CN109086930B - 一种基于电力k线图及深度网络的用户用电行为分析方法 - Google Patents

Abstract

本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法，包括：根据原始负荷数据建立电力K线图；根据电力K线图计算关于KDJ、MACD的指标；根据电力K线图的参数、KDJ指标、MACD指标和预设的社会因素参数形成特征向量；将特征向量输入训练完毕的深度人工神经网络模型得到关于用户用电行为的预测值。本发明通过利用电力K线图以及KDJ指标、MACD指标和预设的社会因素参数，能够捕捉到用户行为的变化趋势和用电需求趋势，并结合神经网络做出准确的预测，实现用户用电行为的预测，解决了如何对用电个体的负荷情况进行预测和分析的技术问题。本发明还提供了相应的设备。

Description

一种基于电力K线图及深度网络的用户用电行为分析方法

技术领域

本发明涉及电力系统负荷分析技术领域，尤其涉及一种基于电力K线图及深度网络的用户用电行为分析方法。

背景技术

负荷曲线是电力系统调度和规划的重要依据。其中，电力系统负荷预测更是以电力历史负荷曲线作为重要的参数。但是，负荷曲线作为数据可视化的一种形式，做出分析时需要人工进行判断，且呈现方式实际上相对单一，工作人员看到电力历史负荷曲线时还要做出分析，不同的人员对相同的负荷曲线可能理解不一，导致分析有所差错或者不够科学、不够正确。

因此，对负荷曲线进行进一步的挖掘，并将负荷曲线以不同的方式进行可视化，将有利于对负荷的用电行为进行更有效的分析。通过一些分析工具，根据负荷曲线对应的负荷数据进行不断推演，可以科学地分析出用户用电行为的趋势。

随着电力市场化的不断推演，个体大用户的用电行为也收到越来越多的关注，分析用户的用电行为具有深刻的意义，然而目前的负荷预测方法主要适用于一个用电区域而非某个用电个体，因此，本领域技术人员需要解决的技术问题是，如何对用电个体的负荷情况进行预测和分析。

发明内容

本发明提供了一种基于电力K线图及深度网络的用户用电行为分析方法，用于解决如何对用电个体的负荷情况进行预测和分析的技术问题。

本发明第一方面提供的一种基于电力K线图及深度网络的用户用电行为分析方法，包括：

根据原始负荷数据建立电力K线图；

根据电力K线图计算关于KDJ、MACD的指标；

根据电力K线图的参数、KDJ指标、MACD指标和预设的社会因素参数形成特征向量；

将特征向量输入训练完毕的深度人工神经网络模型得到关于用户用电行为的预测值。

优选地，所述根据原始负荷数据建立电力K线图具体包括：

根据每日的负荷数据分别构建每日的电力K线，K线最高点和最低点根据日最高负荷

和日最低负荷

确定，K线实体最高点和最低点根据日尖峰平均负荷

和日平谷平均负荷

确定，其中i代表第i天；

当

时，K线实体为空心矩形；

当

时，K线实体为实心矩形。

优选地，所述根据电力K线图计算关于KDJ、MACD的指标中计算关于KDJ的趋势指标的步骤为：

根据第一公式组计算关于KDJ的趋势指标，所述第一公式组为：

其中，

为第i天的日平均负荷，p_j为各时段的负荷值，T为时段总数，H_n和L_n是过去n日内的最高负荷和最低负荷，RSV_i为第i天的未成熟随机值，α为预设定值(一般设定为1/3)，K_i、D_i、J_i分别是第i天的K值、D值和J值。

