[发明专利]一种基于联合学习的电力用户用电量预测方法

说明书

技术领域

本发明属于计算机应用技术、数据挖掘、电力数据分析技术领域，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。

背景技术

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。

发明内容

为了解决上述问题，本发明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，本发明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＝{u₁,u₂,…,u_N}

其中N表示数据中包含的用户个数，u_i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：

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，表示T行D列的非负实数矩阵；同时，用和分别表示矩阵U_i的第t行和第d列，即用户u_i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U_i的第t行第d列上的元素；根据U_i，可以计算用户在D天中每天的用电总量，并表示为向量x_i；x_i中每个元素的计算公式如下：

xid=24TΣt=1Tuitd]]>

最后输出所有用户的用电记录矩阵：