[发明专利]可迁移的居民家庭用电负荷场景预测方法

权利要求书

1.可迁移的居民家庭用电负荷场景预测方法，其特征在于，具体按照以下步骤实施：

步骤1、通过灰色关联分析源域家庭与目标域家庭负荷数据之间的关联度，构建多源域家庭负荷数据集，多源域家庭负荷数据和目标域家庭负荷数据比例为2：1；

步骤2、建立基于flow的条件生成模型，对基于flow的条件生成模型结构进行改进，得到reinforced-flow模型，利用多源域家庭负荷数据集训练reinforced-flow模型，具体过程为：

步骤2.1、在待预测日前一日历史负荷样本X的条件下，待预测日负荷样本Y的条件概率密度函数为p_Y|X(y|x)，f_θ表示参数化的双射函数，x，y分别为X，Y的一个样本点，将y作为输入，x作为y的条件输入，p_Z表示标准高斯分布，z为潜在变量，建立基于flow的条件生成模型过程如下：

使得f_θ(y；x)＝z，f_θ(z；x)^-1＝y，根据变量代换公式，y在x处的条件概率密度表示为：

将公式写成对数表达式为：

采用最大似然估计法在来选择合适的θ值，以最大化上式Y的条件对数似然：

当从家庭负荷数据集中收集M个独立分布样本(x₁，y₁)，…，(x_M，y_M)，根据上一个公式，在该数据集上通过以下公式来训练基于flow的条件生成模型：

其中，在多源域训练集中给定一个待预测日负荷样本为y_i，待预测日前一日历史负荷样本为x_i；det(·)表示雅可比行列式；

在为基于flow条件生成模型构造参数化双射函数f_θ时，为模型中每个仿射耦合层的缩放函数s(·)和平移函数t(·)提供了x作为额外输入，⊙表示矩阵元素乘积，给定输入y，仿射耦合层的输出如下所示：

h_1：d＝y_1：d

h_d+1：D＝y_d+1：D⊙exp(s(y_1：d，x))+t(y_1：d，x)

以上称为基于flow的条件生成模型；

步骤2.2、对基于flow的条件生成模型仿射耦合层结构进行改进，改进结构表示为：

h_1d＝y_1：d⊙exp(s(x))+t(x)

h_d+1：D＝y_d+1：D⊙exp(s(y_1：dx))+t(y_1：d，x)

x为输入参数，h为输出的预测值，y_1：d为输入参数y后经缩放函数s(·)和平移函数t(·)得到的值；

将改进的基于flow的条件生成模型命名为reinforced-flow模型；与y_1：d相关联的缩放函数s(·)和平移函数t(·)的输入只有条件输入x；

假设优化后的参数为双射函数记为给定任何长度的历史居民负荷时间序列s，利用的逆函数生成l个时间间隔点的时间序列，预测公式为：

其中z是从标准多元高斯分布中取的任何样本，如果从标准多元高斯分布中取w个样本，能够产生w个未来住宅负荷的预测结果；

步骤2.3、将(x_i，y_i)作为一组独立训练样本，取M组样本(x₁,y₁),…,(x_M,y_M)，训练reinforced-flow模型；

步骤3、冻结训练后reinforced-flow模型的部分单步流结构参数，利用目标域家庭负荷数据训练冻结部分单步流结构参数的reinforced-flow模型，微调未被冻结的单步流结构参数，得到目标域模型；具体过程为：

进行迁移学习，在reinforced-flow模型中有K个单步流结构，将源域中训练的reinforced-flow模型冻结前K-1个单步流结构参数，采用目标域数据训练部分冻结单步流结构参数的reinforced-flow模型，调整未被冻结的单步流结构参数，迁移得到目标域模型；

步骤4、采用目标域模型对居民家庭用电负荷场景预测。

2.根据权利要求1所述可迁移的居民家庭用电负荷场景预测方法，其特征在于，步骤1具体过程为：

对于采样间隔为1小时的家庭用电负荷数据集，以目标域家庭E₁在t时刻的负荷值作为参考序列，任意源域家庭E_i在t时刻的负荷值作为观察序列；

参考序列与观察序列间某关联样本点的灰色关联系数计算公式为：

其中，ρ为0到1内取值的分辨系数；

计算时间段内灰色关联系数的平均值，该值即为目标域家庭E₁和源域家庭E_i的关联度值：

其中，N表示采样次数；

设定关联度阈值，当计算得到的关联度值不高于关联度阈值时，则舍弃该源域家庭负荷数据，选择下一个源域家庭重复计算，当计算的关联度值高于关联度阈值时，将该源域家庭的负荷数据作为一组多源域家庭负荷数据，由多组多源域家庭负荷数据构成多源域家庭负荷数据集，多源域家庭负荷数据和目标域家庭负荷数据比例为2：1。