基于径向基神经网络的需求侧响应用户基线负荷计算方法

曲大鹏,伍伟华,江迪,陈广开〔广州供电局〕摘要用户基线负荷曲大鹏,伍伟华,江迪,陈广开〔广州供电局〕摘要用户基线负荷是需求侧响应事件中用户响应性能的评估根底用户基线负荷计算方法应当满足实时监测用户响应性能的要求本文提出一种基于径向基人工神经网络的用户基线负荷计算方法该方法考虑非工作日和可能的非正常用电日的影响选择工作日中的典型日和事件发生前用户的用电情况构成模型的输入向量训练神经网络用训练完成的神经网络对假设的系统紧急情况发生时段的负荷进行预测得到用户基线负荷曲线实践说明所提出模型具有一定的预测精度满足实时性要求。关键词需求侧响应用户基线负荷性能评估径向基神经网络CalculationmethodofradialbasisfunctionneuralnetworkbasedonuserdemandsideresponsebaselineloadQuDapeng,WuWeihua,JiangDi,ChenGuangkai(GuangzhouPowerSupplyBureauCo.Ltd.)AbstractCustomerbaselineload(CBL)isthebasisofevaluationofcustomerresponsiveperformanceinaDRcalculationmethodscanbeusedtothemonitorcustomerresponseperformancepaperpresentsaCBLcalculationmethodsbasedonradialbasisartificialneuralmethodconsiderstheimpactofnon-workingdaysandsomedatewithabnormalload,selectstheloadinsometypicaldaysandinseveralhoursbeforetheeventtoconsistthemodelinputvector,andtrainsthenetwork.Andthenpredicttheloadinanassumptionemergencypredictionwillberegardasshowsthatthemodelproposedinthispaperreachasatisfiedaccuracy,andmeetreal-timerequirements.KeywordsDemand-sideresponseCustomerBaselineNeuralNetworkLoadPerformanceEvaluationRadialBasisFunction0引言用户基线负荷(Customerbaselineload,CBL)是根据同时用户基线负荷方法还需要考虑周全既要防止基线负荷被低估又要防止用户出现投机行为然而国内还没有出现一种既快速准确又能考虑周全的CBL计算方法。本研究将结合用户基线负荷的气象影响考虑非工作日与工作日的差异剔除可能出现用户投机行为等因素利用径向基人工神经网络运算量小的优势提出基于径向基人工神经网的CBL计算方法实践证明该方法具有一定的使用性。用户的历史用电估算得到的一条负荷曲线反映在事件发生时如果没有需求侧响应用户本应该有的电力需求在需求侧响应工程中，CBL是需求侧响应事件中用户响应性能(DemandResponsePerformance，DRP)的评价根底，CBL的估算是否得当关系到需求侧响应工程参与各方效益评价是否公平合理。目前国内关于用户基线负荷计算方法的相关研究较少文献[2]讨论了用户基线负荷的计算原那么和方法文献[3]提出利用基于模糊C-均值聚类算法的神经网络预测公共建筑的基线负荷外国文献[4]提出带有乘法天气调整的指数平滑模型用户基线负荷计算方法文献[5]论证了统计方法比回归方法更适合用于用户基线负荷预测用户基线负荷方法要利用用户的历史数据准确地评价用户在事件中的削减量大小而为了能够实时地监测响应性能用户基线负荷的计算要求尽可能快速。1径向基神经网络1.1 径向基神经网络的根本数学理论Cover定理低维空间线性不可分的模式通过非线性映射到高维特征空间那么有可能实现线性可分。根据Cover定理先确定好非线性映射函数的类型和参数，使用这个映射把低维空间的模式映射到高维空间然后在这个高维空间中就有可能实现线性可分而在使用这个映射的时26候还需要事先确定好高维空间的维数但是为了在高维空间候还需要事先确定好高维空间的维数但是为了在高维空间中实现线性可分可能需要到达上万维甚至是无限多个维度。这就反过来要求低维空间的样本数量不断增加甚至增加到无限多个这就是所谓“维数灾难。Mercer核。Mercer核函数使得网络或机器的训练成为凸优化的二次规划问题因此符合Mercer条件的核函数可以使得网络学习和机器训练不至于陷入局部最优。径向基神经网络是一个径向基函〔RadicalBasisFunction为激活函数的三层前馈神经网络。RBF神经网络的隐含层具有非线性转换的功能它的隐含层空间使用径向基函数作为核函数构成一个集合在输入向量映射到隐含层提供的高维空间时这个集合就为输入向量提供一个任意的基准这个函数集使用的核函数为径向基函数输入向量通过这个核函数直接映射到隐含层的Hilbert空间所以径向基函数在RBF神经网络中的起着决定性的作用径向基函数中心ci确实定至关重要。