[0001] 本发明涉及电力管理技术领域，尤其涉及一种基于深度学习的电力用户行为预测方法及系统。

[0002] 电力用户行为预测是指利用历史的电力使用数据，预测未来某一时间段内的电力用户的电力需求量或者电力使用模式，进而便于电力供应商、电网运营者和政府部门能够做出相应的规划和决策，实现电力系统的经济、安全和可持续发展。

[0003] 现有的电力用户行为预测是采用规则预测法，该方法是从收集到的数据中提取相关特征，例如，天气特征可以是温度、湿度、风力等，日期时间特征可以是星期几、节假日等，基于经验知识和领域专家的意见，制定一系列规则来预测用户用电量，这些规则通常是基于先前观察到的模式和关联性建立的，根据当前的天气情况和日期时间特征，将数据输入到预定义的规则中进行推断，根据满足条件的规则，得出对用户用电量的预测结果，但是该方法依赖于事先制定的规则，无法捕捉到复杂的数据关系和非线性模式，进而导致电力用户行为预测的准确性降低。

[0065] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0066] 本申请实施例提供一种基于深度学习的电力用户行为预测方法。本申请实施例中，所述一种基于深度学习的电力用户行为预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种基于深度学习的电力用户行为预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

[0067] 参照图1所示，为本发明一实施例提供的一种基于深度学习的电力用户行为预测方法的流程示意图。在本实施例中，所述一种基于深度学习的电力用户行为预测方法包括步骤S1—S5。

[0068] S1、获取电力用户对应的电力消费数据和电力消费目的，对所述电力消费数据进行规范化处理，得到目标电力数据，根据所述电力消费目的，分析出所述电力用户对应的电力消费行为。

[0069] 本发明通过对所述电力消费数据进行规范化处理，可以识别和纠正电力消费数据中的错误或异常数据，以提高所述电力消费数据对应的数据质量，为后续电力深度学习模型对数据分析的准确性，其中，所述电力消费数据是所述电力用户对应的历史电力使用数据，如用电量数据，表示所述电力用户在一定时间段内消耗的电能量。

[0070] 作为本发明的一个实施例，所述对所述电力消费数据进行规范化处理，得到目标电力数据，包括：对所述电力消费数据进行数据清洗，得到清洗电力数据，对所述清洗电力数据进行平滑处理，得到平滑电力数据，计算所述平滑电力数据对应的电力平均值和电力标准差，结合所述电力平均值和所述电力标准差，通过下述公式对所述平滑电力数据进行规范化处理，得到目标电力数据：

[0071]

[0072] 其中，A表示目标电力数据，Ba表示平滑电力数据中第a个电力数据，a表示平滑电力数据对应的数据序列号，D表示电力平均值，β表示电力标准差。

[0073] 其中，所述清洗电力数据是所述电力消费数据中的不完整、重复或无效的数据去除后得到的数据，所述平滑电力数据是所述清洗电力数据中的噪声经过抑制后的数据，可选的，所述电力消费数据的数据清洗可以通过箱线图实现；所述清洗电力数据的平滑处理可以通过Savitzky‑Golay滤波器实现。

[0074] 本发明根据所述电力消费目的，分析出所述电力用户对应的电力消费行为，可以了解所述电力用户在使用电力方面的行为模式，进而分析所述电力用户的用电行为偏好，其中，所述电力消费行为是所述电力用户对应的用电习惯，例如用于生产制造的设备供电或者日常生活的电力需求的电力行为。

[0075] 作为本发明的一个实施例，所述根据所述电力消费目的，分析出所述电力用户对应的电力消费行为，包括：挖掘所述电力消费目的对应的目的描述信息，计算所述目的描述信息对应的信息熵值，根据所述信息熵值，提取所述目的描述信息中的特征描述信息，根据所述特征描述信息，从预设行为映射表中确定所述电力用户对应的电力消费行为。

[0076] 其中，所述目的描述信息是所述电力消费目的对应的描述和解释的信息，所述信息熵值表示所述目的描述信息对应的不确定度，所述信息熵值越高，则表示对应的数据混乱程度越高，意味着对应的数据包含更多的信息，所述特征描述信息是所述目的描述信息中的代表性信息，所述预设行为映射表是构建的用电行为统计表格。

[0077] 可选的，所述电力消费目的对应的目的描述信息的挖掘可以通过聚类分析挖掘算法实现，通过识别出所述电力消费目的对应的文本信息，对文本信息进行语义解析，进而得到对应的目的描述信息；所述目的描述信息对应的信息熵值的计算可以通过香浓熵公式实现；所述目的描述信息中的特征描述信息可以根据所述信息熵值的数值大小进行提取，例如提取最大信息熵值对应的目的描述信息；从预设行为映射表中确定所述电力用户对应的电力消费行为的步骤为：提取出所述特征描述信息中的信息关键字，将信息关键字与预设行为映射表中的信息字符进行比对，以此确定所述电力用户对应的电力消费行为。

[0078] S2、识别出所述目标电力数据对应的数据时序，将所述目标电力数据输入到预先训练好的电力深度学习模型中，根据所述数据时序和所述目标电力数据，利用所述电力深度学习模型中的卷积神经网络分析出所述电力用户对应的用电时序特征，利用所述电力深度学习模型中的误差函数计算出所述用电时序特征对应的特征偏移度。

[0079] 本发明根据所述数据时序和所述目标电力数据，利用所述电力深度学习模型中的卷积神经网络分析出所述电力用户对应的用电时序特征，可以通过所述用电时序特征了解所述电力用户使用电力在时间上的特征，例如用电时间段或者用电频率，其中，所述电力深度学习模型是用于分析所述电力用户对应的用电行为的模型。

[0080] 作为本发明的一个实施例，所述根据所述数据时序和所述目标电力数据，利用所述电力深度学习模型中的卷积神经网络分析出所述电力用户对应的用电时序特征，包括：利用所述卷积神经网络中的输入层对所述目标电力数据进行归一化处理，得到归一化电力数据，利用所述卷积神经网络中的卷积层对所述归一化电力数据进行卷积处理，得到电力特征图，利用所述卷积神经网络中的池化层对所述电力特征图进行降采样处理，得到采样特征图，结合所述数据时序，利用所述卷积神经网络中的全连接层对所述采样特征图进行特征组合，得到所述电力用户对应的用电时序特征。

[0081] 其中，所述归一化电力数据是所述目标电力数据经过所述输入层处理后可以符合所述电力深度学习模型的输入要求的数据，所述输入层是归一化函数构成，所述归一化函数是由脚本语言编译，如JS语言，所述电力特征图是所述归一化电力数据在不同位置和不同尺度上的特征表示，所述采样特征图是所述电力特征图经过所述池化层处理后得到的重要特征，所述池化层是由池化函数构成，如最大池化函数。

[0082] 可选的，作为本发明的一个可选实施例，所述利用所述卷积神经网络中的卷积层对所述归一化电力数据进行卷积处理，得到电力特征图，包括：构建所述归一化电力数据对应的电力数据矩阵，利用所述卷积层中的卷积函数对所述电力数据矩阵进行卷积计算，得到电力卷积矩阵，对所述电力卷积矩阵进行填充处理，得到电力特征图。

[0083] 其中，所述电力数据矩阵是根据所述归一化电力数据的数值构建的方阵，所述卷积函数的基本组成包括卷积核，卷积核是一个小的矩阵，用于对所述卷积层中的输入数据进行滑动并计算对应的空间位置，所述电力卷积矩阵是通过所述卷积核在所述电力数据矩阵中进行滑动计算后得到的输出矩阵。

[0084] 进一步的，所述归一化电力数据对应的电力数据矩阵的构建可以通过可视化工具实现，如visio制图工具；填充处理是在所述电力卷积矩阵的周围添加额外的值(通常是0)，以便控制后续的电力特征图的尺寸。

[0085] 可选的，作为本发明的一个可选实施例，所述利用所述卷积层中的卷积函数对所述电力数据矩阵进行卷积计算，得到电力卷积矩阵包括：

[0086] 所述卷积函数包括：

[0087]

[0088] 其中，E表示电力卷积矩阵，m*n表示卷积函数中卷积核的尺寸，Fb表示卷积函数中处理b位置的卷积核权重，Gb表示电力数据矩阵中b位置对应的数值，ω表示卷积函数的偏差系数。

[0089] 本发明通过利用所述电力深度学习模型中的误差函数计算出所述用电时序特征对应的特征偏移度，可以了解所述用电时序特征在时间点上对应的偏离程度，进而便于提高后续电力需求曲线构建的准确性。

[0090] 作为本发明的一个实施例，所述利用所述电力深度学习模型中的误差函数计算出所述用电时序特征对应的特征偏移度，包括：计算所述用电时序特征对应的特征平均值，结合所述用电时序特征和所述特征平均值，利用所述电力深度学习模型中的误差函数计算出所述用电时序特征对应的特征偏移度：

[0091] 所述误差函数包括：

[0092]

[0093] 其中，K表示用电时序特征对应的特征偏移度，Hi表示用电时序特征中第i个特征对应的特征值，Haverage表示特征平均值，i表示用电时序特征中每个时序内的特征序列号，表示用电时序特征中第i个特征对应的偏移量，q表示用电时序特征的总数量。

[0094] 进一步的，所述用电时序特征对应的特征平均值的计算可以通过简单平均值方法实现，对于某一特定的用电时序特征(如每小时用电量)，直接将所有值相加然后除以数据点的数量。

[0095] S3、根据所述目标电力数据和所述电力消费行为，构建所述电力用户对应的消费行为矩阵，根据所述消费行为矩阵，从所述电力消费行为中筛选出所述电力用户对应的特征消费行为。

[0096] 本发明根据所述消费行为矩阵，从所述电力消费行为中筛选出所述电力用户对应的特征消费行为，进而得到所述电力用户对应的典型消费模式，为后续的电力需求曲线构建提供了依据，其中，所述消费行为矩阵是电力值和消费行为构建的方阵，可选的，所述电力用户对应的消费行为矩阵的构建可以通过上述的visio制图工具实现。

[0097] 作为本发明的一个实施例，所述根据所述消费行为矩阵，从所述电力消费行为中筛选出所述电力用户对应的特征消费行为，包括：对所述消费行为矩阵进行求和处理，得到所述电力消费行为对应的行为度量值，采集所述电力用户对应的用电地理信息，并统计所述电力消费行为对应的用电时段，结合所述行为度量值、所述用电地理信息及所述用电时段，计算出所述电力消费行为对应的电力消费密度，根据所述电力消费密度和预设密度值，从所述电力消费行为中筛选出所述电力用户对应的特征消费行为。

[0098] 其中，所述行为度量值表示所述电力消费行为对应的用电总量，即所述消费行为矩阵中的所有元素的总和，所述用电地理信息是所述电力用户对应的用电位置，如家庭住户或者工业园区，所述用电时段是所述电力消费行为对应的用电时长，所述电力消费密度表示所述电力消费行为对应的电力使用强度，所述预设密度值是所述电力消费密度对应的评判标准值，可以是0.8，也可以根据实际的需求进行设置。

[0099] 可选的，所述电力用户对应的用电地理信息的采集可以通过地理信息系统实现；所述用电时段可以通过计量所述电力消费行为对应的持续时间得到；在所述电力消费密度大于预设密度值时，将所述电力消费密度对应的所述电力消费行为筛选出来，作为所述电力用户对应的特征消费行为。

[0100] 可选的，作为本发明的一个可选实施例，所述结合所述行为度量值、所述用电地理信息及所述用电时段，计算出所述电力消费行为对应的电力消费密度，包括：根据所述用电地理信息，确定所述电力用户对应的用电地理面积，结合所述用电地理面积、所述行为度量值及所述用电时段，通过下述公式计算出所述电力消费行为对应的电力消费密度：

[0101]

[0102] 其中，M表示电力消费行为对应的电力消费密度，Nj表示第j个电力消费行为对应的行为度量值，Sj表示第j个电力消费行为对应的用电地理面积，Tj表示第j个电力消费行为对应的用电时段，j表示电力消费行为对应的序列号。

[0103] S4、结合所述用电时序特征、所述特征偏移度所述目标电力数据及所述特征消费行为，利用所述电力深度学习模型中的需求分析层构建所述电力用户对应的电力需求曲线。

[0104] 本发明通过结合所述用电时序特征、所述特征偏移度及所述特征消费行为，利用所述电力深度学习模型中的需求分析层构建所述电力用户对应的电力需求曲线，以便于后续根据所述电力需求曲线预测所述电力用户对应的用电行为，进而提高所述电力用户的用电行为预测的准确性，其中，所述电力需求曲线是用于对所述电力用户进行电力需求预测的曲线。

[0105] 作为本发明的一个实施例，所结合所述用电时序特征、所述特征偏移度所述目标电力数据及所述特征消费行为，利用所述电力深度学习模型中的需求分析层构建所述电力用户对应的电力需求曲线，包括：利用所述需求分析层中的回归函数计算出所述用电时序特征和所述特征消费行为之间的线性系数，结合所述线性系数、所述特征消费行为及所述特征偏移度，构建所述电力用户对应的电力需求预测函数，利用所述目标电力数据，对所述电力需求预测函数进行参数优化，得到目标电力需求函数，利用所述目标电力需求函数，绘制出所述电力用户对应的电力需求曲线。

[0106] 其中，所述回归函数是用于计算所述用电时序特征和所述特征消费行为之间的线性关系强度的函数，如线性回归函数，所述电力需求预测函数是对所述电力用户进行电力预测的函数，如L＝α0+α1x1+α2x2+...+αyxy+ε，L表示电力预测的函数计算出的电力预测值，α0、α1..αy表示相应的线性系数，x1、x2..xy表示相应的特征消费行为，ε表示特征偏移度，即偏差纠正系数，进一步的，所述电力需求预测函数的参数优化可以将所述目标电力数据中的数值输入到函数进行计算，将得到的结果与真实值进行比对，若两者一致，则不需要调整，若不一致，则需要对函数中的参数进行调整，直到计算结果一致为止。

[0107] S5、实时采集所述电力用户对应的当前用电变量，结合所述当前用电变量和所述电力需求曲线，生成所述电力用户对应的用电行为预测结果。

[0108] 本发明通过实时采集所述电力用户对应的当前用电变量，可以得到所述电力用户对应的当前用电情况，最后结合所述当前用电变量和所述电力需求曲线，生成所述电力用户对应的用电行为预测结果，将所述当前用电变量输入到所述电力需求曲线中，进而自动生成所述电力用户对应的电力预测值。

[0109] 本发明通过对所述电力消费数据进行规范化处理，可以识别和纠正电力消费数据中的错误或异常数据，以提高所述电力消费数据对应的数据质量，为后续电力深度学习模型对数据分析的准确性，本发明根据所述数据时序和所述目标电力数据，利用所述电力深度学习模型中的卷积神经网络分析出所述电力用户对应的用电时序特征，可以通过所述用电时序特征了解所述电力用户使用电力在时间上的特征，例如用电时间段或者用电频率，本发明根据所述消费行为矩阵，从所述电力消费行为中筛选出所述电力用户对应的特征消费行为，进而得到所述电力用户对应的典型消费模式，为后续的电力需求曲线构建提供了依据，本发明通过结合所述用电时序特征、所述特征偏移度及所述特征消费行为，利用所述电力深度学习模型中的需求分析层构建所述电力用户对应的电力需求曲线，以便于后续根据所述电力需求曲线预测所述电力用户对应的用电行为，进而提高所述电力用户的用电行为预测的准确性。因此，本发明实施例提供的一种基于深度学习的电力用户行为预测方法，能够提高电力用户行为预测的准确性。

[0110] 如图2所示，是本发明一实施例提供的一种基于深度学习的电力用户行为预测系统的功能模块图。

[0111] 本发明所述一种基于深度学习的电力用户行为预测系统100可以安装于电子设备中。根据实现的功能，所述一种基于深度学习的电力用户行为预测系统100可以包括消费行为分析模块101、特征误差计算模块102、消费行为筛选模块103、电力需求曲线构建模块104及电力行为预测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

[0112] 在本实施例中，关于各模块/单元的功能如下：

[0113] 所述消费行为分析模块101，用于获取电力用户对应的电力消费数据和电力消费目的，对所述电力消费数据进行规范化处理，得到目标电力数据，根据所述电力消费目的，分析出所述电力用户对应的电力消费行为；

[0114] 所述特征误差计算模块102，用于识别出所述目标电力数据对应的数据时序，将所述目标电力数据输入到预先训练好的电力深度学习模型中，根据所述数据时序和所述目标电力数据，利用所述电力深度学习模型中的卷积神经网络分析出所述电力用户对应的用电时序特征，利用所述电力深度学习模型中的误差函数计算出所述用电时序特征对应的特征偏移度；

[0115] 所述消费行为筛选模块103，用于根据所述目标电力数据和所述电力消费行为，构建所述电力用户对应的消费行为矩阵，根据所述消费行为矩阵，从所述电力消费行为中筛选出所述电力用户对应的特征消费行为；

[0116] 所述电力需求曲线构建模块104，用于结合所述用电时序特征、所述特征偏移度所述目标电力数据及所述特征消费行为，利用所述电力深度学习模型中的需求分析层构建所述电力用户对应的电力需求曲线；

[0117] 所述电力行为预测模块105，用于实时采集所述电力用户对应的当前用电变量，结合所述当前用电变量和所述电力需求曲线，生成所述电力用户对应的用电行为预测结果。

[0118] 详细地，本申请实施例中所述一种基于深度学习的电力用户行为预测系统100中所述的各模块在使用时采用与上述图1中所述的一种基于深度学习的电力用户行为预测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

[0119] 在本发明所提供的几个实施例中，应该理解到，所提供的方法和系统，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

[0120] 最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。