基于深度学习的智慧小区用电量实时预测方法及装置与流程

本发明涉及人工智能技术，具体涉及一种基于深度学习的智慧小区用电量实时预测方法及装置。

背景技术：

深度学习是目前机器学习发展的最高度，人工神经网络作为深度学习中的一种方法，在物体识别、图像处理等领域有着较高的效果。对于时间序列预测，人工神经网络有着可以自动学习时间序列特征的优势，减少人工干预，提取出高质量的特征，由于深度学习的方法可能消耗大量的gpu资源，计算量过大可能达不到实际应用场景中实时的效果，为了解决大数据实时处理问题，分布式实时处理框架storm应运而生，storm有许多应用领域，包括实时分析、在线机器学习、信息流处理、连续性的计算、分布式rpc和etl等。

准确的用电量预测对智慧小区用电规划和用电决策有着重要的意义，在研究不同小区用电特性的基础上开展用电量预测，可以帮助电力企业更好的了解小区个性化服务需求，为未来电网发展及电力需求侧相应政策的制定提供数据支撑。随着我国社会经济的持续发展以及产业结构的不断调整，电力用户的用电特征正呈现多样化发展趋势，小区用户的用电特性多样化对传统的用电量预测方法提出了新的挑战，有鉴于此，急需解决小区用电量预测准确率较低和速率较低的问题。

技术实现要素：

本发明为了解决上述问题，提出了一种基于深度学习的智慧小区用电量实时预测方法，应用于用小区电量预测过程，可实现实时用电量预测的目的。

为了实现上述目的，本发明采用如下方案：

一种基于深度学习的智慧小区用电量实时预测方法，包括以下步骤：

（1）获取待预测小区的历史用电量数据；

（2）在分布式实时处理框架storm上构建包括（1）的用电量数据库；

（3）利用（2）中的用电量数据库对卷积神经网络进行训练，得到卷积神经网络模型；

（4）将待预测小区当前一定时间段的用电量数据输入（3）中的卷积神经网络模型，得到预测用电量结果。

本技术方案的有益效果是通过人工神经网络提取小区用电量数据库的最优权重，有效地提高了检测的准确率；利用storm并行小区用电量预测，达到实时预测的目的，有效的提高了小区用电量预测的效率。

进一步的，所述分布式实时处理框架的多个数据源输入组件spout作为父节点，多个数据处理组件bolt作为子节点；每个父节点均与子节点相连，在数据源输入组件spout上构建所述用电量数据库，在数据处理组件bolt上布置（3）中的卷积神经网络模型。

进一步的，所数据源输入组件spout与所述用电量数据库相连，并将待预测地区当前时间段内的用电量数据分发给各个指定的数据处理组件bolt，每个数据处理组件bolt通过（3）中的卷积神经网络模型，对待预测地区当前时间段内的用电量进行预测。

进一步的，所述卷积神经网络采用三层结构，分别为输入层、隐含层和输出层。

进一步的，所述隐含层包括依次相连的两个lstm层和一个全连接层。

进一步的，所述卷积神经网络具有初始权值、初始训练速率和初始迭代次数，利用（2）中的用电量数据库对上述参数进行训练，得到目标卷积神经网络模型。

进一步的，所述目标卷积神经网络模型具有目标权重矩阵，（4）中将待预测小区当前时间段内的用电量数据输入所述目标权重矩阵中，得到预测用电量结果。

进一步的，本方法采用gpu调度算法，对所述数据处理组件bolt占用gpu资源的进程进行监控和调度。

进一步的，本方法当某一进程占用gpu资源超过设定值时，将所述进行分配到其他数据处理组件bolt上。

本发明还提出了一种基于深度学习的智慧小区用电量实时预测装置，包括：

获取单元，用于获取待预测小区历史用电量数据；

用电量数据库构建单元，用于对所述用电量数据构建在所述分布式实时处理框架storm上；

卷积神经网络模型构建单元，用于根据所述用电量数据对卷积神经网络进行训练，构建卷积神经网络模型；

预测单元，结合所述卷积神经网络模型构建单元，根据待预测小区当前一定时间段的用电量数据预测该小区未来短期用电量。

本发明的有益效果：

（1）通过人工神经网络提取小区用电量数据库的最优权重，有效地提高了检测的准确率；

（2）利用storm并行小区用电量预测，达到实时预测的目的，有效的提高了小区用电量预测的效率。

附图说明

图1为本发明提供的一种基于深度学习的智慧小区实时用电量预测方法的流程图；

图2为本发明中人工神经网络的网络结构；

图3为本发明中分布式实时处理框架storm的拓扑结构图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

分布式实时处理框架storm，是一个免费开源、分布式、高容错的实时计算系统。它与其他大数据解决方案的不同之处在于它的处理方式。storm支持创建拓扑结构来转换没有终点的数据流。不同于hadoop作业，这些转换从不停止，它们会持续处理到达的数据。storm经常用于在实时分析、在线机器学习、持续计算、分布式远程调用和etl等领域。storm的部署管理非常简单，而且，在同类的流式计算工具，storm的性能也是非常出众的。

spout组件：一个spout是由流组成的数据源在storm的拓扑里，通常情况下会读取外部的数据源然后emit（发射）到拓扑里面。spout有两种实现一种是可靠的消息实现，如果发送失败则会重试，另外一种是不可靠的消息实现可能会出现消息丢失，spout可以一次声明多个数据流通过outputfieldsdeclarer类的declarestream方法。

bolt组件：所有的拓扑处理都会在bolt中进行，bolt里面可以做任何etl，比如过滤，函数，聚合，连接，写入数据库系统或缓存等，一个bolt可以做简单的事件流转换，如果是复杂的流转化，往往需要多个bolt参与，每个bolt都进行一个业务逻辑处理，bolt也可以emit多个流到下游，通过declarestream方法声明输出的schema。