优选地，所述根据电力K线图计算关于KDJ、MACD的指标中计算关于MACD的指标的步骤为：

根据EMA计算公式计算得到第i天的n₁日指数移动平均值

和n₂日指数移动平均值

用n₁日指数移动平均值

减去n₂日指数移动平均值

得到差离值DIF；

根据DEA计算公式和差离值DIF计算得到DEA；

其中，EMA计算公式为：

DEA计算公式为：

为第i天的日平均负荷，n为日数。

优选地，所述特征向量中的参数包括：

日最高负荷

日最低负荷

日尖峰平均负荷

日平谷平均负荷

未成熟随机值RSV、K值、D值、J值、n₁日指数移动平均值

n₂日指数移动平均值

差离值DIF、DEA值、周期参数、节假日参数。

优选地，n₁取值为12，n₂取值为26。

优选地，所述深度人工神经网络模型具体为包含堆叠自编码器的深度人工神经网络模型。

优选地，所述深度人工神经网络模型的训练过程包括唤醒和睡眠两个过程；

其中唤醒过程为：

将一个虚拟的解码层连接到第(l+1)层来形成一个对称的自动编码器，记为AE-l；

根据获取到的数据集Ω(x，y)中的I＝Ω(x)训练AE-l，使得对称的自动编码器输入与输出相等，得到第l层的的最优化权重，记为{W^l′，b^l′}；

进行一次前向计算，得到第(l+1)层的激活值，并将第(l+1)层的激活值更新为数据集I＝a^(l+1)，l＝l+1；

判断迭代计数器l是否达到预设的最大值，若是，则唤醒结束，若否，则再次执行唤醒过程；

其中睡眠过程为：

根据唤醒过程得到的{W^l′,b^l′}固定堆叠自编码器的权值，将数据集Ω(x,y)中的I＝Ω(x)作为深度人工神经网络模型的训练输入，将数据集Ω(x，y)中的y作为深度人工神经网络模型的训练输出；

根据训练输入和训练输出利用反向传播算法训练后续级联在堆叠自编码器上的神经网络，得到深度人工神经网络模型的最优权重边的集合{W^*，b^*}。

优选地，所述唤醒过程前还包括：

初始化深度人工神经网络模型的权值，将迭代计数器的数值置为l＝1。

本发明第二方面提供的一种基于电力K线图及深度网络的用户用电行为分析设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述第一方面的基于电力K线图及深度网络的用户用电行为分析方法。

从以上技术方案可以看出，本发明具有以下优点：

本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法，包括：根据原始负荷数据建立电力K线图；根据电力K线图计算关于KDJ、MACD的指标；根据电力K线图的参数、KDJ指标、MACD指标和预设的社会因素参数形成特征向量；将特征向量输入训练完毕的深度人工神经网络模型得到关于用户用电行为的预测值。本发明通过利用电力K线图以及KDJ指标、MACD指标和预设的社会因素参数，能够捕捉到用户行为的变化趋势和用电需求趋势，并结合神经网络做出准确的预测，实现用户用电行为的预测，解决了如何对用电个体的负荷情况进行预测和分析的技术问题。本发明还提供了相应的设备。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例或现有技术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。

图1为本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法的一个实施例的流程图；

图2a为本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法中电力K线图的K线实体为空心矩形的示意图；

图2b为本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法中电力K线图的K线实体为实心矩形的示意图；

图3为本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法的另一个实施例的流程图；

图4为本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法中电力K线图的示意图；

图5为本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法中自动编码器的示意图；

图6为本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法中应用例的K线图和MACD柱图；

图7为本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法中应用例的预测图。

具体实施方式

本发明提供了一种基于电力K线图及深度网络的用户用电行为分析方法，用于解决如何对用电个体的负荷情况进行预测和分析的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法的一个实施例，包括：

101、根据原始负荷数据建立电力K线图；

电力K线图与股票中的K线图类似，但具体含义不同，如图2a和图2b所示。原始负荷数据是电力系统能够获取到的负荷数据。

102、根据电力K线图计算关于KDJ、MACD的指标；

参考金融二级市场分析指标中最重要的指标之一的随机指标(StochasticOscillator，KDJ)，该指标具有较强的灵敏性，能够对未来短期的曲线变化趋势做出判断。指数平滑异同移动平均线(英语：Moving Average Convergence/Divergence,MACD)是一种常见的技术指标，由Gerald Appel于1970年代提出，用于研判金融市场价格变化的强度、方向、能量，以及趋势周期，以便把握买进和卖出的时机。

103、根据电力K线图的参数、KDJ指标、MACD指标和预设的社会因素参数形成特征向量；

该特征向量能够反映出用户行为的变化趋势和用电需求趋势，并作为深度人工神经网络模型的输入。

104、将特征向量输入训练完毕的深度人工神经网络模型得到关于用户用电行为的预测值。

用户用电行为的预测值一般是日最高负荷、日最低负荷、日尖峰平均负荷和日平谷平均负荷这四个参数(对应为图2a和图2b右侧除日平均负荷的四个参数)，其中日尖峰平均负荷可以定义为11-12点、14-17点和19-22点这三个时间段负荷数据的算术平均值；日平谷平均负荷可以定义为0-11点、12-14点、17-19点和22-24点这四个时间段内负荷数据点的算术平均值。日尖峰平均负荷和日平谷平均负荷对应的时间段可以根据实际需要进行改变。

