一种基于社会信息计算的地区中长期用电量预测方法技术

本发明专利技术提出了一种基于社会信息计算的地区中长期用电量预测方法。利用网络爬虫技术从多个网站上爬取月度社会经济数据、月度气象数据以及月度负荷数据；将社会经济数据、月度气象数据、月度负荷数据分别依次通过缺失值填补预处理、数据归一化预处理，得到预处理后社会经济数据、预处理后月度气象数据、预处理后月度负荷数据；通过多个受限玻尔兹曼机构建深度置信网络，构建深度置信网络损失函数模型，将预处理后社会经济数据、预处理后月度气象数据作为深度置信网络输入数据，以深度置信网络损失函数模型最小化为优化目标，对网络参数进一步微调训练，得到训练后深度置信网络用于月度负荷预测；本发明专利技术提升了中长期用电量预测精度。度。度。

【技术实现步骤摘要】
一种基于社会信息计算的地区中长期用电量预测方法


[0001]本专利技术属于负荷预测领域，特别涉及一种基于社会信息计算的地区中长期用电量预测方法。

技术介绍

[0002]近年来，由于世界经济长周期滞缓压力，以及我国正处在经济结构与发展方式的转型期，中国经济发展步入新常态。一方面，过去的大量高耗能高污染的产业面临转型升级，工业比重下降，服务业比重上升，用电增速放缓，峰谷差逐渐加大，系统调峰需求不断增加，准确预测用电需求将长期面临挑战。另一方面，经济结构的持续变化对用电市场的预测带来不确定因素。宏观经济集合了大量微观经济活动，复杂度极高，具有外界环境不确定性、运行趋势难以预测性。而电力需求和经济发展关系密切，电力系统作为宏观经济系统中的子系统，其发展取决于整体经济环境，同时，电力供应情况也会对经济发展产生影响。
[0003]然而目前我国的经济统计活动绝大多数还采用传统的经济统计方法，统计收集的经济信息存在一定的局限性，不能够服务于经济管理活动的整体，或者造成一些数据统计工作的重复。同时，这些统计数据信息存在信息量大、组成复杂，并且带有很强的随机性、部分数据信息不完整等主要特点。针对这些现状，传统的统计方法已很难保证将当前复杂繁多的数据准确的统计出来。
[0004]数据挖掘技术是针对现代数据管理活动中存在的数量基数大、构成复杂和数据缺失现象严重等客观问题而研发的一种高效的数据深度加工技术，其在经济统计中的应用能够更好地满足经济统计的需求。与此同时，社会计算的提出和人工智能技术的兴起，为在大数据时代更好地利用经济数据，挖掘更多的宏观经济数据资源，实现计算机实时在线数据收集提供了理论和技术支持。
[0005]建立基于社会计算和人工智能技术的大数据经济分析模型和电网用电市场模型，为与经济发展密切相关的电力行业投资规划、用电市场预测做出指导建议。对于分析华中地区社会经济结构变化下对用电市场的影响，挖掘电力消费变化的基本规律，使电力供应同经济发展相适应，具有重要的理论指导性和现实意义。因此本专利技术结合大数据技术挖掘宏观经济数据资源和政策信息，提供了一种基于社会计算和深度神经网络的中长期负荷预测电力社会经济模型。

