一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法与流程

1.本发明属于电力负荷分析技术领域，具体涉及一种适用于用户用电行为分析的多维分析诊断技术，方法采用层次分析法结合深度信念网络。


背景技术：

2.传统的电力用户分类是根据用户的用电电压等级与用电模式不同进行分类，大致分为:工业用电、农业用电、商业用电和居民用电。其中工业用电可细分为大工业用电、普通工业用电和非工业用电，大工业用电电压等级较高，一般为10kv、35kv或110k v，非工业用电一般指政府机关、科研单位和学校用电，电压等级一般不超过10kv，普通工业用电的电压等级介于大工业用电和非工业用电之间。农业用电、商业用电和居民用电的电压等级较低，一般不超过10kv，甚至不满1kv。不同类型的电力用户对电压等级要求不同，对电能质量要求也不同。但是传统的电力用户分类属于大范围领域的电力负荷分类，达不到现在精细化的要求，如对单一的居民负荷用电类型进行分类分析。这就会影响到电力企业的相关利益，是目前需要解决的一个问题。
3.基于电力大数据的电力用户分类主要是运用电力大数据内部包含的信息，并结合一定的数据分析算法对电力用户进行分类。常见的分类方法是运用电力大数据中的数据信息作出相应的曲线，并结合曲线变化的影响因素以及模糊算法、聚类算法和最小二乘法进行分类。回归方法等算法对电力用户进行分类，如无监督的层次聚类、k
‑
means聚类和自组织神经网络等，以及有监督的knn、支撑向量机和决策树等方法。此外还可以运用逆向分析的方法，从不同类型用户的特点出发，根据用户特点运用熵权法分析用户电力数据的特点以及各部分数据的权重，最后根据求得的数据特点在电力大数据中找到相应特点的数据，确定该部分数据的用户类别。但上述方法都有一定的局限性，例如精确度不高、灵活性较差等，如何更好地应用算法得到更好的分析结果是目前需要解决的一个问题。