本发明通过利用电力K线图以及KDJ指标、MACD指标和预设的社会因素参数，能够捕捉到用户行为的变化趋势和用电需求趋势，并结合神经网络做出准确的预测，实现用户用电行为的预测，解决了如何对用电个体的负荷情况进行预测和分析的技术问题。

以上是对本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法的一个实施例进行详细的描述，以下将对本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法的另一个实施例进行详细的描述。

请参阅图3，本发明提供的一种基于电力K线图及深度网络的用户用电行为分析方法的另一个实施例，包括：

201、根据每日的负荷数据分别构建每日的电力K线；

请参阅图2a和图2b，K线最高点和最低点根据日最高负荷

和日最低负荷

确定，K线实体最高点和最低点根据日尖峰平均负荷

和日平谷平均负荷

确定，其中i代表第i天；

当

时，K线实体为空心矩形，如图2a所示；

当

时，K线实体为实心矩形，如图2b所示。

其中日尖峰平均负荷可以定义为11-12点、14-17点和19-22点这三个时间段负荷数据的算术平均值；日平谷平均负荷可以定义为0-11点、12-14点、17-19点和22-24点这四个时间段内负荷数据点的算术平均值；

请参阅图4，某商户15日的电力K线图，该图可以清楚表现出该商户的用电情况。

202、根据电力K线图计算关于KDJ、MACD的指标；

步骤202中计算关于KDJ的趋势指标的步骤为：

根据第一公式组计算关于KDJ的趋势指标，第一公式组为：

其中，

为第i天的日平均负荷，p_j为各时段的负荷值，T为时段总数，H_n和L_n是过去n日内的最高负荷和最低负荷，RSV_i为第i天的未成熟随机值，α为预设定值(一般设定为1/3)，K_i、D_i、J_i分别是第i天的K值、D值和J值。

以下将解释该第一公式组的原理：

参考金融二级市场分析指标中最重要的指标之一的随机指标(StochasticOscillator，KDJ)，该指标具有较强的灵敏性，能够对未来短期的曲线变化趋势做出判断。为了计算KDJ的值，首先需要计算未成熟随机值(Raw Stochastic Value，RSV)。RSV的计算公式为：

其中，n(单位：天数)是一个时间窗；C为当天的收盘价；H_n和L_n是过去n日内的最高价和最低价。

在电力K线图中，将收盘价换为日平均负荷。日平均负荷可根据以下公式计算得到。

带入n后，原RSV公式变为如下的形式。该公式中，所有的参数均可从上节的电力K线图中找到定义。

记：

则：

利用RSV的值，进一步求出K，D和J的值，公式中，一般设定α＝1/3。

实际上，K值是RSV值的3日指数平滑移动平均、D值是K值的3日指数平滑移动平均(exponential moving average，EMA)。移动平均技术是分析时间序列时的常用手段，其可抚平短期波动，反映出长期趋势或周期。

步骤202中计算关于MACD的指标的步骤为：

根据EMA计算公式计算得到第i天的n₁日指数移动平均值

和n₂日指数移动平均值

用n₁日指数移动平均值

减去n₂日指数移动平均值

得到差离值DIF；

根据DEA计算公式和差离值DIF计算得到DEA；

其中，EMA计算公式为：

DEA计算公式为：

为第i天的日平均负荷，n为日数。

以下将以n₁取值为12，n₂取值为26的例子进行说明，并且，n₁取值为12，n₂取值为26是金融指标的一般取值，是最优选的方案。当n₁取值为12，n₂取值为26时，实际上是利用前26天的信息来进行预测。

指数平滑异同移动平均线(英语：Moving Average Convergence/Divergence，MACD)是一种常见的技术指标，由Gerald Appel于1970年代提出，用于研判金融市场价格变化的强度、方向、能量，以及趋势周期，以便把握买进和卖出的时机。

