CN112766609A - 一种基于云计算的用电量预测方法 - Google Patents

一种基于云计算的用电量预测方法 Download PDF

Info

Publication number
CN112766609A
CN112766609A CN202110162022.8A CN202110162022A CN112766609A CN 112766609 A CN112766609 A CN 112766609A CN 202110162022 A CN202110162022 A CN 202110162022A CN 112766609 A CN112766609 A CN 112766609A
Authority
CN
China
Prior art keywords
power consumption
consumption prediction
graph
neural network
prediction model
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.)
Pending
Application number
CN202110162022.8A
Other languages
English (en)
Inventor
周开保
陈小龙
张谢
吴朝文
陈朔
王尉
桂宁
李文芳
张照
王双
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Mingsheng Hengzhuo Technology Co Ltd
State Grid Corp of China SGCC
Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Anhui Mingsheng Hengzhuo Technology Co Ltd
State Grid Corp of China SGCC
Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Mingsheng Hengzhuo Technology Co Ltd, State Grid Corp of China SGCC, Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Anhui Mingsheng Hengzhuo Technology Co Ltd
Priority to CN202110162022.8A priority Critical patent/CN112766609A/zh
Publication of CN112766609A publication Critical patent/CN112766609A/zh
Pending legal-status Critical Current

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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于云计算的用电量预测方法，属于智能电网技术领域，包括以下步骤：S1、定义电表采集节点作为图的顶点集合，各电表采集节点之间的间距作为图的边集合，构建图卷积神经网络；S2、将电表采集节点采集到的电表时序数据作为图卷积神经网络的输入，构建用电量预测模型；S3、搭建Hadoop平台，在平台上使用MapReduce对用电量预测模型进行并行化迭代训练，完善用电量预测模型；S4、使用训练后的用电量预测模型，预测下一时间点的用电量。通过基于图卷积神经网络建立用电量预测模型，并对该模型进行训练，从而精准预测用电量，方便电网的调度，训练采用分布式存储和计算方式提高计算效率，解决海量用电量数据的转化问题。

