一种低压用户负荷调控方法及装置与流程

1.本技术涉及负荷调控技术领域，具体涉及一种低压用户负荷调控方法及装置。


背景技术：

2.如今，我国居民用电需求日益增大，加之现有电力能源结构不合理、利用率低，深化了电力负荷系统与分布式低压电网用户之间的矛盾。通过推行需求响应机制能够从电力资源配置的需求侧实现用电优化，可以解决局部电力供需紧张的问题，并为电力系统经济、安全、稳定运行提供新的调控手段。目前主要的激励机制是通过补贴方式，参照需求响应的负荷数据来确定补贴额度。
3.但是目前这种激励机制不能给低压用户和电网公司带来双向价值和收益们，不能充分发挥低压用户的交易自主性，并不能彻底有效的解决电力负荷系统与分布式低压电网用户之间的矛盾。


技术实现要素：

4.有鉴于此，本技术提供了一种低压用户负荷调控方法及装置，用于解决目前这种激励机制不能给低压用户和电网公司带来双向价值和收益们，不能充分发挥低压用户的交易自主性，并不能彻底有效的解决电力负荷系统与分布式低压电网用户之间的矛盾的问题。
5.为实现以上目的，现提出的方案如下：
6.第一方面，一种低压用户负荷调控方法，包括：
7.获取多个低压用户的用电消费信息以及多个所述低压用户参与需求响应的行为信息，并确定与所述用电消费以及行为信息对应的特征数据；
8.利用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息；其中，所述多任务行为理论模型是以特征数据样本为训练样本，以与多个所述低压用户对应的真实行为信息为训练标签训练得到；
9.制定面向低压需求响应的市场交易规则以及差异化积分机制；
10.基于所述市场交易规则以及差异化积分机制确定与多个所述低压用户对应的初始积分激励机制；
11.利用所述预测行为信息以及初始积分激励机制，模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果；
12.基于所述实施效果对所述积分激励机制进行偏差优化调整，得到目标积分激励机制，以实现低压用户的负荷调控。
13.优选的，所述用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息，包括：
14.利用所述多任务行为理论模型中的特征筛选模块，对所述特征数据进行筛选，得到各个目标特征；
15.利用所述多任务行为理论模型中的表示模块，对各个所述目标特征进行第一转化操作，得到第一矩阵；
16.利用所述多任务行为理论模型中的用电消费预测模块，获取各个所述低压用户在第一预设时间段内的用电消费金额，并对各个所述低压用户在第一预设时间段内的用电消费金额进行第二转化操作，得到目标向量；
17.利用所述多任务行为理论模型中的需求响应预测模块，对所述第一矩阵进行第三转化操作，得到各个第一序列；
18.利用所述多任务行为理论模型中的多任务学习模块，将所述第一矩阵、目标向量以及各个所述第一序列结合预测，以得到与多个所述低压用户对应的预测行为信息。
19.优选的，所述利用所述多任务行为理论模型中的特征筛选模块，对所述特征数据进行筛选，得到各个目标特征，包括：
20.利用所述多任务行为理论模型中的特征筛选模块，采用特征提取的方法获取各个所述低压用户的用电消费特征集；
21.将所述用电消费特征集转化为特征矩阵；所述特征矩阵包含有各个实例和各个第一特征；
22.采用协同聚类方法将所述特征矩阵在行方向上划分为各个第一类簇，并将各个所述第一类簇转化为列划分矩阵；
23.采用协同聚类方法将所述特征矩阵在列方向上划分为各个第二类簇，并将各个所述第二类簇转化为行划分矩阵；
24.确定所述特征矩阵中各个特征元素与所述特征矩阵的聚类中心之间的欧式距离；
25.基于所述行划分矩阵、列划分矩阵以及所述欧式距离求解出列权重矩阵；
26.对所述列权重矩阵进行结构化排序，得到各个目标特征。
27.优选的，所述对所述列权重矩阵进行结构化排序，得到各个目标特征，包括：
28.利用范数结构化表示所述列权重矩阵在空间中的大小值；
29.利用预设的参数权重确定与每一个所述第二类簇所对应的簇权重；
30.利用所述簇权重对每一个所述第二簇中的每一个特征元素进行几何减小；
31.并利用所述大小值，将所述列权重矩阵中的几何减小后的各个特征进行降序排列；
32.设定第一数值n，按照所述降序排列选取前n个特征，以得到各个目标特征。
33.优选的，所述利用所述多任务行为理论模型中的表示模块，对各个所述目标特征进行第一转化操作，得到第一矩阵，包括：
34.利用所述多任务行为理论模型对各个所述目标特征进行编码，得到编码向量；
35.连接各个所述编码向量，以组成低维矩阵；
36.将所述用电消费信息与所述低维矩阵进行串联组合，得到第一矩阵。
37.优选的，所述利用所述多任务行为理论模型中的用电消费预测模块，获取各个所述低压用户在第一预设时间段内的用电消费金额，并对各个所述低压用户在第一预设时间段内的用电消费金额进行第二转化操作，得到目标向量，包括：
38.利用预先设定的时间长度的时隙，将所述各个所述低压用户在第一预设时间段内的用电消费金额进行划分，得到每一个时隙的各个所述低压用户的用电消费金额；
39.根据各个时隙的各个所述低压用户的用电消费金额，计算每一个时隙中每一个低压用户的平均消费金额；
40.针对每一个低压用户，基于预设的多个不同的时间区间将该低压用户在每个所述时间区间中的平均消费金额进行整合，得到与时间区间个数相同的各个消费特征；
41.分别对各个所述消费特征进行卷积操作，再将进行卷积操作后的各个消费特征进行连接，得到目标向量。
42.优选的，所述制定差异化积分机制，包括：
43.确定所述差异化积分机制的实施时间、实施目标、和补贴价格；
44.获取所有低压用户所对应的多个属性值，针对不同的所述属性值制定不同梯度的积分奖励；
45.制定所述低压用户获得积分的各个方式，并基于所述实施时间确定积分的各个档次；
46.将所述低压用户获得积分的所有方式划分为各个积分来源类型；
47.设定各个初始参数，根据各个初始参数和各个所述积分来源类型确定低压用户的总积分值的计算公式。
48.优选的，所述模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果，包括：
49.将所述低压用户的目标确定为总积分值最大，将所述电网公司的目标确定为利益最大，将所述聚合商的目标确定为调度需求响应所获利益最大；
50.利用所述预测行为信息以及初始积分激励机制，依据所述低压用户的总积分值最大的目标、电网公司利益最大的目标以及聚合商的调度需求响应所获利益最大的目标模拟低压用户、电网公司、聚合商参与需求响应过程，以求解出纳什均衡解；
51.将所述纳什均衡解作为实施效果。
52.第二方面，一种低压用户负荷调控装置，包括：
