基于深度信念神經(jīng)網(wǎng)絡(luò)的用戶用能需求多線程預(yù)測模型

王逸兮，廖榮濤，葉宇軒，王晟瑋，劉芬

（國網(wǎng)湖北省電力有限公司信息通信公司，湖北武漢 430077）

近年來，各個領(lǐng)域的快速發(fā)展，促進(jìn)了我國經(jīng)濟(jì)的發(fā)展，同時也導(dǎo)致用能資源的調(diào)用出現(xiàn)緊張的局面，為此我國提出節(jié)能環(huán)保的政策。從根本上解決能耗浪費問題的核心是需求等于供應(yīng)，而不是供應(yīng)大于需求[1-2]。

傳統(tǒng)的用戶用能需求多線程預(yù)測模型對于實際用能需求的預(yù)測結(jié)果總是出現(xiàn)偏差，根據(jù)預(yù)測結(jié)果進(jìn)行用戶用能需求供給，最終對比實際用戶消耗的用能，預(yù)測供應(yīng)量大于實際供應(yīng)量，出現(xiàn)了用能的浪費[3]。為了解決以上問題，研究一種新的預(yù)測模型，實現(xiàn)預(yù)期目的。

1 用戶用能需求多線程行為預(yù)測分析

用戶用能需求數(shù)據(jù)對于用戶用能需求預(yù)測模型來說十分重要，其具有很大的信息價值，可以為預(yù)測模型提供一個正確的預(yù)測方向，提高預(yù)測模型的預(yù)測準(zhǔn)確度[4-5]。

盡管用戶用能數(shù)據(jù)量大，數(shù)據(jù)的產(chǎn)生途徑不同，但是每個數(shù)據(jù)之間都存在一定的關(guān)聯(lián)性，此數(shù)據(jù)狀態(tài)被稱為復(fù)雜關(guān)聯(lián)性，數(shù)據(jù)關(guān)聯(lián)性有兩種表現(xiàn)形式：強關(guān)聯(lián)性和弱關(guān)聯(lián)性。分析每個有效的用戶用能數(shù)據(jù)的特點，根據(jù)數(shù)據(jù)的關(guān)聯(lián)性程度，逐次分析，為預(yù)測模型的計算奠定數(shù)據(jù)基礎(chǔ)[6-7]。

數(shù)據(jù)的交互性表示的是有效的用戶用能數(shù)據(jù)之間的交互行為，傳遞方式的不同，使數(shù)據(jù)的關(guān)聯(lián)性程度更加密切，有利于用戶用量數(shù)據(jù)的追蹤。數(shù)據(jù)的交互傳遞方式如圖1 所示。

圖1 數(shù)據(jù)的交互傳遞方式

數(shù)據(jù)的商業(yè)價值指的是一定周期內(nèi)的用戶用能的總需求量中，一部分用于商業(yè)領(lǐng)域，通過分析商業(yè)的發(fā)展?fàn)顟B(tài)，也可以分析出用戶用能需求的趨勢，在數(shù)據(jù)關(guān)聯(lián)分析時，一定要注意分析方法，才可以正確地分析出有效信息，否則信息的有效性將不具有意義[8]。

用戶用能的維度是由數(shù)據(jù)的存在格式?jīng)Q定的，數(shù)據(jù)的維度等級越高，那么數(shù)據(jù)信息所隱藏的信息量越大，數(shù)據(jù)的維度特征可以為預(yù)測模型提供強大的預(yù)測數(shù)據(jù)基礎(chǔ)，但是同時會增加預(yù)測模型的計算量[9-12]。

用戶用能需求數(shù)據(jù)的真實有效性，可以決定預(yù)測模型的預(yù)測準(zhǔn)確性，因此用戶用能需求數(shù)據(jù)的獲取來源途徑十分重要。該文采用智能設(shè)備監(jiān)測、消費者以往的用能數(shù)據(jù)記錄、系統(tǒng)運行數(shù)據(jù)、客戶服務(wù)數(shù)據(jù)、社會數(shù)據(jù)5 種獲取方式完成用戶用能需求數(shù)據(jù)的采集。

采用智能設(shè)備監(jiān)測用戶用能需求數(shù)據(jù)的方式具有便利性，監(jiān)測核心設(shè)備是傳感器。在對用戶用能需求預(yù)測時，根據(jù)用戶以往的用能數(shù)據(jù)能夠確定基本的預(yù)測方向。

