对供电区域进行划分，构建区域 之间用户整体用电行为相似度矩阵； 步骤3)根据步骤1)中获得的用电记录矩阵和步骤2)中获得的区域之间用户整体用 电行为相似度矩阵，构建用户用电量在日期维度上的线性关系模型，并对线性预测模型求 解；构建不同供电区域中的多个线性预测模型，并进行线性预测模型之间知识传递与相互 学习，最后联合优化多个线性预测模型。2. 根据权利要求1所述的基于联合学习的电力用户用电量预测方法，其特征在于：在 步骤1)中，所述的输入用户用电记录数据，然后利用上述用户用电记录数据构建用户用电 记录矩阵，之后利用用户用电记录矩阵计算用户每天的用电总量，并表示为向量；最后输出 所有用户的用电记录矩阵的方法为： 用户用电记录数据中的所有用户被表示为集合： U = {Ui, u2, ···,%} 其中N表示数据中包含的用户个数，Ul表示第i个用户； 第i个用户的用电记录数据被构建为用电记录矩阵：其中D表示数据中用电记录包含的天数，T表示每个用户每天的用电记录包含的均匀 采样点的个数，表示T行D列的非负实数矩阵；同时，用Uf和分别表示矩阵A的第 t行和第d列，即用户^在每天第t个时间点上的所有用电记录和在第d天的用电记录，并 用€表示矩阵A的第t行第d列上的元素；根据U i，可以计算用户在D天中每天的用电总 量，并表示为向量Xi;Xi中每个元素的计算公式如下：最后输出所有用户的用电记录矩阵：3. 根据权利要求1所述的基于联合学习的电力用户用电量预测方法，其特征在于：在 步骤1)中，所述的输入用户地理位置信息，然后将上述用户地理位置信息用层级表示，之 后对用户地理位置信息相似度进行衡量，最后输出所有用户的地理位置信息和地理位置信 息相似度矩阵的方法是： 第i个用户的地理位置信息被表示为结构体：其中为居住地点中某个组成部分的字符串表示，gf按行政单位，即省、城市、区县、 乡镇、街道、小区从大到小的顺序排列； 任意两个地理位置在第k级行政单位上的相邻关系表示为：其中4为0/1值，表示两个地理位置是否相邻，S(·，·）为逻辑函数，当两个字符串 相同时取值1，否则为〇, η (·，·）通过查询数据库来判断两个相同级别的行政单位在地 理位置上是否相邻； 最终，输出所有用户的的地理位置信息矩阵和地理位置信息相似度矩阵：4.根据权利要求1所述的基于联合学习的电力用户用电量预测方法，其特征在于：在 步骤2)中，所述的对供电区域进行划分，构建区域之间用户整体用电行为相似度矩阵的方 法为： 步骤2. 1)统计供电范围内所有最低行政单位的S2. 1阶段； 抽取所有用户地理位置信息矩阵gl，g2，…，gN中的最低级行政单位的字符串表示C，去 重，得到供电范围内的所有最低行政单位Ω = {ω1; ω2，···，coj ; 步骤2. 2)供电区域划分方案初始化的S2. 2阶段； 将步骤2. 1)中得到的所有最低行政单位Ω = {ωι，ω2，…，coj作为供电区域的初始 划分； 步骤2. 3)计算供电区域邻接矩阵的S2. 3阶段；根据供电区域ωρ中包含的所有地理位置，计算供电区域ω p的结构化表示，公式如 下： 如果 否则然后，计算任意两个供电区域ω#Ρ ω q的邻接关系，并构建邻接矩阵A，公式如下：步骤2. 4)计算供电区域中用户整体用电相似度的S2. 4阶段； 采用用电区域中所有用户的用电量向量的均值来表示供电区域中用户整体的用电量， 公式如下：然后，采用向量的余弦相似度计算不同区域间用户整体用电行为的相似度，构建相似 关系矩阵S，公式如下：步骤2. 5)融合地理上相邻且用户总体用电需求相似的供电区域的S2. 5阶段； 根据邻接矩阵A，对任意两个相邻的供电区域ω#Ρ ω q，若用户整体用电行为相似度 spq大于阈值Φ，则合并两个供电区域； 步骤2. 6)判断供电区域划分是否收敛的S2. 6阶段； 若供电区域的划分已经收敛，则进行步骤2. 7)，否则返回步骤2. 3); 步骤2. 7)输出结果的S2. 7阶段； 输出供电区域划分结果，本流程至此结束。