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(cè)模型

王逸兮，廖榮濤，葉宇軒，王晟瑋，劉芬

（國(guó)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(gè)領(lǐng)域的快速發(fā)展，促進(jìn)了我國(guó)經(jīng)濟(jì)的發(fā)展，同時(shí)也導(dǎo)致用能資源的調(diào)用出現(xiàn)緊張的局面，為此我國(guó)提出節(jié)能環(huán)保的政策。從根本上解決能耗浪費(fèi)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(cè)模型對(duì)于實(shí)際用能需求的預(yù)測(cè)結(jié)果總是出現(xiàn)偏差，根據(jù)預(yù)測(cè)結(jié)果進(jìn)行用戶用能需求供給，最終對(duì)比實(shí)際用戶消耗的用能，預(yù)測(cè)供應(yīng)量大于實(shí)際供應(yīng)量，出現(xiàn)了用能的浪費(fèi)[3]。為了解決以上問題，研究一種新的預(yù)測(cè)模型，實(shí)現(xiàn)預(yù)期目的。

1 用戶用能需求多線程行為預(yù)測(cè)分析

用戶用能需求數(shù)據(jù)對(duì)于用戶用能需求預(yù)測(cè)模型來說十分重要，其具有很大的信息價(jià)值，可以為預(yù)測(cè)模型提供一個(gè)正確的預(yù)測(cè)方向，提高預(yù)測(cè)模型的預(yù)測(cè)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(gè)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(qiáng)關(guān)聯(lián)性和弱關(guān)聯(lián)性。分析每個(gè)有效的用戶用能數(shù)據(jù)的特點(diǎn)，根據(jù)數(shù)據(jù)的關(guān)聯(lián)性程度，逐次分析，為預(yù)測(cè)模型的計(jì)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(jià)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(shì)，在數(shù)據(jù)關(guān)聯(lián)分析時(shí)，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(jí)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(cè)模型提供強(qiáng)大的預(yù)測(cè)數(shù)據(jù)基礎(chǔ)，但是同時(shí)會(huì)增加預(yù)測(cè)模型的計(jì)算量[9-12]。

用戶用能需求數(shù)據(jù)的真實(shí)有效性，可以決定預(yù)測(cè)模型的預(yù)測(cè)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(cè)、消費(fèi)者以往的用能數(shù)據(jù)記錄、系統(tǒng)運(yùn)行數(shù)據(jù)、客戶服務(wù)數(shù)據(jù)、社會(huì)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(cè)用戶用能需求數(shù)據(jù)的方式具有便利性，監(jiān)測(cè)核心設(shè)備是傳感器。在對(duì)用戶用能需求預(yù)測(cè)時(shí)，根據(jù)用戶以往的用能數(shù)據(jù)能夠確定基本的預(yù)測(cè)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(yùn)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(huì)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(dòng)不大，只有受到外界特殊因素的干擾時(shí)，用戶用能的需求量才會(huì)有所波動(dòng)，此用戶用能需求量的獲取不可忽略，一旦忽略對(duì)于模型的預(yù)測(cè)結(jié)果將出現(xiàn)偏差[13-14]。

2 用戶用能需求多線程預(yù)測(cè)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(gè)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(jì)算，對(duì)于已有的數(shù)據(jù)樣本根據(jù)深度計(jì)算方式，完成最大程度的數(shù)據(jù)預(yù)測(cè)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?yàn)榧夹g(shù)的特殊性，應(yīng)用的領(lǐng)域在不斷地?cái)U(kuò)大。對(duì)于該文設(shè)計(jì)的用戶用能需求多線程預(yù)測(cè)模型，首先用深度信念神經(jīng)網(wǎng)絡(luò)對(duì)于需要預(yù)測(cè)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(duì)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(duì)構(gòu)建的數(shù)據(jù)樣本進(jìn)行全局優(yōu)化，實(shí)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(jí)數(shù)，其取值范圍為1～5；i表示節(jié)點(diǎn)個(gè)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(duì)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(cè)用能的基本類型，確定用戶用能需求樣本數(shù)據(jù)的計(jì)算維度（統(tǒng)稱為步長(zhǎng)），取值范圍為0～1，步長(zhǎng)取值的計(jì)算公式如下：

其中，LA、LC分別表示預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)輸出的數(shù)據(jù)個(gè)數(shù)和樣本數(shù)據(jù)個(gè)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(duì)用戶用能需求樣本預(yù)測(cè)數(shù)據(jù)的訓(xùn)練過程需要計(jì)算顯現(xiàn)層任意一節(jié)點(diǎn)的輸入輸出值，兩項(xiàng)計(jì)算公式分別如下：

其中，式（3）為節(jié)點(diǎn)的輸出計(jì)算公式，式（4）為節(jié)點(diǎn)的輸入計(jì)算公式。br表示顯現(xiàn)層第r個(gè)節(jié)點(diǎn)的輸出；y1表示隱藏層的輸出；wij表示隱藏層第i個(gè)節(jié)點(diǎn)與顯現(xiàn)層第j個(gè)節(jié)點(diǎn)的連接權(quán)值；vr1表示隱藏層第r個(gè)節(jié)點(diǎn)與顯現(xiàn)層節(jié)點(diǎn)的連接權(quán)值；θr表示隱藏層第r個(gè)節(jié)點(diǎn)的閾值；θi顯現(xiàn)層第i個(gè)節(jié)點(diǎn)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(duì)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(cè)值與期望輸出值進(jìn)行誤差計(jì)算，計(jì)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(jì)算兩者的反向誤差如下：

