基于条件扩散模型的负荷数据合成方法及装置与流程

本发明涉及负荷数据合成，具体而言，涉及一种基于条件扩散模型的负荷数据合成方法及装置。

背景技术：

1、目前已有的负荷数据合成通常可分为两类：基于模型的方法和数据驱动的方法。基于模型的方法根据客户负荷的数学物理建模生成负荷数据。例如，通过建模家用电器和建筑物的物理特性来模拟住宅能源消耗；识别和模拟每个家庭组件的负荷模式来开发住宅建筑负荷合成方法。然而，这些方法需要精确的物理模型和领域知识，这使得它们难以在不同场景中推广。此外，基于模型的方法通常采用近似技术，这可能导致生成的负荷曲线出现较大偏差。而基于数据驱动的方法则根据历史负荷数据学习负荷特性，然后为客户生成新的负荷数据。例如，基于k-均值算法的负荷估计方法来生成智能电表的缺失值和未来值；结合混合模型聚类和马尔可夫模型，自上而下地合成住宅负荷。此外，随着深度学习的快速发展，一些研究人员提出了基于深度生成模型，尤其是对抗生成网络(generativeadversarial network,gan)的负荷曲线生成方法。例如，提出了一个基于gan的灵活框架，在设备级别生成合成的标记负荷模式和使用习惯；利用基于gan的模型和天气数据，通过两阶段过程从低分辨率负荷曲线中恢复高分辨率负荷曲线；开发了一种具有差分隐私的wasserstein gan方法，将真实世界数据集转换为匿名合成负载数据集，以保护客户的数据隐私。然而，大多数现有的数据驱动方法都是无条件的，这意味着无法指定要合成的负载配置文件的特征和模式。因此，这些无条件生成方法无法满足异构客户合成高度个性化负载配置文件的需求。

2、综合而言，目前的负荷数据合成方法存在以下缺陷：1)传需要精确的物理模型和领域知识，难以在现实环境中推广；2)无条件形式，无法指定负荷数据的合成特征和模式；3)不适用于电力系统的数据形式，需要专门设计的模型结构。

3、针对上述相关技术中传统的负荷数据合成方法难以灵活适应不同用户的个性化需求的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种基于条件扩散模型的负荷数据合成方法及装置，以至少解决相关技术中传统的负荷数据合成方法难以灵活适应不同用户的个性化需求的技术问题。

2、根据本发明实施例的一个方面，提供了一种基于条件扩散模型的负荷数据合成方法，包括：获取目标对象的负荷合成需求和用电偏好信息；根据所述负荷合成需求和所述用电偏好信息确定进行负荷合成的条件信息，其中，所述条件信息至少包括：需求合成时间、需求合成场景；根据所述条件信息确定进行负荷合成所需负荷数据的历史时间段，并获取所述目标对象在所述历史时间段内的所述负荷数据；利用所述条件信息对扩散模型进行扩展，得到条件扩散模型，其中，所述扩散模型用于在没有所述条件信息的情况下根据历史负荷数据生成负荷曲线；通过所述条件扩散模型对所述负荷数据进行处理，得到所述负荷数据的合成负载曲线，其中，所述合成负载曲线用于展示所述目标对象在所述历史时间段内的用电情况。

3、可选地，利用所述条件信息对扩散模型进行扩展，得到条件扩散模型，包括：利用所述条件信息按照第一公式对所述扩散模型的逆过程进行扩展，得到所述条件扩散模型，其中，所述第一公式为：pθ(xt-1|xt,xc)：＝n(xt-1；μθ(xt,t|xc),σθ(xt,t|xc)i)，t表示时间步长的标号，xt表示第t步加噪负荷数据，xt-1表示第t-1步所述加噪负荷数据，所述加噪负荷数据是在所述扩散模型的扩散过程向所述负荷数据添加高斯噪声得到的数据，xc表示所述条件信息，pθ(xt-1|xt,xc)表示第t-1步所述加噪负荷数据在给定第t步所述加噪负荷数据和所述条件信息xc情况下的条件分布概率，θ表示模型参数，n()表示高斯分布，μθ表示所述高斯分布的均值，σθ表示所述高斯分布的标准差，i表示单位矩阵，所述扩散模型的所述扩散过程用于对所述负荷数据进行加噪，所述扩散模型的所述逆过程用于对所述扩散过程中加噪后的所述负荷数据进行去噪。

