一种基于云计算的用电量预测方法技术

本发明专利技术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。

【技术实现步骤摘要】
一种基于云计算的用电量预测方法
本专利技术涉及智能电网
，特别涉及一种基于云计算的用电量预测方法。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术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eij表示点vi与vj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＝RTΛR。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Fl为第l层神经网络的输出，Wl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：Xt＝f(X1,X2,...,Xt-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，Fl表示第l层的输出结果。优选的，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。优选的，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。与现有技术相比，本专利技术的有益效果是：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。附图说明图1为本专利技术的用电量预测方法流程图。图2为本专利技术的MapReduce的训练方法流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1所示，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；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eij表示点vi与vj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＝RTΛR。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Fl为第l层神经网络的输出，Wl为第l层神经网络的权重参数。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；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：Xt＝f(X1,X2,...,Xt-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，Fl表示第l层的输出结果。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，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。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。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。使用平均用电百分比误差MAPE来衡量在单服务器图卷积网络和基于云计算的图卷积网络的预测实验对比，MAPE的计算公式为：其中obst为第t时刻的真值，pret为第t时刻的预测值，MAPE值越小说明预测结果越精确。选择某市七天的电表数据以及预测结果作为统计对下，如下表1所示为该七天的MAPE的对比图：表1由上述统计结果可知，基于云计算的图卷积网络预测的结果更加的精确本文档来自技高网...

【技术保护点】
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：/nS1、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；/nS2、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；/nS3、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；/nS4、使用训练后的用电量预测模型，预测下一时间点的用电量。/n

【技术特征摘要】
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eij表示点vi与vj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＝RTΛR。
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Fl为第l层神经网络的输出，Wl为第l层神经网络的权重参数。
<...

【专利技术属性】
技术研发人员：周开保，陈小龙，张谢，吴朝文，陈朔，王尉，桂宁，李文芳，张照，王双，
申请(专利权)人：国网安徽省电力有限公司合肥供电公司，安徽明生恒卓科技有限公司，国家电网有限公司，
类型：发明
国别省市：安徽;34