按照以上公式無限循環(huán)地對(duì)深度信念神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)內(nèi)部隱藏層和顯現(xiàn)層節(jié)點(diǎn)的連接權(quán)值和補(bǔ)償進(jìn)行調(diào)整計(jì)算，用戶用能需求樣本數(shù)據(jù)的預(yù)測(cè)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(cè)模型將輸出預(yù)測(cè)結(jié)果，結(jié)束預(yù)測(cè)[16-20]。

3 實(shí)驗(yàn)分析

為了檢驗(yàn)該文預(yù)測(cè)模型的有效性和準(zhǔn)確性，進(jìn)行了對(duì)比實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)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(shí)驗(yàn)?zāi)康氖歉鶕?jù)2020年9 月至2020 年12 月用戶用能需求的實(shí)際情況，預(yù)測(cè)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(shí)驗(yàn)前采取隨機(jī)抽簽方式確定實(shí)驗(yàn)預(yù)測(cè)用戶用能的類型，實(shí)驗(yàn)分析中采用兩部分對(duì)照數(shù)據(jù)完成最終的結(jié)論確定，一方面是采用存儲(chǔ)在數(shù)據(jù)庫內(nèi)真實(shí)的用戶用能需求量作為對(duì)照數(shù)據(jù)，另一方面引入兩個(gè)通過專業(yè)部門認(rèn)證的用戶用能需求多線程預(yù)測(cè)模型，共同完成實(shí)驗(yàn)。與傳統(tǒng)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)照，得出該文多線程預(yù)測(cè)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(cè)模型和基于組合分析的用戶用能需求多線程預(yù)測(cè)模型作為傳統(tǒng)方法的預(yù)測(cè)模型，共同完成預(yù)測(cè)試驗(yàn)。

首先將3 個(gè)預(yù)測(cè)模型在相應(yīng)的運(yùn)行環(huán)境中運(yùn)行測(cè)試，為防止由于系統(tǒng)錯(cuò)誤影響實(shí)驗(yàn)進(jìn)行，每個(gè)運(yùn)行環(huán)境中都自動(dòng)載入了需要預(yù)測(cè)實(shí)例的準(zhǔn)備數(shù)據(jù)信息，然后同一時(shí)間觸發(fā)各個(gè)用戶用能需求多線程預(yù)測(cè)模型，在此過程中計(jì)算機(jī)會(huì)記錄與預(yù)測(cè)模型性能分析相關(guān)的數(shù)據(jù)，當(dāng)3 個(gè)預(yù)測(cè)模型都提交了相應(yīng)問題的預(yù)測(cè)結(jié)果后，停止實(shí)驗(yàn)數(shù)據(jù)的記錄，結(jié)束實(shí)驗(yàn)，整理實(shí)驗(yàn)場(chǎng)地和數(shù)據(jù)，進(jìn)行實(shí)驗(yàn)結(jié)論的論述。

實(shí)驗(yàn)計(jì)算機(jī)分別記錄了3 種預(yù)測(cè)模型運(yùn)行的時(shí)間、運(yùn)行過程中相關(guān)數(shù)據(jù)分析記錄、預(yù)測(cè)結(jié)果以及預(yù)測(cè)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(shí)驗(yàn)結(jié)果如表1 和圖5 所示。

圖5 預(yù)測(cè)結(jié)果準(zhǔn)確性實(shí)驗(yàn)結(jié)果

表1 預(yù)測(cè)時(shí)間實(shí)驗(yàn)結(jié)果

1）3 個(gè)預(yù)測(cè)模型實(shí)驗(yàn)中，基于組合分析的用戶用能需求多線程預(yù)測(cè)模型完成時(shí)間最長(zhǎng)，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(cè)模型完成時(shí)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(shí)際量進(jìn)行對(duì)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(cè)模型預(yù)測(cè)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(cè)模型預(yù)測(cè)的精準(zhǔn)度最低；

3）在實(shí)驗(yàn)過程中，3 個(gè)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與實(shí)際用戶用能需求的比值都符合我國(guó)規(guī)定的預(yù)測(cè)誤差值；

4）對(duì)比3 個(gè)預(yù)測(cè)模型，該文提出的線程預(yù)測(cè)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(shí)驗(yàn)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(cè)模型的預(yù)測(cè)精準(zhǔn)度高、收斂速度快、預(yù)測(cè)流程簡(jiǎn)單化，不容易出現(xiàn)預(yù)測(cè)誤差，是最佳的用戶用能需求多線程預(yù)測(cè)模型。

4 結(jié)束語

根據(jù)以上的實(shí)驗(yàn)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(cè)模型達(dá)到了規(guī)定預(yù)測(cè)的準(zhǔn)則，并且該文設(shè)計(jì)的預(yù)測(cè)模型比基于組合分析的用戶用能需求多線程預(yù)測(cè)模型的預(yù)測(cè)精準(zhǔn)度更高，且效率更高，更適合應(yīng)用于實(shí)際生產(chǎn)生活中，對(duì)于電網(wǎng)預(yù)測(cè)有一定的參考意義。