Description

一种基于云计算的用电量预测方法
技术领域
本发明涉及智能电网技术领域，特别涉及一种基于云计算的用电量预测方法。
背景技术
用电量预测一直是智能电网中电力决策的重要工作,正确的数据预测可以帮助电网进行合理的资源调度，减少电力传输中的电量损耗，提高电力系统的运行效益。但随着智能电网的发展，用电量数据不断增多，传统的单节点数据挖掘算法的数据存储能力和数据分析能力已无法满足预测要求，需要研究新的方法来提高用电量预测的预测速度和水平。
发明内容
本发明的目的就在于为了解决上述单节点数据挖掘无法满足预测要求，且效率低下的问题而提供一种基于云计算的用电量预测方法，具有预测效率准确率高，方便存储和转换大量数据的优点。
本发明通过以下技术方案来实现上述目的，一种基于云计算的用电量预测方法，包括以下步骤：
S1、定义电表采集节点作为图的顶点集合，各电表采集节点之间的间距作为图的边集合，构建图卷积神经网络；
S2、将电表采集节点采集到的电表时序数据作为图卷积神经网络的输入，构建用电量预测模型；
S3、搭建Hadoop平台，在平台上使用MapReduce对用电量预测模型进行并行化迭代训练，完善用电量预测模型；
S4、使用训练后的用电量预测模型，预测下一时间点的用电量。
优选的，所述图卷积神经网络的构建方法为：
定义图G＝(V,E)，其中V为图的顶点集合，E为图的边集合，设置
Figure BDA0002937019260000021
为图G的带权邻接矩阵，其中eij表示点vi与vj之间的连接强度
计算获得图卷积神经网络的拉普拉斯矩阵L，其公式如下：
Figure BDA0002937019260000022
其中G’为图卷积神经网络G的对角矩阵。
由公式可知拉普拉斯矩阵L为实对称矩阵，因此存在对角矩阵Λ＝diag(λ1,λ2,...,λ|V|)，则可以推导出L＝RTΛR。
如下公式所示，图卷积运算为：
Figure BDA0002937019260000023
其中
Figure BDA0002937019260000024
x为输入，g为卷积核。
进一步的：
Figure BDA0002937019260000025
将上式用于图卷积网络，获取输出如下所示：
Figure BDA0002937019260000026
其中Fl为第l层神经网络的输出，Wl为第l层神经网络的权重参数。
优选的，所述用电量预测模型的构建方法为：
将图卷积神经网络的带权邻接矩阵设置为
Figure BDA0002937019260000027
用于表示t时刻所有电表采集器采集的时序数据，通过函数F，预测t时刻的输出：
Xt＝f(X1,X2,...,Xt-1)
将输入数据X输入一个至少包含2层卷积层的图卷积神经网络，其前向传播公式如下所示：
Figure BDA0002937019260000028
其中，Fl表示第l层的输出结果。
优选的，所述MapReduce训练包括Map计算节点和reduce计算节点，其中Map计算节点负责接受输入的训练数据，生成网络权重值W改变量的中间键值对，reduce计算节点负责汇总局部改变量来得到全局改变量并输出，对用电量预测模型进行批量更新。
优选的，所述MapReduce的训练方法包括以下步骤：
S301、将训练数据经划分成与分布式文件系统块相同大小的数据块；
S302、Master节点分配Map计算节点读取处理数据块，获得用电量预测模型中权重值和偏移量的局部改变量，并存储在本地，记录存储位置；
S303、Map计算节点处理完毕后，Master节点分配Reduce计算节点读取局部改变量，计算得到全局梯度改变量，并批量更新用电量预测模型。
与现有技术相比，本发明的有益效果是：通过基于图卷积神经网络建立用电量预测模型，并对该模型进行训练，从而精准预测用电量，方便电网的调度，训练采用分布式存储和计算方式提高计算效率，解决海量用电量数据的转化问题。
附图说明
图1为本发明的用电量预测方法流程图。
图2为本发明的MapReduce的训练方法流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
请参阅图1所示，一种基于云计算的用电量预测方法，包括以下步骤：
S1、定义电表采集节点作为图的顶点集合，各电表采集节点之间的间距作为图的边集合，构建图卷积神经网络；所述图卷积神经网络的构建方法为：
定义图G＝(V,E)，其中V为图的顶点集合，E为图的边集合，设置
Figure BDA0002937019260000041
为图G的带权邻接矩阵，其中eij表示点vi与vj之间的连接强度
计算获得图卷积神经网络的拉普拉斯矩阵L，其公式如下：
Figure BDA0002937019260000042
其中G’为图卷积神经网络G的对角矩阵。
由公式可知拉普拉斯矩阵L为实对称矩阵，因此存在对角矩阵Λ＝diag(λ1,λ2,...,λ|V|)，则可以推导出L＝RTΛR。
如下公式所示，图卷积运算为：
Figure BDA0002937019260000043
其中
Figure BDA0002937019260000044
x为输入，g为卷积核。
进一步的：
Figure BDA0002937019260000045
将上式用于图卷积网络，获取输出如下所示：
Figure BDA0002937019260000046
其中Fl为第l层神经网络的输出，Wl为第l层神经网络的权重参数。
S2、将电表采集节点采集到的电表时序数据作为图卷积神经网络的输入，构建用电量预测模型；所述用电量预测模型的构建方法为：
将图卷积神经网络的带权邻接矩阵设置为
Figure BDA0002937019260000047
用于表示t时刻所有电表采集器采集的时序数据，通过函数F，预测t时刻的输出：
Xt＝f(X1,X2,...,Xt-1)
