[发明专利]基于环境上下文和用户反馈信息的用电模型优化方法

说明书

本发明公开了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，包括以下步骤：将用户数据库与用电环境上下文信息数据库的数据输入上下文交互模块；采用注意力机制进行深度学习，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，最终得到环境上下文信息对用电模型的影响；通过目标函数计算用电模型参数的优化结果。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。

技术领域

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。

发明内容

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c_m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h_θ，并通过损失函数调整h_θ，再结合h_θ和c_m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E_u,c；

(4)将用电模型参数与E_u,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F_u,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：