4、可选地，通过所述条件扩散模型对所述负荷数据进行处理，得到所述负荷数据的合成负载曲线，包括：通过所述条件扩散模型的扩散过程将高斯噪声逐步添加至所述负荷数据，得到加噪负荷数据；通过所述条件扩散模型的逆过程对所述加噪负荷数据逐步进行去噪处理，得到恢复负荷数据；基于所述恢复负荷数据利用所述条件扩散模型生成所述合成负载曲线。

5、可选地，通过所述条件扩散模型的逆过程对所述加噪负荷数据逐步进行去噪处理，得到恢复负荷数据，包括：确定步骤，基于所述加噪负荷数据通过噪声预估模型确定添加至前一加噪负荷数据的噪声数据，其中，所述噪声预估模型是一种由多个堆叠的残差层组成的神经网络结构，所述前一加噪负荷数据为所述加噪负荷数据的前一时间步长的所述加噪负荷数据；获取步骤，基于所述噪声数据对所述加噪负荷数据进行去噪处理，得到恢复子负荷数据；更新步骤，在所述加噪负荷数据所处的所述时间步长大于1时，将所述前一加噪负荷数据更新为所述加噪负荷数据；重复执行所述确定步骤、所述获取步骤及所述更新步骤，直至所述加噪负荷数据所处的所述时间步长为1时，确定所述恢复子负荷数据为所述恢复负荷数据。

6、可选地，基于所述加噪负荷数据通过噪声预估模型确定添加至前一加噪负荷数据的噪声数据，包括：将所述时间步长、所述加噪负荷数据及所述条件信息进行嵌入转换，得到嵌入时间步长、嵌入加噪负荷数据及嵌入条件信息；对所述嵌入时间步长、所述嵌入加噪负荷数据及所述嵌入条件信息进行特征提取得到的特征向量进行融合，得到融合特征向量；利用激活函数对融合特征向量进行处理，得到每一所述残差层的输出向量；根据多个所述残差层的多个所述输出向量生成所述噪声数据。

7、可选地，所述条件信息包括：负荷条件信息、日期条件信息，所述嵌入条件信息包括：嵌入负荷条件信息、嵌入日期条件信息，将所述时间步长、所述加噪负荷数据及所述条件信息进行嵌入转换，得到嵌入时间步长、嵌入加噪负荷数据及嵌入条件信息，包括：按照第二公式或第三公式将所述时间步长进行嵌入转换，得到所述嵌入时间步长，其中，所述第二公式为：第三公式为：temb表示所述嵌入时间步长，dmodel表示向量维度，i表示所述向量维度的索引；按照第四公式将所述加噪负荷数据进行嵌入转换，得到所述嵌入加噪负荷数据，其中，所述第四公式为：表示所述嵌入加噪负荷数据，fc(xt)表示应用全连接层对xt进行转换，pe()表示位置编码函数；按照第五公式将所述负荷条件信息进行嵌入转换，得到所述嵌入负荷条件信息，其中，所述第五公式为：表示所述嵌入负荷条件信息，xc,load表示所述负荷条件信息；按照第六公式将所述日期条件信息进行嵌入转换，得到所述嵌入日期条件信息，其中，所述第六公式为：表示所述嵌入日期条件信息，xc,date表示所述日期条件信息，onehot()表示独热编码函数。

8、可选地，对所述嵌入时间步长、所述嵌入加噪负荷数据及所述嵌入条件信息进行特征提取得到的特征向量进行融合，得到融合特征向量，包括：利用多头自注意力函数对所述嵌入时间步长、所述嵌入加噪负荷数据及所述嵌入条件信息进行特征提取，得到多个所述特征向量；按照第七公式对多个所述特征向量进行融合，得到所述融合特征向量，其中，所述第七公式为：xtotal表示所述融合特征向量，mhsa()表示所述多头自注意力函数。

