[发明专利]一种基于局部最大均值差异的家庭用户可调电量预测方法

权利要求书

1.一种基于局部最大均值差异的家庭用户可调电量预测方法，其特征在于，包括：

获取两个区域的家庭用户数据，提取家庭用户特征数据，并构建响应电量标签；

将所述两个区域分别划分为源域和目标域，将所述源域全部划分为训练集，将所述目标域按照预定的比例划分成训练集和验证集；

基于加入损失函数的卷积神经网络构建可调电量预测模型，所述可调电量预测模型对训练集进行学习；

用所述可调电量预测模型对家庭用户可调电量进行预测，得到用户的可调电量。

2.如权利要求1所述的基于局部最大均值差异的家庭用户可调电量预测方法，其特征在于：所述用户响应电量标签的划分过程包括：

通过使用线性映射方法将所述源域与所述目标域的用户响应电量标签划分成100类，取值为1到100之间的整数，其定义如下：

其中：y^*表示响应电量标签，R表示响应电量值，R_max表示响应电量中的最大值。

3.如权利要求2所述的基于局部最大均值差异的家庭用户可调电量预测方法，其特征在于：所述源域与所述目标域中的数据线性变换过程为：

使用最大、最小标准化对所述源域与所述目标域中的数据进行线性变换，将数据映射到[0，1]区间。

4.如权利要求3所述的基于局部最大均值差异的家庭用户可调电量预测方法，其特征在于：所述数据映射定义为：

其中：x表示源域数据，max是数据中的最大值，min是数据中的最小值，对于目标域数据，也采用同样的线性映射方法。

5.如权利要求1所述的基于局部最大均值差异的家庭用户可调电量预测方法，其特征在于：所述损失函数定义为：

L＝CrossEntropyLoss()+LMMD(p,q)

其中：L表示总损失，CrossEntropyLoss()表示交叉熵损失函数，p、q分别表示来自源域和目标域的数据分布，LMMD(p,q)表示p、q两种数据分布之间的局部最大均值差异，其具体定义为：

其中：表示源域和目标域之间在希尔伯特空间上的差异性度量；C表示标签的类别数；D_s表示源域；D_t表示目标域；表示源域的第i个样本；表示目标域的第j个样本；φ表示特征映射函数，将样本映射到高维空间中；表示源域中属于类别c的第i个样本的权重；表示源域中属于类别c的第j个样本的权重。

6.如权利要求5所述的基于局部最大均值差异的家庭用户可调电量预测方法，其特征在于：所述定义为：

其中：y_i表示样本的标签值；表示源域中属于类别c的第i个样本的标签值；

所述ω_j^tc定义为：

其中：yj表示样本的标签值；yjtc表示目标域中属于类别c的第j个样本的标签值。

7.如权利要求5所述的基于局部最大均值差异的家庭用户可调电量预测方法，其特征在于：所述φ特征映射函数求解包括：利用高斯核函数求解经所述φ映射之后两个样本x₁，x₂在高维空间中的内积k(x₁,x₂)，其定义为：

其中：σ指高斯核函数的带宽，σ越大，高斯核函数的局部影响范围越大。

8.如权利要求1所述的基于局部最大均值差异的家庭用户可调电量预测方法，其特征在于：所述构建可调电量预测模型具体过程包括：

使用由三个一维卷积层与两个一维最大池化层构成的特征提取网络对所述家庭用户特征数据进行特征提取；

使用两个全连接层实现所述家庭用户特征数据到所述响应电量标签的非线性映射。

其中所述响应电量还原为所述可调电量的方法为：

其中：y^*表示响应电量标签，R表示响应电量值，R_max表示响应电量中的最大值。