[发明专利]一种基于云计算的用电量预测方法

说明书

本发明公开了一种基于云计算的用电量预测方法，属于智能电网技术领域，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。通过基于图卷积神经网络建立用电量预测模型，并对该模型进行训练，从而精准预测用电量，方便电网的调度，训练采用分布式存储和计算方式提高计算效率，解决海量用电量数据的转化问题。

技术领域

本发明涉及智能电网技术领域，特别涉及一种基于云计算的用电量预测方法。

背景技术

用电量预测一直是智能电网中电力决策的重要工作,正确的数据预测可以帮助电网进行合理的资源调度，减少电力传输中的电量损耗，提高电力系统的运行效益。但随着智能电网的发展，用电量数据不断增多，传统的单节点数据挖掘算法的数据存储能力和数据分析能力已无法满足预测要求，需要研究新的方法来提高用电量预测的预测速度和水平。

发明内容

本发明的目的就在于为了解决上述单节点数据挖掘无法满足预测要求，且效率低下的问题而提供一种基于云计算的用电量预测方法，具有预测效率准确率高，方便存储和转换大量数据的优点。

本发明通过以下技术方案来实现上述目的，一种基于云计算的用电量预测方法，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。

优选的，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。

优选的，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：