9、可选地，根据多个所述残差层的多个所述输出向量生成所述噪声数据，包括：将多个所述残差层的多个所述输出向量进行整合，按照第八公式生成所述噪声数据，其中，所述第八公式为：∈θ(xt,t|xc)＝fc(concat(xskip,1,…,xskip,k,…,xskip,k))，∈θ表示所述噪声数据，concat表示向量连接运算符，xskip,k表示第k层所述残差层的所述输出向量，k表示所述残差层的标号。

10、根据本发明实施例的另一方面，还提供了一种基于条件扩散模型的负荷数据合成装置，包括：第一获取单元，用于获取目标对象的负荷合成需求和用电偏好信息；确定单元，用于根据所述负荷合成需求和所述用电偏好信息确定进行负荷合成的条件信息，其中，所述条件信息至少包括：需求合成时间、需求合成场景；第二获取单元，用于根据所述条件信息确定进行负荷合成所需负荷数据的历史时间段，并获取所述目标对象在所述历史时间段内的所述负荷数据；第三获取单元，用于利用所述条件信息对扩散模型进行扩展，得到条件扩散模型，其中，所述扩散模型用于在没有所述条件信息的情况下根据历史负荷数据生成负荷曲线；第四获取单元，用于通过所述条件扩散模型对所述负荷数据进行处理，得到所述负荷数据的合成负载曲线，其中，所述合成负载曲线用于展示所述目标对象在所述历史时间段内的用电情况。

11、可选地，所述第三获取单元，包括：第一获取模块，用于利用所述条件信息按照第一公式对所述扩散模型的逆过程进行扩展，得到所述条件扩散模型，其中，所述第一公式为：pθ(xt-1|xt,xc)：＝n(xt-1；μθ(xt,t|xc),σθ(xt,t|xc)i)，t表示时间步长的标号，xt表示第t步加噪负荷数据，xt-1表示第t-1步所述加噪负荷数据，所述加噪负荷数据是在所述扩散模型的扩散过程向所述负荷数据添加高斯噪声得到的数据，xc表示所述条件信息，pθ(xt-1|xt,xc)表示第t-1步所述加噪负荷数据在给定第t步所述加噪负荷数据和所述条件信息xc情况下的条件分布概率，θ表示模型参数，n()表示高斯分布，μθ表示所述高斯分布的均值，σθ表示所述高斯分布的标准差，i表示单位矩阵，所述扩散模型的所述扩散过程用于对所述负荷数据进行加噪，所述扩散模型的所述逆过程用于对所述扩散过程中加噪后的所述负荷数据进行去噪。

12、可选地，所述第四获取单元，包括：第二获取模块，用于通过所述条件扩散模型的扩散过程将高斯噪声逐步添加至所述负荷数据，得到加噪负荷数据；第三获取模块，用于通过所述条件扩散模型的逆过程对所述加噪负荷数据逐步进行去噪处理，得到恢复负荷数据；生成模块，用于基于所述恢复负荷数据利用所述条件扩散模型生成所述合成负载曲线。

13、可选地，所述第三获取模块，包括：第一确定子模块，用于基于所述加噪负荷数据通过噪声预估模型确定添加至前一加噪负荷数据的噪声数据，其中，所述噪声预估模型是一种由多个堆叠的残差层组成的神经网络结构，所述前一加噪负荷数据为所述加噪负荷数据的前一时间步长的所述加噪负荷数据；第一获取子模块，用于基于所述噪声数据对所述加噪负荷数据进行去噪处理，得到恢复子负荷数据；更新子模块，用于在所述加噪负荷数据所处的所述时间步长大于1时，将所述前一加噪负荷数据更新为所述加噪负荷数据；第二确定子模块，用于重复执行所述确定子模块、所述获取子模块及所述更新子模块，直至所述加噪负荷数据所处的所述时间步长为1时，确定所述恢复子负荷数据为所述恢复负荷数据。

14、可选地，所述第一确定子模块，包括：第二获取子模块，用于将所述时间步长、所述加噪负荷数据及所述条件信息进行嵌入转换，得到嵌入时间步长、嵌入加噪负荷数据及嵌入条件信息；第三获取子模块，用于对所述嵌入时间步长、所述嵌入加噪负荷数据及所述嵌入条件信息进行特征提取得到的特征向量进行融合，得到融合特征向量；第四获取子模块，用于利用激活函数对融合特征向量进行处理，得到每一所述残差层的输出向量；第一生成子模块，用于根据多个所述残差层的多个所述输出向量生成所述噪声数据。

