技术领域
[0001] 本发明属于需求侧管理技术领域，具体涉及一种多时空尺度可调节资源用户互动能力指数评级方法。
相关背景技术
[0002] 需求侧可调节资源的高效利用，是缓解电网尖峰负荷压力，助力新能源消纳的有效手段，能够挖掘区域电网的调节互济能力，优化需求侧可调节资源池，而可调节资源高效利用的前提是明确资源的互动能力，目前，国内外均开展了相关研究，如公开号为CN106529759A的中国发明专利提供了一种基于主动负荷互动响应的分布式光伏消纳能力评估方法，该方法通过构建分时电价环境下负荷时序模型，并将负荷响应概率矩阵引入负荷时序模型中，以此来反映负荷响应的不确定性，避免了直接引入价格弹性系数所导致的误差；但是该方法仅涉及到分布式光伏的消纳能力评估，未考虑到负荷及其他新能源的削峰和填谷能力，另一方面仅构建了负荷的时序模型，尚未分析负荷的空间分布规律，有着较大局限性；再如公开号为CN115018362A的中国发明专利提供了源荷互动场景下的地区资源调节能力评估方法和装置，该方法通过获取地区内的可调节资源数据生成电力系统资源调节的源荷互动场景集；根据源荷互动场景集得到预测负荷曲线，通过可转移负荷模型对预测负荷曲线进行修正，得到第二负荷曲线；根据预测负荷曲线和第二负荷曲线计算源荷互动场景下电力系统可调节能力大小，根据电力系统的调节性能指标对电力系统可调节能力进行量化评估；但是该方法仅针对场景进行分类，未对可调节资源的时空尺度进行精细化划分，难以实现互动能力的精确评估；综上所述，关于需求侧可调节资源的用户互动能力存在一系列问题，由于可调节资源涉及到了不同的时间和空间尺度，而当前的研究未能考虑到多个时空尺度的变化对用户互动能力的影响，且仅针对单一负荷进行互动能力评级，尚未有效整合资源分布规律、响应时间、响应频率等时空特性，导致需求侧可调节资源利用率低下，难以深度融入需求侧管理体系、支撑自主协同；因此，提供一种进行属性划分、提取时空间特征、实现需求侧资源综合评估的一种多时空尺度可调节资源用户互动能力指数评级方法是非常有必要的。
具体实施方式
[0021] 下面结合附图对本发明做进一步的说明。
[0022] 实施例1
[0023] 如图1所示，一种多时空尺度可调节资源用户互动能力指数评级方法，所述方法包括以下步骤：
[0024] 步骤1：可调节资源属性划分：对不同时空尺度的需求侧可调节资源进行属性划分；
[0025] 步骤2：可调节资源时空特征提取；
[0026] 步骤3：互动能力评级：采用卷积神经网络结合循环神经网络处理输入特征，输出用户互动能力级别，实现需求侧资源的综合评估。
[0027] 在本实施例中，本发明提出的“卷积+循环”双神经网络结合方法，可以由其他不同性能的“卷积+循环”神经网络组合替代，其他组合方式应当在本发明的保护范围内。
[0028] 本发明为针对需求侧可调节资源互动能力评级方法缺失问题，面向削峰填谷、新能源消纳、辅助服务等典型电网互动场景，提出的一种多时间尺度可调节资源用户互动能力指数评级方法，在使用中，本发明对不同时空尺度的需求侧可调节资源进行属性划分，提取不同时空条件下的可调节资源的时序特征与空间特征，通过卷积神经网络CNN结合循环神经网络GRU处理输入特征，输出用户互动能力级别，量化分析需求侧可调节资源互动效果，实现了需求侧资源的综合评估，为需求侧可调节资源的高效利用提供了可靠的评级方法；本发明具有进行属性划分、提取时空间特征、实现需求侧资源综合评估的优点。
[0029] 实施例2
[0030] 如图1所示，一种多时空尺度可调节资源用户互动能力指数评级方法，所述方法包括以下步骤：
[0031] 步骤1：可调节资源属性划分：对不同时空尺度的需求侧可调节资源进行属性划分；
[0032] 步骤2：可调节资源时空特征提取；
[0033] 步骤3：互动能力评级：采用卷积神经网络结合循环神经网络处理输入特征，输出用户互动能力级别，实现需求侧资源的综合评估。
[0034] 所述步骤1中可调节资源属性划分，具体为：将可调节资源信息划分为时序信息与空间信息。
[0035] 所述时序信息分解为一维时间序列。
[0036] 所述空间信息分解为x行y列的等效二维空间矩阵，具体划分方式如下式所示：T∈[T1,T2,...,Ti](1)， 式中，T表示可调节资源的时序范围；S表示可调节资源的空间范围；Ti为i时刻的可调节资源信息；Sxy为等效空间矩阵中的区域坐标。
[0037] 所述步骤2中的可调节资源时空特征提取，具体为：所述可调节资源时空特征包括空间特征和时序特征，所述可调节资源时空特征采用“卷积+循环”双神经网络结合的方法实现空间特征和时序特征的提取。
