基于深度信念神經網絡的用戶用能需求多線程預測模型

王逸兮，廖榮濤，葉宇軒，王晟瑋，劉芬

（國網湖北省電力有限公司信息通信公司，湖北武漢 430077）

近年來，各個領域的快速發展，促進了我國經濟的發展，同時也導致用能資源的調用出現緊張的局面，為此我國提出節能環保的政策。從根本上解決能耗浪費問題的核心是需求等于供應，而不是供應大于需求[1-2]。

傳統的用戶用能需求多線程預測模型對于實際用能需求的預測結果總是出現偏差，根據預測結果進行用戶用能需求供給，最終對比實際用戶消耗的用能，預測供應量大于實際供應量，出現了用能的浪費[3]。為了解決以上問題，研究一種新的預測模型，實現預期目的。

1 用戶用能需求多線程行為預測分析

用戶用能需求數據對于用戶用能需求預測模型來說十分重要，其具有很大的信息價值，可以為預測模型提供一個正確的預測方向，提高預測模型的預測準確度[4-5]。

盡管用戶用能數據量大，數據的產生途徑不同，但是每個數據之間都存在一定的關聯性，此數據狀態被稱為復雜關聯性，數據關聯性有兩種表現形式：強關聯性和弱關聯性。分析每個有效的用戶用能數據的特點，根據數據的關聯性程度，逐次分析，為預測模型的計算奠定數據基礎[6-7]。

數據的交互性表示的是有效的用戶用能數據之間的交互行為，傳遞方式的不同，使數據的關聯性程度更加密切，有利于用戶用量數據的追蹤。數據的交互傳遞方式如圖1 所示。

圖1 數據的交互傳遞方式

數據的商業價值指的是一定周期內的用戶用能的總需求量中，一部分用于商業領域，通過分析商業的發展狀態，也可以分析出用戶用能需求的趨勢，在數據關聯分析時，一定要注意分析方法，才可以正確地分析出有效信息，否則信息的有效性將不具有意義[8]。

用戶用能的維度是由數據的存在格式決定的，數據的維度等級越高，那么數據信息所隱藏的信息量越大，數據的維度特征可以為預測模型提供強大的預測數據基礎，但是同時會增加預測模型的計算量[9-12]。

用戶用能需求數據的真實有效性，可以決定預測模型的預測準確性，因此用戶用能需求數據的獲取來源途徑十分重要。該文采用智能設備監測、消費者以往的用能數據記錄、系統運行數據、客戶服務數據、社會數據5 種獲取方式完成用戶用能需求數據的采集。

采用智能設備監測用戶用能需求數據的方式具有便利性，監測核心設備是傳感器。在對用戶用能需求預測時，根據用戶以往的用能數據能夠確定基本的預測方向。

用戶用能行為聚類流程如圖2 所示。

圖2 用戶用能行為聚類流程

系統的運行數據主要通過記錄用戶用能數據的公共設備來采集。社會數據獲取途徑包括天氣因素影響和節假日影響，平常用戶用能的總量出現的波動不大，只有受到外界特殊因素的干擾時，用戶用能的需求量才會有所波動，此用戶用能需求量的獲取不可忽略，一旦忽略對于模型的預測結果將出現偏差[13-14]。

2 用戶用能需求多線程預測模型

深度信念神經網絡技術是顯現層和隱藏層共同構建的一個多層神經網絡，通過不同層次的神經元之間的權重處理計算，對于已有的數據樣本根據深度計算方式，完成最大程度的數據預測還原。深度信念神經網絡可以用于監督學習領域也可以應用于非監督學習領域，因為技術的特殊性，應用的領域在不斷地擴大。對于該文設計的用戶用能需求多線程預測模型，首先用深度信念神經網絡對于需要預測區域用戶用能已經發生的數據進行無監督學習特征提取和訓練；然后利用監督神經網絡對于采集的用戶用能數據進行網絡構建，最后采用聯合微調的方式對構建的數據樣本進行全局優化，實現分析目的。深度信念神經網絡模型結構圖如圖3 所示。

圖3 深度信念神經網絡模型結構圖

歸一公式如下所示：

其中，k表示網絡層級數，其取值范圍為1～5；i表示節點個數，其取值范圍為1～9。

然后調用深度信念神經網絡技術對有效的數據標本進行學習訓練，根據需要預測用能的基本類型，確定用戶用能需求樣本數據的計算維度（統稱為步長），取值范圍為0～1，步長取值的計算公式如下：

