一种基于群体智能分析的用户用能态势推演方法与流程

本发明涉及用能态势推演设备，具体为一种基于群体智能分析的用户用能态势推演方法。

背景技术：

1、园区涵盖的负荷集群类繁多，其用能机理和特性也不尽相同，因而难以直接以求和的方式获得园区用户的用能态势值；

2、现有技术大多采用的常用方法是利用加权求和的用能态势值来描述当前园区用户的用能状况，用能态势值是指在某一时间监测点，园区中各个负荷集群的用能状态汇总及其变化趋势，若能精确预测用能态势值的变化趋势，则可有效获知园区用户的用能规律，用于构造园区用能精准调控模型，因此本发明需要设计一种基于群体智能分析的用户用能态势推演方法来解决上述出现的问题。

技术实现思路

1、本发明的目的就在于为了解决上述问题而提供一种基于群体智能分析的用户用能态势推演方法，解决了背景技术中提到利用加权求和的用能态势值来描述当前园区用户的用能状况，用能态势值是指在某一时间监测点，园区中各个负荷集群的用能状态汇总及其变化趋势，若能精确预测用能态势值的变化趋势，则可有效获知园区用户的用能规律，用于构造园区用能精准调控模型的问题。

2、为了解决上述问题，本发明提供了一种技术方案：

3、一种基于群体智能分析的用户用能态势推演方法，包括以下具体步骤：

4、s1、第一阶段，设定用能态势指标体系；

5、s2、第二阶段，研究面向不同时间尺度的用电态势数据序列与时间窗口耦合关系，并构造用能态势的时间序列样本集，通过拟合回归函数来完成未来时间节点的关键负荷集群的用电态势预测；

6、s3、第三阶段，研究基于multi-agent模式的关键负荷集群通过采用用电态势预测方法以及园区用户用电态势组合预测方法相结合的形式进行，每个关键负荷集群对应一个agent，分别预测本关键负荷集群的用能态势，再将多个集群的用能态势预测值进行归并得到园区用户的用能态势预测值。

7、作为优选，所述s1中的用能态势指标体系包括用能感知数据、需求响应特征、园区生产工艺、负荷控制特性、响应意愿、生产工况、感知系统评价指标体系，在用能态势指标体系中，不同负荷集群均有相应的权重，设已知有个关键负荷集群，每个关键负荷集群对应的权重为，，某一时间监测点各个关键负荷集群的用能度量值分别为。

8、作为优选，所述s1中时间监测点的园区用户用能态势值v计算公式如下：。

9、作为优选，所述s2中还包括具体以下步骤：

10、s201、关键负荷集群的用电态势预测输入量数据是若干个连续离散时间点的用电态势，使用时利用时间序列领域中的数据分析手段来构造样本集；

11、s202、利用滑动时间窗口方法将各离散时间监测点的关键负荷集群用电态势值vi构造成时间序列，若设定滑动时间窗口大小为4，滑动步长为1，则，，。

12、作为优选，所述s3中得到用能态势预测值时将时间序列s构造成数据样本集，利用boosting算法对其训练得到弱学习机序列，每个弱学习机对应一个关键负荷集群，t是boosting算法最大迭代次数，利用对弱学习机序列h加权求和的方法得到强学习机h，即园区用户的用能态势预测值。

13、作为优选，所述得到园区用户的用能态势预测值时还包括以下步骤：

14、s301、设定boosting算法最大迭代次数t，并设定其弱学习机为cvm；

15、s302、构造数据样本集，若时间序列，则v1、v2、v3、v4是弱学习机cvm的输入向量，根据s301预测的负荷集群用能态势值v5为cvm输出向量，并将数据样本集按照开集测试要求划分为训练样本集和测试样本集；

16、s303、设定训练样本集为boosting算法的原始数据集d；

17、，为原始数据集d中每个样本的初始权重，，，m为样本总个数；

18、s304、从原始数据集d中抽取前20%个值最大的样本组成训练样本子集df，并由cvm训练，得到弱学习机hf，，的选取条件为，（4-2）若满足此条件，则为其计算结果；若不满足此条件，则，其中为负荷集群用能态势值预测值；

19、s305、计算弱学习机hf的训练误差，，其中为训练误差，，为抽取概率；

20、s306、计算弱学习机hf的权重，

21、；

22、s307、更新训练样本的权重，

23、；

24、s308、当满足下列两个条件之一，执行下一环节，否则返回s303；

25、条件1：boosting算法达到最大迭代次数t；

26、条件2：训练样本子集df中的样本权重值不再变化；

27、s309、输出强学习机h，，sign为符号函数；

28、s3010、强学习机h性能测试，输入测试样本集到强学习机h中以检测其性能是否达到初始设定要求。

29、作为优选，在执行所述s3010时应根据实际情况确定是否执行s3010环节。

30、作为优选，完成所述s3010后进入第三阶段，用于负荷集群用能态势值预测，通过利用强学习机h完成未来时间监测点的负荷集群用能态势值预测。

31、作为优选，经过上述所述三个阶段之后，推演出基于boosting的负荷集群用能态势值，对未来时间监测点的负荷集群用能态势值准确预测。

32、作为优选，所述s307中：其中为更新后的训练样本权重，为训练样本的权重，为弱学习机根据输入量xl得到的计算值，vl是实际用能态势值，mf是归一化系数，保证。