设输入空间为n维输出空间为m维那么上述映射可表示为〔2〕将看作一个最优分类超曲面Γ其中Γ需要穿越所有给定点确定超曲面Γ的过程是一个学习过程学习可分为训定义设,X属于空间,非线性函数的映射,其中F属于Φ实现输入空间X到高维特征空间R(m),n<<m根据核函数技术有：〔1〕为核函数。的好处是m维空其中<,>为内积运算,式(1)可以看出使用核函数间的值运算因此代入到运算变成n维输入空间的函数特征方程中运算的矩阵维数仅为训练样本个数换言之虽然核方法本质上将数据变换为高维空间但是它不需要直接在高维空间中求解；其问题求解空间的维数仅为其训练样本的个数防止“维数灾难。Mercer定理假设核函数K为连续对称正定,那么称K为图1RBF神经网络的神经元结构图2RBF人工神经网络结构2720 理论与算法；，，练和泛〔推广两个局部训练阶段实际上就是上述的高斯函数中心ci和编置量b确实定过程它用低维空间样本；，，练和泛〔推广两个局部训练阶段实际上就是上述的高斯函数中心ci和编置量b确实定过程它用低维空间样本非线性映射得到的结果作为向量然后从中找到支持向量构造出分类超平面来确定ci和b以逼近最优分类超平面Γ泛化阶段就是在ci和b确定的约束曲面上进行数据点之间的插值。1.2径向基神经网络的结构RBF人工神经网络神经元的结构如下列图所示：RBF人工神经网络的激活函数采用径向基函〔又称为高斯函数神经元的输出为：如果采用正归化的RBF网络结构隐含层节点的数量就是低维空间中的样本数高斯函数的中心即为样本本身只需求解方差 和权值 。扩展常数(即方差 确实定公式为：〔6〕式中c和c为确定好的中心表示任意两个i j中心的最大欧几里得距离。隐含层到输出层之间的权值 由以下公式确定〔7〕〔3〕自组织学习阶段是从输入层到隐含层这里可认为输入层到隐含层之间的权值是1因为激活函数是核函数所以网络不需要找出把原始数据映射到高维Hilbert特征空间的具体函数而是利用核函数的非线性映射能力直接把原始数据映射到高维空间那么隐含层中每个神经元的输出也就是映射到高维特征空间中的数据根据Cover定理这些数据已经是由不可分变成可分的了。在激活神经元之前需要对径向基函数的中心ci和方差进行求解而RBF神经网络使用全部样本各自确定的样本中心作为各自径向基函数的中心ci这样确定下来的ci具有全局性这也就克服了文献[12]中提到的神经网络的缺点之一容易陷入局部最优同时因为核函数能够克“维数灾难所以核函数的引入使得RBF神经网络不过分依赖于数据样本数量。RBF神经网络也因此具有相当快的运算速度。式中ci为网络“基也是径向基函数的中心为x与ci之间的欧几里得距离RBF人工神经网络神经元使“核函数作为传递函数实现了由非线性转换成线性。图2是RBF人工神经网络原理结构图隐含层的作用是非线性转换需要对高斯函数的参数进行调整故采用非线性调整的方法这样导致隐含层的学习速度比拟慢输出层的作用是线性加权使用线性调整的方法因而学习速度快。因此输出层的输出为：〔4〕式中表示第i个隐含层节点与第j个输出节点之间的连接权值。h表示隐含层节点个数，n表示输出节点个数。基函数的方差可表示为:2CBL的径向基神经网络计算模型〔5〕2.1 输入样本的构成需求响应的性能评估的实时性要求CBL计算模型应该相对简单和一定的预测精度因此模型的输入样本既要考虑影响有功需求的影响因素但又不能过于复杂如图3所示作为输入样本的日期选择应当具有一定的典型性。从结构图可以发现影响最终结果的“基值ci和权值而这两个参数与隐含层的节点数息息相关故隐含层神经元的个数的选择非常重要文献[11]的研究指出建立网络需要先确定隐含层节点的个数和中心ci然后再确定网络的连接权值。1.3径向基神经网络的学习RBF神经网络学习需要求解的参数包括径向基函数的中心ci径向基函数的宽度和隐含层到输出层的权值 选取径向基函数的中心ci的方法有很多其中常见的有随机选取中心法自组织选取中心法有监督选取中心法和正交最小二乘法等[10]其中自组织学习法最为常用。根据文献[10]的介绍自组织学习法的具体步骤为：首先进行无导师学习使用核函数映射的结果选择高斯函数的中心ci与方差；图3输入样本日期选取范例然后是有导师学习求解权值 。28理论与算法 20；。〔1考虑到企业在工作日运营生产而在非工作日休息工作日的用电需求远；。〔1考虑到企业在工作日运营生产而在非工作日休息工作日的用电需求远比非工作日高为了防止企业的CBL被低估，输入样本应当排除周六周日和节假日等非工作日。〔2在过去5个工作日中找出与事件发生时段对应的小时平均负荷作为备选输入样〔如图3中标有数字标签的五个工作日。〔3为了排除不正常的生产安排和用户投机行为的干扰，在备选的5个工作日当中应当去掉对应时段负荷最大和最小的两天。〔4把剩下的3个工作日中的对应时段负荷求和平均得到典型负荷平均值作为输入样本的元素。〔5考虑到事件日与所选代表日之间的气温差异防止事件日当天出现极端天〔短时间内变得极冷或极热选取事件发生前4个小时的实际负荷的最大值作为输入样本的元素。如表1所示把6月3〔周一到6月7〔周五〕13:00的负荷和6月10〔周一〕10:00到11:00的负荷作为一个输入变量把6月10日13:00的负荷作为训练目标。2.2 输入样本归一化而训练样本都是以kW为单位的有功功率考虑到RBF神经网络对训练数据的输入要求需要对样本数据进行归一化为了算法处理的方便本文统一把数据归一化到[1,2]区间。