具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

参见图1-图3，详述如下：一种用户基线负荷估计方法，包括步骤101至步骤105。

步骤101，基于对照组用户的第一负荷样本集生成所述对照组用户的第二负荷样本集，所述第二负荷样本集的样本数量大于所述第一负荷样本集的样本数量，同一时段的样本构成所述第一负荷样本集；

一些实施方式中，所述基于对照组用户的第一负荷样本集生成所述对照组用户的第二负荷样本集，可以包括：

基于所述对照组用户的第一负荷样本集生成分布函数曲线；

对所述分布函数曲线抽样生成所述对照组用户的第二负荷样本集。

一些实施方式中，所述分布函数曲线包括累计分布函数曲线，所述基于对照组用户的第一负荷样本集生成分布函数曲线，对所述分布函数曲线抽样生成所述对照组用户的第二负荷样本集，可以包括：

通过所述对照组用户的所述第一负荷样本计算累计分布函数曲线，对所述累计分布函数曲线对应的函数的反函数进行取样获得所述第二负荷样本集。

更为具体地，基于对照组用户的第一负荷样本集生成所述对照组用户的第二负荷样本集，对对照组用户的第一负荷样本集进行扩充实现第二负荷样本集的方法有多种，如插值法等。本发明公开了一种可选的实施方式，采用基于LHS的日负荷曲线场景集生成，可以包括步骤(1-1)～步骤(1-4)。

(1-1)记N个对照组用户的第t,t＝1,...,T个时段的负荷样本构成的第一负荷样本集合为P_t，第t个时段的采样规模为N_t，统计P_t的负荷平均值以及负荷方差σ²。

(1-2)根据上一步得到的均值、方差参数计算累计概率分布函数F(P)，并将F(P)等分为N_t个不重叠的子区间，每个区间的间距为1/N_t；

(1-3)在每一等份i，i＝1,2,...,N_t上随机生成一个范围为[0,1]的随机数计算其对应的累计概率函数值如下：

(1-4)根据累计概率分布函数的反函数计算负荷数据的采样值即：

经过上述四步，抽样得到第t时段的第二负荷样本集合为

本发明用户基线负荷估计方法，当对照组用户第一负荷样本集样本数目不足时，通过对照组第一负荷样本集可有效扩充对照组样本数目，形成第二负荷样本集。通过该发明扩充后的第二负荷样本集，既保持了扩充前对照组负荷的样本特征，又增加了负荷场景的多样性，从而提升了用对照组法进行基线负荷估计的准确性。

可选的，在对不同时段所述第二负荷样本集的样本按照对应关系进行匹配和连接之前，所述方法还可以包括：

步骤102，将所述第二负荷样本集中的样本数量消减至预设数量。

作为一种可实施方式，步骤102可以包括：

计算与第一样本距离最小的第二样本，所述第一样本和所述第二样本均为所述第二负荷样本集中的任意样本，所述第一样本与所述第二样本不同；

计算所述第一样本与所述第一样本的概率的乘积得到所述第一样本的概率乘积，所述第一样本的概率为所述第二负荷样本集中样本数量的倒数；

消减所述概率乘积中最小值对应的第一样本；

循环执行上述过程，直至将所述第二负荷样本集中的样本数量消减至预设数量。

更为具体地，消减样本数量的目的是消减掉扩充后，样本间距过小，概率较低，影响扩充准确性的样本。本发明实施方式可以采用以时段为单位，逐个消除最小间距样本，保留最优的代表性样本，直至达到预设的消减数量。