用戶用能行為聚類流程如圖2 所示。

圖2 用戶用能行為聚類流程

系統(tǒng)的運行數(shù)據(jù)主要通過記錄用戶用能數(shù)據(jù)的公共設(shè)備來采集。社會數(shù)據(jù)獲取途徑包括天氣因素影響和節(jié)假日影響，平常用戶用能的總量出現(xiàn)的波動不大，只有受到外界特殊因素的干擾時，用戶用能的需求量才會有所波動，此用戶用能需求量的獲取不可忽略，一旦忽略對于模型的預(yù)測結(jié)果將出現(xiàn)偏差[13-14]。

2 用戶用能需求多線程預(yù)測模型

深度信念神經(jīng)網(wǎng)絡(luò)技術(shù)是顯現(xiàn)層和隱藏層共同構(gòu)建的一個多層神經(jīng)網(wǎng)絡(luò)，通過不同層次的神經(jīng)元之間的權(quán)重處理計算，對于已有的數(shù)據(jù)樣本根據(jù)深度計算方式，完成最大程度的數(shù)據(jù)預(yù)測還原。深度信念神經(jīng)網(wǎng)絡(luò)可以用于監(jiān)督學(xué)習(xí)領(lǐng)域也可以應(yīng)用于非監(jiān)督學(xué)習(xí)領(lǐng)域，因為技術(shù)的特殊性，應(yīng)用的領(lǐng)域在不斷地擴(kuò)大。對于該文設(shè)計的用戶用能需求多線程預(yù)測模型，首先用深度信念神經(jīng)網(wǎng)絡(luò)對于需要預(yù)測區(qū)域用戶用能已經(jīng)發(fā)生的數(shù)據(jù)進(jìn)行無監(jiān)督學(xué)習(xí)特征提取和訓(xùn)練；然后利用監(jiān)督神經(jīng)網(wǎng)絡(luò)對于采集的用戶用能數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)構(gòu)建，最后采用聯(lián)合微調(diào)的方式對構(gòu)建的數(shù)據(jù)樣本進(jìn)行全局優(yōu)化，實現(xiàn)分析目的。深度信念神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖3 所示。

圖3 深度信念神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

歸一公式如下所示：

其中，k表示網(wǎng)絡(luò)層級數(shù)，其取值范圍為1～5；i表示節(jié)點個數(shù)，其取值范圍為1～9。

然后調(diào)用深度信念神經(jīng)網(wǎng)絡(luò)技術(shù)對有效的數(shù)據(jù)標(biāo)本進(jìn)行學(xué)習(xí)訓(xùn)練，根據(jù)需要預(yù)測用能的基本類型，確定用戶用能需求樣本數(shù)據(jù)的計算維度（統(tǒng)稱為步長），取值范圍為0～1，步長取值的計算公式如下：

其中，LA、LC分別表示預(yù)測神經(jīng)網(wǎng)絡(luò)輸出的數(shù)據(jù)個數(shù)和樣本數(shù)據(jù)個數(shù)。

神經(jīng)網(wǎng)絡(luò)中神經(jīng)元結(jié)構(gòu)如圖4 所示。

圖4 神經(jīng)網(wǎng)絡(luò)中神經(jīng)元結(jié)構(gòu)

對用戶用能需求樣本預(yù)測數(shù)據(jù)的訓(xùn)練過程需要計算顯現(xiàn)層任意一節(jié)點的輸入輸出值，兩項計算公式分別如下：

其中，式（3）為節(jié)點的輸出計算公式，式（4）為節(jié)點的輸入計算公式。br表示顯現(xiàn)層第r個節(jié)點的輸出；y1表示隱藏層的輸出；wij表示隱藏層第i個節(jié)點與顯現(xiàn)層第j個節(jié)點的連接權(quán)值；vr1表示隱藏層第r個節(jié)點與顯現(xiàn)層節(jié)點的連接權(quán)值；θr表示隱藏層第r個節(jié)點的閾值；θi顯現(xiàn)層第i個節(jié)點的閾值；f表示S型函數(shù)[15]。

經(jīng)過以上深度信念神經(jīng)網(wǎng)絡(luò)對樣本的訓(xùn)練學(xué)習(xí)，然后將輸出數(shù)據(jù)樣本的預(yù)測值與期望輸出值進(jìn)行誤差計算，計算期望輸出值的公式如下：

其中，y1表示深度信念網(wǎng)絡(luò)的輸出函數(shù)。計算兩者的反向誤差如下：

按照以上公式無限循環(huán)地對深度信念神經(jīng)網(wǎng)絡(luò)節(jié)點內(nèi)部隱藏層和顯現(xiàn)層節(jié)點的連接權(quán)值和補償進(jìn)行調(diào)整計算，用戶用能需求樣本數(shù)據(jù)的預(yù)測值和期望值誤差符合規(guī)定后，用戶用能需求多線程預(yù)測模型將輸出預(yù)測結(jié)果，結(jié)束預(yù)測[16-20]。

