[發明專利]一種基于深度森林的需求響應潛力評估方法

在審

• 申請號: 202111366499.4
• 申請日: 2021-11-18
• 公開（公告）號: CN113919594A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 談竹奎;馮圣勇;呂黔蘇;徐玉韜;劉斌;林呈輝;胡厚鵬;李鵬程;叢中笑
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/08;G06N3/04;G06N20/20
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 商小川

1.一種基于深度森林的需求響應潛力評估方法，它包括：

步驟S1、采集用戶用電歷史數據和柔性負荷數據；

步驟S2、對用電歷史數據和柔性負荷數據進行預處理，得到用戶需求響應潛力分析數據，并將用戶需求響應潛力分析數據分為訓練數據及驗證數據；

S3、根據Bootstrap法對所述訓練數據進行抽樣處理，得到抽樣數據；

S4、根據BP反向傳播算法將所述抽樣數據作為輸入生成并訓練神經網絡，根據數據規模與精度要求建立若干個神經網絡識別模型；并將所述神經網絡進行并聯組合成深度森林模型；

S5、通過驗證數據對深度森林模型進行驗證，當誤差率低于預設閾值時，結束模型訓練；

S6、將目標用戶的需求響應潛力分析數據輸入至訓練好的深度森林模型，深度森林模型對目標用戶進行需求響應潛力預測，完成對目標用戶的需求響應潛力評估。

2.根據權利要求1所述的一種基于深度森林的需求響應潛力評估方法，其特征在于：用戶用電歷史數據的獲取，包括：用戶的日負荷率、日峰值負荷、日谷值負荷、日平均負荷和日負荷曲線。

3.根據權利要求1所述的一種基于深度森林的需求響應潛力評估方法，其特征在于：柔性負荷數據包括：環境溫度，柔性負荷的類型，柔性負荷的數量和柔性負荷的額定功率。

4.根據權利要求1所述的一種基于深度森林的需求響應潛力評估方法，其特征在于：所述預處理包括：通過歸一化算法對用戶總線電氣原始數據進行歸一化處理，歸一化處理公式：

a'表示歸一化后的結果，a表示該特征數據，a_max表示該類特征數據的最大值，a_min表示該類特征數據的最小值；

對歸一化處理后的數據進行缺失值填充；所述缺失值填充方法為拉格朗日插值法；

噪聲值包括異常值及重復值；對異常值與重復值的處理方法是將其剔除；

基于獨熱編碼對用戶需求響應潛力分析數據的離散型型特征數據進行處理。

5.根據權利要求1所述的一種基于深度森林的需求響應潛力評估方法，其特征在于：根據BP反向傳播算法將所述抽樣數據作為輸入生成并訓練神經網絡的方法為：BP反向傳播算法是一種反向傳播算法，用于構建神經網絡；BP算法的學習過程由正向傳播過程和反向傳播過程組成；在正向傳播過程中，輸入信息通過輸入層經隱含層，逐層處理并傳向輸出層；如果在輸出層得不到期望的輸出值，則取輸出與期望的誤差的平方和作為目標函數，轉入反向傳播，逐層求出目標函數對各神經元權值的偏導數，構成目標函數對權值向量的梯量，作為修改權值的依據，網絡的學習在權值修改過程中完成；誤差達到所期望值時，網絡學習結束。

6.根據權利要求1所述的一種基于深度森林的需求響應潛力評估方法，其特征在于：將所述神經網絡進行并聯組合成深度森林模型的方法為：將各個神經網絡并聯組合起來形成組合識別模型，每個神經網絡通過輸出等權求和來決定最終輸出，即組成深度森林模型。

7.根據權利要求1所述的一種基于深度森林的需求響應潛力評估方法，其特征在于：S5所述通過驗證數據對深度森林模型進行驗證，當誤差率低于預設閾值時，結束模型訓練的具體方法為:使用驗證集判斷模型準確度，如果模型準確率滿足要求，則結束模型訓練，若不滿足,則返回調整深度森林的組成，對神經網絡進行批歸一化、dropout和早停處理；并調整深度森林模型的參數。

8.根據權利要求1所述的一種基于深度森林的需求響應潛力評估方法，其特征在于：深度森林算法是指通過bootstrap抽樣方法對訓練數據進行抽樣，采用BP算法生成深度森林的基學習器，每個基學習器所學習的特征采用隨機抽樣，并對這些神經網絡的輸出采取等權求和機制確定最終輸出結果的算法模型。