技术领域
[0001] 本发明属于数据特征提取技术领域，具体涉及一种基于改进全卷积网络模型的柔性负荷高可调节潜力数据提取方法、存储介质及电子设备。
相关背景技术
[0002] 用户柔性负荷存在很大的需求弹性，但由于柔性负荷类型及用电设备种类繁多，互动模式多样复杂且用电数据庞大，很难准确地刻画出用户柔性负荷真正的调节潜力，要有效地将柔性负荷高可调节潜力数据点提取出来。
[0003] 现有的负荷高可调节潜力数据提取方法主要分为两种：数据分析法、聚类分组分析法。数据分析法对数据的依赖性强，无法很好地适应未来的变化，并且无法处理非线性和复杂的关系。聚类分组分析法则存在参数选择困难、对数据中的噪声和异常值敏感以及结果解释性较差等缺点。
[0004] 全卷积网络(Fully Convolutional Networks，FCN)是根据已有的VGG分类网络结构修改形成的，它是将VGG中所有的全连接层都变为卷积层，为解决卷积和池化导致图像尺寸变小的问题，使用上采样方式对图像尺寸进行恢复，实现了在原有的像素区域方法上进行像素与像素之间、端对端的学习，输出和原图像尺寸大小相同的精细化结果。FCN网络结构主要由卷积层、反卷积层和多层分类器组成，全卷积层是一些比较经典的CNN网络，通过多层的卷积、池化来提取特征，而反卷积层部分则是通过上采样的方式得到和原图像尺寸大小相同的语义分割图像，最后可以对全部特性进行分类，最后通过多层分类器输出结果。但是FCN网络的滤波器数量、卷积核大小基本通过随机选取或经验调试的方式获取，这种参数选取方式存在局限性且不恰当的参数会导致FCN模型预测效率低下、易陷入局部最优、提取精度不高。
[0005] BKA(Black‑WingedKite Algorithm，BKA)是一种受BK迁徙和捕食行为启发的元启发式优化算法，不仅捕捉了自然界中BK的飞行和捕食行为，而且深入模拟了它们对环境变化和目标位置的高度适应性。在BKA中，引入了柯西变异策略，这是一种概率分布策略，可以帮助算法跳出局部最优，增加在全局搜索空间中发现更好解的概率。并且集成了一个领导策略，模仿BK种群中领导者的领导角色，确保算法可以有效地利用当前最佳解决方案并引导搜索方向，该方法不仅有助于提高算法利用当前搜索区域的效率，而且有效地平衡了全局搜索和局部搜索之间的动态关系，确保在追求最优解的过程中不忽视潜在的竞争性新区域。但是，由于该算法的p值固定，导致其在平衡全局和局部搜索也存在一定的缺陷。
具体实施方式
[0103] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述。
[0104] 本发明的设计思想为：采用BKA与FCN网络融合对模型的滤波器数量k、卷积核大小l两个参数进行优化，采用均方误差函数作为BKA的目标函数，将BKA应用到FCN网络中去，解决了FCN网络模型的随机性导致的数据提取精度不高的问题，迭代方法简单，收敛速度快，易于工程实现。并且在BKA中，每只BK都是满足目标函数的一个潜在解。并且通过引入折射反向学习机制初始化BK种群，增加了物种多样性；引入动态切换概率对恒定值p进行改进，达到平衡BK局部和全局探索比重的效果，并提高了算法跳出局部最优值的能力；采用莱维飞行策略对领导者进行位置调整，对其进行扰动，加强了领导者的局部逃逸能力，提高了算法获取全局最优解的能力。
[0105] 基于上述设计思想，本发明提出一种基于改进的BKA优化FCN网络的负荷高可调节潜力数据点提取方法，如图1所示，包括以下步骤：
[0106] 步骤S1：确定可衡量用户可调节潜力的用户负荷特性指标；
[0107] 用户的可调节潜力可由用户负荷特性指标衡量，用户负荷特性指标包括：全天负荷率、日峰谷差率、峰期负荷率、谷期负荷率、平期负荷率、日最小负荷率；
[0108]
[0109] 式中：P代表负荷，下标sum、av、max、min分别代表求和、平均值、最大值、最小值，peak、val、sh分别代表峰期时间、谷期时间、平期时间的用电特性，α1～α6从全天不同时段反映用户的用电特性，各指标侧重角度和物理意义不同，用来反映用户用电特性时其重要程度也不同；
