【技术实现步骤摘要】
本专利技术涉及多类型资源用户负荷可调节潜力推演领域，尤其涉及一种基于tcn-gru的负荷可调节潜力推演方法。
技术介绍
1、为了加快构建“清洁低碳、安全充裕、经济高效、供需协同、灵活智能的新型电力系统”，负荷规模性可调节潜力不断释放，这将对于电力保供具有十分重要的意义。且可调节负荷占全社会用电量的比例正不断增加，亟需加快提升负荷调控能力，这对深挖多类型可调节资源的潜力评估提出了更高要求。
2、现阶段，通过机器学习算法研究用户负荷潜力分级及其负荷资源特征分析等方面，在基于监督学习的可调负荷分类研究中，通过回归分析来预测连续的负荷曲线走势，通过分类算法对需求侧资源及其调控能力进行分类。在基于非监督学习的负荷调控潜力研究中，通常通过主成分分析、k-means聚类算法等提取可调负荷资源的主要特征，实现多维特征数据的降维和相似度分析。在基于神经卷积网络进行可调负荷模型的研究中，可以利用cnn，rnn以及lstm等算法实现可调节负荷资源对需求响应的推演和调控潜力分析。
3、然而，以上方法对于较长的负荷时间序列建模有局限性，且模型训练耗时长，占用内存大，且基于rnn的时间序列建模的过程中存在梯度消失问题。然而，时间卷积神经网络tcn能够解决rnn耗时长的问题，且引入残差卷积跳层连接，能够通过卷积来捕捉时间序列的时间特性以及时间序列的复杂组合模式，对于负荷可调节潜力推演建模十分有优势。tcn可以提取时序的单维单向空间特征，却不擅长提取时序元素的顺序特征。
4、此外，门控循环单元gru相较于预测能力相近的lst
技术实现思路
1、为了提升负荷可调节潜力预测评估能力，推进不同电网互动场景下多类型可调节负荷时序特征分析体系的构建，本专利技术提出一种基于tcn-gru的负荷可调节潜力推演方法。
2、一种基于tcn-gru的负荷可调节潜力推演方法，所述方法包括：
3、步骤1，选取多类型可调节资源用户的响应时间点及负荷功率时序数据，按照响应持续时长分布分为三个部分：响应持续ⅰ区、响应持续ⅱ区及响应持续ⅲ区，其中响应持续ⅰ区为响应持续时间大于一周的用户，响应持续ⅱ区为响应持续时间小于一周且大于一天的用户，响应持续ⅲ区为响应持续时间小于一天的用户；利用孤立森林聚类算法检测并剔除各部分区域内对应的负荷时序数据点，形成用户合格负荷时序数据集；
4、步骤2，构建tcn-gru模型，采用时间卷积神经网络tcn对用户合格负荷时序数据集中的单维用户负荷数据进行顺序及单维空间特征提取，再通过门控循环单元gru对负荷数据进行顺序特征的二次提取；
5、步骤3，将提取后的关键特征接入预测器，进行tcn-gru模型与预测器的联合训练。
6、进一步的，步骤1中，选取多类型可调节资源用户不同互动场景下的响应时间点-负荷(用户设备功率)平行数据集，对划分响应持续时长区间内相应的数据点进行异常值检测与剔除处理方式具体为：
7、选取不同类型用户的响应时间点及其对应的负荷数据，构造平行数据集，将三个响应持续时长区间分别投射至二维平面，结合响应时间点-负荷标准曲线，分别通过调整孤立森林聚类算法的超参数以确定最优决策边界，所面向的数据应包含以下几点特征：
8、1)异常负荷数据占总样本的比例较小；
9、2)异常负荷数据与正常负荷数据特征值之间的差异较大；
10、基于孤立森林聚类算法的多类型可调节资源用户负荷数据异常值检测算法如下：
11、给定d维特征用户负荷样本数据x＝{x1,……,xn}，随机选择属性q及分隔值p循环划分样本，同时增加树高度，当过程中满足以下三个条件时，即停止划分：
12、1)树高度达到极限；
13、2)|x|＝1时；
14、3)样本x中所有数据数值均相同；
15、通过综合计算每个样本x经过每棵树的结果后，即得到多类型用户负荷时序数据的异常分数s(x,n)。假设所有可调节资源用户的负荷样本x各不相同，当孤立树全增长时，每个实例均被孤立至外部节点，此时外部节点数目为n，内部节点数目为n-1；内存需求有界，随n线性增长；现定义实例x的异常分数s(x,n)如式(1)：
16、
17、c(n)＝2h(n-1)-(2(n-1)/n) (2)
18、其中h(x)为样本路径，e(h(x))为样本x在一群孤立树中的路径长度期望，式(2)中c(n)为bst中搜索失败的平均路径长度；
19、关于检测异常样本的方法，相关判据如下：
