电力数据的处理方法和装置与流程

本申请涉及电力数据处理领域，具体而言，涉及一种电力数据的处理方法和装置。

背景技术：

为了保障电网稳定运行，需要对用电情况实施需求响应工作，需求响应主要包含负荷预测、响应事件发起、指标分解、指令执行以及响应评价等几个环节。由于地区、场景的不同，在具体实施需求响应时，存在各自的差异，提高了相关系统的研发成本，在评价环节尤为明显。也即，在每一套部署的需求响应系统当中，需要设计独立的评价算法。

由于需求响应会影响用户的正常用电，这为需求响应的落地推广制造了一定的障碍。作为需求响应的最后一个环节，响应评价与对用户的补贴息息相关，直接影响用户的参与意愿和具体的参与方式，如何设计一种能够自适应不同需求响应场景的，用户接受度高的评价方法，对推动需求响应的落地和实施大有好处。

针对相关技术中为了电网的稳定运行需要对电力需求响应进行评价，但每一套电力需求响应系统均需要定制评价方案，评价方案普适度不高的问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请提供一种电力数据的处理方法和装置，以解决相关技术中为了电网的稳定运行需要对电力需求响应进行评价，但每一套电力需求响应系统均需要定制评价方案，评价方案普适度不高的问题。

根据本申请的一个方面，提供了一种电力数据的处理方法。该方法包括：由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式；基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数，其中，参数至少包括历史电力需求响应事件的电力系统实际负荷和历史电力需求响应事件的电力系统目标负荷；基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价。

进一步地，由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式包括：构建i时刻电力系统实际负荷与电力系统目标负荷之间的负荷距离

其中，pi表示i时刻的电力系统实际负荷，表示i时刻的电力系统目标负荷；

根据各个时间点的负荷距离的放大指数以及各个时间点的权重系数确定目标负荷距离

其中，wi表示i时刻的权重系数，m表示i时刻的负荷距离的放大指数，n表示量测的时间点的数目；

基于目标负荷距离构建电力需求响应评价公式s：

进一步地，基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数包括：基于多个历史电力需求响应事件构建的神经网络模型，并根据神经网络模型输出历史电力需求响应评价值；计算历史电力需求响应评价值与期望的电力需求响应评价值的方差；基于方差更新各个时间点的负荷距离的放大指数；基于方差更新各个时间点的权重系数。

进一步地，基于多个历史电力需求响应事件构建的神经网络模型，并根据神经网络模型输出历史电力需求响应评价值包括：

构建输入层，在输入层输入i时刻历史电力需求响应事件的电力系统实际负荷pi和电力系统目标负荷

构建隐含层，在隐含层计算中间值hi：

其中，m表示i时刻的负荷距离的放大指数；

构建输出层，在输出层计算历史电力需求响应评价值oreal：

其中，wi表示i时刻的权重系数，n表示量测的时间点的数目；

基于输入层、隐含层和输出层构建神经网络模型；基于神经网络模型输出历史电力需求响应评价值oreal。

进一步地，计算历史电力需求响应评价值与期望的电力需求响应评价值的方差包括：

其中，E表示历史电力需求响应评价值与期望的电力需求响应评价值的方差，otar表示期望的电力需求响应评价值。

进一步地，基于方差更新各个时间点的负荷距离的放大指数包括：

计算方差关于wi的偏导

其中，表示方差关于oreal的偏导，表示oreal关于wi的偏导；

计算i时刻更新后的负荷距离的放大指数

其中，ηw表示学习速度。

进一步地，基于方差更新各时间点的权重系数包括：

计算方差关于m的偏导

其中，表示方差关于oreal的偏导，表示oreal关于m的偏导；

计算i时刻更新后的权重系数m⁺：

其中，ηw表示学习速度。

进一步地，基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价包括：在更新结束的情况下，将更新后的各个时间点的负荷距离的放大指数、更新后的各个时间点的权重系数带入电力需求响应系统的评价公式，得到更新后的评价公式；获取各个时间点目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷；将目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷带入更新后的评价公式，计算达到目标电力需求响应事件的评价值。

根据本申请的另一方面，提供了一种电力数据的处理装置。该装置包括：第一构建单元，用于由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式；第二构建单元，用于基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数，其中，参数至少包括历史电力需求响应事件的电力系统实际负荷和历史电力需求响应事件的电力系统目标负荷；更新单元，用于基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价。