MACD指标由一组曲线与图形组成，通过收盘时股价或指数的快变及慢变的指数移动平均值(exponential moving average，EMA)之间的差计算出来。“快”指更短时段的EMA，而“慢”则指较长时段的EMA。

在电力K线图的MACD计算中，与KDJ计算相似，但在计算时利用日平均负荷

作为计算参数。下面介绍MACD的计算方法。

指数移动平均EMA的计算方法定义如下。

EMA_today＝α×Price_today+(1-α)EMA_yesterday；

α为平滑指数；在计算MACD指标时，EMA计算中的n一般选取12和26天，因此α相应为2/13和2/27。

利用日平均负荷

作为计算参数，代替今日价格，而i表示第i天，可将公式变形为：

因此，12日和26日指数移动平均值

以及

计算公式如下。

首先计算出12日指数移动平均值以及26日指数移动平均值

再利用

以及

计算出平均负荷P_avg的差离值DIF：

最后利用差离值DIF和DEA根据如下公式计算作图，得到柱形图(MACD bar)。

BAR＝DIF-DEA。

203、根据电力K线图的参数、KDJ指标、MACD指标和预设的社会因素参数形成特征向量。

特征向量中的参数包括：

日最高负荷

日最低负荷

日尖峰平均负荷

日平谷平均负荷

未成熟随机值RSV、K值、D值、J值、n₁日指数移动平均值

n₂日指数移动平均值

差离值DIF、DEA值、周期参数、节假日参数。

本实施例中，利用电力K线图的各个指标加上社会因素构成14维的特征向量，如表1所示：

表1：特征向量参数表格

利用该表中的KDJ指标，可以对用户负荷的波动性进行分析，变化较大的KDJ代表着该用户用电行为较为不规律；而变化较小得KDJ代表该用户用电行为较为规律。同理，MACD反映出用户负荷的变化趋势，相对长的MACD柱代表较大幅度的用电需求上升，而较短的则代表用电需求上升缓慢或者下降。

204、将特征向量输入训练完毕的深度人工神经网络模型得到关于用户用电行为的预测值。

深度人工神经网络模型具体为包含堆叠自编码器的深度人工神经网络模型。

以下将对该包含堆叠自编码器的深度人工神经网络模型进行说明：

首先建立自动编码器的概念。由于特征参数的数量达到了14个，在网络训练中容易陷入过拟合(overfitting)的状态从而影响神经网络的泛化能力。

利用自动编码器(Autoencoder,AE)，可做到特征学习，将高维度的输入映射到低纬度的特征中去。自编码神经网络尝试学习一个h_w,b(x)≈x的函数，当隐含层的节点数少于输入节点数时，实际上已经完成了从高位数据中提取关键特征的工作。

如图5所示是一个含有4个输入，两个隐含层的自动编码器。

通过级联自动编码器，可构成堆叠自编码器(Stacked Auto-Encoder，SAE)，该编码器能够自动学习输入特征向量中的特征。通过再将SAE级联至一个含有若干个隐含层的神经网络中，即可得到一个深度网络(Deep Network)。

该深度人工神经网络模型的训练过程由唤醒(Wake)和睡眠(Sleep)两个过程构成。

对Wake的阶段而言，过程如下，其本质是非监督的自学习：

第一步，初始化深度人工神经网络模型的权值，将迭代计数器的数值置为l＝1。获取一个数据集Ω(x，y)和训练数据集I＝Ω(x)，将SAE随机初始化，并将迭代计数器的数值置为l＝1，其中，Ω(x,y)是来自于原始数据得到的14个维度数据集(即从特征向量数据集中提取，其中I＝Ω(x)是输入的14维度的特征向量，y是预设的输出，指的是I＝Ω(x)对应的第二天的关于用户用电行为的数据(y对应第二天的数据。如果要做多天的预测数据，需要反复利用已经得到的预测的数据再做预测)，包括日最高负荷、日最低负荷、日尖峰平均负荷和日平谷平均负荷这四个参数，因为Wake阶段不需要输出向量y，因此只需要Ω(x,y)中的输入信息构成训练数据集I＝Ω(x)。l是迭代计数器，代表神经网络的层数。