20、1)如果样本返回值s十分接近1，则将其归类为异常负荷数据并进行删除；
21、2)若s＜＜0.5，则将其纳入用户合格负荷时序数据集；
22、3)若所有样本返回s≈0.5，则样本整体无明显异常；
23、通过随机森林聚类算法将决策边界内的负荷数据纳入用户合格负荷时序数据集，筛选并删除决策边界外部的异常负荷数据，重复该过程直至形成最终的用户合格负荷时序数据集。
24、计及多类型用户负荷及响应时间耦合关系，在二者构成的特征空间内，利用孤立森林随机分割初始数据集，构建并融合多个子检测器，对连续数据利用超平面进行随机循环分割，查找路径较短的数据点，即分布稀疏且距离高密度群体较远的孤立点，并将其归类为异常值。不断优化模型检测能力，最终完成用户负荷时序数据的异常值检测。
25、在异常值检测后，对用户合格负荷时序数据集中的负荷数据进行归一化处理，将负荷时序数据缩放至[0,1]之间：
26、
27、式(3)中，x为原始负荷数据，x’即为负荷归一化状态；min(x)表示最小负荷序列，max(x)表示最大负荷序列；模型输入的时序数据均由x’构成。
28、进一步的，所述tcn-gru模型中，通过tcn网络对负荷进行特征提取，进而对多类型用户负荷时序数据进行可调节潜力推演，具体为：
29、在时间维度上利用时域卷积网络(tcn)来捕捉多类型可调节资源用户负荷时序数据中的特征、组合模式和关系，采用卷积来提取多类型用户负荷时间序列的时间特性。时域卷积网络使用并行卷积操作，使得网络能够高效地捕捉用户负荷长距离的依赖关系。
30、首先，tcn网络具有稀疏连接机制。即每个卷积层的输出仅依赖于输入序列中的一小部分，且不会受到输入负荷序列的长度影响。这种稀疏连接的结构使得tcn能够处理任意长度的输入序列。考虑到各类型可调节资源的用户负荷模型均为以时间为变量的函数，因此选取tcn网络对负荷进行可调节潜力推演是具有可靠性的。用户通过参加负荷调控和需求响应后，其负荷时序曲线发生变化与参与负荷调控之前的负荷变化情况有着密切的关系，从而可以更精确的找到用户负荷时序数据在长时间间隔下的本文档来自技高网...
【技术保护点】
1.一种基于TCN-GRU的负荷可调节潜力推演方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于TCN-GRU的负荷可调节潜力推演方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种基于TCN-GRU的负荷可调节潜力推演方法，其特征在于，所述TCN-GRU模型中，通过TCN网络对负荷进行特征提取，进而对多类型用户负荷时序数据进行可调节潜力推演，具体为：
4.根据权利要求1所述的一种基于TCN-GRU的负荷可调节潜力推演方法，其特征在于，所述步骤2中，对TCN提取后的特征向量的二次提取方式，以GRU结构为核心，具体为：
5.根据权利要求1所述的一种基于TCN-GRU的负荷可调节潜力推演方法，其特征在于，所述步骤3包括：
6.根据权利要求5所述的一种基于TCN-GRU的负荷可调节潜力推演方法，其特征在于，所述联合模型网络结构层次如下：
7.根据权利要求5所述的一种基于TCN-GRU的负荷可调节潜力推演方法，其特征在于，所述联合模型训练过程中重要超参数设置如下：
【技术特征摘要】
1.一种基于tcn-gru的负荷可调节潜力推演方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于tcn-gru的负荷可调节潜力推演方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种基于tcn-gru的负荷可调节潜力推演方法，其特征在于，所述tcn-gru模型中，通过tcn网络对负荷进行特征提取，进而对多类型用户负荷时序数据进行可调节潜力推演，具体为：
4.根据权利要求1所述的一种基于tcn-gru的负荷可调节潜力推...
【专利技术属性】
技术研发人员：刘向向，陈宋宋，饶员良，刘明，罗耀明，邓礼敏，符宏荣，李昊翔，范志夫，陈珂，叶建，田静，唐亮，
申请(专利权)人：国网江西省电力有限公司供电服务管理中心，
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。