为了实现上述目的，根据本申请的另一方面，提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述任意一种电力数据的处理方法。

为了实现上述目的，根据本申请的另一方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一种电力数据的处理方法。

通过本申请，采用以下步骤：由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式；基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数，其中，参数至少包括历史电力需求响应事件的电力系统实际负荷和历史电力需求响应事件的电力系统目标负荷；基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价，解决了相关技术中为了电网的稳定运行需要对电力需求响应进行评价，但每一套电力需求响应系统均需要定制评价方案，评价方案普适度不高的问题。通过对各个时间点的负荷距离的放大指数、各时间点的权重系数进行更新，并代入创建的电力需求响应系统的评价公式，对需求响应进行评价，进而达到了多套电力需求响应系统可以适用一套评价方案，评价方案普适度高的效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的电力数据的处理方法的流程图；

图2是根据本申请实施例提供的电力数据的处理方法的神经网络模型；

图3是根据本申请实施例提供的电力数据的处理方法的仿真结果图；以及

图4是根据本申请实施例提供的电力数据的处理装置的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本申请的实施例，提供了一种电力数据的处理方法。

图1是根据本申请实施例的电力数据的处理方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式。

可选地，在本申请实施例提供的电力数据的处理方法中，由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式包括：构建i时刻所述电力系统实际负荷与所述电力系统目标负荷之间的负荷距离

其中，pi表示i时刻的电力系统实际负荷，表示i时刻的电力系统目标负荷；

根据各个时间点的所述负荷距离的放大指数以及各个时间点的所述权重系数确定目标负荷距离

其中，wi表示i时刻的权重系数，m表示i时刻的负荷距离的放大指数，n表示量测的时间点的数目；需要说明的是，初始阶段wi设置为1，m设置为2。

基于所述目标负荷距离构建电力需求响应评价公式s：

步骤S102，基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的所述负荷距离的放大指数以及各个时间点的所述权重系数，其中，所述参数至少包括所述历史电力需求响应事件的电力系统实际负荷和所述历史电力需求响应事件的电力系统目标负荷。

具体地，由系统管理员，结合需求，选择若干次(一般为十次)已发生的需求响应事件，基于这些需求响应事件的参数进行建模。

可选地，在本申请实施例提供的电力数据的处理方法中，基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的所述负荷距离的放大指数以及各个时间点的所述权重系数包括：基于所述多个历史电力需求响应事件构建的神经网络模型，并根据所述神经网络模型输出历史电力需求响应评价值；计算所述历史电力需求响应评价值与期望的电力需求响应评价值的方差；基于所述方差更新各个时间点的所述负荷距离的放大指数；基于所述方差更新各个时间点的所述权重系数。

