[发明专利]一种基于云计算的用电量预测方法

权利要求书

1.一种基于云计算的用电量预测方法，其特征在于，包括以下步骤：

S1、定义电表采集节点作为图的顶点集合，各电表采集节点之间的间距作为图的边集合，构建图卷积神经网络；

S2、将电表采集节点采集到的电表时序数据作为图卷积神经网络的输入，构建用电量预测模型；

S3、搭建Hadoop平台，在平台上使用MapReduce对用电量预测模型进行并行化迭代训练，完善用电量预测模型；

S4、使用训练后的用电量预测模型，预测下一时间点的用电量。

2.根据权利要求1所述的一种基于云计算的用电量预测方法，其特征在于，所述图卷积神经网络的构建方法为：

定义图G＝(V,E)，其中V为图的顶点集合，E为图的边集合，设置为图G的带权邻接矩阵，其中e_ij表示点v_i与v_j之间的连接强度

计算获得图卷积神经网络的拉普拉斯矩阵L，其公式如下：

其中G’为图卷积神经网络G的对角矩阵。

由公式可知拉普拉斯矩阵L为实对称矩阵，因此存在对角矩阵Λ＝diag(λ₁,λ₂,...,λ_|V|)，则可以推导出L＝R^TΛR。

如下公式所示，图卷积运算为：

其中x为输入，g为卷积核。

进一步的：

将上式用于图卷积网络，获取输出如下所示：

其中F^l为第l层神经网络的输出，W^l为第l层神经网络的权重参数。

3.根据权利要求2所述的一种基于云计算的用电量预测方法，其特征在于，所述用电量预测模型的构建方法为：

将图卷积神经网络的带权邻接矩阵设置为用于表示t时刻所有电表采集器采集的时序数据，通过函数F，预测t时刻的输出：

X_t＝f(X₁,X₂,...,X_t-1)

将输入数据X输入一个至少包含2层卷积层的图卷积神经网络，其前向传播公式如下所示：

其中，F^l表示第l层的输出结果。

4.根据权利要求1所述的一种基于云计算的用电量预测方法，其特征在于，所述MapReduce训练包括Map计算节点和reduce计算节点，其中Map计算节点负责接受输入的训练数据，生成网络权重值W改变量的中间键值对，reduce计算节点负责汇总局部改变量来得到全局改变量并输出，对用电量预测模型进行批量更新。

5.根据权利要求4所述的一种基于云计算的用电量预测方法，其特征在于，所述MapReduce的训练方法包括以下步骤：

S301、将训练数据经划分成与分布式文件系统块相同大小的数据块；

S302、Master节点分配Map计算节点读取处理数据块，获得用电量预测模型中权重值和偏移量的局部改变量，并存储在本地，记录存储位置；

S303、Map计算节点处理完毕后，Master节点分配Reduce计算节点读取局部改变量，计算得到全局梯度改变量，并批量更新用电量预测模型。