53.特征数据确定模块，用于获取多个低压用户的用电消费信息以及多个所述低压用户参与需求响应的行为信息，并确定与所述用电消费以及行为信息对应的特征数据；
54.预测行为信息确定模块，用于利用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息；其中，所述多任务行为理论模型是以特征数据样本为训练样本，以与多个所述低压用户对应的真实行为信息为训练标签训练得到；
55.制定模块，用于制定面向低压需求响应的市场交易规则以及差异化积分机制；
56.初始积分激励模块，用于基于所述市场交易规则以及差异化积分机制确定与多个所述低压用户对应的初始积分激励机制；
57.模拟模块，用于利用所述预测行为信息以及初始积分激励机制，模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果；
58.调整模块，用于基于所述实施效果对所述积分激励机制进行偏差优化调整，得到目标积分激励机制，以实现低压用户的负荷调控。
59.优选的，所述预测行为信息确定模块，包括：
60.筛选模块，用于利用所述多任务行为理论模型中的特征筛选模块，对所述特征数
据进行筛选，得到各个目标特征；
61.第一转化操作模块，用于利用所述多任务行为理论模型中的表示模块，对各个所述目标特征进行第一转化操作，得到第一矩阵；
62.第二转化操作模块，用于利用所述多任务行为理论模型中的用电消费预测模块，获取各个所述低压用户在第一预设时间段内的用电消费金额，并对各个所述低压用户在第一预设时间段内的用电消费金额进行第二转化操作，得到目标向量；
63.第三转化操作模块，用于利用所述多任务行为理论模型中的需求响应预测模块，对所述第一矩阵进行第三转化操作，得到各个第一序列；
64.综合预测模块，用于利用所述多任务行为理论模型中的多任务学习模块，将所述第一矩阵、目标向量以及各个所述第一序列结合预测，以得到与多个所述低压用户对应的预测行为信息。
65.从上述技术方案可以看出，本技术获取多个低压用户的用电消费信息以及多个所述低压用户参与需求响应的行为信息，并确定与所述用电消费以及行为信息对应的特征数据；利用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息；其中，所述多任务行为理论模型是以特征数据样本为训练样本，以与多个所述低压用户对应的真实行为信息为训练标签训练得到；制定面向低压需求响应的市场交易规则以及差异化积分机制；基于所述市场交易规则以及差异化积分机制确定与多个所述低压用户对应的初始积分激励机制；模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果；基于所述实施效果对所述积分激励机制进行偏差优化调整，得到目标积分激励机制，以实现低压用户的负荷调控。本方案通过确定出低压用户的用电消费和其行为信息对应的特征数据，并通过训练好的行为理论模型可以预测出低压用户的需求响应行为，再通过制定交易规则和积分机制，并模拟多方的需求响应过程，可以对积分激励机制进行偏差优化调整，从而有效的实现低压用户的负荷调控，有效解决电力负荷系统与低压用户之间的矛盾，可以使低压用户充分发挥交易自主性。
附图说明
66.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
67.图1为本技术实施例提供的一种低压用户负荷调控方法的可选流程图；
68.图2为本技术实施例提供的一种机制制定方法的结构框图；
69.图3为本技术实施例提供的一种低压用户负荷调控方法的整体技术框架；
70.图4为本技术实施例提供的一种多任务行为理论模型的结构框图；
71.图5为本技术实施例提供的一种差异化积分机制的积分规则制定示意图；
72.图6为本技术实施例提供的一种三方博弈过程的流程图。
具体实施方式
73.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
74.本发明实施例提供一种低压用户负荷调控方法，该方法可以应用在各种计算机终端或是智能终端中，其执行主体可以为计算机终端或是智能终端的处理器或服务器，所述方法的方法流程图如图1所示，具体包括：
75.s1：获取多个低压用户的用电消费信息以及多个所述低压用户参与需求响应的行为信息，并确定与所述用电消费以及行为信息对应的特征数据。
76.用户在日常生活中会因为许多因素影响用电消费负荷，比如季节、天气温度、用电时段、实时电价等，因此容易出现在某一时段负荷量达到高峰或抵峰，较大波动会给电网传输带来压力。因此可以获取低压用户的用电消费信息以及低压用户参与需求响应的行为信息，并进行分析，可以得到其总体的用电消费习惯和特性，即可以确定出与用电消费以及行为信息对应的特征数据，由此可以制定更符合用户行为习惯的用电规划方案以及制定相关激励政策，让低压用户能够更主动、积极地参与需求响应，最终达到削峰填谷的目的。
77.s2：利用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息；其中，所述多任务行为理论模型是以特征数据样本为训练样本，以与多个所述低压用户对应的真实行为信息为训练标签训练得到。
78.具体地，本技术可以预先构建多任务行为理论模型，并进行训练，训练后的多任务行为理论模型可以用来处理特征数据，从而得到与低压用户对应的预测行为信息。
79.s3：制定面向低压需求响应的市场交易规则以及差异化积分机制。
80.本方案中除了需要建立多任务行为理论模型外，还需要制定面向低压需求响应的市场交易规则以及差异化积分机制。
81.具体地，如图2所示，对于面向低压需求响应的市场交易规则中，可以设定低压用户在参与需求响应交易时若如实履约，则可以积累信用值、积分奖励。信用值和积分将会对用户后面的某些行为产生影响，比如优惠电价、兑换奖励等；而用户如果违约，就会扣除一定地信用值和积分来进行惩罚，甚至会对违约用户之后一定时间段内的用短、交易都产生不利影响，比如加倍电价、对用户进行断电处罚等。因此本技术需要制定一种该交易规则，对需求响应交易过程中的各类细节进行阐述。
82.可选的，在制定面向低压需求响应的市场交易规则中，包括对发布需求响应邀约信息阶段、竞价阶段、有序用电阶段、光伏新能源售电阶段、发布发放补贴信息阶段的内容和细节进行具体设计。每一阶段的具体细节包括：
83.(1)发布需求响应邀约信息阶段
84.前一天晚上固定时间(例如晚上18:00)电网公司发布第二天的需求响应时间段，低压用户收到邀约信息后根据自己的实际情况提交响应量、可以响应的时间段、价格信息；此外，低压用户也可以指定用户进行交易。交易聚合商对用户提交的响应量进行聚合。在提交当日某时间(例如晚上22:15)之前，用户所提交的信息可以修改；超过该时间系统将锁定提交的交易信息并进入下一阶段。
85.(2)竞价阶段