将输入数据X输入一个至少包含2层卷积层的图卷积神经网络，其前向传播公式如下所示：
Figure BDA0002937019260000051
其中，Fl表示第l层的输出结果。
S3、搭建Hadoop平台，在平台上使用MapReduce对用电量预测模型进行并行化迭代训练，完善用电量预测模型，所述MapReduce的训练方法包括以下步骤：
S301、将训练数据经划分成与分布式文件系统块相同大小的数据块；
S302、Master节点分配Map计算节点读取处理数据块，获得用电量预测模型中权重值和偏移量的局部改变量，并存储在本地，记录存储位置；
S303、Map计算节点处理完毕后，Master节点分配Reduce计算节点读取局部改变量，计算得到全局梯度改变量，并批量更新用电量预测模型。
所述MapReduce训练包括Map计算节点和reduce计算节点，其中Map计算节点负责接受输入的训练数据，生成网络权重值W改变量的中间键值对，reduce计算节点负责汇总局部改变量来得到全局改变量并输出，对用电量预测模型进行批量更新。
S4、使用训练后的用电量预测模型，预测下一时间点的用电量。
使用平均用电百分比误差MAPE来衡量在单服务器图卷积网络和基于云计算的图卷积网络的预测实验对比，MAPE的计算公式为：
Figure BDA0002937019260000052
其中obst为第t时刻的真值，pret为第t时刻的预测值，MAPE值越小说明预测结果越精确。选择某市七天的电表数据以及预测结果作为统计对下，如下表1所示为该七天的MAPE的对比图：
Figure BDA0002937019260000053
Figure BDA0002937019260000061
表1
由上述统计结果可知，基于云计算的图卷积网络预测的结果更加的精确。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于云计算的用电量预测方法，其特征在于，包括以下步骤：
S1、定义电表采集节点作为图的顶点集合，各电表采集节点之间的间距作为图的边集合，构建图卷积神经网络；
S2、将电表采集节点采集到的电表时序数据作为图卷积神经网络的输入，构建用电量预测模型；
S3、搭建Hadoop平台，在平台上使用MapReduce对用电量预测模型进行并行化迭代训练，完善用电量预测模型；
S4、使用训练后的用电量预测模型，预测下一时间点的用电量。
2.根据权利要求1所述的一种基于云计算的用电量预测方法，其特征在于，所述图卷积神经网络的构建方法为：
定义图G＝(V,E)，其中V为图的顶点集合，E为图的边集合，设置
Figure FDA0002937019250000011
为图G的带权邻接矩阵，其中eij表示点vi与vj之间的连接强度
计算获得图卷积神经网络的拉普拉斯矩阵L，其公式如下：
Figure FDA0002937019250000012
其中G’为图卷积神经网络G的对角矩阵。
由公式可知拉普拉斯矩阵L为实对称矩阵，因此存在对角矩阵Λ＝diag(λ1,λ2,...,λ|V|)，则可以推导出L＝RTΛR。
如下公式所示，图卷积运算为：
Figure FDA0002937019250000013
其中
Figure FDA0002937019250000014
x为输入，g为卷积核。
进一步的：
Figure FDA0002937019250000015
将上式用于图卷积网络，获取输出如下所示：
Figure FDA0002937019250000021
其中Fl为第l层神经网络的输出，Wl为第l层神经网络的权重参数。
3.根据权利要求2所述的一种基于云计算的用电量预测方法，其特征在于，所述用电量预测模型的构建方法为：
将图卷积神经网络的带权邻接矩阵设置为
Figure FDA0002937019250000022
用于表示t时刻所有电表采集器采集的时序数据，通过函数F，预测t时刻的输出：
Xt＝f(X1,X2,...,Xt-1)
将输入数据X输入一个至少包含2层卷积层的图卷积神经网络，其前向传播公式如下所示：
Figure FDA0002937019250000023
其中，Fl表示第l层的输出结果。
4.根据权利要求1所述的一种基于云计算的用电量预测方法，其特征在于，所述MapReduce训练包括Map计算节点和reduce计算节点，其中Map计算节点负责接受输入的训练数据，生成网络权重值W改变量的中间键值对，reduce计算节点负责汇总局部改变量来得到全局改变量并输出，对用电量预测模型进行批量更新。
5.根据权利要求4所述的一种基于云计算的用电量预测方法，其特征在于，所述MapReduce的训练方法包括以下步骤：
S301、将训练数据经划分成与分布式文件系统块相同大小的数据块；
S302、Master节点分配Map计算节点读取处理数据块，获得用电量预测模型中权重值和偏移量的局部改变量，并存储在本地，记录存储位置；
S303、Map计算节点处理完毕后，Master节点分配Reduce计算节点读取局部改变量，计算得到全局梯度改变量，并批量更新用电量预测模型。
CN202110162022.8A 2021-02-05 2021-02-05 一种基于云计算的用电量预测方法 Pending CN112766609A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110162022.8A CN112766609A (zh) 2021-02-05 2021-02-05 一种基于云计算的用电量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110162022.8A CN112766609A (zh) 2021-02-05 2021-02-05 一种基于云计算的用电量预测方法