其中，LA、LC分別表示預測神經網絡輸出的數據個數和樣本數據個數。

神經網絡中神經元結構如圖4 所示。

圖4 神經網絡中神經元結構

對用戶用能需求樣本預測數據的訓練過程需要計算顯現層任意一節點的輸入輸出值，兩項計算公式分別如下：

其中，式（3）為節點的輸出計算公式，式（4）為節點的輸入計算公式。br表示顯現層第r個節點的輸出；y1表示隱藏層的輸出；wij表示隱藏層第i個節點與顯現層第j個節點的連接權值；vr1表示隱藏層第r個節點與顯現層節點的連接權值；θr表示隱藏層第r個節點的閾值；θi顯現層第i個節點的閾值；f表示S型函數[15]。

經過以上深度信念神經網絡對樣本的訓練學習，然后將輸出數據樣本的預測值與期望輸出值進行誤差計算，計算期望輸出值的公式如下：

其中，y1表示深度信念網絡的輸出函數。計算兩者的反向誤差如下：

按照以上公式無限循環地對深度信念神經網絡節點內部隱藏層和顯現層節點的連接權值和補償進行調整計算，用戶用能需求樣本數據的預測值和期望值誤差符合規定后，用戶用能需求多線程預測模型將輸出預測結果，結束預測[16-20]。

3 實驗分析

為了檢驗該文預測模型的有效性和準確性，進行了對比實驗驗證。實驗樣本采用沈陽市和平區某居民樓小區的用戶用能情況，實驗目的是根據2020年9 月至2020 年12 月用戶用能需求的實際情況，預測出2021 年1 月用戶的用能需求量。

用戶用能的類型有很多，在實驗前采取隨機抽簽方式確定實驗預測用戶用能的類型，實驗分析中采用兩部分對照數據完成最終的結論確定，一方面是采用存儲在數據庫內真實的用戶用能需求量作為對照數據，另一方面引入兩個通過專業部門認證的用戶用能需求多線程預測模型，共同完成實驗。與傳統預測模型的預測結果進行對照，得出該文多線程預測模型的性能。采用基于多源異構大數據分析的用戶用能需求多線程預測模型和基于組合分析的用戶用能需求多線程預測模型作為傳統方法的預測模型，共同完成預測試驗。

首先將3 個預測模型在相應的運行環境中運行測試，為防止由于系統錯誤影響實驗進行，每個運行環境中都自動載入了需要預測實例的準備數據信息，然后同一時間觸發各個用戶用能需求多線程預測模型，在此過程中計算機會記錄與預測模型性能分析相關的數據，當3 個預測模型都提交了相應問題的預測結果后，停止實驗數據的記錄，結束實驗，整理實驗場地和數據，進行實驗結論的論述。

實驗計算機分別記錄了3 種預測模型運行的時間、運行過程中相關數據分析記錄、預測結果以及預測調用的相關數據，經過精確整理，得出相關的實驗結果如表1 和圖5 所示。

圖5 預測結果準確性實驗結果

表1 預測時間實驗結果

1）3 個預測模型實驗中，基于組合分析的用戶用能需求多線程預測模型完成時間最長，基于多源異構大數據分析的用戶用能需求多線程預測模型完成時間最短；

2）與2021 年1 月此小區內居民用戶用能需求的實際量進行對比后，基于深度信念神經網絡的用戶用能需求多線程預測模型預測的結果精準度最高，達到99%，基于組合分析的用戶用能需求多線程預測模型預測的精準度最低；

3）在實驗過程中，3 個預測模型的預測結果與實際用戶用能需求的比值都符合我國規定的預測誤差值；

4）對比3 個預測模型，該文提出的線程預測模型的數據分析量少，分析復雜度最低，并且分析具有邏輯感，復檢流程清晰。

經過以上實驗結論的分析，可以直接得出基于深度信念神經網絡的用戶用能需求多線程預測模型的預測精準度高、收斂速度快、預測流程簡單化，不容易出現預測誤差，是最佳的用戶用能需求多線程預測模型。

4 結束語

根據以上的實驗分析，基于深度信念神經網絡的用戶用能需求多線程預測模型達到了規定預測的準則，并且該文設計的預測模型比基于組合分析的用戶用能需求多線程預測模型的預測精準度更高，且效率更高，更適合應用于實際生產生活中，對于電網預測有一定的參考意義。