86.聚合商根据竞价模型以及智能合约内容，在使得电网公司以及用户双方的利益最
大化的情况下，对低压用户进行匹配。例如，在经过竞价模型计算后，将选出的低压响应用户与该时段需要用电的用户匹配，双方确认交易后，将进行签约。签约后，交易信息将同步上传到区块链以备溯源查询。
87.(3)有序用电阶段
88.用户的电动汽车可以作为储能设备，在电网负荷高峰选择放电，低谷选择充电，以此起到削峰填谷的作用。在收到电网公司发布有序用电的邀约信息后，电动汽车用户可以提交响应量信息，与提交需求响应信息的其他低压用户一起等待进行后续步骤。
89.(4)光伏新能源售电阶段
90.光伏发电用户的电可以自发自用，其多余电量可以按照比实时电价高一定比例的价格出售给电网公司，并且电网公司给与相应奖励，由此也可以达到削峰填谷。
91.(5)发布发放补贴信息阶段
92.在第二天需求响应时间段结束之后进行结算，由低压互动响应终端读取买卖双方实际的负荷量数据，与签约信息中提交的响应量对比来判断卖方是否在该时间段确实节省了相应的电量，如果履约则给用户发放信用值以及积分奖励，如果违约则扣除信用值以及相应的积分。积分的奖励与扣除由智能合约规定好并由聚合商执行。
93.具体地，每个低压用户在注册以及实名认证后将有初始的信用值m(例如m＝600)，信用值会定期根据规则重新评估。例如高于1600的将在重新评估后变为700，低于200的不做改变。如果信用值过低，后续交易、用电都将会产生影响。比如智能合约中可以规定信用值低于200的用户提交响应量，如果成功匹配到用户，则第二天在该时段将采取强制断电措施确保用户履约；日常用电将会支付更多费用(包括违约金)，以此督促低压用户尽可能少违约。在一个示例中，可以设置用户获得的积分的有效期为一年，不同时间获得的积分到期时间不同，例如本年7月获得的积分将在下一年的7月到期。在积分到期之前，系统将会给低压用户推送，提醒低压尽快使用积分，避免造成损失浪费。
94.另外，可以对制定好的市场交易规则以及实施时间、目标、补贴价格等不同条件制定了差异化积分机制，兑积分的来源与计算方式以及积分用途进行了详细阐述，差异化积分机制最终的目标是使用户获得的积分达到最大化、同时电网公司、聚合商的收益也达到最大化。
95.在需求响应交易流程中，各个环节都需要响应的交易规则来确保整个交易流程的正常运行，因此制定的面向低压需求响应的市场交易规则包括对各交易环节的约束规则。
96.s4：基于所述市场交易规则以及差异化积分机制确定与多个所述低压用户对应的初始积分激励机制。
97.根据制定好的市场交易规则以及差异化积分机制可以确定与多个低压用户共同对应的初始积分激励机制。
98.s5：利用所述预测行为信息以及初始积分激励机制，模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果。
99.在本技术中，低压用户、电网公司、聚合商参与需求响应的模拟过程是基于博弈论的模拟过程，其中，三方参与的博弈为非合作的静态博弈，三方根据自己的最优化目标独立选择自己的策略，并且得到实施效果。
100.s6：基于所述实施效果对所述积分激励机制进行偏差优化调整，得到目标积分激
励机制，以实现低压用户的负荷调控。
101.根据实施效果对积分激励机制进行的偏差优化调整不同于以往的电网公司售电、用户买电的模式。电网公司会在用电高峰期提高实时价格，从而促使用户参与更多的需求响应交易来缓解用电高峰时期的发电压力，并且同时在用电低峰期，电网公司会降低实时价格，从而促使用户参与正常的用电，以缩小电网的峰谷差距。具体地，本方案提供的低压用户负荷调控方法的整体技术框架可以如图3所示。
102.本发明实施例提供的方法中，用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息流程的具体说明如下所述：
103.s21：利用所述多任务行为理论模型中的特征筛选模块，对所述特征数据进行筛选，得到各个目标特征。
104.本步骤可以具体包括：
105.利用所述多任务行为理论模型中的特征筛选模块，采用特征提取的方法获取各个所述低压用户的用电消费特征集；将所述用电消费特征集转化为特征矩阵；所述特征矩阵包含有各个实例和各个第一特征；采用协同聚类方法将所述特征矩阵在行方向上划分为各个第一类簇，并将各个所述第一类簇转化为列划分矩阵；采用协同聚类方法将所述特征矩阵在列方向上划分为各个第二类簇，并将各个所述第二类簇转化为行划分矩阵；确定所述特征矩阵中各个特征元素与所述特征矩阵的聚类中心之间的欧式距离；基于所述行划分矩阵、列划分矩阵以及所述欧式距离求解出列权重矩阵；对所述列权重矩阵进行结构化排序，得到各个目标特征。其中，对所述列权重矩阵进行结构化排序，得到各个目标特征包括：利用范数结构化表示所述列权重矩阵在空间中的大小值；利用预设的参数权重确定与每一个所述第二类簇所对应的簇权重；利用所述簇权重对每一个所述第二簇中的每一个特征元素进行几何减小；并利用所述大小值，将所述列权重矩阵中的几何减小后的各个特征进行降序排列；设定第一数值n，按照所述降序排列选取前n个特征，以得到各个目标特征。
106.在本步骤中，特征数据可以包括日平均温度、日平均电价等，将特征数据放入矩阵d＝[d
i，j
]n×m，即特征矩阵，表示其共有n个实例，m个第一特征。然后使用协同聚类的思想将矩阵d＝[d
i，j
]n×m在行方向上划分为k个第一类簇，在列方向上划分为l个第二类簇，分别用行划分矩x＝[x
i，g
]n×k和列划分矩阵y＝[y
j，h
]m×
l
表示。对于n个实例，进行有监督的特征选择，即如果第i行属于第g行的类簇，则x
i，g
＝1，否则为0。为了使特征聚类，用c＝[c
g，h
]k×
l
表示聚类中心点的值，用w＝[w
g，j
]k×m表示列权重，特征矩阵中元素与聚类中心的距离用欧氏距离来衡量，可以表示为(d
i，j-c
g，h
)2，由此可以写出目标函数：
[0107][0108][0109][0110]
其中，参数η用来调整权重的分布。在一定范围内，η越小，权重分布越集中。求解此目标方程可以将其分解成3个子问题，即：
[0111]
q1：固定聚类中心值矩阵、列权重矩阵，求解列簇划分矩阵。于是列簇划分矩阵y可以由以下式子求出：
[0112]yj，h
＝1，if oh≤o
t for 1≤t≤l where
[0113][0114]yj，t
＝0 for t≠h；
[0115]
q2：固定列簇划分矩阵、列权重矩阵，求解聚类中心值矩阵。于是聚类中心值矩阵c可以由以下式子求出：
[0116][0117]
q3：固定聚类中心值矩阵、列簇划分矩阵，求解列权重矩阵。于是列权重矩阵w可以由以下式子求出：
[0118][0119][0120]
因为这些求解出的子问题序列(q1，q2，q3)总是保证目标函数最优化的，所以会严格递减，在迭代后会收敛到局部最优。如果迭代次数是r，那么算法的时间复杂度就为0(rnmkl)。通过学习到的y
