基于环境上下文和用户反馈信息的用电模型优化方法与流程

本发明涉及一种用电模型优化方法，尤其涉及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。

背景技术：

电力资源是当今社会中最为重要的能源之一，它的使用量巨大但是难以存储，并且在传输过程中也存在大量损耗，远距离调度也十分困难，所以，根据各地区的用电情况，合理地分配电力资源就变得格外重要。然而，在日常生活中，各个地区对于电力资源的需求是在实时变化的，甚至在短时间内会发生剧烈的改变，比如用电需求大幅上升下降，或骤停骤起，这些情况会对电网系统造成巨大的压力，导致电荷的大幅波动，这会对电网造成剧烈冲击，影响到电网的稳定性。因此，电网自身需要具备自主调节能力和优化能力，以应对这些突发状况，甚至可以根据以往经验提前进行准备。

传统的模型动态优化方法主要有变分法和最优控制论。它们都是把模型归结成最优控制问题，通过求解泛函(函数对应的数值)的极值，来达到动态优化的目的，这两种方法将原有模型问题简化，求解简便，但是实际环境是更加复杂的，尤其是电网模型中多变的情况明显不适用于这种方法，其中任何细微的变化都有可能影响到电网的稳定性。目前随着人工智能、深度学习等技术的发展，利用卷积神经网络、注意力机制等深度学习算法构建模型，通过迭代训练来不断学习、优化模型，从而达到动态优化的目的，这种方法具有很好的适应性和成长性，可以考虑到模型中多种因素的影响，但是目前大多数研究只局限于理论方面，实际应用较少，尤其是针对电网领域内的研究和应用就更加稀少。

技术实现要素：

发明目的：本发明旨在提供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。

技术方案：本发明的基于环境上下文和用户反馈信息的用电模型优化方法，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，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，再结合hθ和cm计算得到

(3)采用注意力机制对和并结合进行深度学习，区分每个上下文的作用，得到下文环境信息与用户数据的交互的整体作用eu,c；

(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。

本发明的基于环境上下文和用户反馈信息的用电模型优化系统，实现上述的优化方法，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进行深度学习，得到下文环境信息与用户数据的交互的整体作用；所述上下文模块，用于得到用户数据、用电环境上下文信息数据交互结果，并得到用电模型参数与上述结果的交互结构。

有益效果：与现有技术相比，本发明具有如下显著优点：

本发明通过电网环境中的上下文信息和用户反馈信息之间的交互作用，克服了现有的方法无法获取用电设备与用户之间的交互作用的问题；

本发明考虑到用电设备产生的环境上下文信息，能够很好地考虑到用电环境中大多数的情况，解决了以往方法获取信息种类和数量不够丰富的问题。

本发明创新性的利用注意力机制构建训练模型，结合环境上下文信息和用户反馈信息，利用注意力机制提取模型在实际运作过程中的变化情况，从而实现对用电模型的参数进行动态优化调整，提升了电网模型的稳定性；

本发明实现对各地区用电负荷情况的估计，优化模型的对应参数，并将这些参数的变更进行记录，作为模型演化的支撑数据，为用电模型的自演化的提供相应数据，帮助用电模型完成自我演化和升级；便于用电模型在遇到特殊情况时，可以提前进行动态调节，保证电网用电的稳定性，提高了用电效率，保证了用电安全。

附图说明

图1为本发明的流程示意图；

图2为本发明的交互中心模块结构图；

图3为本发明的注意力机制流程图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

如图1，本实施例基于汽车充电桩的环境上下文和用户反馈信息的用电模型优化方法，通过汽车充电桩上采集设备采集到的充电信息和用户反馈信息，结合上下文交互模块、线性回归分析和注意力机制，实现汽车充电桩局部用电模型的优化。包括以下步骤：

步骤0：信息采集和预处理。汽车充电桩上设置采集设备，按照固定频率采集产生的用电信息，如时间、电压、电流环比等；并且通过问卷调查的形式，采集用户数据，例如对于汽车充电桩的使用体验。将记录下来的信息进行预处理，检查数据一致性，去除其中明显失真的数据，整理分别存入用户数据库和用电环境上下文信息数据库。所述用户数据包括：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。

步骤1：通过上下文交互模块捕获用电环境中上下文信息和用户产生的反馈信息之间的交互信息。上下文交互函数如下：

其中∫(·)表示上下文交互函数，其输入为两个实体，即用户u和上下文信息cm。表示用户和上下文之间的交互作用的特征向量。

具体地，使用了一个多层感知机网络来建模上下文和用户之间的交互关系，如图2所示，由于用户和上下文是具有不同特征的不同类型实体，所以首先使用一个bilinear层将用户原始特征向量pu和上下文特征向量映射到一个共享的隐语义空间中，如以下公式所示：

其中，和是bilinear层的权重矩阵，是偏置项，δ(...)是relu激活函数，上标则用来标识与交互中心模块有关的模型参数。为了充分建模上下文信息和用户反馈信息之间的非线性、复杂的交互，在bilinear层之上设立多层隐藏层，

…

其中，l标识隐藏层的数量，δl(·)和分别表示第l个隐藏层的权重矩阵、偏置向量和relu激活函数，所有隐藏层中神经元的个数都相同。在得到最后一层隐藏层的输出向量后，通过输出层将其转化为表示上下文cm对用户u作用的特征向量，如下列公示所示：

其中，和分别表示输出层的权重矩阵和偏置向量。

步骤2：环境上下文信息的线性回归分析。将汽车充电桩的用电负荷设为y，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，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，公式如下所示

y＝f(x1,x2,...,xn)，

步骤3：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，与后续步骤结合。其损失函数为：

结合hθ和cm得到

步骤4：通过注意力机制提取上下文中的关键信息，注意力机制的工作流程如图3所示。采用注意力机制对和进行深度学习。具体而言，是使用单层感知机来计算每个上下文信息的注意力分数，判断各个上下文的作用，具体公式如下：

其中和表示权重矩阵，b^τ表示偏置项，上标τ则用来表示与注意力机制相关的模型参数。

区分每个上下文的作用，得到下文环境信息与用户数据的交互的整体作用eu,c。

步骤5：在得到每个上下文与用户反馈交互的分数α(u,cm)(m＝1,2...,m)后，通过softmax函数对上述分数进行归一化得到最终注意力权重，如下列公示所示：

步骤6：在得到每个注意力权重γ(u,cm)后，对它们进行加权求和，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，公示如下所示：

步骤7：通过上下文交互模块获取当前用电模型参数与环境上下文信息与用户反馈信息交互向量eu,c的之间的联系，从而得到环境上下文信息对用电模型的影响向量fu,c,m。

步骤8：通过目标函数对用电模型的影响向量fu,c,m进行计算，得到用电模型参数的优化结果，具体而言需要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。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。

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。

步骤9：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，便于后续继续应用或改进对于参数的调整。