本發(fā)明屬于數(shù)據(jù)挖掘及深度學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種針對(duì)低壓用戶的基于深度學(xué)習(xí)的用電量預(yù)測(cè)方法。

背景技術(shù)：

機(jī)器學(xué)習(xí)(machinelearning)是一門(mén)專(zhuān)門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能的學(xué)科。機(jī)器能否像人類(lèi)一樣能具有學(xué)習(xí)能力呢？1959年美國(guó)的塞繆爾(samuel)設(shè)計(jì)了一個(gè)下棋程序，這個(gè)程序具有學(xué)習(xí)能力，它可以在不斷的對(duì)弈中改善自己的棋藝。4年后，這個(gè)程序戰(zhàn)勝了設(shè)計(jì)者本人。又過(guò)了3年，這個(gè)程序戰(zhàn)勝了美國(guó)一個(gè)保持8年之久的常勝不敗的冠軍。這個(gè)程序向人們展示了機(jī)器學(xué)習(xí)的能力，提出了許多令人深思的社會(huì)問(wèn)題與哲學(xué)問(wèn)題。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測(cè)值(例如一幅圖像)可以使用多種方式來(lái)表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更容易從實(shí)例中學(xué)習(xí)任務(wù)(例如，人臉識(shí)別或面部表情識(shí)別)。深度學(xué)習(xí)的好處是用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來(lái)替代手工獲取特征。

由于低壓用戶用電量數(shù)據(jù)采集頻率較低，所以無(wú)法分析低壓用戶用電模式，而采用深度學(xué)習(xí)的算法可以對(duì)低壓用戶的日用電量進(jìn)行預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種采用深度學(xué)習(xí)算法(dbn)對(duì)低壓用戶日用電量進(jìn)行預(yù)測(cè)的方法，該方法能夠有效實(shí)現(xiàn)在用電數(shù)據(jù)采集頻率以天為單位時(shí)，針對(duì)低壓用戶用電量的預(yù)測(cè)及異常預(yù)測(cè)。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種針對(duì)低壓用戶的基于深度學(xué)習(xí)的用電量預(yù)測(cè)方法，包括以下步驟：

步驟1、獲取低壓用戶用電量相關(guān)的屬性參數(shù)；

步驟2、對(duì)步驟1獲取的參數(shù)進(jìn)行數(shù)據(jù)預(yù)處理；

步驟3、將經(jīng)步驟2處理后的數(shù)據(jù)輸入dbn建立低壓用戶日用電量預(yù)測(cè)模型，其中日用電量為被預(yù)測(cè)量；

步驟4、將待預(yù)測(cè)日期除日用電量之外的屬性參數(shù)輸入步驟3所得低壓用戶日用電量預(yù)測(cè)模型得到低壓用戶當(dāng)日用電量預(yù)測(cè)值。

在上述的針對(duì)低壓用戶的基于深度學(xué)習(xí)的用電量預(yù)測(cè)方法中，步驟1所述相關(guān)的屬性參數(shù)的獲取包括采集特定低壓用戶待預(yù)測(cè)日期前3個(gè)月的日用電量數(shù)據(jù)及每一天的日期類(lèi)型，包括工作日或非工作日；最高溫度，最低溫度，天氣狀況，空氣質(zhì)量，季節(jié)的參數(shù)。

在上述的針對(duì)低壓用戶的基于深度學(xué)習(xí)的用電量預(yù)測(cè)方法中，步驟2對(duì)數(shù)據(jù)預(yù)處理的方法包括針對(duì)日用電量中的缺省值采用k最近距離鄰法進(jìn)行補(bǔ)全；對(duì)所有原始數(shù)據(jù)采用最大最小法進(jìn)行歸一化處理，計(jì)算公式為：式中，為處理后的數(shù)據(jù)，ω為原始數(shù)據(jù)，ωmax和ωmin分別為原始數(shù)據(jù)中的最大數(shù)和最小數(shù)。

在上述的針對(duì)低壓用戶的基于深度學(xué)習(xí)的用電量預(yù)測(cè)方法中，步驟3的實(shí)現(xiàn)包括將經(jīng)過(guò)步驟2預(yù)處理后的數(shù)據(jù)作為訓(xùn)練樣本輸入dbn進(jìn)行訓(xùn)練得到預(yù)測(cè)模型，訓(xùn)練過(guò)程如下：

步驟3.1首先輸入天氣、溫度、日期類(lèi)型、空氣質(zhì)量、季節(jié)、日用電量數(shù)據(jù)作為訓(xùn)練樣本，然后分別單獨(dú)無(wú)監(jiān)督地訓(xùn)練每一層rbm網(wǎng)絡(luò)，確保特征向量映射到不同特征空間時(shí)，都盡可能多地保留特征信息；

步驟3.2在dbn的最后一層設(shè)置bp網(wǎng)絡(luò)，接收rbm的輸出特征向量作為輸入特征向量，有監(jiān)督地訓(xùn)練實(shí)體關(guān)系分類(lèi)器；

步驟3.4最終將日用電量作為理想輸出，利用反向傳播網(wǎng)絡(luò)將錯(cuò)誤信息自頂向下傳播至每一層rbm，微調(diào)整個(gè)dbn網(wǎng)絡(luò)。