可选地，在本申请实施例提供的电力数据的处理方法中，基于所述多个历史电力需求响应事件构建的神经网络模型，并根据所述神经网络模型输出历史电力需求响应评价值包括：

如图2所示，构建输入层，在所述输入层输入i时刻所述历史电力需求响应事件的电力系统实际负荷pi和电力系统目标负荷

构建隐含层，在所述隐含层计算中间值hi：

其中，m表示i时刻的所述负荷距离的放大指数；

构建输出层，在所述输出层计算所述历史电力需求响应评价值oreal：

其中，wi表示i时刻的权重系数，n表示量测的时间点的数目；

基于所述输入层、所述隐含层和所述输出层构建所述神经网络模型；基于所述神经网络模型输出所述历史电力需求响应评价值oreal。

可选地，在本申请实施例提供的电力数据的处理方法中，计算所述历史电力需求响应评价值与期望的电力需求响应评价值的方差包括：

其中，E表示所述历史电力需求响应评价值与期望的电力需求响应评价值的方差，otar表示所述期望的电力需求响应评价值。

可选地，在本申请实施例提供的电力数据的处理方法中，基于所述方差更新各个时间点的所述负荷距离的放大指数包括：

计算所述方差关于wi的偏导

其中，表示所述方差关于oreal的偏导，表示oreal关于wi的偏导；

计算i时刻更新后的所述负荷距离的放大指数

其中，ηw表示学习速度。

可选地，在本申请实施例提供的电力数据的处理方法中，基于所述方差更新各时间点的所述权重系数包括：

计算所述方差关于m的偏导

其中，表示所述方差关于oreal的偏导，表示oreal关于m的偏导；

计算i时刻更新后的所述权重系数m⁺：

其中，ηw表示学习速度。

需要说明的是，方差值小于管理员指定数值时，参数更新结束；当方差值大于管理员指定数值时，重复上述更新过程。

步骤S103，基于更新后的各个时间点的所述负荷距离的放大指数、更新后的各时间点的所述权重系数以及所述电力需求响应系统的评价公式，对目标电力需求响应事件进行评价。

可选地，在本申请实施例提供的电力数据的处理方法中，基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价包括：在更新结束的情况下，将更新后的各个时间点的负荷距离的放大指数、更新后的各个时间点的权重系数带入电力需求响应系统的评价公式，得到更新后的评价公式；获取各个时间点目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷；将目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷带入更新后的评价公式，计算达到目标电力需求响应事件的评价值。

例如，图3为本申请实施例提供的电力数据的处理方法的仿真结果图。

本仿真取北京大兴区的电力数据，每五分钟采集一次数据，由于在神经网络模型中，一次事件一般不超过4小时，因此n的值为48。选择129个用户作为分析对象，这些用户中，2017年经历了3起能效提升事件，在每起事件中，都对参与提升的各用户单独进行评价，3起事件合计用户评价267次。在这些评价中，以最初的9次能效提升事件作为训练样本得到神经网络模型，经计算，得到一个48点(图3仅标注24点)的递增权重向量，根据权重向量将m调整为5.7，利用本方法优化后的权重，BP神经网络的泛化性能更高，测试集的预测误差更低，评价结果的准备性很高。本方法可以推广到智能电网园区其它大型用能机构的需求响应实施中，有利于推动需求响应的落地应用，实现电网的稳定性。

本申请实施例提供的电力数据的处理方法，通过由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式；基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数，其中，参数至少包括历史电力需求响应事件的电力系统实际负荷和历史电力需求响应事件的电力系统目标负荷；基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价，解决了相关技术中为了电网的稳定运行需要对电力需求响应进行评价，但每一套电力需求响应系统均需要定制评价方案，评价方案普适度不高的问题。通过对各个时间点的负荷距离的放大指数、各时间点的权重系数进行更新，并代入创建的电力需求响应系统的评价公式，对需求响应进行评价，进而达到了多套电力需求响应系统可以适用一套评价方案，评价方案普适度高的效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种电力数据的处理装置，需要说明的是，本申请实施例的电力数据的处理装置可以用于执行本申请实施例所提供的用于电力数据的处理方法。以下对本申请实施例提供的电力数据的处理装置进行介绍。

图4是根据本申请实施例的电力数据的处理装置的示意图。如图4所示，该装置包括：第一构建单元10、第二构建单元20和更新单元30。

具体地，第一构建单元10，用于由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式。

第二构建单元20，用于基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数，其中，参数至少包括历史电力需求响应事件的电力系统实际负荷和历史电力需求响应事件的电力系统目标负荷。

更新单元30，用于基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价。

可选地，在本申请实施例提供的电力数据的处理装置中，第一构建单元包括：第一构建模块，用于构建i时刻电力系统实际负荷与电力系统目标负荷之间的负荷距离

其中，pi表示i时刻的电力系统实际负荷，表示i时刻的电力系统目标负荷；

第一确定模块，用于根据各个时间点的负荷距离的放大指数以及各个时间点的权重系数确定目标负荷距离

其中，wi表示i时刻的权重系数，m表示i时刻的负荷距离的放大指数，n表示量测的时间点的数目；

第二构建模块，用于基于目标负荷距离构建电力需求响应评价公式s：

可选地，在本申请实施例提供的电力数据的处理装置中，第二构建单元包括：第三构建模块，用于基于多个历史电力需求响应事件构建的神经网络模型，并根据神经网络模型输出历史电力需求响应评价值；第一计算模块，用于计算历史电力需求响应评价值与期望的电力需求响应评价值的方差；第一更新模块，用于基于方差更新各个时间点的负荷距离的放大指数；第二更新模块，用于基于方差更新各个时间点的权重系数。

可选地，在本申请实施例提供的电力数据的处理装置中，第三构建模块包括：第一构建子模块，用于构建输入层，在输入层输入i时刻历史电力需求响应事件的电力系统实际负荷pi和电力系统目标负荷第二构建子模块，用于构建隐含层，在隐含层计算中间值hi：

