量，包括：将所述待评估用户的多维度数据通过嵌入层以将所述多维度数据中各个维度数据转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码；以及，将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量。
在上述基于多维度的用户可调节负荷快速聚合方法中，所述将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量，包括：将所述嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述嵌入向量的序列中各个嵌入向量作为值向量分别进行相乘以得到所述多个维度语义特征向量。
在上述基于多维度的用户可调节负荷快速聚合方法中，所述将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述第一尺度维度间语义特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述基于多维度的用户可调节负荷快速聚合方法中，所述将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述第二尺度维度间语义特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述基于多维度的用户可调节负荷快速聚合方法中，所述融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量，包括：以如下公式对所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别进行相对类角度概率信息表示校正；其中所述公式为：
其中和/>分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的第i个特征值，且/>和/>是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的全部特征值的均值，V1和V2分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量，log表示以2为底的对数，/>和/>分别是校正后第一尺度维度间语义特征向量和校正后第二尺度维度间语义特征向量；以及，以如下公式融合所述校正后第一尺度维度间语义特征向量和所述校正后第二尺度维度间语义特征向量以得到解码特征向量；其中，所述公式为：
X＝Concat[V′1,V′2]
其中，V'1表示所述校正后第一尺度维度间语义特征向量，V'2表示所述校正后第二尺度维度间语义特征向量，X表示所述解码特征向量，Concat[·,·]表示级联函数。
在上述基于多维度的用户可调节负荷快速聚合方法中，所述将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值，包括：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：其中X是所述解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵乘。
根据本申请的另一方面，提供了一种基于多维度的用户可调节负荷快速聚合***，包括：多维数据获取模块，用于获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度；
上下文编码模块，用于将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量；第一尺度一维编码模块，用于将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量；第二尺度一维编码模块，用于将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量；融合模块，用于融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量；以及解码回归模块，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值。
在上述基于多维度的用户可调节负荷快速聚合***中，所述上下文编码模块，包括：嵌入转化单元，用于将所述待评估用户的多维度数据通过嵌入层以将所述多维度数据中各个维度数据转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码；以及，编码单元，用于将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量。
在上述基于多维度的用户可调节负荷快速聚合***中，所述编码单元，进一步用于：将所述嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述嵌入向量的序列中各个嵌入向量作为值向量分别进行相乘以得到所述多个维度语义特征向量。
在上述基于多维度的用户可调节负荷快速聚合***中，所述第一尺度一维编码模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述第一尺度维度间语义特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述基于多维度的用户可调节负荷快速聚合***中，所述第二尺度一维编码模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述第二尺度维度间语义特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述基于多维度的用户可调节负荷快速聚合***中，所述解码回归模块，进一步用于：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：其中X是所述解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵乘。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于多维度的用户可调节负荷快速聚合方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于多维度的用户可调节负荷快速聚合方法。
与现有技术相比，本申请提供的基于多维度的用户可调节负荷快速聚合方法及其***，其使用基于深度神经网络模型的人工智能技术来基于数据智能对所述多维度数据进行多维度聚合和多尺度特征编码与提取，以得到更为精准的用于表示可调节负荷能力值的解码值。这样，构建基于多维度的用户可调节负荷快速聚合方案，来综合待评估工商业用户的多维度数据，进而基于上述解码值可对工商业用户参与电力需求响应提供决策支撑。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于多维度的用户可调节负荷快速聚合方法的流程图。