3 實驗分析

為了檢驗該文預(yù)測模型的有效性和準(zhǔn)確性，進(jìn)行了對比實驗驗證。實驗樣本采用沈陽市和平區(qū)某居民樓小區(qū)的用戶用能情況，實驗?zāi)康氖歉鶕?jù)2020年9 月至2020 年12 月用戶用能需求的實際情況，預(yù)測出2021 年1 月用戶的用能需求量。

用戶用能的類型有很多，在實驗前采取隨機(jī)抽簽方式確定實驗預(yù)測用戶用能的類型，實驗分析中采用兩部分對照數(shù)據(jù)完成最終的結(jié)論確定，一方面是采用存儲在數(shù)據(jù)庫內(nèi)真實的用戶用能需求量作為對照數(shù)據(jù)，另一方面引入兩個通過專業(yè)部門認(rèn)證的用戶用能需求多線程預(yù)測模型，共同完成實驗。與傳統(tǒng)預(yù)測模型的預(yù)測結(jié)果進(jìn)行對照，得出該文多線程預(yù)測模型的性能。采用基于多源異構(gòu)大數(shù)據(jù)分析的用戶用能需求多線程預(yù)測模型和基于組合分析的用戶用能需求多線程預(yù)測模型作為傳統(tǒng)方法的預(yù)測模型，共同完成預(yù)測試驗。

首先將3 個預(yù)測模型在相應(yīng)的運行環(huán)境中運行測試，為防止由于系統(tǒng)錯誤影響實驗進(jìn)行，每個運行環(huán)境中都自動載入了需要預(yù)測實例的準(zhǔn)備數(shù)據(jù)信息，然后同一時間觸發(fā)各個用戶用能需求多線程預(yù)測模型，在此過程中計算機(jī)會記錄與預(yù)測模型性能分析相關(guān)的數(shù)據(jù)，當(dāng)3 個預(yù)測模型都提交了相應(yīng)問題的預(yù)測結(jié)果后，停止實驗數(shù)據(jù)的記錄，結(jié)束實驗，整理實驗場地和數(shù)據(jù)，進(jìn)行實驗結(jié)論的論述。

實驗計算機(jī)分別記錄了3 種預(yù)測模型運行的時間、運行過程中相關(guān)數(shù)據(jù)分析記錄、預(yù)測結(jié)果以及預(yù)測調(diào)用的相關(guān)數(shù)據(jù)，經(jīng)過精確整理，得出相關(guān)的實驗結(jié)果如表1 和圖5 所示。

圖5 預(yù)測結(jié)果準(zhǔn)確性實驗結(jié)果

表1 預(yù)測時間實驗結(jié)果

1）3 個預(yù)測模型實驗中，基于組合分析的用戶用能需求多線程預(yù)測模型完成時間最長，基于多源異構(gòu)大數(shù)據(jù)分析的用戶用能需求多線程預(yù)測模型完成時間最短；

2）與2021 年1 月此小區(qū)內(nèi)居民用戶用能需求的實際量進(jìn)行對比后，基于深度信念神經(jīng)網(wǎng)絡(luò)的用戶用能需求多線程預(yù)測模型預(yù)測的結(jié)果精準(zhǔn)度最高，達(dá)到99%，基于組合分析的用戶用能需求多線程預(yù)測模型預(yù)測的精準(zhǔn)度最低；

3）在實驗過程中，3 個預(yù)測模型的預(yù)測結(jié)果與實際用戶用能需求的比值都符合我國規(guī)定的預(yù)測誤差值；

4）對比3 個預(yù)測模型，該文提出的線程預(yù)測模型的數(shù)據(jù)分析量少，分析復(fù)雜度最低，并且分析具有邏輯感，復(fù)檢流程清晰。

經(jīng)過以上實驗結(jié)論的分析，可以直接得出基于深度信念神經(jīng)網(wǎng)絡(luò)的用戶用能需求多線程預(yù)測模型的預(yù)測精準(zhǔn)度高、收斂速度快、預(yù)測流程簡單化，不容易出現(xiàn)預(yù)測誤差，是最佳的用戶用能需求多線程預(yù)測模型。

4 結(jié)束語

根據(jù)以上的實驗分析，基于深度信念神經(jīng)網(wǎng)絡(luò)的用戶用能需求多線程預(yù)測模型達(dá)到了規(guī)定預(yù)測的準(zhǔn)則，并且該文設(shè)計的預(yù)測模型比基于組合分析的用戶用能需求多線程預(yù)測模型的預(yù)測精準(zhǔn)度更高，且效率更高，更適合應(yīng)用于實際生產(chǎn)生活中，對于電網(wǎng)預(yù)測有一定的參考意義。