其中，m表示i时刻的负荷距离的放大指数；

第三构建子模块，用于构建输出层，在输出层计算历史电力需求响应评价值oreal：

其中，wi表示i时刻的权重系数，n表示量测的时间点的数目；

第四构建子模块，用于基于输入层、隐含层和输出层构建神经网络模型；输出子模块，用于基于神经网络模型输出历史电力需求响应评价值oreal。

可选地，在本申请实施例提供的电力数据的处理装置中，第一计算模块包括：

其中，E表示历史电力需求响应评价值与期望的电力需求响应评价值的方差，otar表示期望的电力需求响应评价值。

可选地，在本申请实施例提供的电力数据的处理装置中，第一更新模块包括：第一计算子模块，用于计算方差关于wi的偏导

其中，表示方差关于oreal的偏导，表示oreal关于wi的偏导；

第二计算子模块，用于计算i时刻更新后的负荷距离的放大指数

其中，ηw表示学习速度。

可选地，在本申请实施例提供的电力数据的处理装置中，第二更新模块包括：第三计算子模块，用于计算方差关于m的偏导

其中，表示方差关于oreal的偏导，表示oreal关于m的偏导；

第四计算子模块，用于计算i时刻更新后的权重系数m⁺：

其中，ηw表示学习速度。

可选地，在本申请实施例提供的电力数据的处理装置中，更新单元包括：代入模块，用于在更新结束的情况下，将更新后的各个时间点的负荷距离的放大指数、更新后的各个时间点的权重系数带入电力需求响应系统的评价公式，得到更新后的评价公式；获取模块，用于获取各个时间点目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷；第二计算模块，用于将目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷带入更新后的评价公式，计算达到目标电力需求响应事件的评价值。

本申请实施例提供的电力数据的处理装置，通过第一构建单元10由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式；第二构建单元20基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数，其中，参数至少包括历史电力需求响应事件的电力系统实际负荷和历史电力需求响应事件的电力系统目标负荷；更新单元30基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价，解决了相关技术中为了电网的稳定运行需要对电力需求响应进行评价，但每一套电力需求响应系统均需要定制评价方案，评价方案普适度不高的问题，通过对各个时间点的负荷距离的放大指数、各时间点的权重系数进行更新，并代入创建的电力需求响应系统的评价公式，对需求响应进行评价，进而达到了多套电力需求响应系统可以适用一套评价方案，评价方案普适度高的效果。

所述电力数据的处理装置包括处理器和存储器，上述第一构建单元10、第二构建单元20和更新单元30等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中为了电网的稳定运行需要对电力需求响应进行评价，但每一套电力需求响应系统均需要定制评价方案，评价方案普适度不高的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述电力数据的处理方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述电力数据的处理方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式；基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数，其中，参数至少包括历史电力需求响应事件的电力系统实际负荷和历史电力需求响应事件的电力系统目标负荷；基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价。

由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式包括：构建i时刻电力系统实际负荷与电力系统目标负荷之间的负荷距离

其中，pi表示i时刻的电力系统实际负荷，表示i时刻的电力系统目标负荷；

根据各个时间点的负荷距离的放大指数以及各个时间点的权重系数确定目标负荷距离

其中，wi表示i时刻的权重系数，m表示i时刻的负荷距离的放大指数，n表示量测的时间点的数目；

基于目标负荷距离构建电力需求响应评价公式s：

基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数包括：基于多个历史电力需求响应事件构建的神经网络模型，并根据神经网络模型输出历史电力需求响应评价值；计算历史电力需求响应评价值与期望的电力需求响应评价值的方差；基于方差更新各个时间点的负荷距离的放大指数；基于方差更新各个时间点的权重系数。