图2为根据本申请实施例的基于多维度的用户可调节负荷快速聚合方法的架构图。
图3为根据本申请实施例的基于多维度的用户可调节负荷快速聚合方法中将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量的流程图。
图4为根据本申请实施例的基于多维度的用户可调节负荷快速聚合***的框图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，工商业用户如何在不影响生产用能的情况下，更多、更高效地组织可调节负荷设备资源参与电力需求响应，是工商业用户需要考虑和解决的难题。
目前，对于工商业用户可调节负荷设备资源的可调节能力的聚合管理存在以下不足：1)聚合维度单一，仅以时间维度或者场景维度聚合可调节能力；2)聚合速度较慢；3)工商业用户参与电力需求响应缺乏决策支撑，需要凭经验做出判断。
针对上述技术问题，提出了基于多维度的用户可调节负荷快速聚合方案，其使用基于深度神经网络的人工智能技术来综合待评估工商业用户的多维度数据，并得到用于表示可调节负荷能力值的解码值，继而基于所述解码值可对工商业用户参与电力需求响应提供决策支撑。
具体地，首先获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度。具体地，在本申请的技术方案中，所述时间维度：包括月维度、周维度、日维度(月维度和周维度只能任选其一)，以及每种维度下的时段区间；在不同的需求响应场景下，基于时间维度进行可调节负荷能力管理，例如在10月13点至14点期间，参与电力需求响应削峰事件的可调节负荷能力是多少等等；所述技术参数维度：包括爬坡时间、启停时间等等；所述优先级维度；对多维度的可调节负荷能力赋予优先级等级；所述典型场景维度：包括对于特定、典型场景的可调节能力管理，例如国庆假期7天的可调节负荷能力、进博会期间的可调节负荷能力等等；所述电压等级维度：在不同电压等级下的可调节负荷能力管理；所述电网分区维度：在不同电网分区下的可调节负荷能力管理；所述负荷聚合商维度：在不同负荷聚合商下的可调节负荷能力管理。
在得到所述多维度数据，可对不同维度的可调节负荷能力进行聚合，可以两两聚合，也可以多维度聚合，经过统计计算，得出多维度聚合可调节负荷能力，可以在任意时间、任意场景下，提供快速聚合可调节负荷能力。但是，各个维度数据之间的关联是复杂的且是非线性的，同时，在进行多维度聚合时，也难以确定各个维度数据所占权重，导致可调节负荷能力的聚合出现偏差。
针对上述技术问题，在本申请的技术方案中，使用基于深度神经网络模型的人工智能技术来基于数据智能对所述多维度数据进行多维度聚合以得到更为精准的用于表示可调节负荷能力值的解码值。
具体地，首先将所述待评估用户的多维度数据分别转化为嵌入向量，例如，通过可学习的嵌入矩阵对各个维度数据进行嵌入编码以将所述各个维度数据转化为嵌入向量以得到嵌入向量的序列；接着，将所述嵌入向量的序列通过基于转换器的上下文编码器以得到多个维度语义特征向量。这里，所述基于转换器的上下文编码器能够自注意力机制来捕捉各个嵌入向量相对于其他所有嵌入向量的全局上下文语义关联信息以得到多个维度语义特征向量。虽然利用所述转换器机制能够捕捉各个嵌入向量的全局上下文语义关联，但是其在局部语义关联特征的提取方面相对表现较差，为了进行局部语义关联增强，在本申请的技术方案中，进一步利用一维卷积编码机制来捕捉各个嵌入向量之间的局部关联隐含特征。
具体地，首先将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量。例如，在一个具体的示例中，所述具有第一尺度的一维卷积核的尺度等于两个维度语义特征向量的尺度之和，相应地，在利用所述第一卷积神经网络模型对所述一维特征向量进行一维卷积编码时，其能够捕捉相邻两个维度数据之间的高维局部隐含关联特征。
为了扩增特征感受野，在本申请的技术方案中，进一步将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量。例如，在一个具体的示例中，所述具有第二尺度的一维卷积核的尺度等于三个维度语义特征向量的尺度之和，相应地，在利用所述第二卷积神经网络模型对所述一维特征向量进行一维卷积编码时，其能够捕捉局部邻域内三个维度数据之间的高维局部隐含关联特征。应可以理解，在本申请的其他示例中，所述第一卷积神经网络模型的一维卷积核的尺度和/或所述第二卷积神经网络模型的第二卷积核的尺度可做出调整，同时，为了捕捉更多局部邻域内的多维度关联特征，还可以引入具有其他尺度的一维卷积核的卷积神经网络模型，对此，并不为本申请所局限。
继而，融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量，并将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值。这样，使用基于深度神经网络的人工智能技术来聚合待评估工商业用户的多维度数据，并通过解码器来得到用于表示可调节负荷能力值的解码值。进一步地，基于所述解码值可对工商业用户参与电力需求响应提供决策支撑，例如，提供多维度的可调节负荷能力曲线，直观地进行展示。
这里，融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量时，由于所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别表达不同尺度下的维度语义特征之间的关联，因此其特征分布在高维特征空间内会存在空间位置误差，这样，如果直接通过点加的方式来融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量会影响所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的融合效果。
本申请的申请人考虑到所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量都是从所述多个维度语义特征向量的序列获得的，因此其作为同源特征表达在特征分布上存在一定的对应性，因此，可以对所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别进行相对类角度概率信息表示校正，表示为：
其中和/>分别是所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2的第i个特征值，且/>和/>是所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2的全部特征值的均值，log表示以2为底的对数。