*
、c
*
、w
*
就可以知道每个对象所属类别，分类的准确性可以用召回率等指标进行衡量。
[0121]
由上述得到的局部最优的列划分矩阵、聚类中心值矩阵、列权重矩阵，由于列权重矩阵最能体现每个聚类的重要程度，因此排序算法主要操作列权重矩阵，即对列权重矩阵进行结构化排序。排序算法的主要目的是避免从特征聚类里直接筛选特征的繁琐操作，而是使用统一标准来筛选：
[0122]
使用范数来结构化描述矩阵在空间中的大小，且因为权重矩阵的非负性，各种特征的相对重要性可以表示为：{||w1||1||w2||1…
||wm||1}，然后对这些特征进行降序排列，对于每个集群，如果需要降低某特征簇的权重，电网可以使用一个参数权重λ来制定每簇的权重，且λ∈(0，1]，列簇共l簇，每个簇的第j个特征可以被重新几何减小，即θi＝||wj||1λ
lj
，设置第一数值n，使用θ可以筛选出我们需要的排名前n(例如：n＝8，本实施例对此不做限制)的特征，即n个目标特征。
[0123]
s22：利用所述多任务行为理论模型中的表示模块，对各个所述目标特征进行第一转化操作，得到第一矩阵。
[0124]
具体地，利用所述多任务行为理论模型对各个所述目标特征进行编码，得到编码向量；连接各个所述编码向量，以组成低维矩阵；将所述用电消费信息与所述低维矩阵进行串联组合，得到第一矩阵。
[0125]
s23：利用所述多任务行为理论模型中的用电消费预测模块，获取各个所述低压用户在第一预设时间段内的用电消费金额，并对各个所述低压用户在第一预设时间段内的用
电消费金额进行第二转化操作，得到目标向量。
[0126]
利用预先设定的时间长度的时隙，将所述各个所述低压用户在第一预设时间段内的用电消费金额进行划分，得到每一个时隙的各个所述低压用户的用电消费金额；根据各个时隙的各个所述低压用户的用电消费金额，计算每一个时隙中每一个低压用户的平均消费金额；针对每一个低压用户，基于预设的多个不同的时间区间将该低压用户在每个所述时间区间中的平均消费金额进行整合，得到与时间区间个数相同的各个消费特征；分别对各个所述消费特征进行卷积操作，再将进行卷积操作后的各个消费特征进行连接，得到目标向量。
[0127]
s24：利用所述多任务行为理论模型中的需求响应预测模块，对所述第一矩阵进行第三转化操作，得到各个第一序列。
[0128]
s25：利用所述多任务行为理论模型中的多任务学习模块，将所述第一矩阵、目标向量以及各个所述第一序列结合预测，以得到与多个所述低压用户对应的预测行为信息。
[0129]
下面将上述步骤s22、s23、s24、s25进行组合说明，如图4所示：
[0130]
对于用电消费，可以使用时间轴上不同时段的划分来描述用户的历史消费行为对未来的影响，并进行增强表示，对于外部特征，即上述各个目标特征，可以结合用电消费的上下文信息，用长短期记忆网络来学习。最后，结合二者数据，通过损失函数计算得到更准确的结果。
[0131]
(1)表示模块
[0132]
该模块也可以称之为多任务行为理论模型中的表示层，将各个目标特征编码成r1×a的向量来降低维度，然后连接各个编码向量以组成低维矩阵e
τ
。用户的用电消费情况直接影响到用户是否参与需求响应的行为，如果直接使用显示特征来预测，无法反映出现实世界的真实情况，所以可以使用一个隐含层来增强表示用电消费情况的上下文信息，在某一时刻τ，台区i的用电消费情况用cons
i，τ
来表示。为了估计用户参与需求响应的响应量，将目标特征和用户消费相关的上下文信息串联起来，变成第一矩阵u
i，τ
＝[cons
i，τ
，e
τ
]。
[0133]
(2)用户消费预测模块
[0134]
该模块也可以称之为多任务行为理论模型中的用户消费预测层，这一层使用用户消费金额来代表消费情况，在时间轴上对用户消费金额进行提取。将第一预设时间段划分成长度为t(例如t＝5分钟)的时隙，然后用a_(u，t)来代表在第t个时隙第u个用户消费的平均金额，并用这个值来预测未来某一时刻τ的用户消费金额考虑到用户用电消费的周期性，所以划分多个不同的时间区间，比如：一小时内、六天内、四周等，分别表示为：[t
τ-12，t
τ-1]、[t
τ-288
×
6，t
τ-288]、[t
τ-2016
×
4，t
τ-2016]，并且分别将消费特征表示为：
[0135]
i_(u，t_τ)＝[a_(u，t_τ-1)，a_(u，t_τ-2)，
…
，a_(u，t-τ-12)]，
[0136]
j_(u，t_τ)＝[a_(u，t_τ-288)，a_(u，t_τ-288
×
2)，
…
，a_(u，t_τ-288
×
6)]，
[0137]
k_(u，t_τ)＝[a_(u，t_τ-2016)，a_(u，t-τ-2016
×
2)，
…
，a_(u，t_τ-2016
×
4)]；
[0138]
接下来要根据这三类特征推导出有价值的隐藏特征，所以对三者分别做卷积操作，再进行连接，即：
[0139]
[0140][0141][0142]
其中，*代表卷积操作，是权重系数，bi、bj、bk是偏差，f()是relu激活函数。最后连接得到向量可以看作是用户消费情况cons
i，τ
的增强表示，更好地反映现实场景中的真实情况。将向量输入mlp，得到预测的用户消费金额
[0143]
(3)用户需求响应预测模块
[0144]
该模块也可以称之为多任务行为理论模型中的用户需求响应预测层，设计用户需求响应预测层的目的是预测用户参与需求响应量，利用时空信息的序列模型，使用lstm网络将有用信息保留，无用信息丢弃。在lstm网络中，每个特征向量都有记忆单元c
x
，控制网络记住有用新内容和遗忘无用旧内容的输入门i
x
和遗忘门f
x
，以及输出门o
x
，其中x表示是第x个特征向量。对于每个特征向量，都有一个lstm单元的输出h
x
，且有：
[0145][0146]
其中，输出门使用一个sigmod函数来确定要输出的部分，可以表示为：
[0147]ox
＝σ(wou
x，τ
+v
ohx-1
+d
ocx
)；
[0148]
其中do是对角矩阵，记忆单元c
x
由新内容与旧内容c
x-1
加权求和得到，可以表示为：
[0149][0150]
其中，新内容c
x
由串联信息u
x，τ
与上一个lstm单元的输出h
x-1
加权求和，再求tanh函数得到，表示为：
[0151][0152]
wc、vc均为权重矩阵，输入门和遗忘门都由外部特征和用户消费相关的上下文串联的信息u
x，τ
、上一个lstm单元的输出h
x-1
和上一个记忆单元c
x-1
计算得到，可以表示为：
[0153]ix
＝σ(wyu
x，τ
+v
yhx-1
+d
ycx-1
)，
[0154]fx
＝σ(wfu
x，τ
+vfh
x-1
+d
fcx-1
).
