基于深度信念神经网络的用户用能需求多线程预测模型

王逸兮，廖荣涛，叶宇轩，王晟玮，刘芬

（国网湖北省电力有限公司信息通信公司，湖北武汉 430077）

近年来，各个领域的快速发展，促进了我国经济的发展，同时也导致用能资源的调用出现紧张的局面，为此我国提出节能环保的政策。从根本上解决能耗浪费问题的核心是需求等于供应，而不是供应大于需求[1-2]。

传统的用户用能需求多线程预测模型对于实际用能需求的预测结果总是出现偏差，根据预测结果进行用户用能需求供给，最终对比实际用户消耗的用能，预测供应量大于实际供应量，出现了用能的浪费[3]。为了解决以上问题，研究一种新的预测模型，实现预期目的。

1 用户用能需求多线程行为预测分析

用户用能需求数据对于用户用能需求预测模型来说十分重要，其具有很大的信息价值，可以为预测模型提供一个正确的预测方向，提高预测模型的预测准确度[4-5]。

尽管用户用能数据量大，数据的产生途径不同，但是每个数据之间都存在一定的关联性，此数据状态被称为复杂关联性，数据关联性有两种表现形式：强关联性和弱关联性。分析每个有效的用户用能数据的特点，根据数据的关联性程度，逐次分析，为预测模型的计算奠定数据基础[6-7]。

数据的交互性表示的是有效的用户用能数据之间的交互行为，传递方式的不同，使数据的关联性程度更加密切，有利于用户用量数据的追踪。数据的交互传递方式如图1 所示。

图1 数据的交互传递方式

数据的商业价值指的是一定周期内的用户用能的总需求量中，一部分用于商业领域，通过分析商业的发展状态，也可以分析出用户用能需求的趋势，在数据关联分析时，一定要注意分析方法，才可以正确地分析出有效信息，否则信息的有效性将不具有意义[8]。

用户用能的维度是由数据的存在格式决定的，数据的维度等级越高，那么数据信息所隐藏的信息量越大，数据的维度特征可以为预测模型提供强大的预测数据基础，但是同时会增加预测模型的计算量[9-12]。

用户用能需求数据的真实有效性，可以决定预测模型的预测准确性，因此用户用能需求数据的获取来源途径十分重要。该文采用智能设备监测、消费者以往的用能数据记录、系统运行数据、客户服务数据、社会数据5 种获取方式完成用户用能需求数据的采集。

采用智能设备监测用户用能需求数据的方式具有便利性，监测核心设备是传感器。在对用户用能需求预测时，根据用户以往的用能数据能够确定基本的预测方向。

用户用能行为聚类流程如图2 所示。

图2 用户用能行为聚类流程

系统的运行数据主要通过记录用户用能数据的公共设备来采集。社会数据获取途径包括天气因素影响和节假日影响，平常用户用能的总量出现的波动不大，只有受到外界特殊因素的干扰时，用户用能的需求量才会有所波动，此用户用能需求量的获取不可忽略，一旦忽略对于模型的预测结果将出现偏差[13-14]。

2 用户用能需求多线程预测模型

深度信念神经网络技术是显现层和隐藏层共同构建的一个多层神经网络，通过不同层次的神经元之间的权重处理计算，对于已有的数据样本根据深度计算方式，完成最大程度的数据预测还原。深度信念神经网络可以用于监督学习领域也可以应用于非监督学习领域，因为技术的特殊性，应用的领域在不断地扩大。对于该文设计的用户用能需求多线程预测模型，首先用深度信念神经网络对于需要预测区域用户用能已经发生的数据进行无监督学习特征提取和训练；然后利用监督神经网络对于采集的用户用能数据进行网络构建，最后采用联合微调的方式对构建的数据样本进行全局优化，实现分析目的。深度信念神经网络模型结构图如图3 所示。

图3 深度信念神经网络模型结构图

归一公式如下所示：

其中，k表示网络层级数，其取值范围为1～5；i表示节点个数，其取值范围为1～9。

然后调用深度信念神经网络技术对有效的数据标本进行学习训练，根据需要预测用能的基本类型，确定用户用能需求样本数据的计算维度（统称为步长），取值范围为0～1，步长取值的计算公式如下：

