一种基于用户画像数据模型的短期用电量预测算法制造技术

本发明专利技术提供了一种基于用户画像数据模型的短期用电量预测算法，包括以下步骤：用户数据整合。用户数据可分为静态数据与动态数据，静态数据指用户的基本信息，动态数据指每天用电量、业扩信息。行业特性分析。基于用户基础数据按行业分类，对数据进行细化，建立行业用电曲线方程式。提高数据精度。构造特性用户画像数据模型。构建函数模型。基于用户画像信息，使用回归分析算法、指数平滑法计算用户用电量。构建短期用电量组合方法预测模型。组合方法预测模型的关键点在与权重的取值，基于Spark分布式平台进行模型训练和调优。本发明专利技术降低了人工智能算法在中压有源配电网重构寻优的复杂程度，提高了算法的灵活性，提升了计算的效率。提升了计算的效率。

【技术实现步骤摘要】
一种基于用户画像数据模型的短期用电量预测算法


[0001]本专利技术涉及一种基于用户画像数据模型的短期用电量预测算法，属于电量预测


技术介绍

[0002]随着互联网技术、大数据的应用与发展，客户消费心智不断提升，客户对供电服务质量的要求也越来越高，用电选择也逐渐多样化。因此及时准确了解客户心声、快速应对、提高客户满意度和市场占有率，获得商业服务模式的创新，已经成为国家电网公司面临的重大挑战。目前国家电网公司已经积累了大量的客户信息、用电信息等，分析、应用用户的海量数据，深层次挖掘用户数据蕴含的价值，成为国家电网公司必须面对的课题。用户画像是真实用户的数据模型，通过构建用户画像的方式来对用户的信息标签化，收集其社会属性、历史行为等信息，借助大数据分析方法打造出用户的一个商业全貌。通过用户画像更加深入、精准的了解用户行为，测算用电量，从而进行后续相关的销售、合作等工作。
[0003]现有的用户画像生成方法中，用户画像并没有统一的模板，缺乏行业分析经验，对用户的数据分析不全面，不能充分体现用户的特征，从而导致构建的用户画像不能很好地反映用户的全貌。