技术实现要素：

4.本发明的目的在于针对现有技术存在的问题，提供一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法。
5.为此，本发明采用如下技术方案：
6.一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法，包括如下步骤：
7.(1)数据的获取
8.负荷数据采用日常用户用电负荷实时数据库，该数据库可以获取到各个类型用户的用电负荷数据；
9.(2)数据的分层聚类
10.通过层次分析法(ahp)将数据分成日常各个时段对应的负荷数据集；
11.(3)数据的处理
12.初始化分层后数据的参数，并且将分层后的数据进行预训练，然后采用深度信念网络进行数据的分析诊断工作；
13.(4)负荷曲线绘制
14.通过相应的显示界面绘制负荷曲线，将分析结果直观的展示出来。
15.本发明基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法，通过将负荷数据作为系统的输入量，再运用层次分析法(analytic hierarchy process,ahp)和深度信念网络(deep belief nets,dbn)得到分析结果。具体则是结合日常用户用电的负荷使用情况，来对用户的用电行为进行分析，得出用户用电的类型。电力企业可以据此制定出相应的政策，来提高用电的质量和可靠性，并且保证电能的安全和节能生产。
16.本发明的技术效果在于：
17.(1)针对居民用电负荷进行分析诊断分类，从而可以有效的提高居民用电的可靠性和稳定性，并且保证电能的安全和节能生产；
18.(2)采用层次分析法对负荷数据进行分层聚类，提高了数据的准确度，使得数据特征更加明显；
19.(3)采用深度信念网络进行分析处理，得到的分析结果更加精确，为电力企业和居民提供了更好的用电方案。
附图说明
20.图1为本发明方法的流程示意图；
21.图2为本发明受限玻尔兹曼机(rbm)的结构示意图；
22.图3为分析得到的老人居民用电类型的负荷曲线示意图；
23.图4为分析得到的上班族用电类型的负荷曲线示意图；
24.图5为分析得到的空置房用电类型的负荷曲线示意图；
25.图6为分析得到的老人+上班族用电类型的负荷曲线示意图。
具体实施方式
26.以下结合具体实施例和附图对本发明的技术方案做进一步的说明。
27.如图1所示，本发明基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法，包括如下步骤：
28.(1)数据的获取
29.选取某地区一个月典型用户用电负荷数据作为源数据，以时间为标签标注24小时每小时的负荷数据特征，进行用户用电行为分析诊断。
30.因为不同的用户用电负荷不同，所以选取了各种用户的电力负荷数据作为数据的输入，并结合实际的用户电力负荷数据进行比较，使得要进行分析诊断的数据具有良好的特征和正确性，满足诊断的要求。
31.(2)数据的分层聚类
32.用户一天中每个时段的用电负荷数据不是一成不变的，而是每个时刻都不同，并
且有着典型的特征，即用电负荷量的高峰期时段不同，因此采用层次分析法(aph)对数据进行分层聚类。使得数据特征更加饱满。为后续采用深度信念网络进行分析诊断提供良好的输入量，保证诊断结果的正确性。具体包括如下步骤：
33.201)建立层次结构模型
34.设置最高层为用户用电类型，则中间层为用户用电时间段，底层设置为判断目标，即判断用户用电负荷是否集中在中间层的时间段内，便于最高层最终的判断。从而为用户用电负荷数据建立完整性指标体系，该指标体系一级指标为用户用电类型，包括：
35.老人居民用电类型：用电负荷集中在时间段7:00～21:00；
36.上班族用电类型：用电负荷集中在时间段17:00～24:00；
37.空置房用电类型：用电负荷均匀分布；
38.老人+上班族用电类型：用电负荷集中在时间段7:00～23:00；
39.二级指标为用户用电时间段，包括如下四种：
40.7:00～21:00；17:00～24:00；均匀分布；7:00～23:00；
41.三级指标为判断用户用电负荷是否集中在二级指标的时间段内，包括：
42.用电负荷是否集中在7:00～21:00；用电负荷是否集中在17:00～24:00；用电负荷是否均匀；用电负荷是否集中在7:00～23:00。
43.用户用电负荷数据指标体系具体如下表所示：
44.表1用户用电负荷数据指标体系
45.一级指标二级指标三级指标老人居民用电类型7:00～21:00用电负荷是否集中在7:00～21:00上班族用电类型17:00～24:00用电负荷是否集中17:00～24:00空置房用电类型均匀分布用电负荷是否均匀老人+上班族用电类型7:00～23:00用电负荷是否集中在7:00～23:00
46.202)构造一致性判断矩阵
47.构造一致性判断矩阵如下：
48.a＝(a
ij
)，
49.式中，a
ij
为一致性判断矩阵第i行第j列的值，其表示要素i与要素j的重要性比较结果；要素i为第i小时的用户用电功率数据，要素j为第j小时的用户用电功率数据；a
ij
的取值可由第i小时的用户用电功率数据和第j小时的用户用电功率数据求取偏置后做差获得。
50.203)层次单排序及其一致性检验
51.定义一致性指标为：
[0052][0053]
其中，λ为一致性判断矩阵的特征根，n为一致性判断矩阵的非零特征根；若ci＝0，有完全的一致性；ci接近于0，有满意的一致性；ci越大，不一致越严重；
[0054]
为衡量ci的大小，引入随机一致性指标ri：
[0055][0056]
式中，ci
i
为第i次求得的一致性指标；
[0057]
设检验系数为：
[0058][0059]
若cr<0.1，则通过一致性检验，否则不通过。
[0060]
(3)数据的处理
[0061]
初始化分层后数据的参数，并且将分层后的数据进行预训练，然后采用深度信念网络进行数据的分析诊断工作，具体包括如下步骤：
[0062]
301)数据预训练
[0063]
将层次分析法中所设立的一级指标相对应的用户用电数据进行归类，采用深度信念网络进行预训练。深度信念网络是一种概率生成模型，是由多个图2所示的受限玻尔兹曼机(rbm)堆叠而组成，受限玻尔兹曼机由可视层v和隐藏层h两部分组合而成，v用来输入数据，h用来做特征检测器，具体地，可视层v为输入的用户用电负荷数据，隐藏层h为层次分析法中一致性判断矩阵的特征根；对于一组给定的状态(v，h)，其能量函数e的定义为：
[0064][0065]
式中：v
i
是可视层的显元状态；h
j
是隐藏层的隐元状态；a
i
和b
j
分别是显元i和隐元j的偏置，且a
i
和b
j
具体取值为每一次训练显元和隐元的逼近值；w
ji
分别为显元i和隐元j之间的连接权重；通过能量函数e，就可以得到(v，h)联合分布率为：
[0066][0067]
式中是归一化因子，也常被称为配分函数；相比于联合分布，我们更关心可测数据v的边缘分布，则数据v的边缘分布p
θ
(v)，即似然函数如下：
[0068][0069]
对于受限玻尔兹曼机(rbm)的训练就意味着要最大化似然函数，则θ按如下形式更新：
[0070]
δw
ij
＝e
data
(v
i
h
j
)
‑
e
model
(v
i
h
j
)
[0071]
δa
i
＝e
data
(v
i
)
‑
e
model
(v
i
)
[0072]
δb
j
＝e
data
(h
j
)
‑
e
model
(h
j
)
[0073]
式中：e
data
()表示对数据集的期望，e
model
()表示模型中采样数据的期望。
[0074]
302)数据调优
[0075]
预训练完成之后，用bp神经网络进行调优，具体过程如下：
[0076]
第一步：初始化，随机给定各连接权重及阈值；
[0077]
第二步：由给定的输入计算出隐藏层和输出层的各单元输出；选取预训练得到的
权重和显元层负荷数据与隐藏层负荷数据作为输入数据进行计算；
[0078]
第三步：选取下一个输出作为输入返回到第二步反复训练，直到网络的输出误差达到要求；输出误差采用训练所得数据与实际数据进行比较，其过程与步骤203一致性检验过程相同。
[0079]
步骤301)预训练完成之后，每层受限玻尔兹曼机(rbm)可以得到初始化的参数，组成了dbn的初步框架，接下来需要对dbn作调优训练，进一步优化网络各层的参数，以使得网络的判别性能更好。调优过程是有监督学习过程，即采用标签数据进行训练，利用bp算法对网络参数进行微调，最终使网络达到全局最优。这个性能会比单纯bp算法训练效果要好，因为它只需要对网络的参数空间进行一个局部的搜索，相比bp神经网络，训练速度要快，而且收敛时间短。
[0080]
(4)负荷曲线绘制
[0081]
通过相应的显示界面绘制负荷曲线，将分析结果直观的展示出来。
[0082]
由图3
‑
6可以看出分析诊断得到的用户用电类型有四类：
[0083]
老人居民用电类型(如图3所示)，即用电高峰期集中在7:00～21:00；
[0084]
上班族用电类型(如图4所示)，即用电高峰期集中在17:00～24:00；
[0085]
空置房用电类型(如图5所示)，即用电高峰期较为均匀；
[0086]
老人+上班族用电类型(如图6所示)，即用电高峰期集中在7:00～23：00。
[0087]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。