其中，LA、LC分别表示预测神经网络输出的数据个数和样本数据个数。

神经网络中神经元结构如图4 所示。

图4 神经网络中神经元结构

对用户用能需求样本预测数据的训练过程需要计算显现层任意一节点的输入输出值，两项计算公式分别如下：

其中，式（3）为节点的输出计算公式，式（4）为节点的输入计算公式。br表示显现层第r个节点的输出；y1表示隐藏层的输出；wij表示隐藏层第i个节点与显现层第j个节点的连接权值；vr1表示隐藏层第r个节点与显现层节点的连接权值；θr表示隐藏层第r个节点的阈值；θi显现层第i个节点的阈值；f表示S型函数[15]。

经过以上深度信念神经网络对样本的训练学习，然后将输出数据样本的预测值与期望输出值进行误差计算，计算期望输出值的公式如下：

其中，y1表示深度信念网络的输出函数。计算两者的反向误差如下：

按照以上公式无限循环地对深度信念神经网络节点内部隐藏层和显现层节点的连接权值和补偿进行调整计算，用户用能需求样本数据的预测值和期望值误差符合规定后，用户用能需求多线程预测模型将输出预测结果，结束预测[16-20]。

3 实验分析

为了检验该文预测模型的有效性和准确性，进行了对比实验验证。实验样本采用沈阳市和平区某居民楼小区的用户用能情况，实验目的是根据2020年9 月至2020 年12 月用户用能需求的实际情况，预测出2021 年1 月用户的用能需求量。

用户用能的类型有很多，在实验前采取随机抽签方式确定实验预测用户用能的类型，实验分析中采用两部分对照数据完成最终的结论确定，一方面是采用存储在数据库内真实的用户用能需求量作为对照数据，另一方面引入两个通过专业部门认证的用户用能需求多线程预测模型，共同完成实验。与传统预测模型的预测结果进行对照，得出该文多线程预测模型的性能。采用基于多源异构大数据分析的用户用能需求多线程预测模型和基于组合分析的用户用能需求多线程预测模型作为传统方法的预测模型，共同完成预测试验。

首先将3 个预测模型在相应的运行环境中运行测试，为防止由于系统错误影响实验进行，每个运行环境中都自动载入了需要预测实例的准备数据信息，然后同一时间触发各个用户用能需求多线程预测模型，在此过程中计算机会记录与预测模型性能分析相关的数据，当3 个预测模型都提交了相应问题的预测结果后，停止实验数据的记录，结束实验，整理实验场地和数据，进行实验结论的论述。

实验计算机分别记录了3 种预测模型运行的时间、运行过程中相关数据分析记录、预测结果以及预测调用的相关数据，经过精确整理，得出相关的实验结果如表1 和图5 所示。

图5 预测结果准确性实验结果

表1 预测时间实验结果

1）3 个预测模型实验中，基于组合分析的用户用能需求多线程预测模型完成时间最长，基于多源异构大数据分析的用户用能需求多线程预测模型完成时间最短；

2）与2021 年1 月此小区内居民用户用能需求的实际量进行对比后，基于深度信念神经网络的用户用能需求多线程预测模型预测的结果精准度最高，达到99%，基于组合分析的用户用能需求多线程预测模型预测的精准度最低；

3）在实验过程中，3 个预测模型的预测结果与实际用户用能需求的比值都符合我国规定的预测误差值；

4）对比3 个预测模型，该文提出的线程预测模型的数据分析量少，分析复杂度最低，并且分析具有逻辑感，复检流程清晰。

经过以上实验结论的分析，可以直接得出基于深度信念神经网络的用户用能需求多线程预测模型的预测精准度高、收敛速度快、预测流程简单化，不容易出现预测误差，是最佳的用户用能需求多线程预测模型。

4 结束语

根据以上的实验分析，基于深度信念神经网络的用户用能需求多线程预测模型达到了规定预测的准则，并且该文设计的预测模型比基于组合分析的用户用能需求多线程预测模型的预测精准度更高，且效率更高，更适合应用于实际生产生活中，对于电网预测有一定的参考意义。