这里，所述相对类角度概率信息表示校正通过所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2之间的相对类角度概率信息表示，来进行所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2在高维特征空间内的特征分布的空间位置误差的几何精度稀释，从而在所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2间具有一定对应性的情况下，基于所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2各自的各位置的特征值分布相较于彼此整体的分布约束性，来通过按位置的逐点回归来进行特征的隐式上下文对应性校正，从而提高所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2的融合效果。
基于此，本申请提出了一种基于多维度的用户可调节负荷快速聚合方法，其包括：获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度；将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量；将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量；将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量；融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量；以及，将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的基于多维度的用户可调节负荷快速聚合方法的流程图。如图1所示，根据本申请实施例的基于多维度的用户可调节负荷快速聚合方法，包括：S110，获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度；S120，将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量；S130，将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量；S140，将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量；S150，融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量；以及，S160，将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值。
图2为根据本申请实施例的基于多维度的用户可调节负荷快速聚合方法的架构图。如图2所示，在该架构图中，首先，获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度。接着，将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量。然后，将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量，同时，将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量。接着，融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量。进而，将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值。
在步骤S110中，获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度。如上述背景技术所言，工商业用户如何在不影响生产用能的情况下，更多、更高效地组织可调节负荷设备资源参与电力需求响应，是工商业用户需要考虑和解决的难题。目前，对于工商业用户可调节负荷设备资源的可调节能力的聚合管理存在以下不足：1)聚合维度单一，仅以时间维度或者场景维度聚合可调节能力；2)聚合速度较慢；3)工商业用户参与电力需求响应缺乏决策支撑，需要凭经验做出判断。针对上述技术问题，提出了基于多维度的用户可调节负荷快速聚合方案，其使用基于深度神经网络的人工智能技术来综合待评估工商业用户的多维度数据，并得到用于表示可调节负荷能力值的解码值，继而基于所述解码值可对工商业用户参与电力需求响应提供决策支撑。
具体地，首先获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度。具体地，在本申请的技术方案中，所述时间维度：包括月维度、周维度、日维度(月维度和周维度只能任选其一)，以及每种维度下的时段区间；在不同的需求响应场景下，基于时间维度进行可调节负荷能力管理，例如在10月13点至14点期间，参与电力需求响应削峰事件的可调节负荷能力是多少等等；所述技术参数维度：包括爬坡时间、启停时间等等；所述优先级维度；对多维度的可调节负荷能力赋予优先级等级；所述典型场景维度：包括对于特定、典型场景的可调节能力管理，例如国庆假期7天的可调节负荷能力、进博会期间的可调节负荷能力等等；所述电压等级维度：在不同电压等级下的可调节负荷能力管理；所述电网分区维度：在不同电网分区下的可调节负荷能力管理；所述负荷聚合商维度：在不同负荷聚合商下的可调节负荷能力管理。
在步骤S120中，将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量。在得到所述多维度数据，可对不同维度的可调节负荷能力进行聚合，可以两两聚合，也可以多维度聚合，经过统计计算，得出多维度聚合可调节负荷能力，可以在任意时间、任意场景下，提供快速聚合可调节负荷能力。但是，各个维度数据之间的关联是复杂的且是非线性的，同时，在进行多维度聚合时，也难以确定各个维度数据所占权重，导致可调节负荷能力的聚合出现偏差。
针对上述技术问题，在本申请的技术方案中，使用基于深度神经网络模型的人工智能技术来基于数据智能对所述多维度数据进行多维度聚合以得到更为精准的用于表示可调节负荷能力值的解码值。
具体地，首先将所述待评估用户的多维度数据分别转化为嵌入向量，例如，通过可学习的嵌入矩阵对各个维度数据进行嵌入编码以将所述各个维度数据转化为嵌入向量以得到嵌入向量的序列；接着，将所述嵌入向量的序列通过基于转换器的上下文编码器以得到多个维度语义特征向量。这里，所述基于转换器的上下文编码器能够以自注意力机制来捕捉各个嵌入向量相对于其他所有嵌入向量的全局上下文语义关联信息以得到多个维度语义特征向量。
