基于异构网络分析的工业用户用电行为预测方法及系统技术方案

本申请提出的基于异构网络分析的工业用户用电行为预测方法、系统及存储介质中，获取工业用户的用户特征，并根据用户特征构建多源异构数据表，其中，用户特征包括基本特征、行为特征和环境特征，对多源异构数据表进行消歧匹配和数据融合，得到结构化数据，然后挖掘结构化数据中基本特征、行为特征和环境特征之间的显式关系关联，再基于结构化数据的显示关系关联，利用图卷积神经网络得到结构化数据的图网络结构，并根据图网络结构利用图注意力机制预测工业用户的用电量。由此，本申请的实施例中，提高了预测结果的准确度，进而使得电网高效发挥应有效能，有效提供针对性的电力资源，保证生产效率。生产效率。生产效率。

【技术实现步骤摘要】
基于异构网络分析的工业用户用电行为预测方法及系统


[0001]本申请涉及计算机
，尤其涉及一种基于异构网络分析的工业用户用电行为预测方法、系统及存储介质。

技术介绍

[0002]工业用电涉及的领域多、规模大，在社会用电量中的比重较大，与经济发展的关系十分紧密。因此，需要对工业用电行为进行预测，以便提前准备全社会用电量，保证电网安全经济运行。
[0003]但是，相关技术中，工业用电预测中的时间序列用到的统计与自回归方法、Boosting and Ensemble算法需要在时间周期上进行大量人工合成特征，因此特征可能存在主观判断带来的噪声。同时，相关技术中，大量用户及行为之间的关联特征没有有效利用，使得预测的结果准确度降低。