一种实施方式中，对于某个时段的样本进行消减的过程可以包括步骤(2-1)至步骤(2-5)。

(2-1)初始化，设置最终目标样本数为对于初始的N'_t个样本，每个样本概率均等，即：

初始化消减样本集合为J_t＝{}，初始化保留样本集合为R_t＝{1,2,...,N'_t}，这两个集合分别记录被消减和保留下来的样本的编号。

(2-2)计算R_t中任意两个样本和i,j＝1,2,...,N'_t间的距离，距离计算公式如下所示：

(2-3)对于任意样本寻找与其距离最小的样本，即并根据式(5)计算其概率乘积：

(2-4)在N'_t个样本中，寻找最小的记录其样本序号，即：

(2-5)分别更新消减样本集合J_t＝J_t∪l^*和保留样本集合R_t＝R_t\l^*。

(2-6)判断集合R_t中的样本数目是否已经达到预设数目若是则停止消减，输出最优的代表性样本

本发明用户基线负荷估计方法，通过对第二负荷样本集中的样本进行距离计算并通过样本概率获得样本概率乘积，通过寻找最小距离概率乘积的方式，寻找到消减目标，保留最优的样本，使得样本更具代表性，进一步提高了采样样本的准确性。

步骤103，对不同时段所述第二负荷样本集的样本按照对应关系进行匹配和连接，生成第二负荷曲线；

本步骤中，生成第二负荷曲线的目的在于为与相应组用户形成以用户对象为脉络的曲线，为匹配响应组用户曲线做准备，也即多时段样本生成。多时段样本生成可以包括步骤(3-1)至步骤(3-5)。

(3-1)将中的样本根据负荷大小进行升序或降序排序，得到排序后的负荷样本

(3-2)设置初始值t＝1，负荷样本波动阈值ε，初始负荷样本

(3-3)对于中的任意样本匹配对应的下一时刻负荷样本其中j为集合{i-ε,...,i+ε}中的随机数，并令

(3-4)令t＝t+1，返回步骤3-3，直到t＝T时进入步骤3-5。

(3-5)将t＝1,...,T对应的负荷样本连接，得到第条负荷曲线

本发明用户基线负荷估计方法，通过对不同时段的样本进行排序连接生成了与对照组样本数量相同的曲线，从而为与需求响应组用户进行匹配做好了准备。

步骤104，对所述负荷曲线进行聚类，同时可得对照组聚类中心曲线以及对照组子集，根据所述对照组聚类中心曲线确定需求响应组用户曲线与对照组子集的对应关系；

一些实施方式中，所述对所述负荷曲线进行聚类，同时可得对照组聚类中心曲线以及对照组子集，包括：

通过K-means算法获得所述聚类中心曲线，K-means算法的目标函数是使所有对照组用户的负荷曲线与所述聚类中心曲线的距离之和最小。

示例性的，为寻求负荷曲线与需求响应组的匹配关系，本发明实施方式公开了基于K-means算法的负荷模式聚类与匹配方法：

以表示对照组用户m,m＝1,2,...,M在需求响应日d的实际负荷曲线，K-means算法的目标函数是使所有对照组用户的负荷曲线与其聚类中心的误差平方和最小，即：

其中K表示聚类数，表示第k,k＝1,2,...,K类的聚类中心。

记需求响应时段为δ＝{δ_s,δ_s+1,...,δ_e}，δ∈T，其中δ_s是需求响应的开始时刻，δ_e是需求响应的结束时刻。对于每个需求响应日d∈D，需求响应用户n在执行需求响应时段前后的LCS，分别记为：

同样地，对照组子集的聚类中心在需求响应时段前后的曲线片段分别记为：

为了将每个需求响应用户匹配到与其负荷模式最相似的对照组子集，需要计算需求响应用户与每个对照组子集的相似性。以S(x,y)表示向量x与向量y的相似性，其计算公式如式(12)所示。

式中，dist(x,y)表示向量x与向量y之间的距离，本文采用欧氏距离作为度量标准。需求响应用户n与对照组子集k之间的相似性可由式(13)计算得到.

