一种基于大数据分析的电力用户服务需求预测方法与流程

1.本发明涉及电力用户服务需求预测的技术领域，尤其涉及一种基于大数据分析的电力用户服务需求预测方法。


背景技术：

2.随着科技水平的不断提高，人们越来越离不开电力，很多行业的自动化发展也依赖于电力能源，各地区的用电量都在不断增加，人们对于电力的需求也在不断增长。电网客户服务中心作为电网企业对外服务窗口，需要整合企业内、外部各种数据资源、存贮和分析海量的客户服务信息。如何对电网企业各类数据进行高效、可靠、低廉地存储，并快速分析和预测，是当前重要的研究课题。
3.现有技术大部分通过结合人工智能建立需求预测模型解决需求预测问题，但现有的电力需求预测模型考虑的因素过于主观，从而导致预测结果准确度低，且无法对大数据进行预测。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.为解决上述技术问题，本发明提供如下技术方案：包括，采集电力用户数据，并对所述电力用户数据进行预处理；利用小波变换聚类算法对预处理后的数据进行分析，以划分电力用户类别；结合所述电力用户类别和历史电力消费数据，建立电力需求预测模型；通过电力需求预测模型对电力用户服务需求进行预测，并可视化预测结果。
7.作为本发明所述的基于大数据分析的电力用户服务需求预测方法的一种优选方案，其中：所述电力用户数据包括用户个人信息和企业信息；其中，所述用户个人信息包括性别、年龄、居住地、收入、支出、公积金和社保信息；所述企业信息包括企业名称、类型、注册资金和法人信息。
8.作为本发明所述的基于大数据分析的电力用户服务需求预测方法的一种优选方案，其中：所述预处理包括，使用k近邻算法，选取信息缺失的数据最邻近的r个样本实例作为一个类，去除信息缺失的数据后统计各样本出现次数，出现频率最高的作为替换数据，并将所述信息缺失的数据替换为所述替换数据；对电力用户数据进行归一化处理。
9.作为本发明所述的基于大数据分析的电力用户服务需求预测方法的一种优选方案，其中：所述划分电力用户类别包括，建立i维量化空间，量化空间被等分为n个小区间，每个小区间对应有n个单元，将预处理后的数据中的每个数据点映射到所述量化空间；将所述量化空间与核函数进行卷积，完成数据聚类。
10.作为本发明所述的基于大数据分析的电力用户服务需求预测方法的一种优选方
案，其中：所述核函数包括，
[0011][0012]
其中，k为所述核函数，c为小波变换的复杂度，t为分解层数。
[0013]
作为本发明所述的基于大数据分析的电力用户服务需求预测方法的一种优选方案，其中：建立电力需求预测模型包括，所述电力需求预测模型包括生成器和判别器，将所述历史电力消费数据输入至所述生成器，通过所述生成器获得伪造数据；将所述伪造数据和电力用户类别输入至所述判别器，通过判别器获得概率p(x)；最小化电力需求预测模型的损失值，获得最优概率，以优化电力需求模型。
[0014]
作为本发明所述的基于大数据分析的电力用户服务需求预测方法的一种优选方案，其中：电力需求预测模型的损失值包括，
[0015][0016]
其中，loss为电力需求预测模型的损失值，f为电力需求预测模型的目标函数，θg为判别器生成的序列，θd为生成器生成的序列，m为最大迭代次数。
[0017]
作为本发明所述的基于大数据分析的电力用户服务需求预测方法的一种优选方案，其中：可视化预测结果包括，利用echart大数据可视化工具对所述预测结果进行可视化展示。
[0018]
本发明的有益效果：本发明通过结合聚类算法和神经网络，能够对海量数据进行处理，实现了电力用户服务需求的精确预测，同时对预测结果进行可视化，实现电力用户精细化管理。
附图说明
[0019]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0020]
图1为本发明第一个实施例所述的基于大数据分析的电力用户服务需求预测方法的流程示意图。
具体实施方式
[0021]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0022]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0023]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方
式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0024]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0025]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0026]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0027]
实施例1
[0028]
参照图1，为本发明的第一个实施例，该实施例提供了一种基于大数据分析的电力用户服务需求预测方法，包括：
[0029]
s1：采集电力用户数据，并对电力用户数据进行预处理。
[0030]
电力用户数据包括用户个人信息和企业信息；
[0031]
其中，用户个人信息包括性别、年龄、居住地、收入、支出、公积金和社保信息；企业信息包括企业名称、类型、注册资金和法人信息。
[0032]
进一步的，对电力用户数据进行预处理：
[0033]
(1)使用k近邻算法，选取信息缺失的数据最邻近的r个样本实例作为一个类，去除信息缺失的数据后统计各样本出现次数；
[0034]
(2)出现频率最高的作为替换数据，并将信息缺失的数据替换为替换数据；
[0035]
(3)对电力用户数据进行归一化处理。
[0036][0037]
其中，x为归一化后的数据，x
t
为输入数据的第t个特征分量，x
max
和x
min
分别为输入数据的最大值和最小值。
[0038]
s2：利用小波变换聚类算法对预处理后的数据进行分析，以划分电力用户类别。
[0039]
(1)建立i维量化空间，量化空间被等分为n个小区间，每个小区间对应有n个单元，将预处理后的数据中的每个数据点映射到量化空间；
[0040]
其中，i》2。
[0041]
(2)将量化空间与核函数进行卷积，完成数据聚类。
[0042]
核函数为：
[0043]
[0044]
其中，k为核函数，c为小波变换的复杂度，t为分解层数。
[0045]
通过将量化空间与核函数进行卷积，生成c个聚类，即c个电力用户类别。
[0046]
s3：结合电力用户类别和历史电力消费数据，建立电力需求预测模型。
[0047]
本实施例基于生成对抗网络建立电力需求预测模型，其中，电力需求预测模型包括生成器和判别器，具体的，
[0048]
(1)将历史电力消费数据输入至生成器，通过生成器获得伪造数据；
[0049]
(2)将伪造数据和电力用户类别输入至判别器，通过判别器获得概率p(x)；
[0050]
(3)最小化电力需求预测模型的损失值，获得最优概率，以优化电力需求模型。
[0051]
电力需求预测模型的损失值为：
[0052][0053]
其中，loss为电力需求预测模型的损失值，f为电力需求预测模型的目标函数，θg为判别器生成的序列，θd为生成器生成的序列，m为最大迭代次数。
[0054]
通过最小化电力需求预测模型的损失值，获得最优概率为0.9。
[0055]
s4：通过电力需求预测模型对电力用户服务需求进行预测，并可视化预测结果。
[0056]
利用echart大数据可视化工具对预测结果进行可视化展示，具体的，
[0057]
(1)引入echarts的依赖js库；
[0058]
(2)设置展示的数据大小；
[0059]
(3)初始化实例；
[0060]
(4)指定图标的配置项和数据；
[0061]
(5)可视化数据。
[0062]
实施例2
[0063]
为了对本方法中采用的技术效果加以验证说明，本实施例选择传统的技术方案和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0064]
为验证本方法相对传统的技术方案具有较高的预测精度，本实施例中将采用传统的技术方案和本方法分别对某地区的用电电量数据(5类)进行预测，预测结果如表1所示。
[0065]
表1：电力预测结果对比。
[0066][0067]
由上表可见，本方法相较于传统的技术方案，能够准确地预测用电量。
[0068]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编
程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0069]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0070]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0071]
如在本技术所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
[0072]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。