技术实现思路

[0006]针对
技术介绍
存在的问题，提供了一种基于社会信息计算的地区中长期用电量预测方法，其特征在于，包括以下步骤：
[0007]步骤1：利用网络爬虫技术从多个网站上爬取月度社会经济数据、月度气象数据以及月度负荷数据；
[0008]步骤2：将社会经济数据、月度气象数据、月度负荷数据分别依次通过缺失值填补预处理、数据归一化预处理，得到预处理后社会经济数据、预处理后月度气象数据、预处理
后月度负荷数据；
[0009]步骤3：通过多个受限玻尔兹曼机构建深度置信网络，构建深度置信网络损失函数模型，将预处理后社会经济数据、预处理后月度气象数据作为深度置信网络输入数据，通过对比散度算法依次训练每个受限玻尔兹曼机的网络参数，将预处理后月度负荷数据作为真实值，进一步以深度置信网络损失函数模型最小化为优化目标，对受限玻尔兹曼机的网络参数进一步微调训练，得到训练后深度置信网络用于月度负荷预测；
[0010]作为优选，步骤1所述月度社会经济数据为：
[0011]e_item
x,s,t
(x＝1,2,...p；s＝1,2,...q；t＝1,2,...,12Y)
[0012]其中，e_item
x,s,t
为第t个月份中第s个地区中第x个经济指标，x为经济指标名称编号，s为地区编号，t为时间，Y为年份，p为经济指标的数量，q为省份的数量，12Y为月份的数量；
[0013]步骤1所述月度气象数据为：
[0014]c_item
k,s,t
(k＝1,2,...p；s＝1,2,...q；t＝1,2,...,12Y)
[0015]其中，c_item
k,s,t
为第t个月份中第s个地区中第k个经济指标，k为气象指标名称编号，s为地区编号，t为时间，Y为年份，p为经济指标的数量，q为省份的数量，12Y为月份的数量；
[0016]步骤1所述月度负荷数据为：
[0017]load
s,t
(s＝1,2,...q；t＝1,2,...,12Y)
[0018]其中，load
s,t
为第t个月份中第s个地区预处理后负荷，s为地区编号，t为时间，Y为年份，q为省份的数量，12Y为月份的数量；
[0019]作为优选，步骤2所述通过缺失值填补预处理为：采用分段三次Hermit插值方法对缺失数据进行填补预处理；
[0020]步骤2所述数据归一化预处理为：通过最小最大归一化方法进行归一化处理；
[0021]步骤2所述预处理后社会经济数据为：
[0022][0023]其中，为第t个月份中第s个地区中第x个预处理后经济指标，x 为预处理后经济指标名称编号，s为地区编号，t为时间，Y为年份，p为经济指标的数量，q为省份的数量，12Y为月份的数量；
[0024]步骤2所述预处理后月度气象数据为：
[0025][0026]其中，为第t个月份中第s个地区中第k个预处理后经济指标，k 为预处理后气象指标名称编号，s为地区编号，t为时间，Y为年份，p为经济指标的数量，q为省份的数量，12Y为月份的数量；
[0027]步骤2所述预处理后月度负荷数据为：
[0028][0029]其中，为第t个月份中第s个地区月度预处理后负荷，s为地区编号， t为时间，Y为年份，q为省份的数量，12Y为月份的数量；
[0030]作为优选，步骤3所述通过多个受限玻尔兹曼机构建深度置信网络为：
[0031]通过第一受限玻尔兹曼机、第二受限玻尔兹曼机、...、第K受限玻尔兹曼机依次堆叠构建深度置信网络；
[0032]所述受限玻尔兹曼机包括：可视层、隐藏层；
[0033]所述受限玻尔兹曼机的可视层用于数据输入，所述受限玻尔兹曼机的隐藏层用于特征检测；
[0034]所述可视层包含多个可视层神经元；
[0035]所述隐藏层包含多个隐藏层神经元；
[0036]所述可视层中各神经元状态定义为可视层状态向量，用v表示；
[0037]所述隐藏层中各神经元状态定义为隐藏层状态向量，用h表示；
[0038]所述受限玻尔兹曼机中v和h均服从伯努利分布；
[0039]v
i
与h
j
均为二值变量，即v
i
∈{0,1},(i＝1,2,
…
,n)，h
j
∈{0,1},(j＝1,2,
…
,m)；
[0040]其中，i代表可视层中第i个神经元，j代表隐藏层中第j个神经元，n表示可视层中神经元的数量，m表示隐藏层中神经元的数量；
[0041]所述受限玻尔兹曼机的能量函数为：
...