图3为根据本申请实施例的基于多维度的用户可调节负荷快速聚合方法中将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量的流程图。如图3所示，所述将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量，包括：S210，将所述嵌入向量的序列排列为输入向量；S220，将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；S230，计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；S240，对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；S250，将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，S260，将所述自注意力特征矩阵与以所述嵌入向量的序列中各个嵌入向量作为值向量分别进行相乘以得到所述多个维度语义特征向量。
在步骤S130中，将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量。虽然利用所述转换器机制能够捕捉各个嵌入向量的全局上下文语义关联，但是其在局部语义关联特征的提取方面相对表现较差，为了进行局部语义关联增强，在本申请的技术方案中，进一步利用一维卷积编码机制来捕捉各个嵌入向量之间的局部关联隐含特征。
具体地，首先将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量。例如，在一个具体的示例中，所述具有第一尺度的一维卷积核的尺度等于两个维度语义特征向量的尺度之和，相应地，在利用所述第一卷积神经网络模型对所述一维特征向量进行一维卷积编码时，其能够捕捉相邻两个维度数据之间的高维局部隐含关联特征。
具体地，在本申请实施例中，所述将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述第一尺度维度间语义特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
在步骤S140中，将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量。为了扩增特征感受野，在本申请的技术方案中，进一步将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量。例如，在一个具体的示例中，所述具有第二尺度的一维卷积核的尺度等于三个维度语义特征向量的尺度之和，相应地，在利用所述第二卷积神经网络模型对所述一维特征向量进行一维卷积编码时，其能够捕捉局部邻域内三个维度数据之间的高维局部隐含关联特征。应可以理解，在本申请的其他示例中，所述第一卷积神经网络模型的一维卷积核的尺度和/或所述第二卷积神经网络模型的第二卷积核的尺度可做出调整，同时，为了捕捉更多局部邻域内的多维度关联特征，还可以引入具有其他尺度的一维卷积核的卷积神经网络模型，对此，并不为本申请所局限。
具体地，在本申请实施例中，所述将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述第二尺度维度间语义特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在步骤S150中，融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量。也就是，融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以整合不同维度数据之间的高维局部隐含关联特征，并以此作为解码特征向量。
具体地，在本申请实施例中，所述融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量，包括：以如下公式对所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别进行相对类角度概率信息表示校正；其中所述公式为：
其中和/>分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的第i个特征值，且/>和/>是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的全部特征值的均值，V1和V2分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量，log表示以2为底的对数，/>和/>分别是校正后第一尺度维度间语义特征向量和校正后第二尺度维度间语义特征向量；以及，以如下公式融合所述校正后第一尺度维度间语义特征向量和所述校正后第二尺度维度间语义特征向量以得到解码特征向量；其中，所述公式为：
X＝Concat[V′1,V′2]
其中，V'1表示所述校正后第一尺度维度间语义特征向量，V'2表示所述校正后第二尺度维度间语义特征向量，X表示所述解码特征向量，Concat[·,·]表示级联函数。
这里，融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量时，由于所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别表达不同尺度下的维度语义特征之间的关联，因此其特征分布在高维特征空间内会存在空间位置误差，这样，如果直接通过点加的方式来融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量会影响所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的融合效果。
本申请的申请人考虑到所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量都是从所述多个维度语义特征向量的序列获得的，因此其作为同源特征表达在特征分布上存在一定的对应性，因此，可以对所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别进行相对类角度概率信息表示校正。