归一化的公式为：网络影响网络回归效果的是函数的宽度 和中心ci较大，拟合的效果会较好但是过大也会导致预测误差的增大所以可以考虑使用优化算法选择最优的参数否那么只能设置一个经验值对于中心ci可以根据各个神经元的输入来确定。基于径向基神经网络的CBL计算步骤如下：3算例本研究使用的数据是广东某企业的配电管理系统在2021年6月1日-6月30日对该企业的有功功率的采样数据本算例对每小时内的采样数据进行求和平均得到以小时为单位的小时平均有功功率得到一共720组数据从6月10〔第二个周一开始往前追溯按2.1的方法处理数据得到输入样〔如表2。本算例假设6月30日13:00到18:00这段时间发生系统的紧急事件利用本文的计算方法得到6月30日13:00到18:00的计算结果如表3所示。从表3可以看出，CBL的计算结果满足一定的精度而由于径向基神经网络比拟简单因此基于径向基神经网络的CBL计算模型根本满足实时监测用户响应性能的要求。4结语本文提出了一种基于径向基人工神经网络的用户基线负荷计算方法该方法考虑了影响基线负荷计算的因素剔除非工作日非正常生产日和可能出现用户投机行为数据结合用户在事件发生前的用电情况构成径向基神经网络的输入变量对用户负荷进行预测再把预测的结果作为用户基线负荷结果说明：所提出的方法具有较小的运算量和一定的预测精度满足用户基线负荷的简单明了最小化用户投机时机等计算原那么要求。(8)A为某一个输入向量为的第i个数据Amax为最大值；Amin为最小值。2.3 基于径向基神经网络的CBL计算步骤RBF神经网络的激活函数是径向基函数对于建立好的RBF图4基于径向基神经网络的CBL计算步骤2920 理论与算法参考文献baselineload(CBL)calculationusingexponenti参考文献baselineload(CBL)calculationusingexponentialsmoothingmodelwithweatheradjustment[C]//Transmission&DistributionConference&Exposition:AsiaandPacific,2021.IEEE,2021:1-4.[5]NYISO.InstalledCapacityManual[EB/OL].2021-04://nyiso/public/webdocs/markets_operations/documents/Manuals_and_Guides/Manuals/Operations/icap_mnl.pdf[6]ENERNOC,Inc．Thedemandresponsebaseline[EB/OL]．2021．://enernoc/our-resources/white-papers/[1]ENERNOC,Inc．Thedemandresponsebaseline[EB/OL]．2021．:///pdf4/dsmee_group3_100809w3.pdf[2]赵鸿图,朱治中,于尔铿.电力市场中用户根本负荷计算方法与需求响应性能评价[J].电网技术,2021(19):72-78.[3]马庆,李歧强.基于电力需求响应的公共建筑基线负荷预测[J].山东大学学报(工学版),2021,41(2):114-118.[4]WiYM,KimJH,JooSK,etal.Customer表1输入样本选取范例表2径向基人工神经网络模型的样本空间表36月30日13:00到18:00的CBL计算结果〔下转9页〕30理论与算法 204 结论本论文设计的虚拟卡口系统利用道路上已安装的现有摄像机资源对视频中每一帧图像的机动车辆4 结论本论文设计的虚拟卡口系统利用道路上已安装的现有摄像机资源对视频中每一帧图像的机动车辆非机动车辆和行人等运动目标进行特征分割视频信息提取和分析将视频中的机动车辆详细信息上传至公安智能交通监控系统对嫌疑车辆进行告警处理本系统可以有效节约社会资源和财力本钱利用现有摄像机来实现治安高清卡口类似功能对所有通过监控站点的运动目标进行动态监控系统所采集的信息为公安部门有效打击盗抢和黑名单机动车犯罪查缉交通肇事逃逸案件分析交通状况加强治安管理等提供有效的技术支持。applications[J].ImageandVisionComputing,2003,21(4):359-381.[6]MiAK,YoungMK.Improvementsinreal-timefeature–basedlicenseplatecharacterrecognition[J].KeyEngineeringMaterials,2005,277-279(1):355-360.作者简介徐钲男〔1988-硕士研究生专业为通信与信息系统主要研究方向多媒体通信。贺波涛男〔1978-博士研究生高级工程师。参考文献[1]唐震,黄烨亮,杨华.高清治安卡口智能信息识别系统及应用[J].电视技术,2021,36(14).王涛,李志蜀.基于精确传感网络的智能交通系统交通流模型[J].计算机应用,2021,32(4):905-909.DalalN,TriggsB.Histogramsoforientedgradientsforhumandetection[C]puterVisionandPatternRecognition,2005.CVPR2005.IEEEComputerSocie