(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111621945.1 (22)申请日 2021.12.28 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 申请人 中国电力科 学研究院有限公司 　 国网天津市电力公司 　 国家电网有限公司 (72)发明人 徐业琰　廖思阳　齐金山　姚良忠　 王晶晶　李烨　王剑锋　王新迎　 李健　王天昊　陈培育　马世乾　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 鲁力(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于在线深度学习的空调集群聚合外 特性建模方法 (57)摘要 本发明涉及一种基于在线深度学习的空调 集群聚合外特性建模 方法， 基于长短期记忆神经 网络的空调集群聚合外特性模型架构， 包括： 利 用有限历史样本集对所建外特性模型架构进行 预训练； 基于实时量测样本和在 线深度学习误差 对预训练后的外特性模型进行在 线训练。 优点如 下： 所提空调集群聚合外特性建模 方法刻画了空 调集群聚合备用容量与历史室外温度、 补偿价 格、 并网点电压和聚合响应功率的强非线性耦合 关系； 同时， 所提聚合外特性建模方法不依赖历 史样本数量， 通过实时量测样 本来反复训练外特 性模型的方式， 既可提高外特性模型训练准确 性， 又能降低外特性模型评估误差对实际应用的 影响， 对历史样本集有限的空调集群外特性建模 场景有普遍适用性。 权利要求书2页 说明书5页 附图2页 CN 114492167 A 2022.05.13 CN 114492167 A 1.一种基于在线深度学习的空调集群聚合外特性建模方法， 其特征在于， 基于一个空 调集群聚合外特性模 型,该模型基于长 短期记忆神经网络 建立,是由M个长 短期记忆单元串 联形成的长短期记忆网络， 且 所建外特性模 型的输入量为时段t、 t ‑1、…、 t‑M的室外温度T、 补偿价格ρ、 并网点电压V和上一时段聚合响应功率ΔP量测值， 输出量为时段t的空调 集群 备用容量评估结果 输出量 与最后一个长短期记忆单元的隐藏状态向量ht相关， 关系 式如下： 其中， A和B为线性矩阵， 用于将隐藏状态向量ht降维映射到一维的输出量 建模方法 包括以下步骤： 步骤1： 采集历史样本集,将历史样本集输入至所建外特性模型中对其进行 预训练； 步骤2： 基于实时量测样本和在线深度 学习误差对步骤1预训练后的外特性模型进行在 线训练。 2.根据权利要求1所述的一种基于在线深度学习的空调集群聚合外特性建模方法， 其 特征在于， 所述步骤1中， 定义采集的真实量测样 本集合中， 第k个历史样 本包含空调集群连 续M个时段的室外温度T、 补偿价格ρ、 并网点电压V、 上一时段聚合响应功率ΔP、 和时段k的 空调集群备用容 量Rk量测数据， M个时段为 k， k‑1，…， k‑M。 3.根据权利要求1所述的一种基于在线深度学习的空调集群聚合外特性建模方法， 其 特征在于， 所述步骤1中， 预训练是指采用Adam算法， 以最小化空调 集群外特性模型评估误 差为目标， 利用权利要求4中所述历史样本集优化步骤1所建外特性模型的超参数， 所述目 标的函数模型为： 其中， F为空调集群外特性模型评估误差； Nh为历史样本的数量； 为步骤1所建外特性 模型输出的k时段空调集群备用容 量评估结果。 4.根据权利要求1所述的一种基于在线深度学习的空调集群聚合外特性建模方法， 其 特征在于， 所述步骤2中， 基于实时量测样本和在线深度学习误差对步骤1预训练后的外特 性模型进行在线训练， 具体包 含以下3个步骤： 步骤2.1， 利用步骤1预训练后的外特性模型和在线深度学习误差， 根据由当前时段p和 过去M‑1个时段的室外温度、 补偿价格、 并网点电压和上一时段响应功率， 评估当前时段的 空调集群备用容 量 步骤2.2， 收集空调集群备用容量的真实量测值， 构 建由当前时段p和过去M ‑1个时段的 室外温度、 补偿价格、 并网点电压、 上一时段响应功率和时段p空调集群备用容量构成的新 样本； 步骤2.3， 重复步骤2.1和2.2， 直到新样本数量达到Ns时， 从历史样本集中随机选择Nc个 样本与新样本混合构成训练样本集， 采用Adam算法， 以最小化空调集群外特性模型评估误 差为在线深度学习目标， 优化步骤2.1中所采用的空调集群聚合外特性模型超参数； 并在训权　利　要　求　书 1/2 页 2 CN 114492167 A 2练结束后， 生成在线深度学习误差； 步骤2.4， 将步骤2.3中获得新样本与历史样本混合以更新历史样本集， 更新后的历史 样本集大小Nh＝Nh+Ns， 将步骤2.3训练后的空调集群外特性模型用于步骤2.1， 重复步骤2.1 至步骤2.4。 5.根据权利要求4所述的一种基于在线深度学习的空调集群聚合外特性建模方法， 其 特征在于， 步骤2.1中， 所述根据步骤2预训练后的外特性模型和在线深度学习误差， 来评估 当前时段的空调集群备用容 量 具体评估方法如下： 其中， E为在线深度学习误差； 为步骤2.1所采用外特性模型的输出 结果。 6.根据权利要求5所述的一种基于在线深度学习的空调集群聚合外特性建模方法， 其 特征在于， 步骤2.3中， 所述在线深度学习目标的函数模型如下： 其中， Fo为训练样本集的空调集群外特性模型评估误差 。 7.根据权利要求6所述的一种基于在线深度学习的空调集群聚合外特性建模方法， 其 特征在于， 步骤2.3， 所述在线深度学习误差的计算方法如下： 权　利　要　求　书 2/2 页 3 CN 114492167 A 3