这里，所述相对类角度概率信息表示校正通过所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2之间的相对类角度概率信息表示，来进行所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2在高维特征空间内的特征分布的空间位置误差的几何精度稀释，从而在所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2间具有一定对应性的情况下，基于所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2各自的各位置的特征值分布相较于彼此整体的分布约束性，来通过按位置的逐点回归来进行特征的隐式上下文对应性校正，从而提高所述第一尺度维度间语义特征向量V1和所述第二尺度维度间语义特征向量V2的融合效果。
在步骤S160中，将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值。这样，使用基于深度神经网络的人工智能技术来聚合待评估工商业用户的多维度数据，并通过解码器来得到用于表示可调节负荷能力值的解码值。进一步地，基于所述解码值可对工商业用户参与电力需求响应提供决策支撑，例如，提供多维度的可调节负荷能力曲线，直观地进行展示。
具体地，在本申请实施例中，所述将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值，包括：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：其中X是所述解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵乘。
综上，基于本申请实施例的基于多维度的用户可调节负荷快速聚合方法被阐明，其使用基于深度神经网络模型的人工智能技术来基于数据智能对所述多维度数据进行多维度聚合和多尺度特征编码与提取，以得到更为精准的用于表示可调节负荷能力值的解码值。这样，构建基于多维度的用户可调节负荷快速聚合方案，来综合待评估工商业用户的多维度数据，进而基于上述解码值可对工商业用户参与电力需求响应提供决策支撑。
示例性***
图4为根据本申请实施例的基于多维度的用户可调节负荷快速聚合***的框图。如图4所示，根据本申请实施例的基于多维度的用户可调节负荷快速聚合***100，包括：多维数据获取模块110，用于获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度；上下文编码模块120，用于将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量；第一尺度一维编码模块130，用于将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量；第二尺度一维编码模块140，用于将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量；融合模块150，用于融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量；以及，解码回归模块160，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值。
在一个示例中，在上述基于多维度的用户可调节负荷快速聚合***100中，所述上下文编码模块120，包括：嵌入转化单元，用于将所述待评估用户的多维度数据通过嵌入层以将所述多维度数据中各个维度数据转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码；以及，编码单元，用于将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量。
在一个示例中，在上述基于多维度的用户可调节负荷快速聚合***100中，所述编码单元，进一步用于：将所述嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述嵌入向量的序列中各个嵌入向量作为值向量分别进行相乘以得到所述多个维度语义特征向量。
在一个示例中，在上述基于多维度的用户可调节负荷快速聚合***100中，所述第一尺度一维编码模块130，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述第一尺度维度间语义特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
在一个示例中，在上述基于多维度的用户可调节负荷快速聚合***100中，所述第二尺度一维编码模块140，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述第二尺度维度间语义特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在一个示例中，在上述基于多维度的用户可调节负荷快速聚合***100中，所述融合模块150，进一步用于：以如下公式对所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别进行相对类角度概率信息表示校正；其中所述公式为：
其中和/>分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的第i个特征值，且/>和/>是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的全部特征值的均值，V1和V2分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量，log表示以2为底的对数，v1i'和v2i'分别是校正后第一尺度维度间语义特征向量和校正后第二尺度维度间语义特征向量；以及，以如下公式融合所述校正后第一尺度维度间语义特征向量和所述校正后第二尺度维度间语义特征向量以得到解码特征向量；其中，所述公式为：
X＝Concat[V′1,V′2]
其中，V'1表示所述校正后第一尺度维度间语义特征向量，V'2表示所述校正后第二尺度维度间语义特征向量，X表示所述解码特征向量，Concat[·,·]表示级联函数。
在一个示例中，在上述基于多维度的用户可调节负荷快速聚合***100中，所述解码回归模块160，进一步用于：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为： 其中X是所述解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵乘。