[0155]
其中wy、wf、vy、vf都是列权重矩阵，dy、df是对角矩阵。使用u
j，τ
的序列训练lstm网络，可以得到包含了时间依赖性的隐藏单元序列h＝{h1，h2，
…
，hn}，这个单元序列输入到mlp后可以得到对应的预计用户参与需求响应量
[0156]
为了进一步的捕捉全局信息，可以使用self-attention机制，多任务并行计算，可以考虑到任意两个台区间的相关性。使用对应可训练的参数矩阵以考虑到任意两个台区间的相关性。使用对应可训练的参数矩阵和各自的偏置生成的对应的q、k、v，即：
[0157]
[0158][0159][0160]
接下来用首先得到的q序列中每一个元素来匹配k中每一个元素，也即二者进行点乘操作，再经过softmax函数得到权重。而v作为从序列中学习到的信息，使用这个权重。所以，可以将这个过程表示为：
[0161][0162]h*
＝attention(q，k，v)v；
[0163]
其中dk表示k的维度，h
*
就是序列h的综合表示，将h
*
输入mlp，得到最终预测的用户需求响应量
[0164]
(4)多任务学习模块
[0165]
该模块也可以称之为多任务行为理论模型中的多任务学习层，这一层的目的是结合用户消费预测层和用户需求响应预测层的输出，计算得到更准确的参数。使用前面计算出的用户消费金额预测值预计用户参与需求响应量以及最终预测的用户需求响应量用平均绝对百分比误差mape来归一化地衡量误差，作为训练阶段的损失函数，可以分别得到三个损失函数：
[0166][0167][0168][0169]
其中，ai是在第i台区用户的实际消费金额，ri是第i台区的实际用户需求响应量，r是最终整个用户群体的实际需求响应量。
[0170]
将这三个损失函数组合得到最终多任务的损失函数：
[0171][0172]
其中，λ1、λ2、λ3，是可学习的参数，在训练阶段可以改变。以最小化损失函数作为目标训练模型，直到损失函数降低到一个较低的水平，调用训练后的模型即可预测用户参与需求响应的行为。
[0173]
下面对本技术中的制定差异化积分机制的过程进行说明。
[0174]
确定所述差异化积分机制的实施时间、实施目标、和补贴价格；获取所有低压用户所对应的多个属性值，针对不同的所述属性值制定不同梯度的积分奖励；制定所述低压用户获得积分的各个方式，并基于所述实施时间确定积分的各个档次；将所述低压用户获得
积分的所有方式划分为各个积分来源类型；设定各个初始参数，根据各个初始参数和各个所述积分来源类型确定低压用户的总积分值的计算公式。
[0175]
具体地，如图5所示，确定差异化积分机制的实施时间、实施目标、和补贴价格，对于一些条件下的用户属性值的不同，发放不同梯度的积分奖励，以此达到差异化积分奖励的目的。积分机制的基本原理是将交易、用电数据与分析技术相结合，将用户历史履约行为、用户日常行为、交易信息数据等信息量化，经过加权平均得出简单且具体的数值，便于电网公司更好地做出决策。本实施例对积分来源进行说明，并且设计模型使得用户获得的积分达到最大化、电网公司利益最大化以及聚合商的收益最大化。用户获得积分的方式有很多，具体而言，设计用户获得积分的主要来源如下：(1)用户注册、实名认证获得奖励积分：用户下载低压互动响应app，注册并实名认证后，系统将会奖励用户积分，例如奖励20分。(2)用户提交需求响应信息，获得奖励积分：用户在收到电网公司发布的需求响应邀约后，按情况提交相关信息，系统就会给用户发放奖励积分，例如奖励5分。(3)用户如实履约奖励积分：在需求响应时段结束后，聚合商根据从低压互动响应终端读取的数据与用户提交的数据进行比对。如果用户如实履约，即在该时间段内确实节省了相应负荷量，那么系统将会给用户发放履约的奖励，例如奖励10分。其中，根据实施时间不同，用户获得的积分也不同。例如，可以设定一个基础分15分，然后根据季节、温度、时间等因素来确定获得积分的倍数；(4)用户未履约扣除积分：与履约情况相反，如果用户违约，则扣除用户部分积分，例如扣除15分。(5)根据用户信用值的高低进行差异化奖励积分：首先设定一个基础奖励分，例如12分，然后根据信用值分档次进行奖励，即：对于信用值高(例如高于900)的用户，每次参与交易并履约，都可以奖励原本奖励积分加原本积分的p倍(例如p＝0.2)积分；对于信用值中等(500～900)的用户，每次参与交易并履约，都可以奖励原本积分加原本积分的q倍(例如q＝0.05)积分；对于信用值较低(500以下)的用户，正常奖励。(6)用户任务积分：用户限时任务，例如半个月内参与6次需求响应交易并且如实履约，就可以获得3积分。(7)区块链出块奖励：各台区对应联盟链的出块奖励由电网公司统一规划管理，按用户参与的积极性发放给用户。例如，按照7天内每个台区参与需求响应的积极性以及台区中用户参与需求响应的积极性进行排序，然后将出块奖励的积分按比例分配。(8)用户参与有序用电的奖励：用户收到邀约后提交交易信息，将电动汽车在电网负荷高峰选择放电，低谷选择充电，系统就会给用户发放积分奖励，例如奖励18分。(9)光伏新能源售电奖励：光伏发电用户自发自用，多余的电出售给电网，电网公司将会给予积分奖励，例如1度电奖励1分。(10)用户绑定新智能家居设备奖励积分：用户通过app绑定一台新智能家居设备，将获得奖励积分，例如奖励5分。
[0176]
在积分到期前，用户可以使用积分。具体而言，积分的用途包括：(1)兑换电费补贴价格：用户可以按照比例兑换为电费补贴，例如500分兑换1度电的电费补贴，但不能提现使用。(2)兑换纪念品、奖品：例如可以用2000分兑换纪念品，用1000分兑换合作商家的代金券等。(3)恢复信用值：对于信用值过低的用户(例如信用值低于200)，可以用积分恢复信用值。例如用50积分恢复1点信用值。
[0177]
此外，关于用户获得的积分，有如下说明：用户获得积分的有效期为一年，例如2022年5月获得的积分有限期为2023年5月，2022年7月获得的积分有效期为2023年7月，即积分不会在年底时清零。当部分积分将要到期时，低压互动响应app将会推送通知给用户，
提醒用户使用快到期的积分。
[0178]
(1)用户获得积分最大化模型。设计差异化积分机制的目标之一是使得用户获得积分最大化。我们将用户积分来源分为6部分。把每个用户日常行为获得的积分总和表示为a，其中包括用户注册和实名认证获得奖励积分regist
i，u
，用户提交需求响应信息获得的奖励积分submit
i，u
，用户任务积分task
i，u
，用户绑定新智能家居设备奖励积分bind
i，u
，下标i表示台区编号，u表示用户编码。因此，所有用户日常行为获得的积分总和表示为a可以表示为：