计算每个需求响应用户与各个对照组子集间的相似性后，将需求响应用户匹配到与其相似度最高的对照组子集中。将需求响应用户匹配与其相似度最高的对照组子集。

本发明提供的用户基线负荷估计方法，通过K-means算法获得所述聚类中心曲线，使得所有对照组用户的负荷曲线与所述聚类中心曲线的距离之和最小，从而获得聚类中心曲线并将对照组分为若干对照组子集，在获得聚类中心曲线后，通过计算需求响应组用户曲线与聚类中心曲线在非需求响应时段的相似性，选择相似性高的将对照组子集与需求响应组用户进行匹配，从而获得响应组用户与对照组子集的对应关系。步骤105，根据所述对照组子集估计对应需求响应组用户的基线负荷。

示例性的，需求响应组用户基线负荷可以按照下式确定：

式中：是需求响应用户n在需求响应日d的t时刻的基线负荷值，是与需求组用户相匹配的对照组用户在需求响应日d的t时刻的实际负荷值；w_i是第i个对照用户的权重系数，M_k是对照组子集用户的数量。

其中，权重系数w_i按下式确定：

式中：S(i,n)表示对照组子集中第i个对照用户与需求响应用户n的相似性。

示例性的，步骤105的实现过程可以包括：

假设需求响应用户n属于第k类，该类中所有对照用户记为I_k＝{i|i＝1,2,...,M_k}，其中M_k是对照用户在第k类中的数量。对照组子集k中每个对照用户的负荷都可以看作是需求响应用户n的基线负荷的一个估计，则需求响应用户n的基线负荷可表示为：

式中是需求响应用户n在需求响应日d的t时刻的基线负荷值，是用户i∈I_k在需求响应日d的t时刻的实际负荷值；w_i是第i个对照用户前的权重系数。

显然权重的分配关系到最终基线负荷估计的准确性，合理的权重设置应遵循如下原则：与待估计的需求响应用户更相似的对照用户应给予更大的权重且所有权重系数相加之和等于1。本发明按照式(15)来确定权重系数。

式中S(i,n)表示对照组子集中第i个对照用户与需求响应用户n的相似性，其可由分别计算需求响应时段前后两段LCS的相似性后相加得到。

本发明用户基线负荷估计方法，通过对照组子集每个样本与对照组用户的相似性确定权重系数，再依据权重系数估计对应需求响应用户的基线负荷，故基线负荷与对照组用户相似性高，精度好，更能准确的反映响应组用户在不参加响应时的基线负荷。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图2示出了本发明实施例提供的用户基线负荷估计装置30的功能框图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

如图2所示，用户基线负荷估计装置30包括：对照组样本扩充模块310、对照组样本消减模块320、多时段曲线生成模块330、对照组样本与相应组匹配模块340以及基线负荷估计模块350。

对照组样本扩充模块310用于通过对第一负荷样本集计算获得累计分布函数曲线，并对累计分布函数曲线进行抽样获得扩充后的第二负荷样本集。

对照组样本消减模块320用于通过计算第二样本集中所述第一样本与第二样本集中所述第一样本的概率的乘积得到所述第一样本的概率乘积，消减掉最小概率乘积所对应的样本，保留最优的样本，获得消减后的第二样本集。

多时段曲线生成模块330用于将消减后的第二样本集以样本集进行连接，生成最终所需对照组样本数量的曲线。

对照组样本与相应组匹配模块340用于通过K-means算法将多时段曲线进行聚类获得所述聚类中心曲线，使得所有对照组用户的负荷曲线与所述聚类中心曲线的距离之和最小，从而获得聚类中心曲线并将对照组分为若干对照组子集，在获得聚类中心曲线后，通过聚类中心线，将对照组子集与响应组用户进行匹配，从而获得响应组用户与对照组子集的对应关系。

基线负荷估计模块350用于通过对照组子集每个样本与对照组用户的相似性确定权重系数，再依据权重系数以及对照组子集每个样本生成基线负荷。

由上可知，本发明通过上述模块实现了本发明用户基线负荷估计方法，应当理解为上述功能模块为对本发明方法的一种物理实现。

以下为本发明的终端实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图3是本发明一实施例提供的终端的示意图。如图3所示，该实施例的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个方法实施例中的步骤。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图2示单元310至350的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。

所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图3仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。