基于数据驱动的用户用能行为分析方法

发布时间：2021-10-22 17:20

　　随着综合能源系统的快速发展,为了满足综合能源系统联合规划的需要,亟需对综合能源系统中用户用能行为进行分析建模。基于数据驱动思想,引入了深度学习方法,提出了一种用于用户用能行为分析的方法。首先,对影响用户用能行为的数据类型、结构进行分析;然后,引入Seq2Seq技术,以GRU为神经元构建深度学习模型;最后,通过算例对所提方法的有效性进行验证。算例研究表明:所提的方法能够以海量历史数据为基础,准确预测出用户的用能行为情况。 

【文章来源】：智慧电力. 2020,48(09)北大核心

【文章页数】：6 页

【部分图文】：

用户用能行为数据的映射关系

GRU神经元的内部结构如图2所示。图2中，以k时刻GRU神经元输入xk和k-1时刻GRU神经元的中间状态Ck-1(hk-1）为变量可以构建GRU神经元中更新门zk、重置门rk以及待定输出值h?k，三者间的数学关系如式（1）所示：

与GRU不同的，Seq2Seq技术是将GRU神经元堆叠、连接成一种特殊的Encoder-Decoder结构。Encoder的功能在于将时序型输入数据进行编码，得到一个固定长度的向量。Decoder的功能在于将固定长度的向量解码，得到另外一个时序型的输出数据。通过固定长度向量的连接，实现了输入数据与输出数据的时序不同步。其结构如图3所示。图3中，输入数据为X，输出数据为Y。X0,X1,…,Xm表示用户用能行为模型的输入数据，m表示用户用能行为模型输入数据的维度上限。Y0,Y1,…,Yn表示用户用能行为模型的输出数据，n表示用户用能行为模型输出数据的维度上限。h0,h1,…,hn表示Encoder模型的输出结果，该结果在神经网络训练过程中舍弃。每组输入数据输入到Encoder模型中将产生一个中间状态，通过中间过程将产生的中间状态变换为Decoder模型的输入状态，最终得到Decoder模型的输出数据即为用户用能的需求数据。

【参考文献】：
期刊论文
[1]全可再生能源热电气储耦合供能系统优化调控模型研究[J]. 李兵,牛洪海,余帆.  电网与清洁能源. 2020(07)
[2]基于Seq2Seq技术的输电线路故障类型识别方法[J]. 饶超平,肖博文,严星,廖方帆,王琦婷.  智慧电力. 2020(05)
[3]计及设备启停的含电转气园区能源互联网两阶段优化调度模型[J]. 林晓明,张勇军,肖勇,钱斌.  广东电力. 2019(10)
[4]基于电力大数据的用户用电感知研究[J]. 关守姝,孟岩,韩伟,韩天华.  电力大数据. 2019(10)
[5]基于物理-数据融合的数字化楼宇用电模型构建方法[J]. 汤奕,韩啸,张潮海.  供用电. 2019(10)
[6]基于用电大数据的台户关系识别方法研究[J]. 黄旭,王伟恒,吴双,胡伟.  供用电. 2019(10)
[7]区域综合能源系统规划研究综述[J]. 程浩忠,胡枭,王莉,刘育权,于琪.  电力系统自动化. 2019(07)
[8]人工智能在电力系统及综合能源系统中的应用综述[J]. 杨挺,赵黎媛,王成山.  电力系统自动化. 2019(01)
[9]机器学习在能源与电力系统领域的应用和展望[J]. 程乐峰,余涛,张孝顺,殷林飞.  电力系统自动化. 2019(01)
[10]计及多个独立运营商的综合能源系统分布式低碳经济调度[J]. 史佳琪,胡浩,张建华.  电网技术. 2019(01)

硕士论文
[1]大数据智能电网用户行为特征辨识与能效评估体系研究[D]. 徐超.华北电力大学(北京) 2017



本文编号：3451546