[發明專利]一種針對低壓用戶的基于深度學習的用電量預測方法

在審

• 申請號: 201710465683.1
• 申請日: 2017-06-19
• 公開（公告）號: CN107301474A
• 公開（公告）日: 2017-10-27
• 發明（設計）人: 劉金碩;劉必為;李瞧;房金城;陳凱;鄧娟;李揚眉;談聰;楊廣益;李晨曦
• 申請（專利權）人: 武漢大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙)42222
• 代理人: 彭艷君

1.一種針對低壓用戶的基于深度學習的用電量預測方法，其特征是，包括以下步驟：

步驟1、獲取低壓用戶用電量相關的屬性參數；

步驟2、對步驟1獲取的參數進行數據預處理；

步驟3、將經步驟2處理后的數據輸入DBN建立低壓用戶日用電量預測模型，其中日用電量為被預測量；

步驟4、將待預測日期除日用電量之外的屬性參數輸入步驟3所得低壓用戶日用電量預測模型得到低壓用戶當日用電量預測值。

2.如權利要求1所述的針對低壓用戶的基于深度學習的用電量預測方法，其特征是，步驟1所述相關的屬性參數的獲取包括采集特定低壓用戶待預測日期前3個月的日用電量數據及每一天的日期類型，包括工作日或非工作日；最高溫度，最低溫度，天氣狀況，空氣質量，季節的參數。

3.如權利要求2所述的針對低壓用戶的基于深度學習的用電量預測方法，其特征是，步驟2對數據預處理的方法包括針對日用電量中的缺省值采用k最近距離鄰法進行補全；對所有原始數據采用最大最小法進行歸一化處理，計算公式為：ω‾=ω-ωminωmax-ωmin,]]>

式中，為處理后的數據，ω為原始數據，ω_max和ω_min分別為原始數據中的最大數和最小數。

4.如權利要求3所述的針對低壓用戶的基于深度學習的用電量預測方法，其特征是，步驟3的實現包括將經過步驟2預處理后的數據作為訓練樣本輸入DBN進行訓練得到預測模型，訓練過程如下：

步驟3.1首先輸入天氣、溫度、日期類型、空氣質量、季節、日用電量數據作為訓練樣本，然后分別單獨無監督地訓練每一層RBM網絡，確保特征向量映射到不同特征空間時，都盡可能多地保留特征信息；

步驟3.2在DBN的最后一層設置BP網絡，接收RBM的輸出特征向量作為輸入特征向量，有監督地訓練實體關系分類器；

步驟3.4最終將日用電量作為理想輸出，利用反向傳播網絡將錯誤信息自頂向下傳播至每一層RBM，微調整個DBN網絡。