基于多个历史电力需求响应事件构建的神经网络模型，并根据神经网络模型输出历史电力需求响应评价值包括：

构建输入层，在输入层输入i时刻历史电力需求响应事件的电力系统实际负荷pi和电力系统目标负荷

构建隐含层，在隐含层计算中间值hi：

其中，m表示i时刻的负荷距离的放大指数；

构建输出层，在输出层计算历史电力需求响应评价值oreal：

其中，wi表示i时刻的权重系数，n表示量测的时间点的数目；

基于输入层、隐含层和输出层构建神经网络模型；基于神经网络模型输出历史电力需求响应评价值oreal。

计算历史电力需求响应评价值与期望的电力需求响应评价值的方差包括：

其中，E表示历史电力需求响应评价值与期望的电力需求响应评价值的方差，otar表示期望的电力需求响应评价值。

基于方差更新各个时间点的负荷距离的放大指数包括：

计算方差关于wi的偏导

其中，表示方差关于oreal的偏导，表示oreal关于wi的偏导；

计算i时刻更新后的负荷距离的放大指数

其中，ηw表示学习速度。

基于方差更新各时间点的权重系数包括：

计算方差关于m的偏导

其中，表示方差关于oreal的偏导，表示oreal关于m的偏导；

计算i时刻更新后的权重系数m⁺：

其中，ηw表示学习速度。

基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价包括：在更新结束的情况下，将更新后的各个时间点的负荷距离的放大指数、更新后的各个时间点的权重系数带入电力需求响应系统的评价公式，得到更新后的评价公式；获取各个时间点目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷；将目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷带入更新后的评价公式，计算达到目标电力需求响应事件的评价值。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式；基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数，其中，参数至少包括历史电力需求响应事件的电力系统实际负荷和历史电力需求响应事件的电力系统目标负荷；基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价。

由各个时间点的电力系统实际负荷与电力系统目标负荷之间的负荷距离、各个时间点的负荷距离的放大指数以及各个时间点的权重系数构建电力需求响应评价公式包括：构建i时刻电力系统实际负荷与电力系统目标负荷之间的负荷距离

其中，pi表示i时刻的电力系统实际负荷，表示i时刻的电力系统目标负荷；

根据各个时间点的负荷距离的放大指数以及各个时间点的权重系数确定目标负荷距离

其中，wi表示i时刻的权重系数，m表示i时刻的负荷距离的放大指数，n表示量测的时间点的数目；

基于目标负荷距离构建电力需求响应评价公式s：

基于多个历史电力需求响应事件的参数构建模型，以更新各个时间点的负荷距离的放大指数以及各个时间点的权重系数包括：基于多个历史电力需求响应事件构建的神经网络模型，并根据神经网络模型输出历史电力需求响应评价值；计算历史电力需求响应评价值与期望的电力需求响应评价值的方差；基于方差更新各个时间点的负荷距离的放大指数；基于方差更新各个时间点的权重系数。

基于多个历史电力需求响应事件构建的神经网络模型，并根据神经网络模型输出历史电力需求响应评价值包括：

构建输入层，在输入层输入i时刻历史电力需求响应事件的电力系统实际负荷pi和电力系统目标负荷

构建隐含层，在隐含层计算中间值hi：

其中，m表示i时刻的负荷距离的放大指数；

构建输出层，在输出层计算历史电力需求响应评价值oreal：

其中，wi表示i时刻的权重系数，n表示量测的时间点的数目；

基于输入层、隐含层和输出层构建神经网络模型；基于神经网络模型输出历史电力需求响应评价值oreal。

计算历史电力需求响应评价值与期望的电力需求响应评价值的方差包括：

其中，E表示历史电力需求响应评价值与期望的电力需求响应评价值的方差，otar表示期望的电力需求响应评价值。

基于方差更新各个时间点的负荷距离的放大指数包括：

计算方差关于wi的偏导

其中，表示方差关于oreal的偏导，表示oreal关于wi的偏导；

计算i时刻更新后的负荷距离的放大指数

其中，ηw表示学习速度。

基于方差更新各时间点的权重系数包括：

计算方差关于m的偏导

其中，表示方差关于oreal的偏导，表示oreal关于m的偏导；

计算i时刻更新后的权重系数m⁺：

其中，ηw表示学习速度。

基于更新后的各个时间点的负荷距离的放大指数、更新后的各时间点的权重系数以及电力需求响应系统的评价公式，对目标电力需求响应事件进行评价包括：在更新结束的情况下，将更新后的各个时间点的负荷距离的放大指数、更新后的各个时间点的权重系数带入电力需求响应系统的评价公式，得到更新后的评价公式；获取各个时间点目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷；将目标电力需求响应事件的电力系统实际负荷与电力系统目标负荷带入更新后的评价公式，计算达到目标电力需求响应事件的评价值。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。