技术领域
[0001] 本发明涉及一种信息交互领域，尤其是一种基于改进的蝙蝠算法的电网省地信息交互方法。
相关背景技术
[0002] 需求响应主要作用就是对用户负荷进行调节，可以有效的消纳新能源、优化资源配置、削峰填谷等业务。为了更好地满足需求，我国正大力建设电力需求响应市场，并在电力电量平衡中引入可调节控制资源，有效地体现削峰填谷的作用，并且扩大需求响应的实施范围。
[0003] 日益增多的智能用电终端接入电力通信网并参与需求响应互动，会产生大量的需求响应业务数据流并造成网络堵塞和延迟，使通信的传输质量变差。如果DR业务中的紧急控制类业务没有得到及时响应，可能导致电网的安全运行。
[0004] 因此如何降低端到端传输时延和时延抖动，减少数据传输过程中的丢包率，有效解决需求响应通信过程中的链路拥塞问题已成为当前重点。省地信息交互核心问题在于如何确保信息的传输质量，以满足用户的需求；在需求响应信息交互过程中，应该最大限度的保证信息传输的可靠性。
[0005] 由于SVM的分类结果由其参数所决定，而传统的人工选参通常并非最优参数，故造成SVM的分类效果难以满足实际应用的需要。
具体实施方式
[0063] 一种基于改进的的蝙蝠算法的电网省地信息交互方法，如图1所示，其过程如下：
[0064] 步骤1搭建电网省地需求相应互动架构，如图2所示，所述互动架构包括电能供应商、电力监管机构、终端用户、聚合商，其中电力监管机构主要负责监督和控制用电需求的相应，聚合商将用户的DR资源进行整合，电能供应商则负责指导和管理；
[0065] 步骤1.1首先电能供应商确定电力系统的响应需求，从而确定相关的响应计划；在确定响应计划后，向聚合商提供响应计划；聚合商从电能供应商获得响应计划，电能供应商对计划过程进行管理；
[0066] 步骤1.2聚合商收到计划后制定对应的DR方案并向用户发布方案，刺激用户侧参与需求响应；用户根据方案中自己可以获得利益，设置参与需求响应的条件，有选择性的参与需求响应。用户在收到DR信号后，依据实际的电能供给量、可参与响应时间，选择DR业务和签订合同；
[0067] 步骤1.3最后聚合服务商和服务提供商管理该合同，并对用户参与需求响应进行评估与结算。
[0068] 步骤2在搭建电网省地需求相应的互动架构基础上，需要确定信息交互业务场景，而在典型的需求响应信息交互场景中，不同的需求响应的终端或系统在信息交换时使用相同的信息交换服务，信息模型是在信息交换服务中的交换实体，并将收集到的数据给信息交互模型。因此建立省地需求相应信息交互模型；
[0069] 建立省地需求相应信息交互模型的具体过程是，模型如图3所示：
[0070] 步骤2.1在在需求响应系统中，一般需求响应服务管理系统或需求响应聚合商作为上位节点UN，需求响应终端用户或小型的聚合商作为下位节点DN。在信息交互模型中，UN相当于服务器，而DN则相当于客户端。
[0071] 其中需求响应服务提供商一般作为上位节点UN，生成需求响应信号。聚合商作为中间层既可以作为上位节点UN又可以是下位节点DN，分为大型和小型的聚合商。当需求响应服务提供商与聚合商信息交互时。聚合商作为下位节点DN。当聚合商与终端用户信息交互时，聚合商作为上位节点UN。大型聚合商可以直接参与需求响应，而小型聚合商需要负载聚合再参与需求响应。终端用户作为下位节点DN；
[0072] 步骤2.2建立周期性数据流模型F，F＝(L，B，E，D)，式中L为DR周期性数据报文的长度，B为报文端到端延时，E为数据流的到达时间间隔，D为业务到达目的节点的最大时延，端到端时延的值要小于等于业务到达目的节点的最大时延。
[0073] 步骤3在建立的省地需求相应信息交互模型中，包含实时性数据，基于安全性与实时性考虑，需要对数据进行智能实时处理，从而有效发现其中的异常信息。因而采用SVM来对数据进行分析，对数据异常开展异常检测。
[0074] 步骤3.1设置所获取原始数据中的n维输入xi与yj，且{xi，yj}，i,j＝1,2,...,n。则SVM定义为式：
[0075]
[0076] 其中 是SVM的特征映射函数，即样本的回归函数，其可表征为
[0077]