本發(fā)明的有益效果：可以在無(wú)法獲得低壓用戶日用電模式的基礎(chǔ)上，預(yù)測(cè)出低壓用戶的日用電量，同時(shí)還考慮到工作或氣候變化引起的用電量突變問(wèn)題，采用了dbn對(duì)低壓用戶日用電量進(jìn)行預(yù)測(cè)，使預(yù)測(cè)的結(jié)果更為精確。

附圖說(shuō)明

圖1是本發(fā)明一個(gè)實(shí)施例的整體框架圖；

圖2是本發(fā)明一個(gè)實(shí)施例低壓用戶日用電量關(guān)系圖；

圖3是本發(fā)明一個(gè)實(shí)施例預(yù)測(cè)模型訓(xùn)練流程圖。

具體實(shí)施方式

通過(guò)以下詳細(xì)說(shuō)明結(jié)合附圖可以進(jìn)一步理解本發(fā)明的特點(diǎn)和優(yōu)點(diǎn)。所提供的實(shí)施例僅是對(duì)本發(fā)明方法的說(shuō)明，而不以任何方式限制本發(fā)明揭示的其余內(nèi)容。

本實(shí)施例采用以下技術(shù)方案來(lái)實(shí)現(xiàn)的，一種針對(duì)低壓用戶的基于深度學(xué)習(xí)的用電量預(yù)測(cè)方法，包括以下步驟：

步驟1、獲取低壓用戶用電量相關(guān)的屬性參數(shù)；

步驟2、對(duì)步驟1獲取的參數(shù)進(jìn)行數(shù)據(jù)預(yù)處理；

步驟3、將經(jīng)步驟2處理后的數(shù)據(jù)輸入dbn建立低壓用戶日用電量預(yù)測(cè)模型，其中日用電量為被預(yù)測(cè)量；

步驟4、將待預(yù)測(cè)日期除日用電量之外的屬性參數(shù)輸入步驟3所得低壓用戶日用電量預(yù)測(cè)模型得到低壓用戶當(dāng)日用電量預(yù)測(cè)值。

進(jìn)一步，步驟1所述相關(guān)的屬性參數(shù)的獲取包括采集特定低壓用戶待預(yù)測(cè)日期前3個(gè)月的日用電量數(shù)據(jù)及每一天的日期類(lèi)型，包括工作日或非工作日；最高溫度，最低溫度，天氣狀況，空氣質(zhì)量，季節(jié)的參數(shù)。

進(jìn)一步，步驟2對(duì)數(shù)據(jù)預(yù)處理的方法包括針對(duì)日用電量中的缺省值采用k最近距離鄰法進(jìn)行補(bǔ)全；對(duì)所有原始數(shù)據(jù)采用最大最小法進(jìn)行歸一化處理，計(jì)算公式為：式中，為處理后的數(shù)據(jù)，ω為原始數(shù)據(jù)，ωmax和ωmin分別為原始數(shù)據(jù)中的最大數(shù)和最小數(shù)。

更進(jìn)一步，步驟3的實(shí)現(xiàn)包括將經(jīng)過(guò)步驟2預(yù)處理后的數(shù)據(jù)作為訓(xùn)練樣本輸入dbn進(jìn)行訓(xùn)練得到預(yù)測(cè)模型，訓(xùn)練過(guò)程如下：

步驟3.1首先輸入天氣、溫度、日期類(lèi)型、空氣質(zhì)量、季節(jié)、日用電量數(shù)據(jù)作為訓(xùn)練樣本，然后分別單獨(dú)無(wú)監(jiān)督地訓(xùn)練每一層rbm網(wǎng)絡(luò)，確保特征向量映射到不同特征空間時(shí)，都盡可能多地保留特征信息；

步驟3.2在dbn的最后一層設(shè)置bp網(wǎng)絡(luò)，接收rbm的輸出特征向量作為輸入特征向量，有監(jiān)督地訓(xùn)練實(shí)體關(guān)系分類(lèi)器；

步驟3.4最終將日用電量作為理想輸出，利用反向傳播網(wǎng)絡(luò)將錯(cuò)誤信息自頂向下傳播至每一層rbm，微調(diào)整個(gè)dbn網(wǎng)絡(luò)。

具體實(shí)施時(shí)，為了解決低壓用戶用電量數(shù)據(jù)采集頻率較低，無(wú)法分析低壓用戶用電模式的問(wèn)題，本實(shí)施例采用了dbn對(duì)用戶日用電量進(jìn)行預(yù)測(cè)。考慮到低壓用戶用電量受天氣、季節(jié)、工作日與非工作日等條件影響頗大，為了發(fā)現(xiàn)這些重要條件與用戶日用電量之間的潛在關(guān)系，采用了dbn(深度信念網(wǎng)絡(luò))，將天氣季節(jié)等參數(shù)作為輸入?yún)?shù)，日用電量為被預(yù)測(cè)參數(shù)，在經(jīng)過(guò)dbn的反復(fù)訓(xùn)練之后即可得出包含了低壓用戶日用電量與天氣季節(jié)等條件之間潛在聯(lián)系的低壓用戶日用電量預(yù)測(cè)模型，利用得到的預(yù)測(cè)模型，將待預(yù)測(cè)日的天氣季節(jié)等數(shù)據(jù)輸入預(yù)測(cè)模型即可得到待預(yù)測(cè)日的日用電量預(yù)測(cè)值。

