一种基于概率预测的企业安全生产用电监测方法技术

本发明专利技术公开了一种基于概率预测的企业安全生产用电监测方法，包括：步骤1：基于企业用电数据的周期性特点和时序性构造相关的输入特征，并对构造的输入特征进行划分得到训练集和测试集；步骤2：利用步骤1构造的输入特征，使用注意力网络和概率预测拟合企业用电概率密度函数；步骤3：根据步骤2拟合的概率密度函数计算得到企业用电阈值，从而确定企业当前用电情况。本发明专利技术能有效估计企业用电概率密度函数，保证得到的企业用电阈值能很好地应用与企业安全生产用电监测。业安全生产用电监测。业安全生产用电监测。

【技术实现步骤摘要】
一种基于概率预测的企业安全生产用电监测方法


[0001]本专利技术涉及电力领域，涵盖信息安全、统计分析、电力大数据分析等技术，具体是一种基于概率预测的企业安全生产用电监测方法。

技术介绍

[0002]传统的企业安全生产用电监测中，企业用电情况分析常常是人工处理，而且需要有经验的人作指导。这往往是低效的，最终效果也不一定好。利用时间特征做线性回归或者进行时序建模如指数平滑模型、自回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARMA)、差分自回归移动平均模型(ARIMA)评估分析企业用电情况，可一定程度减少人工工作量，降低企业用电分析的难度。
[0003]回归等方式估计的只是企业用电的具体值，在企业用电存在较大波动时效果较差，而概率预测充分考虑预测的不确定性，根据时间序列的历史值估计其概率分布，给出额外的分位数信息，在应急管理等决策问题方面具有优势，也被越来越多的人关注。Pinson等人讨论了概率预测需要什么样的特性，以及如何进行评估。Anastasiades等结合不同的指数，使用分位数回归模型生成短时概率预测。Hatalis等人提出使用神经网络最小化弹球损失函数(pinball)，同时估计多个分位数，但这个方法不能保证最终得到的分位数不会交叉。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种基于概率预测的企业安全生产用电监测方法，其估计的密度函数与实际分布的误差比较小，相比于传统的企业用电监测方法本专利技术确定的企业用电阈值更合理，用于判断企业用电情况的效果更好。
[0005]本专利技术所采用的技术方案是：
[0006]一种基于概率预测的企业安全生产用电监测方法，包括如下步骤：
[0007]步骤1：基于企业用电数据的周期性特点和时序性构造相关的输入特征，并对构造的输入特征进行划分得到训练集和测试集；
[0008]步骤2：利用步骤1构造的输入特征，使用注意力网络和概率预测拟合企业用电概率密度函数；
[0009]步骤3：根据步骤2拟合的概率密度函数计算得到企业用电阈值，从而确定企业当前用电情况。
[0010]进一步的，步骤1基于企业用电数据的周期性特点和时序性构造相关的输入特征，并对构造的输入特征进行划分得到训练集和测试集，具体实现包括以下子步骤：
[0011]步骤1.1：基于企业用电数据的周期性特点和时序性，构造时间相关的特征，具体的，为捕捉年相关性或季度相关性，计算皮尔逊相关系数cor，并作为特征输入：
[0012][0013]其中，z
i
是企业用电数据，是企业一年前或一个季度前用电的平均值，z
i+lag
是从开始时间往后一年或一个季度的用电数据，表示z
i+lag
的平均值；
[0014]将滞后3、6、9和12个月的用电数据作为特征输入，构造完这些特征后，将所有特征进行标准化，其中星期的标准化采用三角变换，即：
[0015][0016]dow＝[cos(dow
norm
),sin(dow
norm
)][0017]其中，dow
init
是原始的星期数，dow
norm
是标准化之后的星期特征，dow是方法的输入；
[0018]步骤1.2：对步骤1.1构造的输入特征进行划分，得到训练集和测试集，设置训练窗口大小win
train
和预测窗口大小win
pre
，假设t0之前企业的日用电量已知，从开始时间到t0‑
win
train
‑
win
pre
之间，随机选择一个点作为开始时间，截取(win
train
+win
pre
)固定长度的时间序列，重复上述过程，得到样本，对于测试集中的样本，训练窗口的数据是t0之前的数据，预测窗口的数据是t0之后的数据。
[0019]进一步的，步骤2在拟合概率密度函数的过程中，假设企业用电服从高斯分布，整个模型按编码器
‑
解码器方式构建，模型训练采用CRPS损失，最终得到高斯分布概率密度函数的均值和方差，具体实现包括以下子步骤：
[0020]步骤2.1:使用注意力网络和概率预测求解概率密度函数
