一种空调负荷功率集群辨识方法及装置、介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115859830A(43)申请公布日2023.03.28(21)申请号202211698784.0G06F111/08(2020.01)(22)申请日2022.12.28(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人李知艺李黛睿(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师邱启旺(51)Int.Cl.G06F30/27(2020.01)G06N3/048(2023.01)G06N3/084(2023.01)G06N3/0895(2023.01)G06N3/0464(2023.01)权利要求书3页说明书8页附图6页(54)发明名称一种空调负荷功率集群辨识方法及装置、介质(57)摘要本发明公开了一种空调负荷功率集群辨识方法及装置、介质，该方法在宏观上以同一地区的用户群作为图节点，在微观上通过分析用户总负荷曲线之间的相关性来确定用户节点之间的连接关系，从而构建地区用户图网络拓扑；通过搭建时空图神经网络捕捉用户群的空间特征和历史负荷数据的时间特征，利用同一地区其他具有历史完整空调真实负荷功率标签的相似用户，采用半监督直推式学习训练模型，推测无空调真实负荷功率标签用户的历史空调负荷功率。本发明的模型可以一次性计算得到多个用户的负荷辨识结果，节省了计算时间，并且可以同时捕捉数据集在时间与空间维度的特征，提高了模型对无标签标注数据特征的提取能力，增强了模型的可迁移性。CN115859830ACN115859830A权利要求书1/3页1.一种空调负荷功率集群辨识方法，其特征在于，包括以下步骤：(1)对同一地区的用户构建数据集和图拓扑，所述数据集包括全研究时段内总负荷功率已知的用户，其中，部分用户全研究时段内的空调负荷已知，部分用户全研究时段内的空调负荷未知，以单体用户作为图节点，以时序总负荷功率作为节点特征，以各用户之间总负荷曲线的相关性为依据，判定图节点之间的连接关系；(2)将节点特征进行数据增强后和图拓扑一起输入时空图神经网络模型，以得到用户的空调负荷功率序列数据；(3)使用损失函数计算半监督式直推训练的损失值，对具有真实空调功率标签的用户计算其功率辨识结果与真实标签之间的监督性均方误差损失，对用户节点计算增强数据之间的一致性正则损失，将所述监督性均方误差损失和所述一致性正则损失的加权和作为总损失反向传播更新时空图神经网络模型；(4)对具有真实空调功率标签的用户，使用训练完成的时空图神经网络模型计算验证其空调负荷功率辨识结果，根据计算得到的辨识结果和真实标签之间的误差调整时空图神经网络模型的参数；(5)重复所述步骤(2)‑所述步骤(4)，直至误差不再下降，以获取最优的时空图神经网络模型；(6)根据最优的时空图神经网络模型获取无标签用户节点的空调负荷功率辨识结果。2.根据权利要求1所述的空调负荷功率集群辨识方法，其特征在于，所述对同一地区的用户构建数据集的方法具体为：采用滑窗法构建输入序列和输出标签，输入序列滑窗与输出序列滑窗长度分别为wi、wo，滑窗每次移动1个步长，最终得到的时间序列数量为总时刻数加步长数减滑窗长度。3.根据权利要求1所述的空调负荷功率集群辨识方法，其特征在于，所述判定图节点之间的连接关系的方法具体为：首先计算用户总负荷功率序列之间的斯皮尔曼相关系数，然后以所有用户的斯皮尔曼相关系数中的中位数为阈值，判断用户的斯皮尔曼相关系数是否高于阈值，若高于阈值，则用户之间被认定为具有连接关系，即图节点之间具有连接关系；若小于等于阈值，则用户之间被认定为不具有连接关系，即图节点之间不具有连接关系。4.根据权利要求3所述的空调负荷功率集群辨识方法，其特征在于，所述斯皮尔曼相关系数的表达式为：其中，μX、μY分别表示两个时间序列的平均值，分别表示两个时间序列中的数据，n表示时间序列的总长度，k表示样本序号。5.根据权利要求1所述的空调负荷功率集群辨识方法，其特征在于，所述步骤(2)中数据增强包括以下步骤：(2.1)随机失活节点：建立一个长度与图节点的数量相等且服从伯努利分布的变量序列，其表达式为：B＝[b1,b1,…bN]～Bernouli(1‑δ)2CN115859830A权利要求书2/3页其中，B为所建立的服从伯努利分布的向量，bi(1≤i≤N)为该向量各维度的值，δ为随机失活一个节点的概率；将该变量序列与输入特征矩阵对应行向量相乘，得到随机失活后的输入矩阵，其表达式为：Xi′＝bi·Xi其中，Xi表示输入特征矩阵的第i行向量，bi表示服从伯努利分布向量的变量序列的第i个元素，Xi′为实施随机失活后的输入特征向量；对新输入特征矩阵乘以一个放大系数得到随机失活节点的结果，其表达式为：其中，X′为实施随机失活后的