技术实现思路

[0004]本申请提供一种基于异构网络分析的工业用户用电行为预测方法、系统及存储介质，以至少解决相关技术中的预测结果准确度低的技术问题。
[0005]本申请第一方面实施例提出一种基于异构网络分析的工业用户用电行为预测方法，包括：
[0006]S1、获取工业用户的用户特征，并根据所述用户特征构建多源异构数据表，其中，所述用户特征包括基本特征、行为特征和环境特征；
[0007]S2、对所述多源异构数据表进行消歧匹配和数据融合，得到结构化数据；
[0008]S3、挖掘所述结构化数据中所述基本特征、行为特征和环境特征之间的显式关系关联；
[0009]S4、基于所述结构化数据的显示关系关联，利用图卷积神经网络得到所述结构化数据的图网络结构；
[0010]S5、根据所述图网络结构，利用图注意力机制预测工业用户用电量。
[0011]本申请第二方面实施例提出一种基于异构网络分析的工业用户用电行为预测系统，包括：
[0012]获取模块，用于获取工业用户的用户特征，并根据所述用户特征构建多源异构数据表，其中，所述用户特征包括基本特征、行为特征和环境特征；
[0013]第一处理模块，用于对所述多源异构数据表进行消歧匹配和数据融合，得到结构化数据；
[0014]挖掘模块，用于挖掘所述结构化数据中所述基本特征、行为特征和环境特征之间的显式关系关联；
[0015]第二处理模块，用于基于所述结构化数据的显示关系关联，利用图卷积神经网络得到图网络结构；
[0016]预测模块，用于根据所述图网络结构，利用注意力机制预测工业用户用电量。
[0017]本申请第三方面实施例提出的计算机设备，其中，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时，能够实现如上第一方面所述的方法。
[0018]本申请第四方面实施例提出的非临时性计算机可读存储介质，其中，所述非临时性计算机可读存储介质存储有计算机程序；所述计算机程序被处理器执行时实现如上第一方面所示的方法。
[0019]本申请的实施例提供的技术方案至少带来以下有益效果：
[0020]本申请提出的基于异构网络分析的工业用户用电行为预测方法、系统及存储介质中，获取工业用户的用户特征，并根据用户特征构建多源异构数据表，其中，用户特征包括基本特征、行为特征和环境特征，对多源异构数据表进行消歧匹配和数据融合，得到结构化数据，然后挖掘结构化数据中基本特征、行为特征和环境特征之间的显式关系关联，再基于结构化数据的显示关系关联，利用图卷积神经网络得到结构化数据的图网络结构，并根据图网络结构利用图注意力机制预测工业用户的用电量。由此，本申请的实施例中，可以通过启发式规则方法和图卷积神经网络挖掘用户数据中的显示关联关系和图结构网络，从而可以得到用户用电行为之间的相关性，再通过图注意力机制不断迭代预测工业用户的用电量，并对预测出的工业用户的用电量不断修正，提高了预测结果的准确度，进而使得电网高效发挥应有效能，有效提供针对性的电力资源，保证生产效率。
[0021]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0022]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0023]图1为根据本申请一个实施例提供的基于异构网络分析的工业用户用电行为预测方法的流程示意图；
[0024]图2为根据本申请一个实施例提供的利用启发式规则方法挖掘结构化数据中的显式关系关联图；
[0025]图3为根据本申请一个实施例提供的基于异构网络分析的工业用户用电行为预测系统的结构示意图。
具体实施方式
[0026]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0027]本申请提出的基于异构网络分析的工业用户用电行为预测方法、系统及存储介质中，获取工业用户的用户特征，并根据用户特征构建多源异构数据表，其中，用户特征包括基本特征、行为特征和环境特征，对多源异构数据表进行消歧匹配和数据融合，得到结构化数据，然后挖掘结构化数据中基本特征、行为特征和环境特征之间的显式关系关联，再基于
结构化数据的显示关系关联，利用图卷积神经网络得到结构化数据的图网络结构，并根据图网络结构利用图注意力机制预测工业用户的用电量。由此，本申请的实施例中，可以通过启发式规则方法和图卷积神经网络挖掘用户数据中的显示关联关系和图结构网络，从而可以得到用户用电行为之间的相关性，再通过图注意力机制不断迭代预测工业用户的用电量，并对预测出的工业用户的用电量不断修正，提高了预测结果的准确度，进而使得电网高效发挥应有效能，有效提供针对性的电力资源，保证生产效率。
[0028]下面参考附图描述本申请实施例的基于异构网络分析的工业用户用电行为预测方法及系统。
[0029]实施例一
[0030]图1为根据本申请一个实施例提供的基于异构网络分析的工业用户用电行为预测方法的流程示意图，如图1所示，可以包括：
[0031]S1、获取工业用户的用户特征，并根据用户特征构建多源异构数据表。
[0032]需要说明的是，本申请的实施例中，工业用户的用户特征可以通过年度报表、企业官网、企业工商信息数据平台、智能电表反馈、互联网新闻、中国气象地面站数据、公开金融数据等数据源获取。
[0033]其中，本申请的实施例中，工业用户的用户特征可以包括基本特征，行为特征及环境特征。
[0034]具体的，本申请的实施例中，基本特征是静态属性信息，可以包括地理位置、规模、所属行业、所属电力局；行为特征是工业用户用电行为信息，可以包括历史用电量、多相有功功率率、无功功率等；环境特征是外部环境信息，可以包括互联网中企业相关新闻、气象、宏观经济数据。
[0035]S2、对多源异构数据表进行消歧匹配和数据融合，得到结构化数据。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构网络分析的工业用户用电行为预测方法，其特征在于，包括以下步骤：S1、获取工业用户的用户特征，并根据所述用户特征构建多源异构数据表，其中，所述用户特征包括基本特征、行为特征和环境特征；S2、对所述多源异构数据表进行消歧匹配和数据融合，得到结构化数据；S3、挖掘所述结构化数据中所述基本特征、行为特征和环境特征之间的显式关系关联；S4、基于所述结构化数据的显示关系关联，利用图卷积神经网络得到所述结构化数据的图网络结构；S5、根据所述图网络结构，利用图注意力机制预测工业用户用电量。2.如权利要求1中所述的方法，其特征在于，所述对异构数据进行消歧匹配和数据融合包括：利用公式一计算不同用电量节点的相同属性的关系相似度，其中，所述公式一为：其中，A1,A2为两个不同的用电量节点，r
n
为A1出现的全部属性序列，r
′
n
为A2出现的全部属性序列。是节点A1在属性r
n
上的关系属性值。r
n
和r
′
n
为在不同用电量节点中的相同属性。为A1,A2用电量节点在对应属性上的关系相似度。基于不同用电量节点的相同属性的关系相似度，通过相似度聚合函数计算不同用电量节点的最终相似度。3.如权利要求1中所述的方法，其特征在于，所述利用启发式规则方法挖掘所述结构化数据的显式关系关联包括以各类本体作为主节点，通过一步直接关联节点匹配，得到结果
‑
本体
‑
结果的显示关系关联。4.如权利要求1中所述的方法，其特征在于，所述基于所述结构化数据的显示关系关联，利用图卷积神经网络得到所述结构化数据的图网络结构包括以下步骤：初始化每个用电量节点的嵌入向量V
i
，其中，i＝1，2，3，......，N，...

【专利技术属性】
技术研发人员：仇瑜，高云鹏，褚晓泉，朱一凡，唐杰，胡若云，王朝亮，
申请(专利权)人：国网浙江省电力有限公司营销服务中心，
类型：发明
国别省市：