[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

技術領域

本發明屬于數據挖掘及深度學習技術領域，尤其涉及一種針對低壓用戶的基于深度學習的用電量預測方法。

背景技術

機器學習(Machine Learning)是一門專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能的學科。機器能否像人類一樣能具有學習能力呢？1959年美國的塞繆爾(Samuel)設計了一個下棋程序，這個程序具有學習能力，它可以在不斷的對弈中改善自己的棋藝。4年后，這個程序戰勝了設計者本人。又過了3年，這個程序戰勝了美國一個保持8年之久的常勝不敗的冠軍。這個程序向人們展示了機器學習的能力，提出了許多令人深思的社會問題與哲學問題。

深度學習是機器學習中一種基于對數據進行表征學習的方法。觀測值(例如一幅圖像)可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從實例中學習任務(例如，人臉識別或面部表情識別)。深度學習的好處是用非監督式或半監督式的特征學習和分層特征提取高效算法來替代手工獲取特征。

由于低壓用戶用電量數據采集頻率較低，所以無法分析低壓用戶用電模式，而采用深度學習的算法可以對低壓用戶的日用電量進行預測。

發明內容

本發明的目的是提供一種采用深度學習算法(DBN)對低壓用戶日用電量進行預測的方法，該方法能夠有效實現在用電數據采集頻率以天為單位時，針對低壓用戶用電量的預測及異常預測。

為實現上述目的，本發明采用的技術方案是：一種針對低壓用戶的基于深度學習的用電量預測方法，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。

在上述的針對低壓用戶的基于深度學習的用電量預測方法中，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。

在上述的針對低壓用戶的基于深度學習的用電量預測方法中，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：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。

在上述的針對低壓用戶的基于深度學習的用電量預測方法中，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。

本發明的有益效果：可以在無法獲得低壓用戶日用電模式的基礎上，預測出低壓用戶的日用電量，同時還考慮到工作或氣候變化引起的用電量突變問題，采用了DBN對低壓用戶日用電量進行預測，使預測的結果更為精確。

附圖說明

圖1是本發明一個實施例的整體框架圖；

圖2是本發明一個實施例低壓用戶日用電量關系圖；

圖3是本發明一個實施例預測模型訓練流程圖。

具體實施方式

通過以下詳細說明結合附圖可以進一步理解本發明的特點和優點。所提供的實施例僅是對本發明方法的說明，而不以任何方式限制本發明揭示的其余內容。

本實施例采用以下技術方案來實現的，一種針對低壓用戶的基于深度學習的用電量預測方法，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；