实施例1：

如图1所示，本发明提供的一种基于深度学习的智慧小区用电量实时预测方法，包括以下步骤：

步骤s10、构建storm的拓扑结构，在storm平台上构建小区用电量数据库，并设计用于小区用电量预测的神经网络；

步骤s20、利用小区用电量数据库对神经网络进行训练，得到最优的网络模型以及权重矩阵；

在本发明中，步骤s20具体包括以下步骤：

步骤s21、将各个小区用电量数据分别发送到storm平台下的bolt组件，并构建用各个小区的小区电量数据库；

步骤s22、将小区用电量数据库中的数据输入人工神经网络，使用人工神经网络默认参数进行卷积神经网络训练；

步骤s23、根据训练中间结果，对默认参数初始权值、训练速率、迭代次数进行不断调整，直到得到最优的人工神经网络网络参数，提取最优的权重矩阵，用该权重矩阵对用电量进行计算预测会得到最好的预测效果；

步骤s30、将训练好的权重矩阵模型分别布置在storm的数据处理组件bolt上，且该数据处理组件bolt以数据源输入组件spout为父节点，这样每个数据处理组件bolt构成用于预测小区用电量的预测模块；布置人工神经网络的所有数据处理组件bolt具有相同的子节点，在该子节点上返回最终的预测结果，如图3所示。

步骤s40、数据源输入组件spout将采集于各个小区的历史用电量数据分发给其下属各个数据处理组件bolt，每个数据处理组件bolt上的权重矩阵模型对输入的用电量数据进行计算预测，由于卷积神经网络会消耗大量的gpu资源，由于在storm中设计了基于gpu的资源调度算法，能够通过实时监控storm各个数据处理组件bolt的gpu使用状况，将gpu消耗过大的进程分配到有较强gpu的数据处理组件bolt上，解决人工神经网络会消耗大量的gpu资源的问题，从而避免由于计算量过大达不到实际应用场景中实时效果的问题，实现小区用电量预测的实时效果。

在本发明中，数据源输入组件spout将采集来自各个小区的用电量数据，再将数据分发给不同数据处理组件bolt；

每个数据处理组件bolt使用其上训练好的权重矩阵模型对输入数据进行计算预测。

在本发明中，利用各个历史数据构小区用电量数据库，使用设计好的如图2所示的卷积神经网络由三层网络结构组成，包括2层lstm网络，1层全连接层，

本发明的基于深度学习的智慧小区实时用电量预测方法，将基于深度学习的用电量预测技术与storm实时处理平台相结合，提高用电预测的准确率和效率；在充分利用计算资源的前提下，找到最优权重矩阵，对小区用电量进行预测。

实施例2：

一种基于深度学习的智慧小区用电量实时预测装置，包括：

获取单元，用于获取待预测小区历史用电量数据；用电量数据库构建单元，用于对所述用电量数据构建在所述分布式实时处理框架storm上；卷积神经网络模型构建单元，用于根据所述用电量数据对卷积神经网络进行训练，构建卷积神经网络模型；预测单元，结合所述卷积神经网络模型构建单元，根据待预测小区当前一定时间段的用电量数据预测该小区未来短期用电量。

本发明的工作原理是获取单元获取待预测小区的历史用电量数据；在分布式实时处理框架storm上构建用电量数据库；基于用电量数据库对卷积神经网络进行训练，得到卷积神经网络模型；将待预测小区当前一定时间段的用电量数据输入卷积神经网络模型，得到预测用电量结果。

本实施例中分布式实时处理框架的多个数据源输入组件spout作为父节点，多个数据处理组件bolt作为子节点；每个父节点均与子节点相连，在数据源输入组件spout上构建所述用电量数据库，在数据处理组件bolt上布置（3）中的卷积神经网络模型。

数据源输入组件spout与所述用电量数据库相连，并将待预测地区当前时间段内的用电量数据分发给各个指定的数据处理组件bolt，每个数据处理组件bolt通过（3）中的卷积神经网络模型，对待预测地区当前时间段内的用电量进行预测。

本实施例的卷积神经网络采用三层结构，分别为输入层、隐含层和输出层；隐含层包括依次相连的两个lstm层和一个全连接层。卷积神经网络具有初始权值、初始训练速率和初始迭代次数，利用（2）中的用电量数据库对上述参数进行训练，得到目标卷积神经网络模型。目标卷积神经网络模型具有目标权重矩阵，预测单元将待预测小区当前时间段内的用电量数据输入所述目标权重矩阵中，得到预测用电量结果。

本实施例采用gpu调度算法，对所述数据处理组件bolt占用gpu资源的进程进行监控和调度。当某一进程占用gpu资源超过设定值时，将所述进行分配到其他数据处理组件bolt上。

本发明充分利用人工神经网络学习时间序列特征的优势以及目前实时云计算技术的特点，将人工神经网络与实时云计算技术结合，把人工神经网络应用于小区用电量的预测，减少人工干预，提取最优的权重矩阵，提高小区用电量预测的准确率；并利用实时云计算中进行大数据实时处理的分布式实时处理框架storm，解决人工神经网络消耗大量的gpu资源，在计算量过大时可能达不到实际应用场景中实时效果的问题，提高小区用电量预测的效率，这在用电量时间序列预测技术方面是一种区别于传统用电量预测的新的尝试。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。