實(shí)施步驟如下：

1：采集特定低壓用戶待預(yù)測(cè)日期前3月的日用電量數(shù)據(jù)及每一天的日期類(lèi)型、最高與最低溫度、天氣狀況、空氣指數(shù)等參數(shù)。

2：對(duì)采集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理：針對(duì)日用電量中的缺省值采用k最近距離鄰法進(jìn)行補(bǔ)全；對(duì)所有原始數(shù)據(jù)采用最大最小法進(jìn)行歸一化處理，計(jì)算公式為式中，為處理后的數(shù)據(jù)，ω為原始數(shù)據(jù)，ωmax和ωmin分別為原始數(shù)據(jù)中的最大數(shù)和最小數(shù)。

3:將預(yù)處理過(guò)后的數(shù)據(jù)作為訓(xùn)練樣本輸入dbn中，其中日用電量為被預(yù)測(cè)量，最終得到低壓用戶日用電量預(yù)測(cè)模型。

4：將待預(yù)測(cè)日期除日用電量之外的參數(shù)輸入低壓用戶日用電量預(yù)測(cè)模型，模型輸出結(jié)果為低壓用戶當(dāng)日用電量預(yù)測(cè)值。

如圖1所示，本實(shí)施例預(yù)測(cè)方法的整體流程，在采集特定低壓用戶待預(yù)測(cè)日期前3月的日用電量數(shù)據(jù)及每一天的日期類(lèi)型、最高與最低溫度、天氣狀況、空氣指數(shù)等參數(shù)后，對(duì)采集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理：針對(duì)日用電量中的缺省值采用k最近距離鄰法進(jìn)行補(bǔ)全；對(duì)所有原始數(shù)據(jù)采用最大最小法進(jìn)行歸一化處理，預(yù)處理過(guò)后的數(shù)據(jù)作為訓(xùn)練樣本輸入dbn中得到低壓用戶日用電量預(yù)測(cè)模型，將待預(yù)測(cè)日期除日用電量之外的參數(shù)輸入低壓用戶日用電量預(yù)測(cè)模型，模型輸出結(jié)果為用戶當(dāng)日用電量預(yù)測(cè)值。

如圖2所示，低壓用戶日用電量相關(guān)的屬性參數(shù)，對(duì)于低壓用戶來(lái)說(shuō)，日用電量主要使用在日常生活中，由于日常生活用電受溫度，包括最高溫度、最低溫度，天氣狀況、日期類(lèi)型，包括工作日或非工作日，季節(jié)、空氣質(zhì)量等條件的影響較大。因此在考慮dbn的訓(xùn)練樣本時(shí)，將這些條件作為訓(xùn)練樣本的屬性可以更好的找到低壓用戶日用電量的潛在規(guī)律。

如圖3所示，dbn的訓(xùn)練過(guò)程：首先輸入天氣溫度等數(shù)據(jù)作為訓(xùn)練樣本，然后分別單獨(dú)無(wú)監(jiān)督地訓(xùn)練每一層rbm網(wǎng)絡(luò)，確保特征向量映射到不同特征空間時(shí)，都盡可能多地保留特征信息；在dbn的最后一層設(shè)置bp網(wǎng)絡(luò)，接收rbm的輸出特征向量作為它的輸入特征向量，有監(jiān)督地訓(xùn)練實(shí)體關(guān)系分類(lèi)器。而且每一層rbm網(wǎng)絡(luò)只能確保自身層內(nèi)的權(quán)值對(duì)該層特征向量映射達(dá)到最優(yōu)，并不是對(duì)整個(gè)dbn的特征向量映射達(dá)到最優(yōu)，最終將日用電量作為理想輸出，利用反向傳播網(wǎng)絡(luò)將錯(cuò)誤信息自頂向下傳播至每一層rbm，微調(diào)整個(gè)dbn網(wǎng)絡(luò)。rbm網(wǎng)絡(luò)訓(xùn)練模型的過(guò)程可以看作對(duì)一個(gè)深層bp網(wǎng)絡(luò)權(quán)值參數(shù)的初始化，使dbn克服了bp網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值參數(shù)而容易陷入局部最優(yōu)和訓(xùn)練時(shí)間長(zhǎng)的缺點(diǎn)。

應(yīng)當(dāng)理解的是，本說(shuō)明書(shū)未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。

雖然以上結(jié)合附圖描述了本發(fā)明的具體實(shí)施方式，但是本領(lǐng)域普通技術(shù)人員應(yīng)當(dāng)理解，這些僅是舉例說(shuō)明，可以對(duì)這些實(shí)施方式做出多種變形或修改，而不背離本發(fā)明的原理和實(shí)質(zhì)。本發(fā)明的范圍僅由所附權(quán)利要求書(shū)限定。