第二步，将一个虚拟的解码层连接到第(l+1)层来形成一个对称的自动编码器，记为AE-l；

第三步，根据获取到的数据集I＝Ω(x)训练AE-l，使得对称的自动编码器输入与输出相等，得到第l层的的最优化权重，记为{W^l′,b^l′}；

利用反向传播算法，使用数据集I＝Ω(x)训练AE-l，使得其输入与输出相等。得到第l层的的最优化权重，记为{W^l′,b^l′}；

第四步，进行一次前向计算，得到第(l+1)层的激活值，并将第(l+1)层的激活值更新为数据集I＝a^(l+1)，l＝l+1；

进行一次前向计算，得到第(l+1)层的激活值，将I进行更新，I＝a^(l+1),l＝l+1；

前向计算是神经网络训练过程中的常用计算，即在自动编码器中根据获取到的数据集I＝Ω(x)和{W^l′,b^l′}计算得到第(l+1)层的激活值，此处不再赘述。

激活值为各神经元根据输入的响应(输出)，a^(l+1)代表第l+1层的激活值。由于AE的结构是让输入输出相等，因此更新I，即是让第l层的输出作为第l+1层的输入，经过计算得到第l+1层的激活值I＝a^(l+1)。该激活值应当作为下一层的输入值。

第五步，判断迭代计数器l是否达到预设的最大值，若是，则唤醒结束，若否，则再次执行唤醒过程；

如果迭代计数器l达到最大值,则停止计算；否则回到第二步再次进行迭代。

对Sleep的阶段而言，过程如下：

第一步，根据唤醒过程得到的{W^l′，b^l′}固定堆叠自编码器的权值，将数据集Ω(x,y)中的I＝Ω(x)作为深度人工神经网络模型的训练输入，将数据集Ω(x,y)中的y作为深度人工神经网络模型的训练输出；

即：将堆叠自编码器的各个边的权值设置为Wake阶段所得到的W＝W^l′,b＝b^l′；I＝Ω(x)与y有对应关系，y是I＝Ω(x)第二天的数据(y对应第二天的数据。如果要做多天的预测数据，需要反复利用已经得到的预测的数据再做预测)，这些数据能够预测用户的用电行为。用户的用电行可以为包括用电峰值，用电均值等指标参数，也可以是日最高负荷、日最低负荷、日尖峰平均负荷和日平谷平均负荷这四个参数。

第二步，根据训练输入和训练输出利用反向传播算法训练后续级联在堆叠自编码器上的神经网络，得到深度人工神经网络模型的最优权重边的集合{W^*,b^*}。

后续级联在堆叠自编码器上的神经网络可以是一个BP神经网络，其训练方法比较普遍，此处不再赘述。

根据以上实施例，本申请提供以下应用例，具体选取某一商业用户作为研究对象。训练数据选取其2016年3月至5月共计92天的历史负荷数据，其中负荷数据每15min采集一次，每天共计采集96个负荷数据。

根据电力K线图可以计算得到表1中各个参数的值。

以KDJ为例，选取其中的七天计算如下：

表2：某电力用户7天KDJ值

由表2分析可知。较为稳定的KDJ值，反映了该负荷在七天内变动不是很明显。

绘制MACD图形如图6所示。MACD柱的高度则反映了该用户负荷的变化趋势，相对长的MACD柱代表较大幅度的用电需求上升，而较短的则代表用电需求上升缓慢或者下降。

接下来将利用14维度的输入和四个维度(日最高负荷、日最低负荷、日尖峰平均负荷和日平谷平均负荷)的输出参数来训练一个包含堆叠自编码器的深度网络。利用训练得到的结果，进行预测结果如图7所示。

深色线框代表真实值，浅色线框代表模型的预测值，本应用例中，是根据前26日的数据预测第27日的数据，即预测的数据为第二天的数据。将回归相关性作为准确度的衡量指标，图7表明该方法的预测准确度达到了98.7％。

因此，本发明主要针对电力个体用户，提出了电力K线图的分析工具，并利用K线图的指标参数，使用深度神经网络构建了负荷预测模型。该模型主要解决了电力个体用户用电行为的预测和偏差预警分析。为电力市场环境下研究电力大用户的用电行为做出了一定的贡献。

以下将对本发明提供的一种基于电力K线图及深度网络的用户用电行为分析设备的一个实施例进行描述：

本发明提供的一种基于电力K线图及深度网络的用户用电行为分析设备的一个实施例，设备包括处理器以及存储器：

存储器用于存储程序代码，并将程序代码传输给处理器；

处理器用于根据程序代码中的指令执行上述第一方面的基于电力K线图及深度网络的用户用电行为分析方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于电力K线图及深度网络的用户用电行为分析方法，其特征在于，包括：