[0038] 如图2所示，图2为并行卷积的结构，所述空间特征的提取采用并行卷积结构实现，为了保留完整的通道特征，这里不进行单通道特征映射，设置两个卷积池化层，通过具有两个不同尺度卷积分支的并行卷积网络提取序列的空间特征，不同的卷积尺度意味着不同的卷积核大小和不同的接受域。
[0039] 如图3所示，图3为GRU内部结构，其中 表示元素相加，所述时间特征的提取采用GRU实现，GRU的公式为：zt＝σ(Wz·[ht‑1,xt])(3)，rt＝σ(Wr·[ht‑1,xt])(4)，ht＝(1‑zt)*ht‑1+zt*ht(6)，式中，zt为控制更新的门控单元，门控信号接近于1表示记忆的信息多，接近于0表示遗忘的信息多；rt为控制重置的门控单元；
ht‑1表示上一个时刻传输下来的状态；xt表示当前节点的输入；σ为sigmoid函数； 表示记忆单元值；ht表示在t时间节点产生的候选隐藏值；Wz为更新门控单元的权重矩阵；Wr为重置门控单元的权重矩阵；W为记忆单元的权重矩阵，三个权重矩阵均通过模型训练得到；tanh函数负责将数据放缩到[‑1，1]的范围内。
[0040] 所述步骤3中的互动能力评级，具体为：CBAM的注意力机制包括两个部分：通道注意力模块和空间注意力模块，给定一个中间特征图A，CBAM依次应用通道和空间注意模块，使每个分支分别在通道和空间轴上学习“注意什么”和“注意哪里”，以强调通道和空间轴两个维度上有意义的特征；CBAM可以在不改变原始模型结构的情况下直接嵌入到所提出的模C×H×W型中，并且可以与整个网络一起端到端进行训练，假设输入特征图为A∈R ，其中，C是通道数，通道数表示特征图中的通道数量，每个通道对应于网络学到的某种特定的抽象特征；
H和W分别为通道的高和宽，高和宽分别表示特征图在垂直和水平方向上的尺寸；则整体CBAM模块输出为通道注意力的权重和空间注意力权重对输入特征图的加权：XCBAM＝Ach·X+Asp·X(13)，最后，根据具体的任务需求设定权重阈值，将模型的输出映射为互动能力的评价等级，实现可调节资源的互动能力评级。
[0041] 所述通道注意力模块即CAM具体为：道注意力模块是将特征图在空间维度上进行压缩，得到一个一维矢量后再进行操作，表达式为： Max(X)＝maxXij(8)，Wch＝fch(Concat(Avg(X),Max(X)))(9)，Ach＝σ(Wch)(10)，式中，Avg(X)为全局平均池化，为各个通道的平均值；Max(X)为全局最大池化，为各个通道的最大值；Wch为卷积神经网络的全连接层计算的权重，即用于调节每个通道权重的向量；fch表示用于计算通道权重的激活函数；Concat操作用于将全局平均池化和全局最大池化的结果连接成一个向量，然后通过全连接层进行进一步的处理；Ach表示通过通道注意力模块计算得到的通道注意力权重。
[0042] 所述空间注意力模块即SAM具体为：空间注意力模块是对通道进行压缩，在通道维度分别进行了平均值池化和最大值池化，表达式为：Wsp＝fsp(Conv1×1(X))(11)，Asp＝σ(Wsp)(12)，式中，fsp表示通过空间注意力模块计算得到的空间注意力权重；Conv1×1为1×1卷积层计算；Wsp是空间注意力模块中计算得到的权重；Asp为空间注意力权重，表示每个空间位置的重要性。
[0043] 在本实施例中，本发明具有以下有益效果：
[0044] ①能够在不同的时空尺度上捕捉资源和用户互动的复杂性，使得本发明能够更全面地理解资源使用的动态变化和用户互动的时空模式；
[0045] ②可调节的资源用户互动能力评级模型可以根据实际需求调整关注的时空尺度，大大提高模型的适应性和灵活性，使其在不同情境下更具通用性；
[0046] ③通过准确评估资源用户互动能力，可以更好地进行资源规划和优化，有助于提高资源利用效率，减少浪费，并在需要时及时调整策略；
[0047] ④可以为用户提供更加个性化和符合实际需求的服务，理解用户在不同时空尺度上的行为模式，可以优化服务体验，提高用户满意度。
[0048] 本发明为针对需求侧可调节资源互动能力评级方法缺失问题，面向削峰填谷、新能源消纳、辅助服务等典型电网互动场景，提出的一种多时间尺度可调节资源用户互动能力指数评级方法，在使用中，本发明对不同时空尺度的需求侧可调节资源进行属性划分，提取不同时空条件下的可调节资源的时序特征与空间特征，通过卷积神经网络CNN结合循环神经网络GRU处理输入特征，输出用户互动能力级别，量化分析需求侧可调节资源互动效果，实现了需求侧资源的综合评估，为需求侧可调节资源的高效利用提供了可靠的评级方法；本发明具有进行属性划分、提取时空间特征、实现需求侧资源综合评估的优点。