[0179][0180]
然后把每个用户参与需求响应履约情况的积分总和表示为b，其中包括预测的需求响应量奖励的积分case
t
。履约情况的积分为差异化积分，用户在不同实施时间履约获得的积分不同，用时间系数τ
t
进行区分。其中，用h
x
表示时间，d
x
表示日期，m
x
表示月份，q、w、r分别表示权重系数，可以根据季节、温度等因素进行调整，故时间系数τ
t
的计算方式为：
[0181]
τ
t
＝qh
x
+wd
x
+rm
x
，
[0182]
预测的用户需求响应量用x表示，每度电的奖励基础分设为θ，则用户获得的奖励积分计算方式为：
[0183]
case
t
＝τ
t
·
x
·
θ，
[0184]
因此，所有低压用户参与需求响应履约情况的积分总和b可以表示为：
[0185][0186]
再根据用户信用值高低奖励的差异化积分总和表示为c，用户的信用值分为三个档次，用档次系数δe表示，下标e表示用户信用值，信用值奖励基础积分表示为ρ。δe的计算方法为：
[0187][0188]
用户获得的差异化积分为：
[0189]
credit
i，u
＝δe·
ρ；
[0190]
因此，根据用户信用值高低奖励的差异化积分总和c可以表示为：
[0191][0192]
区块链出块奖励积分由电网公司统一分配管理，根据每个台区的响应量以及台区内用户的响应量由高到低进行排序，台区的排名系数表示为αi，i表示台区编号；台区内用户的排名系数表示为βu，u表示台区内用户的编号。基础分设为η，则用户获得的出块奖励积分为block
i，u
，其计算方式为：
[0193]
block
i，u
＝αi·
βu·
η，
[0194]
因此，所有用户区块链出块奖励积分总和为表示为d，具体计算方式为：
[0195][0196]
用户参与有序用电的奖励的积分总和表示为e，用order
i，u
表示每个参与有序用电用户获得的积分。故：
[0197][0198]
光伏新能源售电奖励的积分总和表示为f，用photovoltaic
i，u
表示每个光伏新能源用户通过出售多余电力获得的奖励积分，故
[0199][0200]
所以，用户获得积分最大化模型为：
[0201][0202]
(2)电网公司利益最大化模型。设计差异化积分机制的另一个目标是使得电网公司利益最大化。电网公司的收益表示为s
csg
，其含义为需求响应负荷结束后的总收益。用a、b、c分别表示需求响应、有序用电、光伏新能源发电三个过程在整个低压互动响应中所占的权重。需求响应交易的负荷量有三种来源：用xi表示第i个台区需求响应的总负荷。用y
i,u
表示在有序用电阶段，第i个台区的第u个用户将电动汽车自身存储的负荷出售给其它用户，参与需求响应当中的负荷量。z
i,u
指第i个台区的第u个用户在光伏发电阶段多余的负荷量出售给电网公司。用p
t
表示电网公司的p时间段的实时售电价格，pw表示聚合商的调度负荷单价，pc表示电网公司的发电成本。因此，电网公司利益最大化模型可以表示为：
[0203][0204]
(3)聚合商收益最大化模型。
[0205]
设计差异化积分机制的最后一个目标是使得聚合商的收益最大化。聚合商参与调度需求响应负荷过程，由电网公司支付调度费用，由s
agent
表示。聚合商调度的需求响应负荷量的三种表示与公式(13)相同，即xi、y
i，u
、z
i，u
，此处同样用a、b、c分别表示需求响应、有序用电、光伏新能源发电三个过程在整个低压互动响应中所占的权重。用pw表示聚合商因参与调度负荷而收取的调度负荷单价。因此，聚合商收益最大化模型可以表示为：
[0206][0207]
下面对本技术的模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果的过程进行详细说明。
[0208]
将所述低压用户的目标确定为总积分值最大，将所述电网公司的目标确定为利益
最大，将所述聚合商的目标确定为调度需求响应所获利益最大；利用所述预测行为信息以及初始积分激励机制，依据所述低压用户的总积分值最大的目标、电网公司利益最大的目标以及聚合商的调度需求响应所获利益最大的目标模拟低压用户、电网公司、聚合商参与需求响应过程，以求解出纳什均衡解；将所述纳什均衡解作为实施效果。如图6所示，该过程具体可以包括：
[0209]
参与者：电网公司csg、聚合商agent、参与低压响应的所有用户users。
[0210]
策略：电网公司、聚合商、低压用户的博弈决策变量分别为：需求响应时段负荷实时单价、聚合商参与调度需求响应负荷的调度单价、低压用户提交的需求响应量。
[0211]
收益：
[0212][0213][0214][0215]
上述第一个公式是是电网公司的收益s
csg
为需求响应负荷结束后的总收益。a、b、c是需求响应、有序用电、光伏新能源发电三个过程在整个低压互动响应中所占的权重；xi指第i个台区需求响应的总负荷；y
i,u
指有序用电阶段，第i个台区的第u个用户将电动汽车自身存储的负荷卖给其它用户参与需求响应当中；z
i,u
指第i个台区的第u个用户在光伏发电阶段多余的负荷量出售给电网公司；p
t
指电网公司的p时间段的实时售电价格；pw指聚合商的调度负荷单价；pc指电网公司的发电成本第二个指出聚合商的优化目标为参与调度需求响应负荷过程中所获得的收益最大，其中中的xi、y
i,u
、z
i,u
变量所指的含义同第一个公式，pw指聚合商因参与调度负荷而收取的调度负荷单价。上述第三个公式指出低压用户的优化目标为积分最大。a、c、d、e、f指不同情况下用户所获得的固定积分。指出t时间段内所有用户履约所获得总积分，其中时间系数为τ
t
，x指所有用户需求响应负荷总量，θ为响应单位负荷的奖励基础分设为θ。
[0216]
另外，基于所述实施效果对所述积分激励机制进行偏差优化调整，得到目标积分激励机制，以实现低压用户的负荷调控的过程，可以看作是偏差优化调整积分激励机制的三方博弈的过程。
[0217]
(1)电网公司提高实时用电负荷单价
[0218]
1)聚合商选择提高调度负荷单价，此时用户选择增加需求响应负荷。
[0219]
此时用户所获得的总电力积分、电网公司所获收益、聚合商所获收益如下式：
[0220][0221][0222][0223]
2)聚合商选择提高调度负荷单价，此时用户选择减少需求响应负荷。
[0224]
此时用户所获得的总电力积分、电网公司所获收益、聚合商所获收益如下式：
[0225][0226][0227][0228]
3)聚合商选择减少调度负荷单价，此时用户选择增加需求响应负荷。
[0229]
此时用户所获得的总电力积分、电网公司所获收益、聚合商所获收益如下式：
[0230][0231][0232][0233]