根据原始负荷数据建立电力K线图；

根据电力K线图计算关于KDJ、MACD的指标；

根据电力K线图的参数、KDJ指标、MACD指标和预设的社会因素参数形成特征向量；

将特征向量输入训练完毕的深度人工神经网络模型得到关于用户用电行为的预测值；

所述特征向量中的参数包括：

日最高负荷

日最低负荷

日尖峰平均负荷

日平谷平均负荷

未成熟随机值RSV、K值、D值、J值、n₁日指数移动平均值

n₂日指数移动平均值

差离值DIF、DEA值、周期参数、节假日参数；

所述深度人工神经网络模型具体为包含堆叠自编码器的深度人工神经网络模型；

所述深度人工神经网络模型的训练过程包括唤醒和睡眠两个过程；

其中唤醒过程为：

将一个虚拟的解码层连接到第(l+1)层来形成一个对称的自动编码器，记为AE-l；

根据获取到的数据集Ω(x,y)中的I＝Ω(x)训练AE-l，使得对称的自动编码器输入与输出相等，得到第l层的最优化权重，记为{W^l′,b^l′}；

进行一次前向计算，得到第(l+1)层的激活值，并将第(l+1)层的激活值更新为数据集I＝a^(l+1)，l＝l+1；

判断迭代计数器l是否达到预设的最大值，若是，则唤醒结束，若否，则再次执行唤醒过程；

其中睡眠过程为：

根据唤醒过程得到的{W^l′,b^l′}固定堆叠自编码器的权值，将数据集Ω(x,y)中的I＝Ω(x)作为深度人工神经网络模型的训练输入，将数据集Ω(x,y)中的y作为深度人工神经网络模型的训练输出；

根据训练输入和训练输出利用反向传播算法训练后续级联在堆叠自编码器上的神经网络，得到深度人工神经网络模型的最优权重边的集合{W^*,b^*}。

2.根据权利要求1所述的一种基于电力K线图及深度网络的用户用电行为分析方法，其特征在于，所述根据原始负荷数据建立电力K线图具体包括：

根据每日的负荷数据分别构建每日的电力K线，K线最高点和最低点根据日最高负荷

和日最低负荷

确定，K线实体最高点和最低点根据日尖峰平均负荷

和日平谷平均负荷

确定，其中i代表第i天；

当

时，K线实体为空心矩形；

当

时，K线实体为实心矩形。

3.根据权利要求2所述的一种基于电力K线图及深度网络的用户用电行为分析方法，其特征在于，所述根据电力K线图计算关于KDJ、MACD的指标中计算关于KDJ的趋势指标的步骤为：

根据第一公式组计算关于KDJ的趋势指标，所述第一公式组为：

其中，

为第i天的日平均负荷，p_j为各时段的负荷值，T为时段总数，H_n和L_n是过去n日内的最高负荷和最低负荷，RSV_i为第i天的未成熟随机值，α为预设定值，K_i、D_i、J_i分别是第i天的K值、D值和J值。

4.根据权利要求2所述的一种基于电力K线图及深度网络的用户用电行为分析方法，其特征在于，所述根据电力K线图计算关于KDJ、MACD的指标中计算关于MACD的指标的步骤为：

根据EMA计算公式计算得到第i天的n₁日指数移动平均值

和n₂日指数移动平均值

用n₁日指数移动平均值

减去n₂日指数移动平均值

得到差离值DIF；

根据DEA计算公式和差离值DIF计算得到DEA；

其中，EMA计算公式为：

DEA计算公式为：

为第i天的日平均负荷，n为日数。

5.根据权利要求4所述的一种基于电力K线图及深度网络的用户用电行为分析方法，其特征在于，n₁取值为12，n₂取值为26。

6.根据权利要求1所述的一种基于电力K线图及深度网络的用户用电行为分析方法，其特征在于，所述唤醒过程前还包括：

初始化深度人工神经网络模型的权值，将迭代计数器的数值置为l＝1。

7.一种基于电力K线图及深度网络的用户用电行为分析设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的基于电力K线图及深度网络的用户用电行为分析方法。

Images