一种基于联合学习的电力用户用电量预测方法技术

一种基于联合学习的电力用户用电量预测方法。其包括构建用户用电和用户地理位置信息矩阵；对供电区域进行划分，构建区域之间用户整体用电行为相似度矩阵；构建用电量预测模型，并进行联合优化求解等步骤。本发明专利技术同时考虑用户的地理位置和用户的用电行为，将用户划分到不同的供电区域中，每个区域中的用户不仅在地理位置上是相邻的，而且具有类似的用电需求；为不同的供电区域分别构建预测模型来预测用户的用电量，模型既考虑了每个区域中用户的独特用电需求，也考虑了供电区域之间的联系和影响用户用电需求的公共因素，从而提高了用电量预测的准确性。

【技术实现步骤摘要】

本专利技术属于计算机应用技术、数据挖掘、电力数据分析
，特别是涉及一种 基于联合学习的电力用户用电量预测方法。
技术介绍
随着智能电网、通信网络技术和传感器技术的发展，使电网系统中积累了大量的 数据，同时也给电力数据的分析带来了新的挑战。基于这些数据预测未来时间段内用户的 用电量，是电力数据分析中最重要的任务之一。例如，胡杰等从适用条件、数据形式、计算复 杂度和适用范围等方面对电力负荷常用的几种方法进行了比较分析和总结。张素香等提出 了并行局部加权线性回归算法，研究并解决了海量数据电力负荷短期预测问题。也有些研 究者采用线性回归模型来预测用户的用电量，在对某省份的用电量预测任务中取得较好的 性能。王徳文等提出了基于随机森林算法的并行负荷预测方法。而黄元生等则采用一元线 性回归分析法和趋势比率误差调整法，基于以往五年我国季度月度用电量数据，对未来短 期内我国的用电量做出了科学的预测。蔡剑彪提出了云计算下的智能电网负荷预测平台构 建的基本方法，并利用智能化的多级协调技术，提高了各级电网的负荷预测精度。 然而，传统的用电量预测工作都是将所有用户作为一个整体进行建模，并对电力 系统供电负荷做一个整体的预测，而忽略了用户自身的特点、用户之间的区别和关联关系。
技术实现思路
为了解决上述问题，本专利技术的目的在于提供一种基于联合学习的电力用户用电量 预测方法。 为了达到上述目的，本专利技术提供的基于联合学习的电力用户用电量预测方法包括 按顺序进行的下列步骤： 步骤1)输入用户用电记录数据，然后利用上述用户用电记录数据构建用户用电 记录矩阵，之后利用用户用电记录矩阵计算用户每天的用电总量，并表示为向量；最后输出 所有用户的用电记录矩阵；输入用户地理位置信息，然后将上述用户地理位置信息用层级 表示，之后对用户地理位置信息相似度进行衡量，最后输出所有用户的地理位置信息和地 理位置信息相似度矩阵； 步骤2)根据步骤1)获得的所有用户的地理位置信息对供电区域进行划分，构建 区域之间用户整体用电行为相似度矩阵； 步骤3)根据步骤1)中获得的用电记录矩阵和步骤2)中获得的区域之间用户整 体用电行为相似度矩阵，构建用户用电量在日期维度上的线性关系模型，并对线性预测模 型求解；构建不同供电区域中的多个线性预测模型，并进行线性预测模型之间知识传递与 相互学习，最后联合优化多个线性预测模型。 在步骤1)中，所述的输入用户用电记录数据，然后利用上述用户用电记录数据构 建用户用电记录矩阵，之后利用用户用电记录矩阵计算用户每天的用电总量，并表示为向 量；最后输出所有用户的用电记录矩阵的方法为： 用户用电记录数据中的所有用户被表示为集合： U = {Ui, u2, ···,%} 其中N表示数据中包含的用户个数，Ul表示第i个用户； 第i个用户的用电记录数据被构建为用电记录矩阵： U,e 其中D表示数据中用电记录包含的天数，T表示每个用户每天的用电记录包含的 均匀采样点的个数，蜓#表示Τ行D列的非负实数矩阵；同时，用和Uf分别表示矩阵A 的第t行和第d列，即用户1!