15、可选地，所述条件信息包括：负荷条件信息、日期条件信息，所述嵌入条件信息包括：嵌入负荷条件信息、嵌入日期条件信息，所述第二获取子模块，包括：第五获取子模块，用于按照第二公式或第三公式将所述时间步长进行嵌入转换，得到所述嵌入时间步长，其中，所述第二公式为：第三公式为：temb表示所述嵌入时间步长，dmodel表示向量维度，i表示所述向量维度的索引；第六获取子模块，用于按照第四公式将所述加噪负荷数据进行嵌入转换，得到所述嵌入加噪负荷数据，其中，所述第四公式为：表示所述嵌入加噪负荷数据，fc(xt)表示应用全连接层对xt进行转换，pe()表示位置编码函数；第七获取子模块，用于按照第五公式将所述负荷条件信息进行嵌入转换，得到所述嵌入负荷条件信息，其中，所述第五公式为：表示所述嵌入负荷条件信息，xc,load表示所述负荷条件信息；第八获取子模块，用于按照第六公式将所述日期条件信息进行嵌入转换，得到所述嵌入日期条件信息，其中，所述第六公式为：表示所述嵌入日期条件信息，xc,date表示所述日期条件信息，onehot()表示独热编码函数。

16、可选地，所述第三获取子模块，包括：第九获取子模块，用于利用多头自注意力函数对所述嵌入时间步长、所述嵌入加噪负荷数据及所述嵌入条件信息进行特征提取，得到多个所述特征向量；第十获取子模块，用于按照第七公式对多个所述特征向量进行融合，得到所述融合特征向量，其中，所述第七公式为：xtotal表示所述融合特征向量，mhsa()表示所述多头自注意力函数。

17、可选地，所述第一生成子模块，包括：第二生成子模块，用于将多个所述残差层的多个所述输出向量进行整合，按照第八公式生成所述噪声数据，其中，所述第八公式为：∈θ(xt,t|xc)＝fc(concat(xskip,1,…,xskip,k,…,xskip,k))，∈θ表示所述噪声数据，concat表示向量连接运算符，xskip,k表示第k层所述残差层的所述输出向量，k表示所述残差层的标号。

18、根据本发明实施例的另一方面，还提供了一种基于条件扩散模型的负荷数据合成系统，所述基于条件扩散模型的负荷数据合成系统使用上述任一种所述的基于条件扩散模型的负荷数据合成方法。

19、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行上述任意一种所述的基于条件扩散模型的负荷数据合成方法。

20、根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一种所述的基于条件扩散模型的负荷数据合成方法。

21、根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时执行上述任意一种所述的基于条件扩散模型的负荷数据合成方法。

22、在本发明实施例中，获取目标对象的负荷合成需求和用电偏好信息；根据负荷合成需求和用电偏好信息确定进行负荷合成的条件信息，其中，条件信息至少包括：需求合成时间、需求合成场景；根据条件信息确定进行负荷合成所需负荷数据的历史时间段，并获取目标对象在历史时间段内的负荷数据；利用条件信息对扩散模型进行扩展，得到条件扩散模型，其中，扩散模型用于在没有条件信息的情况下根据历史负荷数据生成负荷曲线；通过条件扩散模型对负荷数据进行处理，得到负荷数据的合成负载曲线，其中，合成负载曲线用于展示目标对象在历史时间段内的用电情况。通过以上技术方案，达到了通过用户需求和用户偏好对扩散模型进行扩展，以利用扩展后的条件扩散模型根据负荷数据生成该用户的定制化合成负载曲线的目的，实现了根据不同电力客户的用电习惯和个性化需求，为其提供定制的负荷曲线合成的技术效果，可以灵活适应不同用户的个性化需求提供定制化服务，进而解决了相关技术中传统的负荷数据合成方法难以灵活适应不同用户的个性化需求的技术问题。