[0110] 步骤S2：采用牛顿插值法对原始用户负荷数据中的缺失值进行填补，得到处理后用户负荷数据；
[0111] 由于对于机器学习、深度学习等算法在实际应用中若数据集存在缺失项，均会使得计算中断；对用户用电负荷数据中的缺失值进行处理，而插值法处理时序数据，可以较好地保留缺失数据的时间趋势，针对用户负荷数据非线性、非平稳性的特点，使用牛顿插值法利用数据中的完整点建立插值函数，再根据缺失项的横坐标计算得出填补值；
[0112] 对于一组数据：n0(x0,f(x0)),n1(x1,f(x1)),…,nk(xk,f(xk))构建牛顿插值多项式： 式中f(x0,x1,…,xk)是函数f(x)的k阶差商，即：
[0113]
[0114] 由上式可以看出每阶差商都可由前一阶差商推出，得到各阶差商，按照插值多项式就可以计算出插值点的值。
[0115] 步骤S3：利用皮尔逊系数对用户负荷特性指标进行遴选，选出用户核心负荷特性指标，根据用户负荷特性指标计算公式算出处理后用户负荷数据对应选出的用户核心负荷特性指标的指标值；
[0116] 利用皮尔逊系数分别计算各类指标之间、各类指标与原始用户负荷数据之间的皮尔逊系数，将各类指标与用户负荷数据之间皮尔逊系数大于0.5的指标遴选出来，算出用户负荷数据对应遴选出的指标值，用以作为FCN网络的输入特征；
[0117] 由于用户负荷数据量巨大、用户特性指标也比较多，这些指标当中可能存在无法反映用户可调节潜力的指标，皮尔逊相关系数对时序数据可以精准显示出评价指标与遴选结果的对应关系，因此利用皮尔逊相关系数遴选出可以精准反映用户可调潜力的指标。
[0118] 皮尔逊相关系数为：
[0119]
[0120] 式中，r表示皮尔逊相关系数，xi表示第i个负荷数据， 表示所有用户负荷数据的平均值，yi表示第i个负荷数据对应的负荷特性指标值，表示所有负荷特性指标值的均值；相关系数的范围为[‑1,1]，当r为正时，表示特征间正相关，即向量表示方向相同；当r为负时，表示特征间为负相关，即向量表示方向相反；r为0时则完全不相关。因此通过r与0的距离可以映射出各个负荷特性指标与用户负荷数据的相关性，从而遴选出最合适的时序评价指标。
[0121] 步骤S4：将经过预处理后的用户负荷数据分为训练集和测试集，将测试集中用户负荷数据、对应遴选出的指标值作为特征分别输入到FCN网络中；
[0122] 步骤S5：构建FCN网络模型，设置FCN网络模型的基本参数；
[0123] 步骤S6：针对FCN网络模型的滤波器数量k、卷积核大小l，通过构建均方误差(MSE)函数，用来评估全卷积网络(FCN)提取的数据点相对于原始用电负荷数据在高可调节潜力方面将具有更好的表现，该函数将量化FCN模型在识别和提取具有高可调节潜力用电特征数据点的准确性；
[0124] 均方误差目标函数为：
[0125] 式中：n为负荷数据个数； 为原始数据中皮尔逊相关系数矩阵所有元素的均值；
[0126] 为经FCN提取的数据点的皮尔逊相关系数矩阵所有元素的均值；
[0127] 步骤S7：基于改进的BK优化算法对均方误差目标函数进行求解，确定FCN网络模型的初始滤波器数量k、卷积核大小l；
[0128] 步骤S8：将测试集中用户负荷数据、指标值作为输入，初始滤波器数量k、卷积核大小l作为输出代回FCN网络进行训练，得到最具能体现负荷高可调节潜力的数据点。
[0129] 全卷积网络(FCN)通过建立卷积层、池化层，学习输入时序序列特性，并且会通过反卷积层对最后一个卷积层的数据特性进行上采样，使通过多重卷积与池化后的数据序列恢复到输入前的状态，进而可以对全部特性进行分类，最后通过多层分类器输出结果，得到高可调节潜力数据点，由此将输入的时序特性数据集转化为用户可调潜力数据集；
[0130] 构建FCN网络模型，设置FCN网络模型的基本参数，该步骤的具体实现方法包括以下步骤：