4)聚合商选择减少调度负荷单价，此时用户选择减少响应负荷。
[0234]
此时用户所获得的总电力积分、电网公司所获收益、聚合商所获收益如下式：
[0235][0236][0237][0238]
(2)电网公司减少实时用电负荷单价
[0239]
1)聚合商选择提高调度负荷单价，此时用户选择增加需求响应负荷。
[0240]
此时用户所获得的总电力积分、电网公司所获收益、聚合商所获收益如下式：
[0241][0242][0243][0244]
2)聚合商选择提高调度负荷单价，此时用户选择减少需求响应负荷。
[0245]
此时用户所获得的总电力积分、电网公司所获收益、聚合商所获收益如下式：
[0246][0247][0248][0249]
3)聚合商选择减少调度负荷单价，此时用户选择增加需求响应负荷。
[0250]
此时用户所获得的总电力积分、电网公司所获收益、聚合商所获收益如下式：
[0251][0252][0253][0254]
4)聚合商选择减少调度负荷单价，此时用户选择减少响应负荷。
[0255]
此时用户所获得的总电力积分、电网公司所获收益、聚合商所获收益如下式：
[0256][0257][0258][0259]
根据博弈三方的独立优化目标同时遍历所有策略集求解nash均衡，具体实现思路如下：1.初始化建模所需的所有参数；2.遍历所有的博弈策略，计算收益函数；3.根据定义判断是否找到nash均衡。
[0260]
最后电网公司根据纳什均衡解，偏差优化调整积分激励机制。电网公司制定相应的实时电价，同时聚合商调整对应的调度费用，低压用户使提交的需求响应总量也为对应的纳什均衡策略。
[0261]
本方案实现了让业务系统保持独立，各终端只对后台服务发起请求，不直接对区块链发送请求，如果区块链网络发生故障或连接丢失，各终端与后台服务只需去掉数据库与上链模块，系统就变成一个传统的业务系统，能够保持正常运作。此外，本方案通过允许各终端的上链模块直接与区块链进行交互，解决了代理上链模式的所存在的问题，消除了潜在的后台端作恶风险，确保了业务数据的正确性。
[0262]
与图1所述的方法相对应，本发明实施例还提供了低压用户负荷调控装置，用于对图1中方法的具体实现，本发明实施例提供的低压用户负荷调控装置可以在计算机终端或各种移动设备中，对低压用户负荷调控装置进行介绍，该装置可以包括：
[0263]
特征数据确定模块，用于获取多个低压用户的用电消费信息以及多个所述低压用户参与需求响应的行为信息，并确定与所述用电消费以及行为信息对应的特征数据；
[0264]
预测行为信息确定模块，用于利用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息；其中，所述多任务行为理论模型是以特征数据样本为训练样本，以与多个所述低压用户对应的真实行为信息为训练标签训练得到；
[0265]
制定模块，用于制定面向低压需求响应的市场交易规则以及差异化积分机制；
[0266]
初始积分激励模块，用于基于所述市场交易规则以及差异化积分机制确定与多个所述低压用户对应的初始积分激励机制；
[0267]
模拟模块，用于利用所述预测行为信息以及初始积分激励机制，模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果；
[0268]
调整模块，用于基于所述实施效果对所述积分激励机制进行偏差优化调整，得到目标积分激励机制，以实现低压用户的负荷调控。
[0269]
优选的，述预测行为信息确定模块可以包括：
[0270]
筛选模块，用于利用所述多任务行为理论模型中的特征筛选模块，对所述特征数据进行筛选，得到各个目标特征；
[0271]
第一转化操作模块，用于利用所述多任务行为理论模型中的表示模块，对各个所述目标特征进行第一转化操作，得到第一矩阵；
[0272]
第二转化操作模块，用于利用所述多任务行为理论模型中的用电消费预测模块，获取各个所述低压用户在第一预设时间段内的用电消费金额，并对各个所述低压用户在第一预设时间段内的用电消费金额进行第二转化操作，得到目标向量；
[0273]
第三转化操作模块，用于利用所述多任务行为理论模型中的需求响应预测模块，对所述第一矩阵进行第三转化操作，得到各个第一序列；
[0274]
综合预测模块，用于利用所述多任务行为理论模型中的多任务学习模块，将所述第一矩阵、目标向量以及各个所述第一序列结合预测，以得到与多个所述低压用户对应的预测行为信息。
[0275]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0276]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0277]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种低压用户负荷调控方法，其特征在于，包括：获取多个低压用户的用电消费信息以及多个所述低压用户参与需求响应的行为信息，并确定与所述用电消费以及行为信息对应的特征数据；利用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息；其中，所述多任务行为理论模型是以特征数据样本为训练样本，以与多个所述低压用户对应的真实行为信息为训练标签训练得到；制定面向低压需求响应的市场交易规则以及差异化积分机制；基于所述市场交易规则以及差异化积分机制确定与多个所述低压用户对应的初始积分激励机制；利用所述预测行为信息以及初始积分激励机制，模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果；基于所述实施效果对所述积分激励机制进行偏差优化调整，得到目标积分激励机制，以实现低压用户的负荷调控。2.根据权利要求1所述的方法，其特征在于，所述用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息，包括：利用所述多任务行为理论模型中的特征筛选模块，对所述特征数据进行筛选，得到各个目标特征；利用所述多任务行为理论模型中的表示模块，对各个所述目标特征进行第一转化操作，得到第一矩阵；利用所述多任务行为理论模型中的用电消费预测模块，获取各个所述低压用户在第一预设时间段内的用电消费金额，并对各个所述低压用户在第一预设时间段内的用电消费金额进行第二转化操作，得到目标向量；利用所述多任务行为理论模型中的需求响应预测模块，对所述第一矩阵进行第三转化操作，得到各个第一序列；利用所述多任务行为理论模型中的多任务学习模块，将所述第一矩阵、目标向量以及各个所述第一序列结合预测，以得到与多个所述低压用户对应的预测行为信息。3.根据权利要求2所述的方法，其特征在于，所述利用所述多任务行为理论模型中的特征筛选模块，对所述特征数据进行筛选，得到各个目标特征，包括：利用所述多任务行为理论模型中的特征筛选模块，采用特征提取的方法获取各个所述低压用户的用电消费特征集；将所述用电消费特征集转化为特征矩阵；所述特征矩阵包含有各个实例和各个第一特征；采用协同聚类方法将所述特征矩阵在行方向上划分为各个第一类簇，并将各个所述第一类簇转化为列划分矩阵；采用协同聚类方法将所述特征矩阵在列方向上划分为各个第二类簇，并将各个所述第二类簇转化为行划分矩阵；确定所述特征矩阵中各个特征元素与所述特征矩阵的聚类中心之间的欧式距离；基于所述行划分矩阵、列划分矩阵以及所述欧式距离求解出列权重矩阵；对所述列权重矩阵进行结构化排序，得到各个目标特征。