这里，本领域技术人员可以理解，上述基于多维度的用户可调节负荷快速聚合***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于多维度的用户可调节负荷快速聚合方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于多维度的用户可调节负荷快速聚合***100可以实现在各种终端设备中，例如用于基于多维度的用户可调节负荷快速聚合的服务器等。在一个示例中，根据本申请实施例的基于多维度的用户可调节负荷快速聚合***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于多维度的用户可调节负荷快速聚合***100可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于多维度的用户可调节负荷快速聚合***100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于多维度的用户可调节负荷快速聚合***100与该终端设备也可以是分立的设备，并且该基于多维度的用户可调节负荷快速聚合***100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。图5图示了根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于多维度的用户可调节负荷快速聚合方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待评估用户的多维度数据等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于多维度的用户可调节负荷快速聚合方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于多维度的用户可调节负荷快速聚合方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种基于多维度的用户可调节负荷快速聚合方法，其特征在于，包括：
获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度，所述技术参数维度，包括：爬坡时间、启停时间；所述优先级维度，包括：对多维度的可调节负荷能力赋予优先级等级；
将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量；
将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量；
将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量；
融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量；以及
将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值；
其中，所述融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量，包括：
以如下公式对所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别进行相对类角度概率信息表示校正；
其中所述公式为：
其中和/>分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的第i个特征值，且/>和/>是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的全部特征值的均值，V1和V2分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量，log表示以2为底的对数，/>和/>分别是校正后第一尺度维度间语义特征向量和校正后第二尺度维度间语义特征向量的第i个特征值；以及
以如下公式融合所述校正后第一尺度维度间语义特征向量和所述校正后第二尺度维度间语义特征向量以得到解码特征向量；
其中，所述公式为：
X＝Concat[V′1,V′2]
其中，V'1表示所述校正后第一尺度维度间语义特征向量，V'2表示所述校正后第二尺度维度间语义特征向量，X表示所述解码特征向量，Concat[·,·]表示级联函数。
2.根据权利要求1所述的基于多维度的用户可调节负荷快速聚合方法，其特征在于，所述将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量，包括：
将所述待评估用户的多维度数据通过嵌入层以将所述多维度数据中各个维度数据转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码；以及
将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量。
3.根据权利要求2所述的基于多维度的用户可调节负荷快速聚合方法，其特征在于，所述将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量，包括：
将所述嵌入向量的序列排列为输入向量；
将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及
将所述自注意力特征矩阵与以所述嵌入向量的序列中各个嵌入向量作为值向量分别进行相乘以得到所述多个维度语义特征向量。
4.根据权利要求3所述的基于多维度的用户可调节负荷快速聚合方法，其特征在于，所述将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量，包括：
使用所述第一卷积神经网络模型的各层，在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理，以由所述第一卷积神经网络模型的最后一层输出所述第一尺度维度间语义特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
5.根据权利要求4所述的基于多维度的用户可调节负荷快速聚合方法，其特征在于，所述将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量，包括：
使用所述第二卷积神经网络模型的各层，在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理，以由所述第二卷积神经网络模型的最后一层输出所述第二尺度维度间语义特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
6.根据权利要求5所述的基于多维度的用户可调节负荷快速聚合方法，其特征在于，所述将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值，包括：
使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：其中X是所述解码特征向量，Y是所述解码值，W是权重矩阵，表示矩阵乘。
7.一种基于多维度的用户可调节负荷快速聚合***，其特征在于，包括：