33、本发明的有益效果是：本发明通过设置采用三个阶段进行过渡处理，在实际使用时设定用能态势指标体系，研究面向不同时间尺度的用电态势数据序列与时间窗口耦合关系，并构造用能态势的时间序列样本集，通过拟合回归函数来完成未来时间节点的关键负荷集群的用电态势预测，通过采用用电态势预测方法以及园区用户用电态势组合预测方法相结合的形式进行研究基于multi-agent模式的关键负荷集群，每个关键负荷集群对应一个agent，分别预测本关键负荷集群的用能态势，再将多个集群的用能态势预测值进行归并得到园区用户的用能态势预测值，实现了精确预测用能态势值的变化趋势，有效获知园区用户的用能规律，符合构造园区用能精准调控模型所需，对用能态势预测值数据及相应的分析结果进行管理、可视化和存储，有助于通过互联网云管控实现用能态势预测管理，提高用能态势预测管理的智能化水平，从多维度推演用户用能态势推演整体运行态势，为用户用能态势推演的维护和后期检查提供了新的理论依据。

技术特征：

1.一种基于群体智能分析的用户用能态势推演方法，其特征在于，包括以下具体步骤：

2.根据权利要求1所述的基于群体智能分析的用户用能态势推演方法，其特征在于：所述s1中的用能态势指标体系包括用能感知数据、需求响应特征、园区生产工艺、负荷控制特性、响应意愿、生产工况、感知系统评价指标体系，在用能态势指标体系中，不同负荷集群均有相应的权重，设已知有个关键负荷集群，每个关键负荷集群对应的权重为，，某一时间监测点各个关键负荷集群的用能度量值分别为。

3.根据权利要求2所述的基于群体智能分析的用户用能态势推演方法，其特征在于：所述s1中时间监测点的园区用户用能态势值v计算公式如下：。

4.根据权利要求3所述的基于群体智能分析的用户用能态势推演方法，其特征在于：所述s2中还包括具体以下步骤：

5.根据权利要求4所述的基于群体智能分析的用户用能态势推演方法，其特征在于：所述s3中得到用能态势预测值时将时间序列s构造成数据样本集，利用boosting算法对其训练得到弱学习机序列，每个弱学习机对应一个关键负荷集群，t是boosting算法最大迭代次数，利用对弱学习机序列h加权求和的方法得到强学习机h，即园区用户的用能态势预测值。

6.根据权利要求5所述的基于群体智能分析的用户用能态势推演方法，其特征在于，所述得到园区用户的用能态势预测值时还包括以下步骤：

7.根据权利要求6所述的基于群体智能分析的用户用能态势推演方法，其特征在于：在执行所述s3010时应根据实际情况确定是否执行s3010环节。

8.根据权利要求6所述的基于群体智能分析的用户用能态势推演方法，其特征在于：完成所述s3010后进入第三阶段，用于负荷集群用能态势值预测，通过利用强学习机h完成未来时间监测点的负荷集群用能态势值预测。

9.根据权利要求8所述的基于群体智能分析的用户用能态势推演方法，其特征在于：经过上述所述三个阶段之后，推演出基于boosting的负荷集群用能态势值，对未来时间监测点的负荷集群用能态势值准确预测。

10.根据权利要求6所述的基于群体智能分析的用户用能态势推演方法，其特征在于：所述s307中：其中为更新后的训练样本权重，为训练样本的权重，为弱学习机根据输入量xl得到的计算值，vl是实际用能态势值，mf是归一化系数，保证。

技术总结
本发明公开了一种基于群体智能分析的用户用能态势推演方法，涉及用能态势推演设备技术领域，包括以下具体步骤：第一阶段，设定用能态势指标体系，本发明通过设置采用三个阶段进行过渡处理，在实际使用时设定用能态势指标体系，研究面向不同时间尺度的用电态势数据序列与时间窗口耦合关系，并构造用能态势的时间序列样本集，符合构造园区用能精准调控模型所需，对用能态势预测值数据及相应的分析结果进行管理、可视化和存储，有助于通过互联网云管控实现用能态势预测管理，提高用能态势预测管理的智能化水平，从多维度推演用户用能态势推演整体运行态势，为用户用能态势推演的维护和后期检查提供了新的理论依据。

技术研发人员：鲍卫东,邵波,陈英俊,冯竹建,何静波,楼凯华,丁秀华,李钟煦,杨怀仁,张毅诚,马三江
受保护的技术使用者：中能聚创（杭州）能源科技有限公司
技术研发日：
技术公布日：2024/1/15