一种针对低压用户的基于深度学习的用电量预测方法与流程

本发明属于数据挖掘及深度学习技术领域，尤其涉及一种针对低压用户的基于深度学习的用电量预测方法。

背景技术：

机器学习(machinelearning)是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。机器能否像人类一样能具有学习能力呢？1959年美国的塞缪尔(samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

由于低压用户用电量数据采集频率较低，所以无法分析低压用户用电模式，而采用深度学习的算法可以对低压用户的日用电量进行预测。

技术实现要素：

本发明的目的是提供一种采用深度学习算法(dbn)对低压用户日用电量进行预测的方法，该方法能够有效实现在用电数据采集频率以天为单位时，针对低压用户用电量的预测及异常预测。

为实现上述目的，本发明采用的技术方案是：一种针对低压用户的基于深度学习的用电量预测方法，包括以下步骤：

步骤1、获取低压用户用电量相关的属性参数；

步骤2、对步骤1获取的参数进行数据预处理；

步骤3、将经步骤2处理后的数据输入dbn建立低压用户日用电量预测模型，其中日用电量为被预测量；

步骤4、将待预测日期除日用电量之外的属性参数输入步骤3所得低压用户日用电量预测模型得到低压用户当日用电量预测值。

在上述的针对低压用户的基于深度学习的用电量预测方法中，步骤1所述相关的属性参数的获取包括采集特定低压用户待预测日期前3个月的日用电量数据及每一天的日期类型，包括工作日或非工作日；最高温度，最低温度，天气状况，空气质量，季节的参数。

在上述的针对低压用户的基于深度学习的用电量预测方法中，步骤2对数据预处理的方法包括针对日用电量中的缺省值采用k最近距离邻法进行补全；对所有原始数据采用最大最小法进行归一化处理，计算公式为：式中，为处理后的数据，ω为原始数据，ωmax和ωmin分别为原始数据中的最大数和最小数。

在上述的针对低压用户的基于深度学习的用电量预测方法中，步骤3的实现包括将经过步骤2预处理后的数据作为训练样本输入dbn进行训练得到预测模型，训练过程如下：

步骤3.1首先输入天气、温度、日期类型、空气质量、季节、日用电量数据作为训练样本，然后分别单独无监督地训练每一层rbm网络，确保特征向量映射到不同特征空间时，都尽可能多地保留特征信息；

步骤3.2在dbn的最后一层设置bp网络，接收rbm的输出特征向量作为输入特征向量，有监督地训练实体关系分类器；

步骤3.4最终将日用电量作为理想输出，利用反向传播网络将错误信息自顶向下传播至每一层rbm，微调整个dbn网络。

本发明的有益效果：可以在无法获得低压用户日用电模式的基础上，预测出低压用户的日用电量，同时还考虑到工作或气候变化引起的用电量突变问题，采用了dbn对低压用户日用电量进行预测，使预测的结果更为精确。

附图说明

图1是本发明一个实施例的整体框架图；

图2是本发明一个实施例低压用户日用电量关系图；

图3是本发明一个实施例预测模型训练流程图。

具体实施方式

通过以下详细说明结合附图可以进一步理解本发明的特点和优点。所提供的实施例仅是对本发明方法的说明，而不以任何方式限制本发明揭示的其余内容。

本实施例采用以下技术方案来实现的，一种针对低压用户的基于深度学习的用电量预测方法，包括以下步骤：

步骤1、获取低压用户用电量相关的属性参数；

步骤2、对步骤1获取的参数进行数据预处理；

步骤3、将经步骤2处理后的数据输入dbn建立低压用户日用电量预测模型，其中日用电量为被预测量；

步骤4、将待预测日期除日用电量之外的属性参数输入步骤3所得低压用户日用电量预测模型得到低压用户当日用电量预测值。

进一步，步骤1所述相关的属性参数的获取包括采集特定低压用户待预测日期前3个月的日用电量数据及每一天的日期类型，包括工作日或非工作日；最高温度，最低温度，天气状况，空气质量，季节的参数。

