本發明專利技術公開了一種基于猶豫生成對抗網絡的智慧城市居民用電預測方法，屬于城市用電預測領域。步驟包括：構建生成器和分類器；構建訓練樣本集；訓練生成器和分類器；使用訓練后的生成器進行預測。本發明專利技術通過將原始屬性值轉換為三元數屬性，對屬性數據中的不確定性進行顯性量化，使得模型在挖掘屬性與預測值之間的關聯性的同時，進一步挖掘屬性自身的不確定性與預測值的潛在關聯，并在訓練過程中通過基于猶豫度偏好一致性的損失函數對模型參數進行更新，確保預測出的數據既符合屬性和預測值的關聯性規律，也具有與實際數據相似的不確定程度，從而強化了模型的數據識別能力和泛化能力，降低了對數據樣本的依賴。
【技術實現步驟摘要】
本專利技術屬于城市用電預測領域，具體涉及一種用電預測方法，尤其是一種基于猶豫生成對抗網絡的智慧城市居民用電預測方法。
技術介紹
1、智慧城市用電預測是指通過對城市居民用電數據的分析和處理，預測未來一定時期內的用電需求，為城市能源管理、電力調度等提供決策支持。準確的用電預測有助于優化能源結構，提高電力系統的運行效率，降低能源消耗，對智慧城市的可持續發展具有重要意義。
2、目前，智慧城市用電預測主要采用以下兩種方法：
3、一、基于深度學習模型的方法：該方法建立深度網絡模型，利用卷積、注意力機制等手段提取特征，并使用大量樣本數據進行訓練，強化特征及特征間的關聯。該方法在數據質量和體量充足的情況下，具有較好的預測效果。但是，深度學習模型依賴于大量高質量數據，當用電樣本數據存在不一致性、不精確性、不完整性的問題時，模型難以捕捉到數據中沒有包含的規律，導致預測準確性下降。不一致性是指居民用電特征（如用電時長，日平均負荷等特征），在特征數值較大時、用電量反而較小，而在特征數值較小時、用電量反而增加的矛盾情況，此類數據在實際采集的數據中經常存在，會給模型預測帶來極大的干擾。不精確性是指計算居民用電特征的原始數據存在異常跳變，異常0值的不精確情況。如日平均負荷，需要求日內所有時刻的負荷進行平均，若存在明顯的負荷跳變情況，這種不精確性會影響預測的準確性。不完整性是指計算居民用電特征的原始數據存在數據缺失的不完整情況。如用電時長特征，需要根據統計時間段內的負荷曲線進行統計，若時間段內存在負荷曲線采集點缺失，也會預測的準確性。</p>4、二、基于機器學習方法：該方法結合預處理程序或專家系統，利用專家知識庫進行數據標注、修正和先驗信息引入。優點是利用專家先驗知識，對數據量的依賴有所下降，在少量數據體量下可達到良好效果。但是該方法依賴于專家知識的更新和匹配。
5、因此，如何在不借助專家知識庫的前提下，減少對樣本數據量的依賴，提高模型的泛化能力，使預測模型能夠有效應對數據存在不一致性、不精確性、不完整性的問題，完成準確預測，是當前智慧城市用電預測亟待解決的問題。
技術實現思路
1、本專利技術提出了一種基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其目的是：解決傳統方法依賴樣本數據量、模型泛化能力弱的問題。
2、本專利技術技術方案如下：
3、一種基于猶豫生成對抗網絡的智慧城市居民用電預測方法，步驟包括：
4、步驟1、構建生成器和分類器；
5、所述生成器用于根據輸入的條包含三元數屬性和用電量數據的歷史數據預測出未來的條帶有三元數屬性和用電量數據的預測數據；歷史數據中的三元數屬性和用電量數據與預測數據中的三元數屬性和用電量數據相互對應，預測數據中的用電量數據即為預測結果；
6、每個三元數屬性中均包含肯定部分、否定部分和中間部分，所述肯定部分用于表示該屬性對用電量數據的積極程度，否定部分表示該屬性對用電量數據的消極程度，中間部分表示該屬性的不確定程度；
7、所述分類器用于判斷所輸入的一行帶有三元數屬性和用電量數據的數據是否是由生成器所生成，判斷為生成器生成則輸出0，否則輸出1；
8、步驟2、構建訓練樣本集；
9、訓練樣本集中包含多個訓練樣本；所述訓練樣本的獲取方式為：選擇條連續的已知數據，將已知數據中的原始屬性值轉換為三元數屬性，然后將前條作為該訓練樣本中的歷史數據，后條作為該訓練樣本中的真實未來數據；
10、步驟3、訓練生成器和分類器；
11、將訓練樣本中的條歷史數據輸入到生成器中得到條預測數據，然后通過分類器對各條預測數據和真實未來數據分別進行判斷，并判斷各條預測數據與對應的真實未來數據之間的猶豫度偏好一致性，然后根據猶豫度偏好一致性和分類器的判斷結果計算損失函數，最后根據損失函數更新生成器和分類器的網絡參數；
12、步驟4、使用訓練后的生成器進行預測：將條連續的、待預測的已知數據中的原始屬性值轉換為三元數屬性，得到條歷史數據，然后將條歷史數據輸入到生成器中，得到條預測數據，提取預測數據中的用電量數據作為預測結果。
13、作為所述基于猶豫生成對抗網絡的智慧城市居民用電預測方法的進一步改進：所述三元數屬性按屬性與用電量數據的正負相關性分為正相關屬性和負相關屬性。
14、作為所述基于猶豫生成對抗網絡的智慧城市居民用電預測方法的進一步改進：
15、所述正相關屬性包括以下屬性中的至少一種：日均用電量，日用電時長，日最大負荷，日最小負荷，日負荷的方差，日電量周占比，月累計電量；
16、負相關屬性包括以下屬性中的至少一種：天氣系數，負荷波動系數，區域電價，高峰持續時間，家電數量，用電周期，節能用電量；
17、所要預測的用電量數據是指當日的用電量數據。
18、作為所述基于猶豫生成對抗網絡的智慧城市居民用電預測方法的進一步改進，所述三元數屬性是根據原始屬性值計算得到的，計算過程為：
19、步驟a-1、獲取條連續的已知數據，每條已知數據中包含與各三元數屬性一一對應的原始屬性值，還包含所述用電量數據；
20、步驟a-2、對各原始屬性值進行歸一化計算；
21、設第條已知數據中的第個屬性的原始屬性值是，計算該原始屬性值按列歸一化后的值：；
22、步驟a-3、確定各原始屬性值的初始肯定部分值和初始否定部分值：如果第條已知數據中的第個屬性是正相關屬性，則其初始肯定部分值，初始否定部分值；如果第條已知數據中的第個屬性是負相關屬性，則其初始肯定部分值，初始否定部分值；
23、步驟a-4、計算各原始屬性值的中間部分：
24、設第條已知數據中的第個屬性的中間部分為，則：
25、；
26、其中，為第條已知數據的行上猶豫度，為第條已知數據中的第個屬性的列上猶豫度；為猶豫度最大閾值；
27、步驟a-5、計算各原始屬性值的肯定部分和否定部分：第條已知數據中的第個屬性的肯定部分,第條已知數據中的第個屬性的否定部分；
28、第條已知數據中的第個屬性的三元數屬性表示為。
29、作為所述基于猶豫生成對抗網絡的智慧城市居民用電預測方法的進一步改進，行上猶豫度計算方式為：
30、步驟b-1、對當前的第條已知數據設置計數值；
31、步驟b-2、將條已知數據分別與當前的第條已知數據進行一致性判斷；每找到一條和第條已知數據不一致的已知數據，對加1；
32、步驟b-3、計算行上猶豫度。
33、作為所述基于猶豫生成對抗網絡的智慧城市居民用電預測方法的進一步改進，第條已知數據和第條已知數據的一致性判斷方式為：先求出第條已知數據中各原始屬性值組成的向量與第條已知數據中各原始屬性值組成的向量之差，再求出第條已知數據的用電量數據與第條已知數據的用電量數據之差，如果滿足以下兩個條件中的任意一個，則判斷為二者不本文檔來自技高網
...
【技術保護點】
1.一種基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于：步驟包括：
2.如權利要求1所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于：所述三元數屬性按屬性與用電量數據的正負相關性分為正相關屬性和負相關屬性。
3.如權利要求2所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于：
4.如權利要求2所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，所述三元數屬性是根據原始屬性值計算得到的，計算過程為：
5.如權利要求4所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，行上猶豫度計算方式為：
6.如權利要求5所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，第條已知數據和第條已知數據的一致性判斷方式為：先求出第條已知數據中各原始屬性值組成的向量與第條已知數據中各原始屬性值組成的向量之差，再求出第條已知數據的用電量數據與第條已知數據的用電量數據之差，如果滿足以下兩個條件中的任意一個，則判斷為二者不一致：
7.如權利要求5所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，列上猶豫度計算方式為：，其中，為第條已知數據中的第個屬性的原始數據缺失率，為第條已知數據中的第個屬性的原始數據異常率,表示對取整至小數點后2位。
8.如權利要求1所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，步驟3中，先將訓練樣本集中的訓練樣本劃分為多個批次，然后分批次訓練。
9.如權利要求8所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，步驟3中，每個批次的訓練過程如下：
10.如權利要求8所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，步驟3-2中，基于猶豫度偏好一致性的判斷劃分方式是：對于某一條預測數據，如果其中所有的三元數屬性都同時滿足以下兩個條件，則將該條預測數據劃分為I類數據，否則劃分為II類數據：
...
【技術特征摘要】
1.一種基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于：步驟包括：
2.如權利要求1所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于：所述三元數屬性按屬性與用電量數據的正負相關性分為正相關屬性和負相關屬性。
3.如權利要求2所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于：
4.如權利要求2所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，所述三元數屬性是根據原始屬性值計算得到的，計算過程為：
5.如權利要求4所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，行上猶豫度計算方式為：
6.如權利要求5所述的基于猶豫生成對抗網絡的智慧城市居民用電預測方法，其特征在于，第條已知數據和第條已知數據的一致性判斷方式為：先求出第條已知數據中各原始屬性值組成的向量與第條已知數據中各原始屬性值組成的向量之差，再求出第條已知數據的用電量數據與第條已知數...
【專利技術屬性】
技術研發人員：呂家慧，孔健灃，馮明全，胡錦濤，陳近，趙剛，黃良棟，
申請(專利權)人：煙臺東方威思頓電氣有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。