[0131] 步骤S5.1：搭建FCN网络模型架构，搭建FCN模型为3层卷积结构、全局层和多分类层搭建的网络，其中滤波器数设置为k，卷积核尺寸设置为l，学习步长均设置为1，k、l均由BKA寻优求得；
[0132] 步骤S5.2：在卷积层中的输入数据与输出数据的关系式为：
[0133] yij＝fks({xsi+δi,sj+δj}0≤δi,δj＜k)
[0134] 式中：k是卷积核的大小，s是步长或者采样因子，fks确定层的类型，xij是特定层中的位置(i,j)处写入的数据向量，yij是特定层中的位置(i,j)处输出的数据向量；
[0135] 步骤S5.3：卷积核和步长的变换规则如下：
[0136]
[0137] 上采样卷积公式为：
[0138]
[0139] 上式中：其中γ为上采样因子，yij为数据重构后的具备高可调节潜力的用户用电数据点。
[0140] 基于改进的BKA优化算法对均方误差目标函数进行求解，确定FCN网络模型的初始滤波器数量k、卷积核大小l。本步骤的具体实现方法包括以下步骤：
[0141] 步骤S7.1：初始化BK个体的位置状态为向量σ＝(k,l)，向量k，l分别对应FCN网络模型的初始滤波器数量k、卷积核大小l，每只BK个体的位置组合了初始滤波器数量k、卷积核大小l参数的信息，并且每只BK个体代表均方误差目标函数的一个解；设置BKA的初始参数：种群数量pop、维度dim、最大迭代次数T、求解空间下限lb、求解空间上限ub、用来控制全局和局部搜索之间平衡的参数p、变量r＝rand(0,1)，则在寻优范围内初始化的随机pop个BK的位置为yi,j，每个BK个体都是满足均方误差目标函数的潜在解；
[0142] 步骤S7.2：采用折射反向学习策略，生成折射反向种群
[0143] 步骤S7.3：合并初始种群和采用折射反向学习策略生成的种群，根据均方误差目标函数，在迭代初始阶段计算整个种群的适应度值，并进行降序排列，选取适应度值前pop个BK个体作为初始种群，并在该初始化阶段，选择在初始种群中具有最佳适应值的个体作为领导者。其中均方误差越大表明BK个体的适应度值越大；
[0144] 步骤S7.4：BK在飞行过程中会根据风速调整翅膀和尾巴的角度，静静盘旋观察猎物，然后迅速俯冲攻击。该策略包括不同的攻击行为，用于全局探索和搜索，BK要么在空中盘旋，展开翅膀并保持平衡，要么以极快的速度冲向猎物。而BK这两种攻击行为由参数p控制，在基本BK优化算法中，局部搜索和全局搜索过程用常量p∈[0,1]来控制，但是一个合理的搜索过程在算法的前期应该进行较强烈的全局搜索，迅速定位搜索空间中全局最优解所在范围，在探索后期局部探索能力应增强，以提升算法的寻优精度。因此采用动态切换概率对BKA进行优化，以此平衡局部和全局搜索的比重，来实现更好的寻优策略。在当前攻击策略下更新当前BK种群中最佳BK个体的位置和适应度值；
[0145] 步骤S7.5：BK种群在迁徙过程中，如果当前种群的适应度值小于随机种群的适应度值，则当前种群的领导者将给予领导权，加入迁徙种群；如果当前种群的适应度值大于随机种群的适应度值，它将引导种群直到到达目的地，BK个体中每个种群中领头鸟的位置按照该策略进行变化，由于在后期搜索中，全局最优解的范围基本已经确定，因此采用莱维飞行策略对领导者位置进行调整，对其进行扰动，加强其局部逃逸能力，可以提高算法后期解的质量，使算法得于收敛到全局最优；
[0146] BK种群的迁徙是为了适应季节的变化，以获得更好的生存条件和资源。迁移通常由领导者领导，它们的导航技能对团队的成功至关重要，如果当前种群的适应度值小于随机种群的适应度值，则当前种群的领导者将给予领导权，加入迁徙种群，这表明不适合领导种群前进。相反，如果当前种群的适应度值大于随机种群的适应度值，它将引导种群直到到达目的地，该策略可以动态地选择优秀的领导者，以确保成功的迁移。BK中每个种群中领头鸟的位置按照该策略进行变化，在当前迁移策略下更新当前BK种群中领头鸟的位置；