进一步，步骤2对数据预处理的方法包括针对日用电量中的缺省值采用k最近距离邻法进行补全；对所有原始数据采用最大最小法进行归一化处理，计算公式为：式中，为处理后的数据，ω为原始数据，ωmax和ωmin分别为原始数据中的最大数和最小数。

更进一步，步骤3的实现包括将经过步骤2预处理后的数据作为训练样本输入dbn进行训练得到预测模型，训练过程如下：

步骤3.1首先输入天气、温度、日期类型、空气质量、季节、日用电量数据作为训练样本，然后分别单独无监督地训练每一层rbm网络，确保特征向量映射到不同特征空间时，都尽可能多地保留特征信息；

步骤3.2在dbn的最后一层设置bp网络，接收rbm的输出特征向量作为输入特征向量，有监督地训练实体关系分类器；

步骤3.4最终将日用电量作为理想输出，利用反向传播网络将错误信息自顶向下传播至每一层rbm，微调整个dbn网络。

具体实施时，为了解决低压用户用电量数据采集频率较低，无法分析低压用户用电模式的问题，本实施例采用了dbn对用户日用电量进行预测。考虑到低压用户用电量受天气、季节、工作日与非工作日等条件影响颇大，为了发现这些重要条件与用户日用电量之间的潜在关系，采用了dbn(深度信念网络)，将天气季节等参数作为输入参数，日用电量为被预测参数，在经过dbn的反复训练之后即可得出包含了低压用户日用电量与天气季节等条件之间潜在联系的低压用户日用电量预测模型，利用得到的预测模型，将待预测日的天气季节等数据输入预测模型即可得到待预测日的日用电量预测值。

实施步骤如下：

1：采集特定低压用户待预测日期前3月的日用电量数据及每一天的日期类型、最高与最低温度、天气状况、空气指数等参数。

2：对采集到的数据进行数据预处理：针对日用电量中的缺省值采用k最近距离邻法进行补全；对所有原始数据采用最大最小法进行归一化处理，计算公式为式中，为处理后的数据，ω为原始数据，ωmax和ωmin分别为原始数据中的最大数和最小数。

3:将预处理过后的数据作为训练样本输入dbn中，其中日用电量为被预测量，最终得到低压用户日用电量预测模型。

4：将待预测日期除日用电量之外的参数输入低压用户日用电量预测模型，模型输出结果为低压用户当日用电量预测值。

如图1所示，本实施例预测方法的整体流程，在采集特定低压用户待预测日期前3月的日用电量数据及每一天的日期类型、最高与最低温度、天气状况、空气指数等参数后，对采集到的数据进行数据预处理：针对日用电量中的缺省值采用k最近距离邻法进行补全；对所有原始数据采用最大最小法进行归一化处理，预处理过后的数据作为训练样本输入dbn中得到低压用户日用电量预测模型，将待预测日期除日用电量之外的参数输入低压用户日用电量预测模型，模型输出结果为用户当日用电量预测值。

如图2所示，低压用户日用电量相关的属性参数，对于低压用户来说，日用电量主要使用在日常生活中，由于日常生活用电受温度，包括最高温度、最低温度，天气状况、日期类型，包括工作日或非工作日，季节、空气质量等条件的影响较大。因此在考虑dbn的训练样本时，将这些条件作为训练样本的属性可以更好的找到低压用户日用电量的潜在规律。

如图3所示，dbn的训练过程：首先输入天气温度等数据作为训练样本，然后分别单独无监督地训练每一层rbm网络，确保特征向量映射到不同特征空间时，都尽可能多地保留特征信息；在dbn的最后一层设置bp网络，接收rbm的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器。而且每一层rbm网络只能确保自身层内的权值对该层特征向量映射达到最优，并不是对整个dbn的特征向量映射达到最优，最终将日用电量作为理想输出，利用反向传播网络将错误信息自顶向下传播至每一层rbm，微调整个dbn网络。rbm网络训练模型的过程可以看作对一个深层bp网络权值参数的初始化，使dbn克服了bp网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。