[0078] 其中，||ω||2是复杂度参数，用于表征F(·)的复杂程度；C是惩戒因子，用以表SVM对于分类失误的惩戒水平，并提升全局最优解的求解几率； 是经验风险值，用于表征预测结果与实际结果间的误差，若ε表示的是松弛变量，用于消除实际值的区域误差，则其符合下式：
[0079] |y‑F(x)|ε＝max{0，|y‑F(x)|‑ε}
[0080] 因此， 可改写为
[0081]
[0082] 步骤3.2，联立可得，
[0083]
[0084] 将Lagrange乘子法代入上式，可求解对偶优化问题：
[0085]
[0086] 其中，K(xi，yj)表示SVM的核函数。该文选取RBF核函数作为SVM的核函数，具体如下2
所示:K(xi，yj)＝exp(‑γ||xi‑yj||
[0087] 步骤3.3将解格式设定为(a,a*)，代入可得：
[0088]
[0089] 其中， 再将其带入上式F(x)中，
[0090]
[0091] 由此实现对数据样本的二分类求解，其中F(x)为+1或‑1两类，由分类结果便可判断样本类型，从而检测出异常数据。
[0092] 步骤4由于SVM的分类结果由其参数所决定，而传统的人工选参通常并非最优参数，故造成SVM的分类效果难以满足实际应用的需要，因此采用改进的蝙蝠算法实现SVM的参数寻优。
[0093] 步骤4.1设定蝙蝠算法的基础参数，包括种群个数Sp、种群的维度D、迭代上限Imax、脉冲响度A(0)、发射率R(0)、A(0)衰退系数Af、R(0)的增强系数Rf以及脉冲频率{fmin，fmax}；
[0094] 步骤4.2初始化蝙蝠种群，对于种群中蝙蝠个体的初始位置进行运算并加以评价，求出个体的适应度值并找出现有的最优解；
[0095] 步骤4.3更新蝙蝠的发射脉冲频率、飞行速度和空间位置并寻优；
[0096] 步骤4.4根据步骤4.1至步骤4.3所得到的条件，判断(rand
[0097]
[0098]
[0099] 其中，f(xi)表示当前蝙蝠个体的适应度，f(x*)表示空间最优适应度；
[0100] 步骤4.5根据是否达到迭代上限，若是则输出最优适应度值；否则，跳转步骤4.6，继续寻优；进而对交互信息系统所收集到的异常数据进行检测。
[0101] 步骤4.6根据下式对种群个体的飞行速率与所处位置进行更新，更新计算公式如下：
[0102] fi＝fmin+β(fmax‑fmin)；
[0103]
[0104]
[0105]
[0106] 式中，fi、fmin、fmax分别表征当前、最小和最大的脉冲发射频率。β表示的是取值范围为(0,1)内的随机数，ω表示速率权值参数，vi表示当前个体的实时速率，xi表示第i个个*体当前所处位置，x表示空间最优解，t表征当前迭代次数；
[0107] 步骤4.7若当前蝙蝠个体脉冲发射率满足随机数，则个体将根据下式进行局部寻优：
[0108] 将IBA‑SVM应用于电网的智能数据处理，从而对交互信息系统收集到的异常数据进行检测。
[0109] 选择数据：爱尔兰电力公司于2012年公开的电网用户用电量开源数据，选择2009‑2010年中1800名电力用户在300天内的用电数据作为基础数据集，其中训练集与测试集的比例为9∶1。
[0110] 为检验检验所提方法的有效性，将IBA‑SVM与BP神经网络、极限学习机、SVM进行对比，测试集所得分类结果如图3所示。
[0111] 从图3可以看出，在该电网信息实时交互系统框架下对电网用户用电量数据进行异常检测时，BPNN的检测准确率为77.22％，ELM的检测准确率为87.22％，SVM的检测准确率为90.56％，而该文方法的准确率则为94.44％。与其他方法相比，所提方法能够较为准确地检测出电网数据的异常情况。其可适用于电网信息实时交互系统的智能数据处理，故具有良好的工程实际应用能力。
[0112] 为进一步体现该文方法的优势，将以上几种方法与该方法进行运算效率对比，并采用测试集检测的运算时间作为运算效率的衡量尺度，所得结果如图4所示。
[0113] 由图4可知，该方法的运算耗时与BPNN、ELM算法相比更少，而与SVM的运算耗时基本接近。这表明该方法能在确保运算准确率的同时也提升了运算效率，故可高效实现对电网数据的智能处理，且工程应用的可靠性也较高。
[0114] 以上仅为本发明的具体实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