多维数据获取模块，用于获取待评估用户的多维度数据，所述多维度数据包括时间维度数据、技术参数维度、优先级维度数据、典型场景维度数据、电压等级维度数据、电网分区维度数据和负荷聚合商维度，所述技术参数维度，包括：爬坡时间、启停时间；所述优先级维度，包括：对多维度的可调节负荷能力赋予优先级等级；
上下文编码模块，用于将所述待评估用户的多维度数据分别转化为嵌入向量后通过基于转换器的上下文编码器以得到多个维度语义特征向量；
第一尺度一维编码模块，用于将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度维度间语义特征向量；
第二尺度一维编码模块，用于将所述多个维度语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度维度间语义特征向量；
融合模块，用于融合所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量以得到解码特征向量；以及
解码回归模块，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示可调节负荷能力值；
其中，所述融合模块，包括：
以如下公式对所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量分别进行相对类角度概率信息表示校正；
其中所述公式为：
其中和/>分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的第i个特征值，且/>和/>是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量的全部特征值的均值，V1和V2分别是所述第一尺度维度间语义特征向量和所述第二尺度维度间语义特征向量，log表示以2为底的对数，/>和/>分别是校正后第一尺度维度间语义特征向量和校正后第二尺度维度间语义特征向量的第i个特征值；以及
以如下公式融合所述校正后第一尺度维度间语义特征向量和所述校正后第二尺度维度间语义特征向量以得到解码特征向量；
其中，所述公式为：
X＝Concat[V′1,V′2]
其中，V'1表示所述校正后第一尺度维度间语义特征向量，V'2表示所述校正后第二尺度维度间语义特征向量，X表示所述解码特征向量，Concat[·,·]表示级联函数。
8.根据权利要求7所述的基于多维度的用户可调节负荷快速聚合***，其特征在于，所述上下文编码模块，包括：
嵌入转化单元，用于将所述待评估用户的多维度数据通过嵌入层以将所述多维度数据中各个维度数据转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码；以及
编码单元，用于将所述嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个维度语义特征向量。
9.根据权利要求8所述的基于多维度的用户可调节负荷快速聚合***，其特征在于，所述编码单元，进一步用于：
将所述嵌入向量的序列排列为输入向量；
将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及
将所述自注意力特征矩阵与以所述嵌入向量的序列中各个嵌入向量作为值向量分别进行相乘以得到所述多个维度语义特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310039529.3A CN116561696B (zh) | 2023-01-11 | 2023-01-11 | 基于多维度的用户可调节负荷快速聚合方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310039529.3A CN116561696B (zh) | 2023-01-11 | 2023-01-11 | 基于多维度的用户可调节负荷快速聚合方法及其*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116561696A CN116561696A (zh) | 2023-08-08 |
| CN116561696B true CN116561696B (zh) | 2024-04-16 |
Family
ID=87486722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310039529.3A Active CN116561696B (zh) | 2023-01-11 | 2023-01-11 | 基于多维度的用户可调节负荷快速聚合方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116561696B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017114810A1 (en) * | 2015-12-31 | 2017-07-06 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture |
| CN112418526A (zh) * | 2020-11-24 | 2021-02-26 | 国网天津市电力公司 | 基于改进深度信念网络的综合能源负荷控制方法及装置 |
| CN114362212A (zh) * | 2022-03-21 | 2022-04-15 | 北京鼎诚鸿安科技发展有限公司 | 一种多类型电网负荷资源数据处理与调节方法及*** |
| CN114757710A (zh) * | 2022-04-25 | 2022-07-15 | 深圳供电局有限公司 | 一种用于负荷聚合商投标的评估方法 |
| CN115146488A (zh) * | 2022-09-05 | 2022-10-04 | 山东鼹鼠人才知果数据科技有限公司 | 基于大数据的可变业务流程智能建模***及其方法 |
| CN115409776A (zh) * | 2022-07-26 | 2022-11-29 | 华北电力大学（保定） | 一种基于方位推理的输电线路金具图卷积检测方法及*** |
| CN115409649A (zh) * | 2022-08-29 | 2022-11-29 | 华能国际电力开发公司吉林通榆风电分公司 | 风电场能量管理***及其方法 |
| WO2022267960A1 (zh) * | 2021-06-24 | 2022-12-29 | 长沙理工大学 | 基于客户端选择的联邦注意力dbn协同检测*** |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估***及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215223B (zh) * | 2020-10-16 | 2024-03-19 | 清华大学 | 基于多元注意力机制的多方向场景文字识别方法及*** |