在每天第t个时间点上的所有用电记录和在第d天的用电记 录，并用<表示矩阵A的第t行第d列上的元素；根据Ui，可以计算用户在D天中每天的用 电总量，并表示为向量Xi;Xi中每个元素的计算公式如下： X卜ψΚ 最后输出所有用户的用电记录矩阵：在步骤1)中，所述的输入用户地理位置信息，然后将上述用户地理位置信息用层 级表示，之后对用户地理位置信息相似度进行衡量，最后输出所有用户的地理位置信息和 地理位置信息相似度矩阵的方法是： 第i个用户的地理位置信息被表示为结构体： 其中gi为居住地点中某个组成部分的字符串表示，按行政单位，即省、城市、区 县、乡镇、街道、小区从大到小的顺序排列； 任意两个地理位置在第k级行政单位上的相邻关系表示为： 其中€为0/1值，表示两个地理位置是否相邻，S(·，·）为逻辑函数，当两个字 符串相同时取值1，否则为〇,η(·，·）通过查询数据库来判断两个相同级别的行政单位 在地理位置上是否相邻； 最终，输出所有用户的的地理位置信息矩阵和地理位置信息相似度矩阵： 在步骤2)中，所述的对供电区域进行划分，构建区域之间用户整体用电行为相似 度矩阵的方法为： 步骤2. 1)统计供电范围内所有最低行政单位的S2. 1阶段； 抽取所有用户地理位置信息矩阵gl，g2，…，gN中的最低级行政单位的字符串表示 展Γ,去重，得到供电范围内的所有最低行政单位Ω= {ω1;ω2，···，coj; 步骤2. 2)供电区域划分方案初始化的S2. 2阶段； 将步骤2. 1)中得到的所有最低行政单位Ω= {ωι，ω2，…，coj作为供电区域的 初始划分； 步骤2. 3)计算供电区域邻接矩阵的S2. 3阶段； 根据供电区域ωρ中包含的所有地理位置，计算供电区域ωp的结构化表示，公式 如下： 如果 V&e 卜· ，+ ? 否则 4=0， 然后，计算任意两个供电区域ωρ和ωq的邻接关系，并构建邻接矩阵A，公式如 下： apq=η(ωp,oq)； 步骤2. 4)计算供电区域中用户整体用电相似度的S2. 4阶段； 采用用电区域中所有用户的用电量向量的均值来表示供电区域中用户整体的用 电量，公式如下： = i：, ； 然后，采用向量的余弦相似度计算不同区域间用户整体用电行为的相似度，构建 相似关系矩阵S，公式如下： spq=Cos(X(ωp)，X(ωq)); 步骤2. 5)融合地理上相邻且用户总体用电需求相似的供电区域的S2. 5阶段； 根据邻接矩阵A，对任意两个相邻的供电区域ω#Ρωq，若用户整体用电行为相似 度spq大于阈值Φ，则合并两个供电区域； 步骤2. 6)判断供电区域划分是否收敛的S2. 6阶段； 若供电区域的划分已经收敛，则进行步骤2. 7)，否则返回步骤2. 3); 步骤2. 7)输出结果的S2. 7阶段； 输出供电区域划分结果，本流程至此结束。 在步骤3)中，所述的根据步骤1)中获得的用电记录矩阵和步骤2)中获得的区域 之间用户整体用电行为相似度矩阵，构建用户用电量在日期维度上的线性关系模型，并对 线性预测模型求解的方法是； 构建单个供电区域上用户用电量在日期维度上的模型是用电量预测的基础；以供 电区域ω为例，用户Ui在接下来一天中的用电量y1与用电量向量Χι之间关系的模型为： / =μ'1X; + …+ + 5, =xfw+ & 即用户在连续D+1天内的用电量是线性相关的，因此用电量y1可以通过用电量向 量^中不同元素的线性组合来进行预测；其中w是线性组合参数，1当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种基于联合学习的电力用户用电量预测方法，其特征在于：所述的基于联合学习的电力用户用电量预测方法包括按顺序进行的下列步骤：步骤1)输入用户用电记录数据，然后利用上述用户用电记录数据构建用户用电记录矩阵，之后利用用户用电记录矩阵计算用户每天的用电总量，并表示为向量；最后输出所有用户的用电记录矩阵；输入用户地理位置信息，然后将上述用户地理位置信息用层级表示，之后对用户地理位置信息相似度进行衡量，最后输出所有用户的地理位置信息和地理位置信息相似度矩阵；步骤2)根据步骤1)获得的所有用户的地理位置信息对供电区域进行划分，构建区域之间用户整体用电行为相似度矩阵；步骤3)根据步骤1)中获得的用电记录矩阵和步骤2)中获得的区域之间用户整体用电行为相似度矩阵，构建用户用电量在日期维度上的线性关系模型，并对线性预测模型求解；构建不同供电区域中的多个线性预测模型，并进行线性预测模型之间知识传递与相互学习，最后联合优化多个线性预测模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：王扬，刘杰，章斌，王梓朔，何志成，杨青，陈会鹏，蒋哲，
申请(专利权)人：国网天津市电力公司，国家电网公司，
类型：发明
国别省市：天津;12