【技术保护点】

【技术特征摘要】
1.一种基于社会信息计算的地区中长期用电量预测方法，其特征在于，包括以下步骤：步骤1：利用网络爬虫技术从多个网站上爬取月度社会经济数据、月度气象数据以及月度负荷数据；步骤2：将社会经济数据、月度气象数据、月度负荷数据分别依次通过缺失值填补预处理、数据归一化预处理，得到预处理后社会经济数据、预处理后月度气象数据、预处理后月度负荷数据；步骤3：通过多个受限玻尔兹曼机构建深度置信网络，构建深度置信网络损失函数模型，将预处理后社会经济数据、预处理后月度气象数据作为深度置信网络输入数据，通过对比散度算法依次训练每个受限玻尔兹曼机的网络参数，将预处理后月度负荷数据作为真实值，进一步以深度置信网络损失函数模型最小化为优化目标，对受限玻尔兹曼机的网络参数进一步微调训练，得到训练后深度置信网络用于月度负荷预测。2.根据权利要求1所述的基于社会信息计算的地区中长期用电量预测方法，其特征在于：步骤1所述月度社会经济数据为：e_item
x,s,t
(x＝1,2,...p；s＝1,2,...q；t＝1,2,...,12Y)其中，e_item
x,s,t
为第t个月份中第s个地区中第x个经济指标，x为经济指标名称编号，s为地区编号，t为时间，Y为年份，p为经济指标的数量，q为省份的数量，12Y为月份的数量；步骤1所述月度气象数据为：c_item
k,s,t
(k＝1,2,...p；s＝1,2,...q；t＝1,2,...,12Y)其中，c_item
k,s,t
为第t个月份中第s个地区中第k个经济指标，k为气象指标名称编号，s为地区编号，t为时间，Y为年份，p为经济指标的数量，q为省份的数量，12Y为月份的数量；步骤1所述月度负荷数据为：load
s,t
(s＝1,2,...q；t＝1,2,...,12Y)其中，load
s,t
为第t个月份中第s个地区预处理后负荷，s为地区编号，t为时间，Y为年份，q为省份的数量，12Y为月份的数量。3.根据权利要求1所述的基于社会信息计算的地区中长期用电量预测方法，其特征在于：步骤2所述通过缺失值填补预处理为：采用分段三次Hermit插值方法对缺失数据进行填补预处理；步骤2所述数据归一化预处理为：通过最小最大归一化方法进行归一化处理；步骤2所述预处理后社会经济数据为：其中，为第t个月份中第s个地区中第x个预处理后经济指标，x为预处理后经济指标名称编号，s为地区编号，t为时间，Y为年份，p为经济指标的数量，q为省份的数量，12Y为月份的数量；步骤2所述预处理后月度气象数据为：
其中，为第t个月份中第s个地区中第k个预处理后经济指标，k为预处理后气象指标名称编号，s为地区编号，t为时间，Y为年份，p为经济指标的数量，q为省份的数量，12Y为月份的数量；步骤2所述预处理后月度负荷数据为：其中，为第t个月份中第s个地区月度预处理后负荷，s为地区编号，t为时间，Y为年份，q为省份的数量，12Y为月份的数量。4.根据权利要求1所述的基于社会信息计算的地区中长期用电量预测方法，其特征在于：步骤3所述通过多个受限玻尔兹曼机构建深度置信网络为：通过第一受限玻尔兹曼机、第二受限玻尔兹曼机、...、第K受限玻尔兹曼机依次堆叠构建深度置信网络；所述受限玻尔兹曼机包括：可视层、隐藏层；所述受限玻尔兹曼机的可视层用于数据输入，所述受限玻尔兹曼机的隐藏层用于特征检测；所述可视层包含多个可视层神经元；所述隐藏层包含多个隐藏层神经元；所述可视层中各神经元状态定义为可视层状态向量，用v表示；所述隐藏层中各神经元状态定义为隐藏层状态向量，用h表示；所述受限玻尔兹曼机中v和h均服从伯努利分布；v
i
与h
j
均为二值变量，即v
i
∈{0,1},(i＝1,2,
…
,n)，h
j
∈{0,1},(j＝1,2,
…
,m)；其中，i代表可视层中第i个神经元，j代表隐藏层中第j个神经元，n表示可视层中神经元的数量，m表示隐藏层中神经元的数量；所述受限玻尔兹曼机的能量函数为：其中，v表示可视层状态向量，h表示隐藏层状态向量，θ表示受限玻尔兹曼机的待寻优参数，θ＝{w＝(w
i,j
)
n
×
m
,a＝(a
i
)
n<...

【专利技术属性】
技术研发人员：刘天斌，张银芽，刘小鸿，张俊，胡晨茜，林洁瑜，袁红霞，
申请(专利权)人：武汉大学，
类型：发明
国别省市：