[发明专利]一种基于深度卷积神经网络的电力销售金额智能预测方法

权利要求书

1.一种基于深度卷积神经网络的电力销售金额智能预测方法，其特征在于，包括以下步骤：

（1）读取电力部门销售流水和用电量的历史数据，进行数据去噪和时间序列平稳化的预处理；

（2）对预处理后的历史数据进行信息挖掘和分析，评估金额到账时间与用户支付时间的关系，得出每天缴费用户的缴费金额到账情况、区域、用电量和具体金额的分布信息，并按照设定数据结构进行数据组织；

所述对历史数据进行信息挖掘和分析，具体包括以下步骤：

（3.1）统计历年所有用户的用电量水平，根据用电量样本的1/4、1/2、3/4分位数划分初步用电量区间；将使用电量超过设定值的用户作为最后1/4分位，对其用电量等级再进行细分，最后按用电量将所有用户分成M个等级；

（3.2）对最小到账日当天的用户组T中的用户缴费金额进行加总，构成输入特征的一个维度；

（3.3）设定用户缴费到账日期的区间，将缴费日期归类为小于最小到账日、处于到账区间内或大于最大到账日；通过缴费时间与到账区间的关系，评估用户所缴纳金额对最小到账日现金流的影响；

（3.4）取最小到账日和最大到账日中间的日期作为估计的实际到账日，并记作预计到账日，将该日期下的用户组记为S；在这个日期下：

（3.41）对当日缴费用户的行业分布进行划分；

（3.42）统计缴费用户的上月用电量水平在M个等级中的分布，若上月用电量数据缺省，说明该用户是隔月或者当月缴费，另计入第M+1等级；

（3.43）对往年所有用户的日缴费金额进行分析，先用1/4分位数进行等级粗分，对缴费金额大于设定值的再进行细分，最后形成M+1个每日用户缴费金额的等级；实际到账日当天的不同缴费用户的缴费金额在这M+1个等级下均有分布，作为数据结构的M+1个维度；

（3.44）因节假日、工作日的信息会影响到到账情况，故将最小到账日的公历月、公历日、星期天数、以及农历月、农历日的信息作为数据结构的五个附加维度；

（3）对历史数据结构进行组织，按时间序列均分为k个时间段，每个时间段包含多天数据；

（4）进行k次交叉检验：每次取步骤（3）中的k-1组作为训练集，利用深度卷积神经网络进行未来定期金额预测的回归训练，并将剩下的一组作为检验集，对模型进行性能测试；

（5）重复步骤（4），采用网格法得到神经网络的最佳超参数，最终确定深度卷积神经网络模型，并利用其进行电力销售金额的预测。

2.根据权利要求1所述的方法，其特征在于，所述步骤（1）中，所述电力部门销售流水的历史数据包括：用户行业、识别码、预计到账区间、实际缴费日期、缴费方式和缴费金额；所述用电量的历史数据是指每位用户的每月实际用电量。

3.根据权利要求1所述的方法，其特征在于，所述步骤（3）中，按照天为单位，对数据进行整理排布，每日数据均有多维特征，涵盖总缴费金额、到账评估的分布，预计在当天到账的缴费用户行业分布、用电量分布以及缴费金额分布，以及当日的日期信息。

4.根据权利要求1所述的方法，其特征在于，所述步骤（4）中，所述利用深度卷积神经网络的回归训练包括：按照设定的数据结构对数据进行组织，取线性变换归一化后的31天数据作为输入，使用多层卷积神经网络学习高维特征，最后利用全连接层输出对第31天的现金流的预测，进行回归训练；其中，卷积层的层数、全连接层的层数以及每层的卷积核尺寸都是超参数。

5.根据权利要求1所述的方法，其特征在于，所述步骤（5）中，用网格法对深度卷积神经网络模型的超参数进行遍历，多次实验后记录最佳的超参数，构建最终用于金额预测的深度卷积神经网络模型。