[發明專利]一種基于層次分析法和深度信念網絡相結合的用戶用電行為多維分析診斷方法

在審

• 申請號: 202011626606.8
• 申請日: 2020-12-30
• 公開（公告）號: CN112650894A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 王琨;高敬更;蘇海軍;楊熹;劉繼榮;楊春光;董智穎;侯琦;井含香
• 申請（專利權）人: 國網甘肅省電力公司營銷服務中心
• 主分類號: G06F16/903
• 分類號: G06F16/903;G06F16/9038;G06F16/906;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 蘭州智和專利代理事務所(普通合伙) 62201
• 代理人: 趙立權

1.一種基于層次分析法和深度信念網絡相結合的用戶用電行為多維分析診斷方法，其特征在于，包括如下步驟：

(1)數據的獲取

負荷數據采用日常用戶用電負荷實時數據庫，該數據庫可以獲取到各個類型用戶的用電負荷數據；

(2)數據的分層聚類

通過層次分析法將數據分成日常各個時段對應的負荷數據集；

(3)數據的處理

初始化分層后數據的參數，并且將分層后的數據進行預訓練，然后采用深度信念網絡進行數據的分析診斷工作；

(4)負荷曲線繪制

通過相應的顯示界面繪制負荷曲線，將分析結果直觀的展示出來。

2.根據權利要求1所述的一種基于層次分析法和深度信念網絡相結合的用戶用電行為多維分析診斷方法，其特征在于，步驟(1)數據庫的建立過程如下：

選取某地區一個月典型用戶用電負荷數據作為源數據，以時間為標簽標注24小時每小時的負荷數據特征，進行用戶用電行為分析診斷。

3.根據權利要求1所述的一種基于層次分析法和深度信念網絡相結合的用戶用電行為多維分析診斷方法，其特征在于，步驟(2)的具體過程如下：

201)建立層次結構模型

設置最高層為用戶用電類型，則中間層為用戶用電時間段，底層設置為判斷目標，即判斷用戶用電負荷是否集中在中間層的時間段內，便于最高層最終的判斷；

202)構造一致性判斷矩陣

構造一致性判斷矩陣如下：

式中，a_ij為一致性判斷矩陣第i行第j列的值，其表示要素i與要素j的重要性比較結果；要素i為第i小時的用戶用電功率數據，要素j為第j小時的用戶用電功率數據；

203)層次單排序及其一致性檢驗

定義一致性指標為：

其中，λ為一致性判斷矩陣的特征根，n為一致性判斷矩陣的非零特征根；若CI＝0，有完全的一致性；CI接近于0，有滿意的一致性；CI越大，不一致越嚴重；

為衡量CI的大小，引入隨機一致性指標RI：

式中，CI_i為第i次求得的一致性指標；

設檢驗系數為：

若CR0.1，則通過一致性檢驗，否則不通過。

4.根據權利要求3所述的一種基于層次分析法和深度信念網絡相結合的用戶用電行為多維分析診斷方法，其特征在于，步驟201中，為用戶用電負荷數據建立完整性指標體系，該指標體系一級指標為用戶用電類型，包括：

老人居民用電類型：用電負荷集中在時間段7:00～21:00；

上班族用電類型：用電負荷集中在時間段17:00～24:00；

空置房用電類型：用電負荷均勻分布；

老人+上班族用電類型：用電負荷集中在時間段7:00～23:00；

二級指標為用戶用電時間段，包括如下四種：

7:00～21:00；17:00～24:00；均勻分布；7:00～23:00；

三級指標為判斷用戶用電負荷是否集中在二級指標的時間段內，包括：

用電負荷是否集中在7:00～21:00；用電負荷是否集中在17:00～24:00；用電負荷是否均勻；用電負荷是否集中在7:00～23:00。

5.根據權利要求1所述的一種基于層次分析法和深度信念網絡相結合的用戶用電行為多維分析診斷方法，其特征在于，步驟(3)的具體過程如下：

301)數據預訓練：

將層次分析法中所設立的一級指標相對應的用戶用電數據進行歸類，采用深度信念網絡進行預訓練；

所述深度信念網絡由多個受限玻爾茲曼機堆疊而組成，受限玻爾茲曼機由可視層v和隱藏層h兩部分組合而成，v用來輸入數據，h用來做特征檢測器，具體地，可視層v為輸入的用戶用電負荷數據，隱藏層h為層次分析法中一致性判斷矩陣的特征根；對于一組給定的狀態(v，h)，其能量函數E的定義為：

式中：v_i是可視層的顯元狀態；h_j是隱藏層的隱元狀態；a_i和b_j分別是顯元i和隱元j的偏置，且a_i和b_j具體取值為每一次訓練顯元和隱元的逼近值；w_ji為顯元i和隱元j之間的連接權重；通過能量函數E，就可以得到(v，h)聯合分布率為：

式中是歸一化因子；則可視層v的邊緣分布P_θ(v)，即似然函數如下：

對于受限玻爾茲曼機的訓練就意味著要最大化似然函數，則θ按如下形式更新：

Δw_ij＝E_data(v_ih_j)-E_model(v_ih_j)

Δa_i＝E_data(v_i)-E_model(v_i)

Δb_j＝E_data(h_j)-E_model(h_j)

式中：E_data()表示對數據集的期望，E_model()表示模型中采樣數據的期望；

302)數據調優

預訓練完成之后，用BP神經網絡進行調優，具體過程如下：

第一步：初始化，隨機給定各連接權重及閾值；

第二步：由給定的輸入計算出隱藏層和輸出層的各單元輸出；選取預訓練得到的權重和顯元層負荷數據與隱藏層負荷數據作為輸入數據進行計算；

第三步：選取下一個輸出作為輸入返回到第二步反復訓練，直到網絡的輸出誤差達到要求；輸出誤差采用訓練所得數據與實際數據進行比較，其過程與步驟203一致性檢驗過程相同。