5. 根据权利要求1所述的基于联合学习的电力用户用电量预测方法，其特征在于：在 步骤3)中，所述的根据步骤1)中获得的用电记录矩阵和步骤2)中获得的区域之间用户整 体用电行为相似度矩阵，构建用户用电量在日期维度上的线性关系模型，并对线性预测模 型求解的方法是； 构建单个供电区域上用户用电量在日期维度上的模型是用电量预测的基础；以供电区 域ω为例，用户Ul.在接下来一天中的用电量y1与用电量向量Xl.之间关系的模型为：即用户在连续D+1天内的用电量是线性相关的，因此用电量y1可以通过用电量向量X i 中不同元素的线性组合来进行预测；其中w是线性组合参数，匕为误差；对供电区域ω中 的所有用户，线性组合参数w是共用的，而误差h是随用户变化的；则所有用户的用电量向 量\可以组合成用电量向量矩阵X，用电量y1组合成用电量向量y，供电区域ω的用电量 线性预测模型可以表示为： y = XTw+b ； 根据供电区域ω中所有用户的用电量向量矩阵X和已标注的用电量向量7估计线性 组合参数w和误差b，采用最小二乘算法来求解；假设误差b的方差是有限的，即E [XlbJ = 0,则线性组合参数w和误差b有如下闭形解：6. 根据权利要求1所述的基于联合学习的电力用户用电量预测方法，其特征在于：在 步骤3)中，所述的构建不同供电区域中的多个线性预测模型，并进行线性预测模型之间知 识传递与相互学习，最后联合优化多个线性预测模型的方法是： 步骤3. 1)在每个供电区域上分别构建用户用电量线性预测模型的S3. 1阶段： 在供电区域ωρ上，根据上述公式，利用用电量矩阵X p和已标注的用电量向量y p构建 用户用电量线性预测模型，然后采用最小二乘算法求解线性组合参数wp和误差b p，作为供 电区域ωρ中的基准模型； 步骤3. 2)根据总体用电行为相似度矩阵S对供电区域ω ρ进行数据融合的S3. 2阶段： 对所有其他供电区域uq，根据其他供电区域coq和供电区域ω ρ的总体用电需求相似 性Spq，以概率，随机抽取其他供电区域ω ρ中的用户数据，并与供电区域ω ρ中的用户数 据相融合得到模型参数Xp u q和用电量向量y p u q; 步骤3. 3)采用融合数据更新基准模型的S3. 3阶段： 采用最小二乘算法，根据Xp U q和y p U q求解w p u q和b p u q，选择所有平均预测误差小于 基准模型的优化融合模型Fp= |wpUq|E[bpUq]〈E[bp]}，并从中选择预测误差E[b pUq]最小 的模型参数wpUq作为供电区域ω p中的新基准模型； 步骤3. 4)判断所有区域上的模型是否更新完毕的S3. 4阶段： 若所有区域上的模型更新完毕，则进行步骤3. 5)，否则返回步骤3. 2); 步骤3. 5)判断算法是否收敛的S3. 5阶段： 若算法收敛，则进行步骤3. 6)，否则返回步骤3. 2); 步骤3. 6)输出结果的S3. 6阶段： 输出用电量向量yp u q，本流程至此结束。
【专利摘要】一种基于联合学习的电力用户用电量预测方法。其包括构建用户用电和用户地理位置信息矩阵；对供电区域进行划分，构建区域之间用户整体用电行为相似度矩阵；构建用电量预测模型，并进行联合优化求解等步骤。本发明同时考虑用户的地理位置和用户的用电行为，将用户划分到不同的供电区域中，每个区域中的用户不仅在地理位置上是相邻的，而且具有类似的用电需求；为不同的供电区域分别构建预测模型来预测用户的用电量，模型既考虑了每个区域中用户的独特用电需求，也考虑了供电区域之间的联系和影响用户用电需求的公共因素，从而提高了用电量预测的准确性。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105335800
【申请号】CN201510801660
【发明人】王扬, 刘杰, 章斌, 王梓朔, 何志成, 杨青, 陈会鹏, 蒋哲
【申请人】国网天津市电力公司, 国家电网公司
【公开日】2016年2月17日
【申请日】2015年11月19日