技术实现思路

[0004]本专利技术目的是提供了一种建筑保温模板，不仅结构牢固不易分离，而且施工方便。
[0005]本专利技术为实现上述目的，通过以下技术方案实现：
[0006]一种基于用户画像数据模型的短期用电量预测算法，包括以下步骤：
[0007]1)用户数据整合，基于大数据模式对用户画像进行收集整合，在spark构建用户画像；
[0008]2)融合行业特性，以历史数据为基础，借助大数据分析方法深度分析数据类型，按时间、气候、行业形成用电曲线方程式，即二次函数；
[0009]3)构造用户画像基础数据模型，基于零散的数据形成结构化的数据，建立数据的关联函数，将隐藏在数据中的关联网绘制成为数据模型；
[0010]4)构建用户短期用电预测函数模型，使用回归分析预测法计算处理量x及用电量y 之间的线性关系方程式，使用指数平滑预测法完成短期用电量测算；
[0011]5)构建短期用电量组合方法预测模型，具体公式如下：
[0012]Y＝λX1+wX2+λe1+we2,(λ+w＝1)
[0013]式中Y为用户用电量，X1为回归分析预测法计算的用电量，e1为平均误差，e1＝Σ(历史实际用电量
‑
利用回归分析预测法计算历史用电量)/历史数据个数，X2为二次指数平滑法计算的用电量，e2为平均误差，e2＝Σ(历史实际用电量
‑
利用二次指数平滑法计算历史用电量)
[0014]优选的，所述回归分析预测法具体步骤如下：
[0015]1)建立一元线性模型：yt＝β
ix
t+β0+εt，i＝1，2，...，N
[0016]式中：β
ixt
+β0表示y随x的变化而线性变化的部分，εt是一切随机因素影响的总和，也称随机误差，ε服从正态分布N(0，δ2)，X是一个随机变量，其数学期望是处理量X的线性函数：
[0017]E(y)＝β
1x
+β0[0018]即用电量Y与处理量X的相关关系式；
[0019]各εt是相互独立：E(εt)＝0，方差Var(εt)＝δ2，i＝1，2，3，...，11；
[0020]2)求解β1、β0，得到处理量x及用电量y之间的线性关系方程式；
[0021]β1、β0为最小二乘准则系数，计算方法如下所示
[0022]依据最小二乘准则使β1和β0的非负二元函数Q(β1、β0)达到最小条件下求出β1和β0，具体公式如下：
[0023]Q(β1、β0)＝∑(y
i
‑
i)2＝∑[y
i
‑
(β
1xi
+β0)]2
[0024]解得β1和β0：
[0025]β0＝∑y
i
‑
β1∑x
i
[0026]β1＝i∑x
i
y
i
‑
∑x
i
*∑y
ii
∑x2‑
(∑x)2。
[0027]式中Y为用户用电量，X为二次指数平滑法计算的用电量。
[0028]优选的，所述指数平滑预测法采用二次指数平滑法具体步骤如下：
[0029]S
t(2)
＝aS
t(1)
+(1
‑
a)S
t
‑
1(2)
[0030]式中S
t(2)
为第t周期的二次指数平滑值，S
t(1)
为第t周期的一次指数平滑值，S
t
‑
1(2)
为第t
‑
1周期的二次指数平滑值，a为加权系数。
[0031]优选的，所述步骤1中数据整合中静态数据主要通过定时任务进行数据同步，同步时间设置在凌晨，动态数据通过消息中间件进行同步，编写数据清洗程序，筛选脏数据、缺失数据。
[0032]优选的，所述步骤3中建立数据的关联函数通过简单关联、时序关联、因果关联三者大数据关联分析方法。
[0033]本专利技术的优点在于：本专利技术通过整合时空信息、中压有源配电网物理设备信息、区域负荷数据等构建数据模型，将时间信息作为是否重构的判断条件，将空间信息作为人工智能算法寻优的约束条件，降低了人工智能算法在中压有源配电网重构寻优的复杂程度，提高了算法的灵活性，提升了计算的效率。
具体实施方式
[0034]下面将结合本专利技术实施例，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。
[0035]步骤1：用户数据整合。基于大数据模式对用户画像进行收集整合，在spark构建用户画像，其中静态数据主要通过定时任务进行数据同步，同步时间设置在凌晨，动态数据通过消息中间件进行同步。编写数据清洗程序，筛选脏数据、缺失数据，保障数据的准确性。
[0036]步骤2：构造用户画像基础数据模型。基于零散的数据形成结构化的数据，通过简
单关联、时序关联、因果关联三者大数据关联分析方法,建立数据的关联函数，将隐藏在数据中的关联网绘制成为数据模型。
[0037]步骤3：构建用户短期用电预测函数模型。
[0038](1)回归分析预测法
[0039]公式:yi＝β
1x
+β0+ε
[0040]其中β
1x
+β0表示y随x的变化而线性变化的部分，ε是一切随机因素影响的总和，有时也称随机误差，并假定其数学期望E(ε)＝0，方差Var(ε)＝δ2，
[0041]ε服从正态分布N(0，δ2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户画像数据模型的短期用电量预测算法，其特征在于，包括以下步骤：1)用户数据整合，基于大数据模式对用户画像进行收集整合，在spark构建用户画像；2)融合行业特性，以历史数据为基础，借助大数据分析方法深度分析数据类型，按时间、气候、行业形成用电曲线方程式，即二次函数；3)构造用户画像基础数据模型，基于零散的数据形成结构化的数据，建立数据的关联函数，将隐藏在数据中的关联网绘制成为数据模型；4)构建用户短期用电预测函数模型，使用回归分析预测法计算处理量x及用电量y之间的线性关系方程式，使用指数平滑预测法完成短期用电量测算；5)构建短期用电量组合方法预测模型，具体公式如下：Y＝λX1+wX2+λe1+we2,(λ+w＝1)式中Y为用户用电量，X1为回归分析预测法计算的用电量，e1为平均误差，e1＝Σ(历史实际用电量
‑
利用回归分析预测法计算历史用电量)/历史数据个数，X2为二次指数平滑法计算的用电量，e2为平均误差，e2＝Σ(历史实际用电量
‑
利用二次指数平滑法计算历史用电量)；λ取值范围如下：第一产业取值0.1
‑
0.2，第二产业取值0.5
‑
0.7，第三产业取值0.1
‑
0.2；w取值范围取值范围如下：第一产业取值0.8
‑
0.9，第二产业取值0.3
‑
0.5，第三产业取值0.8
‑
0.9。2.根据权利要求1所述的基于用户画像数据模型的短期用电量预测算法，其特征在于，所述回归分析预测法具体步骤如下：1)建立一元线性模型：yt＝β
ix
t+β0+εt，i＝1，2，...，N式中：β
ixt
+β0表示y随x的变化而线性变化的部分，εt是一切随机因素影响的总和，也称随机误差，ε服从正态分布N(0，δ2)，X是一个随机变量，其数学期望是处理量X的线性函数：E(y)＝β
1x
+β0即用电量Y与处理量X的相关关系式；...

【专利技术属性】
技术研发人员：刘春秀，房牧，李龙潭，张玉琪，刘奕敏，刘璇，周在彦，
申请(专利权)人：国网山东省电力公司国网山东省电力公司德州供电公司，
类型：发明
国别省市：