[0147] 由于莱维飞行的飞行轨迹是随机漫步的，由小步长(短距离)的跳跃聚集在一块，和偶尔大步长(长距离)的跳跃组成，两者相互交替，如果将该策略融入到BK优化算法中，在后期搜索中，由于全局最优解的范围基本已经确定，小步长可以提高算法后期解的质量，使算法得于收敛到全局最优。但是如果对每个迭代周期的每只BK都进行位置调整，将增加大量的时间消耗。因此，本文只对领导者进行位置调整，对其进行扰动，加强局部逃逸能力。
[0148] 步骤S7.6：记录每次迭代过程中适应度值最优的BK个体，重复迭代过程直到达到最大迭代次数T，从每次迭代的最优BK领导者个体中选择适应度值最高的BK作为优化的最终结果；
[0149] 初始化BK个体的位置状态。该步骤的具体实现方法包括以下步骤：
[0150] 初始化种群如下：
[0151]
[0152] 上式中：BKij是第j维的第i知BK
[0153] 均匀地分配每个BK的位置如下：
[0154] Xi＝BKlb+rand(BKub‑BKlb)
[0155] 在初始化过程中，BKA在初始种群中选择具有最佳适应值的个体作为领导者XL，这被认为是BK的最佳位置，其选取方式如下：
[0156] fbest＝min(f(Xi)
[0157] XL＝X(find(fbest＝＝f(Xi)))
[0158] BK攻击行为的数学模型如下：
[0159]
[0160] 上式中： 和 分别表示第t和第(t+1)次迭代步骤中第i只BK在第j维中的位置；是范围从0到1的随机数；T是迭代的总次数，t是到目前为止已经完成的迭代次数；
[0161] BK迁徙行为的数学模型如下：
[0162]
[0163] m＝2×sin(r+π/2)
[0164] 上式中： 表示到目前为止在第t次迭代的第j维中BK的领先得分者； 和 分别表示第t和第(t+1)次迭代步骤中第i只BK在第j维中的位置；Fi表示任何BK在t次迭代中获得的第j维中的当前位置的适应度值；Fri表示在t次迭代中从任何BK获得的第j维随机位置的适应度值；C(0,1)代表柯西变异；m用来衡量黑翅鸢个体在迁徙过程中 的位置变化大小，为一个常数；
[0165] 一维柯西分布是具有两个参数的连续概率分布。下面的等式说明了一维柯西分布的概率密度函数：
[0166]
[0167] 当δ＝1,μ＝0时，其概率密度函数将成为标准形式，以下是精确的公式：
[0168]
[0169] 采用折射反向学习策略，生成折射反向种群 本步骤的具体实现方法包括以下步骤：
[0170] 折射反向学习的原理如图2所示，其中x轴上的解的寻优范围为[l,μ]，y轴是法线，*α、β分别是入射角和折射角，h和h分别为入射、折射光线所对应的长度，O为寻优范围的中点[l,μ]。根据数学中线几何关系，得到如下：
[0171]
[0172] 由折射率n＝sinα/sinβ可得：
[0173] 令k＝h/h*，由上式可得： 当n＝1且k＝1时，该式子可转为反*
向学习公式：x＝l+μ‑x；
[0174] 将 推广到BKA的高维空间中，令n＝1可得如下：
[0175]
[0176] 上式中，xi,j为种群中第i只麻雀在j维位置(i＝1,2,...,D；j＝1,2,...,N)，D为种群数，N为维度； 为xi,j的折射反向位置；lj、μj分别为搜索空间第j维的最小值和最大值；
[0177] 采用动态切换概率对BKA进行优化。本步骤的具体实现方法包括以下步骤：
[0178] 动态切换概率p的公式为：p＝0.6‑0.1×(MaxIter‑t)/MaxIter，式中：MaxIter为最大迭代次数，t为当前迭代次数。
[0179] 采用莱维飞行策略对BK种群在迁徙行为中的领导者位置进行更新。本步骤的具体实现方法包括以下步骤：
[0180]
[0181] 上式中L(λ)为莱维飞行的随机搜索路径：
[0182] L(s,λ)＝η～s‑λ,1＜λ≤3
[0183] 其中，s是莱维飞行的随机步长，一个布谷鸟的连续的随机跳跃/步长遵循幂乘规律步长分布，如下所示：
[0184]
[0185] 式子中的η和ν都服从随机的正态分布，其计算公式如下所示：
[0186]
