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
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 Download PDFInfo
- Publication number
- CN109086930B CN109086930B CN201810846202.6A CN201810846202A CN109086930B CN 109086930 B CN109086930 B CN 109086930B CN 201810846202 A CN201810846202 A CN 201810846202A CN 109086930 B CN109086930 B CN 109086930B
- Authority
- CN
- China
- Prior art keywords
- power
- daily
- line graph
- load
- deep
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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:
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,pj为各时段的负荷值,T为时段总数,Hn和Ln是过去n日内的最高负荷和最低负荷,RSVi为第i天的未成熟随机值,α为预设定值(一般设定为1/3),Ki、Di、Ji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:
优选地,所述特征向量中的参数包括:
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{Wl′,bl′};
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{Wl′,bl′}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;
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,pj为各时段的负荷值,T为时段总数,Hn和Ln是过去n日内的最高负荷和最低负荷,RSVi为第i天的未成熟随机值,α为预设定值(一般设定为1/3),Ki、Di、Ji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;Hn和Ln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:
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。
指数移动平均EMA的计算方法定义如下。
EMAtoday=α×Pricetoday+(1-α)EMAyesterday;
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:
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hw,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{Wl′,bl′};
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{Wl′,bl′};
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{Wl′,bl′}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{Wl′,bl′}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=Wl′,b=bl′;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:
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{Wl′,bl′};
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{Wl′,bl′}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*}。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810846202.6A CN109086930B (zh) | 2018-07-27 | 2018-07-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810846202.6A CN109086930B (zh) | 2018-07-27 | 2018-07-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086930A CN109086930A (zh) | 2018-12-25 |
CN109086930B true CN109086930B (zh) | 2021-01-22 |
Family
ID=64831251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810846202.6A Active CN109086930B (zh) | 2018-07-27 | 2018-07-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086930B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070204A (zh) * | 2019-01-04 | 2019-07-30 | 国网浙江省电力有限公司 | 一种基于移动平均线的用户负荷趋势预测方法 |
CN109858800A (zh) * | 2019-01-28 | 2019-06-07 | 云南电网有限责任公司瑞丽供电局 | 基于配电网的运行数据kpi体系移动应用平台 |
CN110264251B (zh) * | 2019-05-31 | 2021-08-10 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN113887776A (zh) * | 2020-07-03 | 2022-01-04 | 绿铜科技公司 | 利用深度神经网络进行电力系统预测的系统及方法 |
CN111680851B (zh) * | 2020-08-13 | 2020-11-03 | 国网浙江省电力有限公司营销服务中心 | 基于k线图的企业用电趋势评估方法 |
CN112258013A (zh) * | 2020-10-17 | 2021-01-22 | 中国石油化工股份有限公司 | 一种换热器关键易结垢群组划分及能效状态监测方法 |
CN112304657A (zh) * | 2020-10-17 | 2021-02-02 | 中国石油化工股份有限公司 | 空气预热器关键易结垢群组划分及换热效率状态监测方法 |
CN117852567A (zh) * | 2024-03-08 | 2024-04-09 | 广东电网有限责任公司梅州供电局 | 一种基于rfid标签的电力器具数据处理分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
CN107294093A (zh) * | 2017-07-26 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 基于k线图的电力数据分析方法、装置及智能终端 |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6384065B2 (ja) * | 2014-03-04 | 2018-09-05 | 日本電気株式会社 | 情報処理装置、学習方法、及び、プログラム |
-
2018
- 2018-07-27 CN CN201810846202.6A patent/CN109086930B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
CN107294093A (zh) * | 2017-07-26 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 基于k线图的电力数据分析方法、装置及智能终端 |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109086930A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086930B (zh) | 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 | |
WO2018214629A1 (zh) | 售电量预测方法及装置、计算机存储介质 | |
Singh et al. | An efficient time series forecasting model based on fuzzy time series | |
JP2004086896A (ja) | 適応的予測モデル構築方法及び適応的予測モデル構築システム | |
CN108491982A (zh) | 一种基于回声状态网络的短期负荷预测方法及系统 | |
Nwulu et al. | Modelling and predicting electricity consumption using artificial neural networks | |
Ivanyuk | Econometric forecasting models based on forecast combination methods | |
CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
CN115660226B (zh) | 电力负荷的预测模型构建方法和基于数字孪生的构建装置 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN114817571B (zh) | 基于动态知识图谱的成果被引用量预测方法、介质及设备 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
CN114819591A (zh) | 一种电力需求响应潜力评估方法、系统及相关设备 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
Uluskan et al. | Predictive Six Sigma for Turkish manufacturers: utilization of machine learning tools in DMAIC | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
Sharma et al. | Autoregressive techniques for forecasting applications | |
Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
CN105740967A (zh) | 一种制造云服务执行时间的预测方法及预测装置 | |
Salehi et al. | An evaluation of Iranian banking system credit risk: Neural network and logistic regression approach | |
CN109063916A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
Shah et al. | A multi-objective production inventory model with backorder for fuzzy random demand under flexibility and reliability | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN114239945A (zh) | 短期电力负荷预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |