买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网江苏省电力有限公司南通供电分公司

摘要：本发明公开了一种面向钢铁企业的负荷响应潜力感知方法及系统，该方法包括以下步骤：S1采用时间序列分解方法对钢铁企业负荷进行分解，获取钢铁企业负荷的趋势量、周期量和残差分量；S2基于二元语义表征方法分析钢铁企业的用户行为特征，并将行为特征进行量化，形成用于计算的定量数据；S3将所述定量数据和获取的趋势量、周期量和残差分量输入到训练后的改进的神经网络模型中，从而获取钢铁企业有效的响应潜力。本发明设计自适应学习率的改进神经网络方法，充分考虑企业用户行为特征的影响，获取钢铁企业有效的响应潜力，进而对电网侧负荷的实时运行特性做出及时、准确的评估，实现对负荷侧用户特性的有效感知、负荷侧资源响应潜力的精准刻画。

主权项：1.一种面向钢铁企业的负荷响应潜力感知方法，其特征在于，该方法包括以下步骤：S1采用时间序列分解方法对钢铁企业负荷进行分解，获取钢铁企业负荷的趋势量、周期量和残差分量；S2基于二元语义表征方法分析钢铁企业的用户行为特征，并将行为特征进行量化，形成用于计算的定量数据；S3将所述定量数据和获取的趋势量、周期量和残差分量输入到训练后的改进的神经网络模型中，从而获取钢铁企业有效的响应潜力；所述步骤S1中，采用时间序列分解方法对钢铁企业负荷进行分解具体包括：S11假设是内循环第K-1次计算完成后的趋势量和周期量，初始时假设并定义如下参数：ni为内层循层数，no为外层循层数，np为一个周期中的样本数，ns、nl、nt为LOESS平滑参数；S12在每次周期中相同位置的样本，将其组为一个子序列，那么子序列共有np个，内循环共包括以下步骤：S121去趋势，除去上一轮的趋势量的影响，S122子序列平滑处理，通过使用LOESS函数为所有子序列做回归平滑处理，并同时在其前后各延展一个周期T，其中，LOESS函数中q＝nns，d＝1；完成平滑后，输出结果记为S123子序列低通量过滤，对上一步的结果序列Ck+1v依次滑动平均，通过LOESS函数回归，得到最终结果序列其中，LOESS函数中q＝nnl,d＝1；S124去平滑子序列趋势，S125去周期，减去周期量，S126趋势平滑，对于去除周期之后的序列做LOESS函数回归，得到趋势量其中，LOESS函数中q＝nnt,d＝1，残差分量为原始数据减去趋势量再减去周期量；所述采用时间序列分解方法对钢铁企业负荷进行分解还包括：S13外循环作用为调节鲁棒权重，若序列中有离群值，那么余项较大，将残差分量定义为：h＝6×median|Rv|1其中，Rv是周期分量Sv的最大值和最小值组成的集合，median表示Rv的中间值部分；对于位置为v的数据点，规定其鲁棒权重为：ρv＝B|Rv|h2其中，B函数为双方函数： 其中，u为周期分量的不确定性，为一个主观值；之后的每一次迭代时，在步骤S122和S126中完成Loess回归后，将邻域权重乘以特定参数ρv来减少余项的影响，判定内循环收敛的条件是ni达到设定值；所述步骤S2中，具体包括：所述用户行为特征包括生产水平、电费高低、生产成本和企业用电满意度，每个用户行为特征均采用二元语义表征，所述二元语义表征分为高、中和低，所述二元语义表征对应的三角模糊数三元素分别为：高：4,5,6，中：2,3,4，低：1,2,3；所述步骤S3中，改进的神经网络模型为改进的BP神经网络模型，其中的学习率改进为根据误差动态调整学习速率，具体的：通过比较迭代过程中本次误差和上一次误差的大小以自适应学习率，在此，引入一个影响学习率的因子λ，当本次误差Ek大于上一次迭代的误差Ek-1时，将本次迭代的学习率ηk缩小至上一次迭代学习率ηk-1的1-λ倍；当本次误差Ek小于上一次迭代的误差Ek-1时，将本次迭代的学习率ηk扩大至上一次迭代学习率ηk-1的1+λ倍，以更进一步接近最优权重，具体的调整格式如下： 所述改进的BP神经网络模型具体包括：S31将趋势量Tv、周期量Sv和残差分量矩阵Cv以及定量信息Dt以v0,p的形式输入到改进的BP神经网络中采用下列公式进行前向计算，其中，t＝1,2,3，p＝1,2,3,4，v0,1表示趋势量，v0,2表示周期量，v0,3表示残差分量，v0,4表示定量信息清晰化后的值； 式中，vk,j表示第k层第j个神经元的输出，wk,ji表示第k-1层第i个神经元传输到第k层第j个神经元的权重；神经网络的第0层，即输入层有四个神经元，之后第1、2、3层为隐藏层，第4层为输出层，即k＝5，vk,j表示的是k层的第j个神经元，i表示的是前一层神经网络的节点，Nk-1为k-1层中神经元的数量，第0层是4个，第1、2、3层为4个，第4层为1个；S32计算误差并更新学习速率： 其中，E为当前节点的误差，Yn为期望输出值，βon为此处是某个网络输出层上第n个神经元节点的输出值，c为节点总数；比较本次迭代与上一次迭代误差的大小，运用公式8对学习速率进行更新；S33输出层权重和阈值的调整输出层权重的调整公式为： 其中，η为本次迭代的学习率，vbn表示网络隐含层第b个节点连接到网络输出层第n个神经元节点的权重值，βin表示第a个网络输出层的输入；输出层阈值的调整公式为： 其中，γn表示网络输出层上各神经元节点的输出阈值；S33隐含层权重和阈值的调整隐含层权重的调整公式为： 其中，ωcd表示网络输入层第c个节点连接到隐含层第d个神经元节点的权重值；αcd表示网络隐含层上第d个神经元节点的输入值；αod表示隐含层在第d个神经元节点的输出值；隐含层阈值的调整公式为： 其中，θd表示网络隐含层第d个神经元节点的输出阈值；S34更新各层权重和阈值：v'bn＝vbn+Δvbn14ω'cd＝ωcd+Δωcd15θ'd＝θd+Δθd16γ'n＝γn+Δγn17；S35利用每一次更新后的权重和阈值进一步训练样本并计算误差，若误差仍超过设定值，则继续利用梯度下降方法进行误差反向传播，重复更新权重和阈值，直至最终的输出误差在可接受的范围内，终止循环，模型训练结束。

全文数据：

权利要求：

百度查询： 国网江苏省电力有限公司南通供电分公司 一种面向钢铁企业的负荷响应潜力感知方法及系统