[0021]在第t步，t
‑
1时刻的企业用电量z
t
‑1、t时刻的输入特征x
t
和t
‑
1步的隐状态h
t
‑1是输入，z
t
是输出：
[0022]h
t
＝H(h
t
‑1,z
t
‑1,x
t
|Θ)
[0023]e
ij
＝a(s
i
‑1,h
j
)
[0024][0025][0026]其中，H是由参数Θ表示的状态转移函数，a注意力打分函数，将编码器中j时刻的隐状态和解码器i的前一个隐状态进行比较，得到它们的匹配度e
ij
，所有的注意力得分和为1，利用softmax函数进行归一化，对每一个隐状态进行加权求和，得到注意力值c
i
，再将h
t
输入到一个全连接网络求解高斯分布概率密度函数的均值和方差：
[0027][0028][0029]其中，μ(h
t
)表示企业用电高斯分布的均值，σ(h
t
)表示企业用电高斯分布的方差；
[0030]步骤2.2:构造损失函数
[0031]模型训练采用CRPS损失函数得到步骤2.1概率密度函数的参数，即企业用电高斯
分布的均值和方差：
[0032][0033]其中，
[0034][0035]Λ
α
(q,z)＝(α
‑
λ
[z<q])(z
‑
q)
[0036]其中z
i
是企业用电数据，由模型参数确定的分位数函数，F
‑1是分位数函数，λ
[z<q]表示指示函数，当z<q的时候，λ
[z<q]的值为1，否则，为0；α是目标分位数，q是分位数预测值；CRPS损失用来评价实际分布与预测分布之间的差异，每求解一组均值和方差，就计算一次损失函数，使损失函数最小的那组均值和方差即为最终得到的高斯分布概率密度函数的均值和方差。
[0037]进一步的，步骤3计算企业用电阈值，分析企业用电情况的具体实现包括以下子步骤：
[0038]步骤3.1：通过概率密度函数计算得到企业用电的最大阈值和最小阈值；
[0039]步骤3.2：根据步骤3.1得到的企业用电最大阈值和最小阈值，确定企业当前用电情况。
[0040]进一步的，步骤3.1具体包括：在计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率预测的企业安全生产用电监测方法，其特征在于利用概率预测估计企业用电概率密度函数，包括以下步骤：步骤1：基于企业用电数据的周期性特点和时序性构造相关的输入特征，并对构造的输入特征进行划分得到训练集和测试集；步骤2：利用步骤1构造的输入特征，使用注意力网络和概率预测拟合企业用电概率密度函数；步骤3：根据步骤2拟合的概率密度函数计算得到企业用电阈值，从而确定企业当前用电情况。2.根据权利要求1所述的基于概率预测的企业安全生产用电监测方法，其特征在于：步骤1基于企业用电数据的周期性特点和时序性构造相关的输入特征，并对构造的输入特征进行划分得到训练集和测试集，具体实现包括以下子步骤：步骤1.1：基于企业用电数据的周期性特点和时序性，构造时间相关的特征，具体的，为捕捉年相关性或季度相关性，计算皮尔逊相关系数cor，并作为特征输入：其中，z
i
是企业用电数据，是企业一年前或一个季度前用电的平均值，z
i+lag
是从开始时间往后一年或一个季度的用电数据，表示z
i+lag
的平均值；将滞后3、6、9和12个月的用电数据作为特征输入，构造完这些特征后，将所有特征进行标准化，其中星期的标准化采用三角变换，即：dow＝[cos(dow
norm
),sin(dow
norm
)]其中，dow
init
是原始的星期数，dow
norm
是标准化之后的星期特征，dow是方法的输入；步骤1.2：对步骤1.1构造的输入特征进行划分，得到训练集和测试集，设置训练窗口大小win
train
和预测窗口大小win
pre
，假设t0之前企业的日用电量已知，从开始时间到t0‑
win
train
‑
win
pre
之间，随机选择一个点作为开始时间，截取(win
train
+win
pre
)固定长度的时间序列，重复上述过程，得到样本，对于测试集中的样本，训练窗口的数据是t0之前的数据，预测窗口的数据是t0之后的数据。3.根据权利要求1所述的基于概率预测的企业安全生产用电监测方法，其特征在于：步骤2在拟合概率密度函数的过程中，假设企业用电服从高斯分布，整个模型按编码器
‑
解码器方式构建，模型训练采用CRPS损失，最终得到高斯分布概率密度函数的均值和方差，具体实现包括以下子步骤：步骤2.1:使用注意力网络和概率预测求解概率密度函数；在第t步，t
‑
1时刻的企业用电量z
t
‑1、t时刻的输入特征x
t
和t
‑
1步的隐状态h

【专利技术属性】
技术研发人员：谢宗钊，郭志刚，徐文峰，
申请(专利权)人：国网湖北省电力有限公司，
类型：发明
国别省市：