-
2023
- 2023-01-11 CN CN202310039529.3A patent/CN116561696B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017114810A1 (en) * | 2015-12-31 | 2017-07-06 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture |
| CN112418526A (zh) * | 2020-11-24 | 2021-02-26 | 国网天津市电力公司 | 基于改进深度信念网络的综合能源负荷控制方法及装置 |
| WO2022267960A1 (zh) * | 2021-06-24 | 2022-12-29 | 长沙理工大学 | 基于客户端选择的联邦注意力dbn协同检测*** |
| CN114362212A (zh) * | 2022-03-21 | 2022-04-15 | 北京鼎诚鸿安科技发展有限公司 | 一种多类型电网负荷资源数据处理与调节方法及*** |
| CN114757710A (zh) * | 2022-04-25 | 2022-07-15 | 深圳供电局有限公司 | 一种用于负荷聚合商投标的评估方法 |
| CN115409776A (zh) * | 2022-07-26 | 2022-11-29 | 华北电力大学（保定） | 一种基于方位推理的输电线路金具图卷积检测方法及*** |
| CN115409649A (zh) * | 2022-08-29 | 2022-11-29 | 华能国际电力开发公司吉林通榆风电分公司 | 风电场能量管理***及其方法 |
| CN115146488A (zh) * | 2022-09-05 | 2022-10-04 | 山东鼹鼠人才知果数据科技有限公司 | 基于大数据的可变业务流程智能建模***及其方法 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估***及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于负荷分解与聚类融合的短期负荷预测研究;苗宏佳;白明辉;张婉明;白雪松;常牧涵;席海阔;;电子测量技术;20200608(11);59-64 * |
| 基于负荷数据分析的用户侧用电感知与失电影响评估方法研究;李方舟;霍健;;山东电力技术;20200325(03);38-44 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116561696A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gilanifar et al. | Multitask Bayesian spatiotemporal Gaussian processes for short-term load forecasting | |
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理*** | |
| CN102929646B (zh) | 应用程序生成方法及装置 | |
| US20210342122A1 (en) | Electric power software development platform | |
| CN115994177B (zh) | 基于数据湖的知识产权管理方法及其*** | |
| CN114676830B (zh) | 一种基于神经网络编译器的仿真实现方法 | |
| CN115827257B (zh) | 用于处理器体系的cpu容量预测方法及其*** | |
| CN116095089B (zh) | 遥感卫星数据处理方法及*** | |
| CN116151545A (zh) | 一种多风电机组功率控制优化*** | |
| CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
| US20240161474A1 (en) | Neural Network Inference Acceleration Method, Target Detection Method, Device, and Storage Medium | |
| CN116307624A (zh) | 一种erp***的资源调度方法及其*** | |
| CN116151604A (zh) | 一种web环境下办公***流程分析***及其方法 | |
| CN117744855A (zh) | 基于机器学习的负荷预测***及方法 | |
| CN116404212B (zh) | 锌铁液流电池***容量均衡控制方法及*** | |
| CN116561696B (zh) | 基于多维度的用户可调节负荷快速聚合方法及其*** | |
| CN116128250A (zh) | 面向现货市场的售电偏差管理方法及其*** | |
| CN116701975A (zh) | 一种考虑时空特性的风资源分区方法、装置及电子设备 | |
| CN116228014A (zh) | 一种基础设施入网的直流配电网效益评估***及其方法 | |
| Li et al. | Comparison and application potential analysis of autoencoder-based electricity pattern mining algorithms for large-scale demand response | |
| Lan et al. | Efficient converted spiking neural network for 3d and 2d classification | |
| CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
| CN116029520B (zh) | 基于电力需求响应的在线调度方法及其*** | |
| Salatiello et al. | Synthesizing Building Operation Data with Generative Models: VAEs, GANs, or Something In Between? | |
| CN116624977B (zh) | 一种基于人工智能的楼宇自控***及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |