1.本发明属于电力调度领域的电力用户调控负荷预测技术，具体涉及一种参与有序用电用户的可调控负荷预测方法及系统。
背景技术：2.随着经济的持续发展，电力需求的增长日益显著，在用电高峰期间的电力供需仍存在不平衡风险问题，此时需要通过有序用电方式实现电力供需平衡调节。由于电力用户用电方式不同，对电网调度的响应敏感度也不相同，因而采用现有的有序用电预案在用电高峰对不同用户进行差异化调度难度大，调度效果也难以保证。为了提高有序用电预案的科学性、合理性，如何根据用电负荷实际情况对有序用电预案进行动态调整，降低对企业正常生产活动的影响，已成为一项亟待解决的关键技术问题。
技术实现要素：3.本发明要解决的技术问题：针对现有技术的上述问题，提供一种参与有序用电用户的可调控负荷预测方法及系统，本发明能够通过机器学习对用户电量特征进行深度挖掘，进而实现基于历史电量数据的用户可调节负荷预测，有助于相关业务人员快速编制有序用电预案，保障电网安全稳定运行和电力可靠供应。
4.为了解决上述技术问题，本发明采用的技术方案为：
5.一种参与有序用电用户的可调控负荷预测方法，包括：
6.1)基于用户电量数据和电网负荷数据构建电量特征指标向量；
7.2)将电量特征指标向量输入预先训练好的机器学习模型，得到对应的用户参与调控负荷。
8.2.根据权利要求1所述的参与有序用电用户的可调控负荷预测方法，其特征在于，步骤1)中构建的电量特征指标向量包括：用电波动率、用电峰谷差、峰平用电占比、错峰负荷差、周休负荷差、周负荷下降率、检修负荷差和最高利用小时率共8个特征指标。
9.可选地，所述用户电量数据和电网负荷数据是指用户一个月内小时级电量数据和其属地省内电网月内小时级负荷数据，所述用电波动率的计算函数表达式为：
10.x1＝σ/μ，(1)
11.上式中，x1为用电波动率，σ为用户工作日典型负荷的标准差，μ为用户工作日典型负荷的均值；所述用电峰谷差的计算函数表达式为：
12.x2＝p
peak-p
esl
，(2)
13.上式中，x2为用电峰谷差，p
peak
为用户在电网高峰时段的最大峰值负荷，p
esl
为用户经济生产保障负荷；所述峰平用电占比的计算函数表达式为：
14.x3＝w
peak
/w
day
，(3)
15.上式中，x3为峰平用电占比，w
peak
为用户在全省高峰时段的用电量，p
esl
为用户典型日一天的用电量；所述错峰负荷差的计算函数表达式为：
16.x4＝p
peak-min(p
el-p
dl
)，(4)
17.上式中，x4为错峰负荷差，p
el
为以全省高峰时刻为中心提前个小时负荷，p
dl
为以全省高峰时刻为中心推迟个小时负荷；所述周休负荷差的计算函数表达式为：
18.x5＝p
wd-p
we
，(5)
19.上式中，x5为周休负荷差，p
wd
为用户的工作日负荷平均值，p
we
为用户周末负荷平均值；所述周负荷下降率的计算函数表达式为：
20.x6＝(p
wd-p
we
)/(p
wd-p
sl
)，(6)
21.上式中，x6为周负荷下降率，p
sl
为用户安保负荷；所述检修负荷差的计算函数表达式为：
22.x7＝p
peak-p
sl
，(7)
23.上式中，x7为检修负荷差；所述最高利用小时率的计算函数表达式为：
24.x8＝p
sum
/(24*p
max
)，(8)
25.上式中，x8为最高利用小时率，p
sum
为日电量总和，p
max
为当日负荷最大值。
26.可选地，步骤2)之前还包括训练所述机器学习模型的步骤：s1)建立包含批量的电量特征指标向量及其φ(xi)对应的用户参与调控负荷的标签yi的训练数据样本集；s2)根据训练数据样本集，所述机器学习模型的进行训练，从而确定机器学习模型的最有网络参数，从而得到完成训练的机器学习模型。
27.可选地，步骤2)中的机器学习模型的函数表达式为：
28.f(φ(xi))＝w
t
φ(xi)+b，(9)
29.上式中，f(φ(xi))表示机器学习模型的输出，φ(xi)表示输入的第i组电量特征指标向量，w
t
为权重w的法向量,b为位移，权重w和位移b为机器学习模型的网络参数。
30.可选地，步骤2)中的机器学习模型的函数表达式为：
[0031][0032]
上式中，f(φ(x))表示机器学习模型的输出，n为训练样本的总数，αi,为一对拉格朗日乘子，k(φ(x),φ(xi))为核函数，φ(x)表示输入的测试组电量特征指标向量，φ(xi)表示输入的训练组第i组电量特征指标向量，b为位移。
[0033]
可选地，核函数k(φ(x),φ(xi))采用径向基函数rbf，其函数表达式为：
[0034][0035]
上式中，υ为核参数。
[0036]
可选地，步骤2)之前还包括推导确定式(10)所示的机器学习模型的函数表达式的步骤：
[0037]
s1)确定机器学习模型的待求解模型的函数表达式如下式所示：
[0038]
f(φ(xi))＝w
t
φ(xi)+b，(12)
[0039]
上式中，f(φ(xi))表示机器学习模型的输出，φ(xi)表示输入的第i组电量特征指标向量，w
t
为权重w的法向量,b为位移，权重w和位移b为机器学习模型的网络参数；
[0040]
s2)针对机器学习模型的待求解模型，引入不敏感损失ε使得机器学习模型允许机
器学习模型的输出f(φ(xi))以及对应的用户参与调控负荷的标签yi之间误差不超过不敏感损失ε，不超过不敏感损失ε则不计算损失、超过不敏感损失ε才计算损失，从而将机器学习模型的待求解模型转化为引入不敏感损失ε后的待求解模型：
[0041][0042][0043]
上式中，c为惩罚因子，l
ε
为损失函数，yi为用户参与调控负荷的标签，ε为不敏感损失；
[0044]
s3)针对引入不敏感损失ε的待求解模型，引入训练组第i组电量特征指标向量φ(xi)对应的松弛变量ξi和将机器学习模型的待求解模型转化为引入松弛变量后的待求解模型：
[0045][0046][0047]
上式中，ξi和为引入的训练组第i组电量特征指标向量φ(xi)对应的松弛变量；
[0048]
s4)针对引入松弛变量后的待求解模型，引入满足下式所示约束条件的拉格朗日乘子μi≥0,αi≥0,
[0049][0050]
上式中，αi,μi,为训练组第i组电量特征指标向量φ(xi)对应的拉格朗日乘子；
[0051]
从而得而到引入拉格朗日乘子后的待求解模型：
[0052][0053]
上式中，为引入拉格朗日乘子后的待求解模型，α为所有拉格朗日乘子αi的集合，为所有拉格朗日乘子的集合，μ为所有拉格朗日乘子μi的集合，为所有拉格朗日乘子的集合，ξ为所有松弛变量ξi的集合，为所有松弛变量的集合；
[0054]
s5)对所述引入拉格朗日乘子后的待求解模型求偏导，从而将待求解模型的最优化问题转换为下式所示的对偶问题：
[0055][0056][0057]
上式中，φ(xj)表示输入的第j组电量特征指标向量；
[0058]
s6)对所述对偶问题求解出拉格朗日乘子和根据泛函相关理论加入一个满足mercer条件的核函数k(φ(x),φ(xi))，从而到式(10)所示机器学习模型的函数表达式。
[0059]
此外，本发明还提供一种参与有序用电用户的可调控负荷预测系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行所述的参与有序用电用户的可调控负荷预测方法的步骤。
[0060]
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，该计算机程序用于被微处理器执行以实施所述的参与有序用电用户的可调控负荷预测方法的步骤。
[0061]
和现有技术相比，本发明主要具有下述优点：本发明参与有序用电用户的可调控负荷预测方法包括：基于用户电量数据和电网负荷数据构建电量特征指标向量，将电量特征指标向量输入预先训练好的机器学习模型，得到对应的用户参与调控负荷，能够通过机器学习对用户电量特征进行深度挖掘，进而实现基于历史电量数据的用户可调节负荷预测，有助于相关业务人员快速编制有序用电预案，保障电网安全稳定运行和电力可靠供应。
附图说明
[0062]
图1为本发明实施例一方法的基本流程示意图。
具体实施方式
[0063]
实施例一：
[0064]
如图1所示，本实施例参与有序用电用户的可调控负荷预测方法包括：
[0065]
1)基于用户电量数据和电网负荷数据构建电量特征指标向量；
[0066]
2)将电量特征指标向量输入预先训练好的机器学习模型，得到对应的用户参与调控负荷。
[0067]
本实施例步骤1)中构建的电量特征指标向量包括：用电波动率、用电峰谷差、峰平用电占比、错峰负荷差、周休负荷差、周负荷下降率、检修负荷差和最高利用小时率共8个特征指标，用户电量数据和电网负荷数据是指用户一个月内小时级电量数据和其属地省内电网月内小时级负荷数据，用电波动率的计算函数表达式为：
[0068]
x1＝σ/μ，(1)
[0069]
上式中，x1为用电波动率，σ为用户工作日典型负荷的标准差，μ为用户工作日典型负荷的均值；用电峰谷差的计算函数表达式为：
[0070]
x2＝p
peak-p
esl
，(2)
[0071]
上式中，x2为用电峰谷差，p
peak
为用户在电网高峰时段的最大峰值负荷，p
esl
为用户经济生产保障负荷；峰平用电占比的计算函数表达式为：
[0072]
x3＝w
peak
/w
day
，(3)
[0073]
上式中，x3为峰平用电占比，w
peak
为用户在全省高峰时段的用电量，p
esl
为用户典型日一天的用电量；错峰负荷差的计算函数表达式为：
[0074]
x4＝p
peak-min(p
el-p
dl
)，(4)
[0075]
上式中，x4为错峰负荷差，p
el
为以全省高峰时刻为中心提前个小时负荷，p
dl
为以全省高峰时刻为中心推迟个小时负荷；周休负荷差的计算函数表达式为：
[0076]
x5＝p
wd-p
we
，(5)
[0077]
上式中，x5为周休负荷差，p
wd
为用户的工作日负荷平均值，p
we
为用户周末负荷平均值；周负荷下降率的计算函数表达式为：
[0078]
x6＝(p
wd-p
we
)/(p
wd-p
sl
)，(6)
[0079]
上式中，x6为周负荷下降率，p
sl
为用户安保负荷；检修负荷差的计算函数表达式为：
[0080]
x7＝p
peak-p
sl
，(7)
[0081]
上式中，x7为检修负荷差；最高利用小时率的计算函数表达式为：
[0082]
x8＝p
sum
/(24*p
max
)，(8)
[0083]
上式中，x8为最高利用小时率，p
sum
为日电量总和，p
max
为当日负荷最大值。
[0084]
本实施例中，步骤2)之前还包括训练所述机器学习模型的步骤：s1)建立包含批量的电量特征指标向量及其φ(xi)对应的用户参与调控负荷的标签yi的训练数据样本集；s2)根据训练数据样本集，机器学习模型的进行训练，从而确定机器学习模型的最有网络参数，从而得到完成训练的机器学习模型。本实施例中，训练数据集合t可表示为：
[0085]
t＝{(φ(x1),y1),(φ(x2),y2),(φ(x3),y3),....(φ(xn),yn)}
[0086]
其中，n为训练样本的总数，任意的φ(xi)表示输入的第i组电量特征指标向量，即：
[0087]
φ(xi)＝{x1,x2,x3,x4,x5,x6,x7,x8}
[0088]
前述机器学习模型的用途为实现电量特征指标向量、对应的用户参与调控负荷之间的映射，因此为了便于区分，本实施例中命名为用户参与调控负荷预测模型。毫无疑问，实现电量特征指标向量、对应的用户参与调控负荷之间的映射为机器学习模型的基本用途，因此可根据需要采用现有的已知机器学习模型。例如，本实施例步骤2)中的机器学习模型的函数表达式为：
[0089]
f(φ(xi))＝w
t
φ(xi)+b，(9)
[0090]
上式中，f(φ(xi))表示机器学习模型的输出，φ(xi)表示输入的第i组电量特征指标向量，w
t
为权重w的法向量,b为位移，权重w和位移b为机器学习模型的网络参数。训练完成的模型能够通过用户用电量特征指标预测用户实际可参与调控负荷量，实现减小负荷调控计划制定误差，优化有序用电预案编制的辅助作用。本实施例中针对前述机器学习模型，针对某混凝土有限公司的一组电量特征指标向量，得到的预测结果如表1所示。
[0091]
表1：某混凝土有限公司的预测结果示例。
[0092][0093]
根据表1可知，本实施例参与有序用电用户的可调控负荷预测方法采用的前述机器学习模型能够实现对用户参与调控负荷的预测，但是相对误差较大，仍然存在优化空间。
[0094]
此外，本实施例还提供一种参与有序用电用户的可调控负荷预测系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行前述的参与有序用电用户的可调控负荷预测方法的步骤。此外，本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，该计算机程序用于被微处理器执行以实施前述的参与有序用电用户的可调控负荷预测方法的步骤。
[0095]
实施例二：
[0096]
本实施例与实施例一基本相同，其主要区别为：本实施例中为了提高机器学习模型的精确度，本实施例步骤2)中的机器学习模型的函数表达式为：
[0097][0098]
上式中，f(φ(x))表示机器学习模型的输出，n为训练样本的总数，αi,为一对拉格朗日乘子，k(φ(x),φ(xi))为核函数，φ(x)表示输入的测试组电量特征指标向量，φ(xi)表示输入的训练组第i组电量特征指标向量，b为位移。
[0099]
核函数k(φ(x),φ(xi))可根据需要选择满足mercer条件的核函数，例如作为一种可选的实施方式，本实施例中核函数k(φ(x),φ(xi))采用径向基函数rbf，其函数表达式为：
[0100][0101]
上式中，υ为核参数。
[0102]
本实施例中，确定式(10)所示的机器学习模型的函数表达式的步骤如下：
[0103]
s1)确定机器学习模型的待求解模型的函数表达式如下式所示：
[0104]
f(φ(xi))＝w
t
φ(xi)+b，(12)
[0105]
上式中，f(φ(xi))表示机器学习模型的输出，φ(xi)表示输入的第i组电量特征指标向量，w
t
为权重w的法向量,b为位移，权重w和位移b为机器学习模型的网络参数；
[0106]
s2)针对机器学习模型的待求解模型，引入不敏感损失ε使得机器学习模型允许机器学习模型的输出f(φ(xi))以及对应的用户参与调控负荷的标签yi之间误差不超过不敏感损失ε，不超过不敏感损失ε则不计算损失、超过不敏感损失ε才计算损失，从而将机器学习模型的待求解模型转化为引入不敏感损失ε后的待求解模型：
[0107]
[0108][0109]
上式中，c为惩罚因子，l
ε
为损失函数，yi为用户参与调控负荷的标签，ε为不敏感损失；
[0110]
s3)针对引入不敏感损失ε的待求解模型，引入训练组第i组电量特征指标向量φ(xi)对应的松弛变量ξi和将机器学习模型的待求解模型转化为引入松弛变量后的待求解模型：
[0111][0112][0113]
上式中，ξi和为引入的训练组第i组电量特征指标向量φ(xi)对应的松弛变量；
[0114]
s4)针对引入松弛变量后的待求解模型，引入满足下式所示约束条件的拉格朗日乘子μi≥0,αi≥0,
[0115][0116]
上式中，αi,μi,为训练组第i组电量特征指标向量φ(xi)对应的拉格朗日乘子；
[0117]
从而得而到引入拉格朗日乘子后的待求解模型：
[0118][0119]
上式中，为引入拉格朗日乘子后的待求解模型，α为所有拉格朗日乘子αi的集合，为所有拉格朗日乘子的集合，μ为所有拉格朗日乘子μi的集合，为所有拉格朗日乘子的集合，ξ为所有松弛变量ξi的集合，为所有松弛变量的集合；
[0120]
s5)对所述引入拉格朗日乘子后的待求解模型求偏导，从而将待求解模型的最优化问题转换为下式所示的对偶问题：
[0121][0122]
[0123]
上式中，φ(xj)表示输入的第j组电量特征指标向量；
[0124]
s6)对所述对偶问题求解出拉格朗日乘子和根据泛函相关理论加入一个满足 mercer条件的核函数k(φ(x),φ(xi))，从而到式(10)所示机器学习模型的函数表达式，从而将机器学习模型的网络参数转换为惩罚因子c和位移b。本实施例中，最终通过训练得到的最优的网络参数为：惩罚因子c＝1.489,位移b＝1.263。
[0125]
根据上述确定过程可知，本实施例中式(10)所示的机器学习模型的函数表达式将影响用户实际可调控负荷的特征指标作为输入，实际用户参与调控负荷为输出，通过损失函数、松弛变量等约束条件，选取最佳的待求解模型参数，切采用径向基函数rbf，最终得到准确度高的用户可调节负荷预测模型。训练完成的用户可调节负荷预测模型能够通过用户用电量特征指标预测用户实际可参与调控负荷量，实现减小负荷调控计划制定误差，优化有序用电预案编制的辅助作用。本实施例中针对前述机器学习模型，针对某混凝土有限公司的一组电量特征指标向量，得到的预测结果如表2所示。
[0126]
表2：某混凝土有限公司的预测结果示例。
[0127][0128]
根据表2可知，本实施例参与有序用电用户的可调控负荷预测方法采用的优化后的机器学习模型能够实现对用户参与调控负荷的预测，而且精确度得到了明显的提高。
[0129]
此外，本实施例还提供一种参与有序用电用户的可调控负荷预测系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行前述的参与有序用电用户的可调控负荷预测方法的步骤。此外，本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，该计算机程序用于被微处理器执行以实施前述的参与有序用电用户的可调控负荷预测方法的步骤。
[0130]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，
使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0131]
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。
技术特征：1.一种参与有序用电用户的可调控负荷预测方法，其特征在于，包括：1)基于用户电量数据和电网负荷数据构建电量特征指标向量；2)将电量特征指标向量输入预先训练好的机器学习模型，得到对应的用户参与调控负荷。2.根据权利要求1所述的参与有序用电用户的可调控负荷预测方法，其特征在于，步骤1)中构建的电量特征指标向量包括：用电波动率、用电峰谷差、峰平用电占比、错峰负荷差、周休负荷差、周负荷下降率、检修负荷差和最高利用小时率共8个特征指标。3.根据权利要求2所述的参与有序用电用户的可调控负荷预测方法，其特征在于，所述用户电量数据和电网负荷数据是指用户一个月内小时级电量数据和其属地省内电网月内小时级负荷数据，所述用电波动率的计算函数表达式为：x1＝σ/μ，(1)上式中，x1为用电波动率，σ为用户工作日典型负荷的标准差，μ为用户工作日典型负荷的均值；所述用电峰谷差的计算函数表达式为：x2＝p
peak-p
esl
，(2)上式中，x2为用电峰谷差，p
peak
为用户在电网高峰时段的最大峰值负荷，p
esl
为用户经济生产保障负荷；所述峰平用电占比的计算函数表达式为：x3＝w
peak
/w
day
，(3)上式中，x3为峰平用电占比，w
peak
为用户在全省高峰时段的用电量，p
esl
为用户典型日一天的用电量；所述错峰负荷差的计算函数表达式为：x4＝p
peak-min(p
el-p
dl
)，(4)上式中，x4为错峰负荷差，p
el
为以全省高峰时刻为中心提前个小时负荷，p
dl
为以全省高峰时刻为中心推迟个小时负荷；所述周休负荷差的计算函数表达式为：x5＝p
wd-p
we
，(5)上式中，x5为周休负荷差，p
wd
为用户的工作日负荷平均值，p
we
为用户周末负荷平均值；所述周负荷下降率的计算函数表达式为：x6＝(p
wd-p
we
)/(p
wd-p
sl
)，(6)上式中，x6为周负荷下降率，p
sl
为用户安保负荷；所述检修负荷差的计算函数表达式为：x7＝p
peak-p
sl
，(7)上式中，x7为检修负荷差；所述最高利用小时率的计算函数表达式为：x8＝p
sum
/(24*p
max
)，(8)上式中，x8为最高利用小时率，p
sum
为日电量总和，p
max
为当日负荷最大值。4.根据权利要求1所述的参与有序用电用户的可调控负荷预测方法，其特征在于，步骤2)之前还包括训练所述机器学习模型的步骤：s1)建立包含批量的电量特征指标向量及其φ(x
i
)对应的用户参与调控负荷的标签y
i
的训练数据样本集；s2)根据训练数据样本集，所述机器学习模型的进行训练，从而确定机器学习模型的最有网络参数，从而得到完成训练的机器学习模型。5.根据权利要求1～4中任意一项所述的参与有序用电用户的可调控负荷预测方法，其特征在于，步骤2)中的机器学习模型的函数表达式为：
f(φ(x
i
))＝w
t
φ(x
i
)+b，(9)上式中，f(φ(x
i
))表示机器学习模型的输出，φ(x
i
)表示输入的第i组电量特征指标向量，w
t
为权重w的法向量,b为位移，权重w和位移b为机器学习模型的网络参数。6.根据权利要求1～4中任意一项所述的参与有序用电用户的可调控负荷预测方法，其特征在于，步骤2)中的机器学习模型的函数表达式为：上式中，f(φ(x))表示机器学习模型的输出，n为训练样本的总数，为一对拉格朗日乘子，k(φ(x),φ(x
i
))为核函数，φ(x)表示输入的测试组电量特征指标向量，φ(x
i
)表示输入的训练组第i组电量特征指标向量，b为位移。7.根据权利要求6所述的参与有序用电用户的可调控负荷预测方法，其特征在于，核函数k(φ(x),φ(x
i
))采用径向基函数rbf，其函数表达式为：上式中，υ为核参数。8.根据权利要求6所述的参与有序用电用户的可调控负荷预测方法，其特征在于，步骤2)之前还包括推导确定式(10)所示的机器学习模型的函数表达式的步骤：s1)确定机器学习模型的待求解模型的函数表达式如下式所示：f(φ(x
i
))＝w
t
φ(x
i
)+b，(12)上式中，f(φ(x
i
))表示机器学习模型的输出，φ(x
i
)表示输入的第i组电量特征指标向量，w
t
为权重w的法向量,b为位移，权重w和位移b为机器学习模型的网络参数；s2)针对机器学习模型的待求解模型，引入不敏感损失ε使得机器学习模型允许机器学习模型的输出f(φ(x
i
))以及对应的用户参与调控负荷的标签y
i
之间误差不超过不敏感损失ε，不超过不敏感损失ε则不计算损失、超过不敏感损失ε才计算损失，从而将机器学习模型的待求解模型转化为引入不敏感损失ε后的待求解模型：型的待求解模型转化为引入不敏感损失ε后的待求解模型：上式中，c为惩罚因子，l
ε
为损失函数，y
i
为用户参与调控负荷的标签，ε为不敏感损失；s3)针对引入不敏感损失ε的待求解模型，引入训练组第i组电量特征指标向量φ(x
i
)对应的松弛变量ξ
i
和将机器学习模型的待求解模型转化为引入松弛变量后的待求解模型：
上式中，ξ
i
和为引入的训练组第i组电量特征指标向量φ(x
i
)对应的松弛变量；s4)针对引入松弛变量后的待求解模型，引入满足下式所示约束条件的拉格朗日乘子s4)针对引入松弛变量后的待求解模型，引入满足下式所示约束条件的拉格朗日乘子上式中，α
i
,μ
i
,为训练组第i组电量特征指标向量φ(x
i
)对应的拉格朗日乘子；从而得而到引入拉格朗日乘子后的待求解模型：上式中，为引入拉格朗日乘子后的待求解模型，α为所有拉格朗日乘子α
i
的集合，为所有拉格朗日乘子的集合，μ为所有拉格朗日乘子μ
i
的集合，为所有拉格朗日乘子的集合，ξ为所有松弛变量ξ
i
的集合，为所有松弛变量的集合；s5)对所述引入拉格朗日乘子后的待求解模型求偏导，从而将待求解模型的最优化问题转换为下式所示的对偶问题：题转换为下式所示的对偶问题：上式中，φ(x
j
)表示输入的第j组电量特征指标向量；s6)对所述对偶问题求解出拉格朗日乘子和根据泛函相关理论加入一个满足mercer条件的核函数k(φ(x),φ(x
i
))，从而到式(10)所示机器学习模型的函数表达式。9.一种参与有序用电用户的可调控负荷预测系统，包括相互连接的微处理器和存储器，其特征在于，该微处理器被编程或配置以执行权利要求1～8中任意一项所述的参与有序用电用户的可调控负荷预测方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，该计算机程序用于被微处理器执行以实施权利要求1～8中任意一项所述的参与有序用电用户的可调控负荷预测方法的步骤。
技术总结本发明公开了一种参与有序用电用户的可调控负荷预测方法及系统，本发明参与有序用电用户的可调控负荷预测方法包括：基于用户电量数据和电网负荷数据构建电量特征指标向量，包括用电波动率、用电峰谷差、峰平用电占比、错峰负荷差、周休负荷差、周负荷下降率、检修负荷差和最高利用小时率共8个特征指标；将电量特征指标向量输入预先训练好的机器学习模型，得到对应的用户参与调控负荷。本发明能够通过机器学习对用户电量特征进行深度挖掘，进而实现基于历史电量数据的用户可调节负荷预测，有助于相关业务人员快速编制有序用电预案，保障电网安全稳定运行和电力可靠供应。安全稳定运行和电力可靠供应。安全稳定运行和电力可靠供应。
技术研发人员：宁志毫 王灿 王小源 周舟
受保护的技术使用者：国网湖南省电力有限公司电力科学研究院 国家电网有限公司
技术研发日：2022.03.16
技术公布日：2022/7/5