4.根据权利要求3所述的方法，其特征在于，所述对所述列权重矩阵进行结构化排序，得到各个目标特征，包括：利用范数结构化表示所述列权重矩阵在空间中的大小值；利用预设的参数权重确定与每一个所述第二类簇所对应的簇权重；利用所述簇权重对每一个所述第二簇中的每一个特征元素进行几何减小；并利用所述大小值，将所述列权重矩阵中的几何减小后的各个特征进行降序排列；设定第一数值n，按照所述降序排列选取前n个特征，以得到各个目标特征。5.根据权利要求2所述的方法，其特征在于，所述利用所述多任务行为理论模型中的表示模块，对各个所述目标特征进行第一转化操作，得到第一矩阵，包括：利用所述多任务行为理论模型对各个所述目标特征进行编码，得到编码向量；连接各个所述编码向量，以组成低维矩阵；将所述用电消费信息与所述低维矩阵进行串联组合，得到第一矩阵。6.根据权利要求2所述的方法，其特征在于，所述利用所述多任务行为理论模型中的用电消费预测模块，获取各个所述低压用户在第一预设时间段内的用电消费金额，并对各个所述低压用户在第一预设时间段内的用电消费金额进行第二转化操作，得到目标向量，包括：利用预先设定的时间长度的时隙，将所述各个所述低压用户在第一预设时间段内的用电消费金额进行划分，得到每一个时隙的各个所述低压用户的用电消费金额；根据各个时隙的各个所述低压用户的用电消费金额，计算每一个时隙中每一个低压用户的平均消费金额；针对每一个低压用户，基于预设的多个不同的时间区间将该低压用户在每个所述时间区间中的平均消费金额进行整合，得到与时间区间个数相同的各个消费特征；分别对各个所述消费特征进行卷积操作，再将进行卷积操作后的各个消费特征进行连接，得到目标向量。7.根据权利要求1所述的方法，其特征在于，所述制定差异化积分机制，包括：确定所述差异化积分机制的实施时间、实施目标、和补贴价格；获取所有低压用户所对应的多个属性值，针对不同的所述属性值制定不同梯度的积分奖励；制定所述低压用户获得积分的各个方式，并基于所述实施时间确定积分的各个档次；将所述低压用户获得积分的所有方式划分为各个积分来源类型；设定各个初始参数，根据各个初始参数和各个所述积分来源类型确定低压用户的总积分值的计算公式。8.根据权利要求1所述的方法，其特征在于，所述模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果，包括：将所述低压用户的目标确定为总积分值最大，将所述电网公司的目标确定为利益最大，将所述聚合商的目标确定为调度需求响应所获利益最大；利用所述预测行为信息以及初始积分激励机制，依据所述低压用户的总积分值最大的目标、电网公司利益最大的目标以及聚合商的调度需求响应所获利益最大的目标模拟低压用户、电网公司、聚合商参与需求响应过程，以求解出纳什均衡解；
将所述纳什均衡解作为实施效果。9.一种低压用户负荷调控装置，其特征在于，包括：特征数据确定模块，用于获取多个低压用户的用电消费信息以及多个所述低压用户参与需求响应的行为信息，并确定与所述用电消费以及行为信息对应的特征数据；预测行为信息确定模块，用于利用预先训练的多任务行为理论模型处理所述特征数据，以得到与多个所述低压用户对应的预测行为信息；其中，所述多任务行为理论模型是以特征数据样本为训练样本，以与多个所述低压用户对应的真实行为信息为训练标签训练得到；制定模块，用于制定面向低压需求响应的市场交易规则以及差异化积分机制；初始积分激励模块，用于基于所述市场交易规则以及差异化积分机制确定与多个所述低压用户对应的初始积分激励机制；模拟模块，用于利用所述预测行为信息以及初始积分激励机制，模拟所述多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果；调整模块，用于基于所述实施效果对所述积分激励机制进行偏差优化调整，得到目标积分激励机制，以实现低压用户的负荷调控。10.根据权利要求9所述的装置，其特征在于，所述预测行为信息确定模块，包括：筛选模块，用于利用所述多任务行为理论模型中的特征筛选模块，对所述特征数据进行筛选，得到各个目标特征；第一转化操作模块，用于利用所述多任务行为理论模型中的表示模块，对各个所述目标特征进行第一转化操作，得到第一矩阵；第二转化操作模块，用于利用所述多任务行为理论模型中的用电消费预测模块，获取各个所述低压用户在第一预设时间段内的用电消费金额，并对各个所述低压用户在第一预设时间段内的用电消费金额进行第二转化操作，得到目标向量；第三转化操作模块，用于利用所述多任务行为理论模型中的需求响应预测模块，对所述第一矩阵进行第三转化操作，得到各个第一序列；综合预测模块，用于利用所述多任务行为理论模型中的多任务学习模块，将所述第一矩阵、目标向量以及各个所述第一序列结合预测，以得到与多个所述低压用户对应的预测行为信息。

技术总结
本申请公开一种低压用户负荷调控方法及装置，通过获取多个低压用户的用电消费信息以及多个低压用户参与需求响应的行为信息，并确定对应的特征数据；利用预先训练的多任务行为理论模型处理特征数据，以得到与多个低压用户对应的预测行为信息；制定面向低压需求响应的市场交易规则以及差异化积分机制；再确定与多个低压用户对应的初始积分激励机制；模拟多个低压用户、电网公司、聚合商参与需求响应过程，并得到实施效果；基于实施效果对积分激励机制进行偏差优化调整，得到目标积分激励机制，以实现低压用户的负荷调控。从而有效的实现低压用户的负荷调控，有效解决电力负荷系统与低压用户之间的矛盾，可以使低压用户充分发挥交易自主性。自主性。自主性。


技术研发人员：蒋雯倩 钱斌 黄柯颖 唐建林 陈珏羽 张帆 林秀清 周密 唐志涛 林晓明 颜丹丹 李金瑾 包岱远
受保护的技术使用者：南方电网科学研究院有限责任公司
技术研发日：2023.05.23
技术公布日：2023/8/16