Publications (1)

Publication Number Publication Date
CN112766609A true CN112766609A (zh) 2021-05-07

Family

ID=75705138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110162022.8A Pending CN112766609A (zh) 2021-02-05 2021-02-05 一种基于云计算的用电量预测方法

Country Status (1)

Country Link
CN (1) CN112766609A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705999A (zh) * 2021-08-19 2021-11-26 国网河南省电力公司周口供电公司 一种电力大数据自动推理平台及电力分配系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160535A (zh) * 2019-12-31 2020-05-15 北京计算机技术及应用研究所 基于Hadoop的DGCNN模型加速方法
CN111178507A (zh) * 2019-12-26 2020-05-19 集奥聚合(北京)人工智能科技有限公司 图谱卷积神经网络数据处理方法及装置
CN111563611A (zh) * 2020-04-13 2020-08-21 北京工业大学 面向图卷积网络的云数据中心可再生能源时空预测方法
CN111860951A (zh) * 2020-06-12 2020-10-30 北京工业大学 一种基于动态超图卷积网络的轨道交通客流预测方法
CN112200266A (zh) * 2020-10-28 2021-01-08 腾讯科技（深圳）有限公司 基于图结构数据的网络训练方法、装置以及节点分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178507A (zh) * 2019-12-26 2020-05-19 集奥聚合(北京)人工智能科技有限公司 图谱卷积神经网络数据处理方法及装置
CN111160535A (zh) * 2019-12-31 2020-05-15 北京计算机技术及应用研究所 基于Hadoop的DGCNN模型加速方法
CN111563611A (zh) * 2020-04-13 2020-08-21 北京工业大学 面向图卷积网络的云数据中心可再生能源时空预测方法
CN111860951A (zh) * 2020-06-12 2020-10-30 北京工业大学 一种基于动态超图卷积网络的轨道交通客流预测方法
CN112200266A (zh) * 2020-10-28 2021-01-08 腾讯科技（深圳）有限公司 基于图结构数据的网络训练方法、装置以及节点分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴倩红等: ""人工智能+"时代下的智能电网预测分析", 《上海交通大学学报》 *
杨淑媛: "《现代神经网络教程》", 30 April 2020, 西安电子科技大学出版社 *
谈韵，万顺，张谢，陈晨: "基于大数据的电网规划精益分析平台研究与应用", 《电力大数据》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705999A (zh) * 2021-08-19 2021-11-26 国网河南省电力公司周口供电公司 一种电力大数据自动推理平台及电力分配系统

Similar Documents

Publication Publication Date Title
CN105446979B (zh) 数据挖掘方法和节点
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
Cao et al. Coarse-grained parallel genetic algorithm applied to a vector based land use allocation optimization problem: the case study of Tongzhou Newtown, Beijing, China
CN114493050B (zh) 多维度融合的新能源功率并联预测方法和装置
CN107204615B (zh) 一种实现功率预测的方法及系统
Sun et al. Research and application of parallel normal cloud mutation shuffled frog leaping algorithm in cascade reservoirs optimal operation
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN113821983B (zh) 基于代理模型的工程设计优化方法、装置及电子设备
CN105809349A (zh) 一种考虑来水相关性梯级水电站群的调度方法
CN112308335A (zh) 一种基于xgboost算法的短期电价预测方法及装置
CN112948123B (zh) 一种基于Spark的网格水文模型分布式计算方法
Vasanthkumar et al. Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model
CN112766609A (zh) 一种基于云计算的用电量预测方法
CN112381315A (zh) 一种基于pso优化的ls-svm智能台区负荷预测方法及系统
CN115375867B (zh) 利用网格模型计算地热资源量方法、系统、设备及介质
CN115906717A (zh) 一种水土保持的侵蚀计算方法及系统
CN113779861B (zh) 光伏功率的预测方法及终端设备
CN114971053A (zh) 低压台区网络线损率在线预测模型的训练方法及装置
CN116032757B (zh) 边缘云混跑场景的网络资源优化方法及装置
Jinjuan Research on enterprise credit risk assessment method based on improved genetic algorithm
CN115593264B (zh) 基于边缘计算的充电优化控制方法、装置和计算机设备
CN117648174B (zh) 基于人工智能的云计算异构任务调度和容器管理方法
Fang et al. Effective filtering approach for joint parameter-state estimation in SDEs via Rao-Blackwellization and modularization
CN116109036B (zh) 区域网格化的多星观测规划方法、装置及设备
Zou et al. Research on Parallel CKLDC-means Clustering Algorithm Based on Hadoop Platform

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210507