BP神经网络在用电用户分类中的应用
李秋硕+王岩+孙宇军++肖勇++欧阳涛
摘 要： BP神经网络在解决非线性复杂系统中存在很大的优势。针对家庭用电设备自身的负荷特点，以广州供电局用户用电设备能耗数据作为训练样本，利用BP神经网络构建用电设备能耗分析模型，选定能够反映对象特性的能效指标，确定神经元数，构建用户分类指标，依据训练的BP神经网络进行用户划分，实现用户间的能效对比分析。结果表明，模型收敛性较好，所得分析结果绝对误差较小。因此，利用BP神经网络进行用户能效分析的结果具有实用性和有效性。
关键词： BP神经网络； 能效分析； 负荷辨识； 多元线性回归； 用户划分
中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2017）09?0156?03
Abstract： The BP neural network has great advantage to solve the nonlinear complex system. According to the characteristics of the household electricity load itself， the electrical equipment energy consumption data of the users attaching to Guangzhou Power Supply Bureau is taken as the training sample. The BP neural network is used to construct the energy consumption analysis model of the electrical equipment. The energy efficiency index which can reflect the target features is selected to determine the quantity of the neurons， and construct the users classification index. The users are classified according to the trained BP neural network to realize the energy efficiency contrastive analysis among users. The results show that the model has good convergence， and the analysis result has small absolute error. Therefore， the BP neural network used to analyze the users′ energy efficiency has practicability and availability.
Keywords： BP neural network； energy efficiency analysis； load identification； multiple linear regression； users classification
0 引 言
随着人们生活水平的提高及阶梯电价、峰谷电价的实施，用户用电行为特征也逐渐发生了变化。充分了解家庭用户的多样能源诉求，科学准确地反映用户的能效状况，再有针对性地为用户定制创新的个性化节能增效解决方案，从而实现用户的节能减排和电能成本降低，对助推电网整体能效水平提升、提高企业竞争力和服务感知，减少不必要的能源浪费具有积极作用。因此，如何根据对用户用电行为和耗电量分析，针对用电负荷不确定性、非线性、随机性的自身特点，通过预测模型算法及设备、同区域横向比对等方式是研究用户负荷预测、用户节能策略的依据。BP神经网络高度的自学习、自组织和自适应能力，在输入和输出样本之间建立起一种高度非线性的映射，其通过优化使用最广的梯度下降法，利用迭代运算求出权值，为优化问题的可调参数加入一定的隐节点，使求解更精确，被广泛地应用于各领域的预测模型中。
1 BP神经网络
BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络的预测输出能够不断地逼近期望输出。神经网络原理就是利用输出后的误差估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反傳下去，就获得了所有其他各层的误差估计。BP神经网络的结构图如图1所示。
BP算法的核心是数学中的“负梯度下降”理论，即BP网络的误差调整方向总是沿着误差下降快的方向进行，常规三层BP网络权值和阈值调整公式如下：
式中：为网络输出与实际输出样本之间的误差平方和即误差函数。BP神经网络每一次学习训练之后，都会进行学习结果的判别。判别的目的在于检查输出的误差是否满足允许的标准；为网络的权值调整幅度；为时刻输入层第个神经元与隐含层第个神经元之间的权值，即连接强度系数；为时刻隐含层第个神经元与输出层第个神经元之间的权值；为神经元的阈值，BP神经网络学习训练方式的流程如图2所示。
2 基于BP神经网络用户能效设计及分析应用
基于BP神经网络建立用户用电设备能效评估模型，主要分为三个阶段：第一阶段设计用户分类的BP神经网络，选定能够反映对象特性的能效指标，确定样本数据、隐藏层神经元数。第二阶段，训练神经元网络，将BP网络输入训练样本转化为对应位向量，构建用户分类指标。第三阶段，依据训练好的BP神经网络进行用户划分，实现用户间能效对比分析。
2.1 设计用户分类BP神经网络
（1） 用户负荷辨识系统采集的设备用电信息
根据负荷辨识系统采集的设备用电信息（以广州供电局部分用电数据为例），统计某段时间内用户的总用电量，总电费，平均电价，峰时段总电量，峰时段总电费，谷时段总电量，谷时段总电费，平时段总电量，平时段总电费等指标，对于用户的某一指定设备，统计该设备的总电量，总电费，平均电价，峰时段总电量，峰时段总电费，谷时段总电量，谷时段总电费，平时段总电量，平时段总电费等指标。
（2） 峰谷平时段划分及执行电价标准
峰谷平时段划分及执行电价标准见表1。
（3） 构建神经网络元节点
根据以上对BP神经网络算法的研究和实际的数据模型，构建相应的神经网络，其中输入层有32个节点，将输入的数据样本转化为32位的向量；隐含层有15个节点，输出层有3个节点，即输出是个3位的向量；按照用户能耗等级，对应将用户划分为3类用户，分别为低能耗，中能耗，高能耗用户。
2.2 BP神经网络训练
（1） 数据进行预处理
由于采集的设备用电数据比较杂乱，在对数据进行统计分析之前，需对数据进行预处理，对遗漏数据进行缺失处理。在分析电力用户数据的过程中，某个时间点的数据缺失可根据附近时间点的数据记录填写空缺，也可采用直接忽略空值的数据记录，在进行实际的操作中，对于空值的数据记录直接忽略（或删除）。
（2） 数据的读取与初步计算
对经过预处理的数据进行读取，读取的数据维度包括：用户编号，用户区域，日期，时间，设备1累计用电量，设备2累计用电量，…设备累计用电量。读取的数据实际是每过一个时间点（如1 min）记录当前设备的累计用电量。对数据进行初步计算的目的是算出用户在时间段内每个时点每个设备的用电量。从最后一条记录开始统计，每一条记录的数值减去上一个时间点记录的数值，得到当前时间点用电量。重复操作，直至完成所有数据记录的计算。
（3） 神经网络训练
根据用户的峰时，谷时，平时三个时段的用电量进行用户分类，在进行训练时，该BP神经网络将输入的训练样本转化为32位的向量，向量的每个分量就是其二进制形式对应的位上的0或1。将目标输出视作一个三维的向量，即将用户划分为三类：
A类[1，0，0]表示低能耗用户
B类[0，1，0]表示中能耗用户
C类[0，0，1]表示高能耗用户
对处理好的某地区5～7月2 000组样本数据构建好的BP神经网络进行训练，样本数据如表2所示。
依据训练样本，设置最大训练步长为1 000，训练目标精度为0.001，学习率为0.01。BP神经网络学习的曲线变化如图3所示。
根据图3可以看出，在训练到709步时达到训练目标精度，接下来对训练好的BP神经网络进行测试，选择1 000组测试样本数据，其中A类用户345个，B类用户320个，C类用户335个，使用该BP神经网络进行测试，最终的测试结果如表3所示。
由表3可以得到，该神经网络在数据测试中的用电用户分类结果的准确率还是比較高的，其中B类用户的识别率最低，误差率达到了11.87%，C类用电用户的识别率最高，达到了92.2%，对比神经网络得到的用电用户分类结果还是比较满意的，误差率相对比较小，证明该BP神经网络在用电用户分类中具有比较高的可行性。
2.3 BP神经网络用户能效分析及用户间对比
（1） 用户能效分析
经过BP神经网络反复训练，修正权值的计算后，所得的数据即是该用户的每个设备在每一个时刻对应的用电量，由于用户的总用电量等于每个设备的总用电量之和，即：
同理，用户的总电费等于每个设备的总电费之和，即：
根据总用电量和总电费，可以轻易算出该用户的平均电价。
该用户在峰时段的总用电量等于每个设备在峰时段的总用电量之和：
根据峰、谷、平三个时段的电价和用户自身的用电量分布可知，用户应适当减少峰时段的用电量，在允许的情况下可以将峰时段要工作的设备放在谷时段工作，这样能有效减少家庭用电花费，同时降低电力供应系统在峰时段的供电压力。
（2） 用户间能效对比
对同类用户进行能耗对比分析，对比的指标有：在某段时间内该用户的总用电量，总电费，平均电价在同类用户中的排名；在同类用户中进行某一设备的对比。可根据该用户的类型，在所有用户中找到同类用户，将总电量，总电费，平均电价这三项指标进行对比，计算出其排名。设备之间的对比，即在同类用户中找到具有该设备的用户，将该设备的总电量，总电费，平均电价这三项指标进行对比，记录其排名。将用户的各项指标在同类用户中比对，输出结果如图4所示。
该用户的平均电价高于平时段的电价，说明该用户在峰时段使用的电量要多于其他时段，可建议该用户尽量减少峰时段的用电量。
可以看出，BP神经网络的收敛性较好，在学习训练过程中能够根据各影响因素对总耗电量演变趋势所起作用的大小自动调节权重，因此，利用BP神经网络对用户用电设备的能效进行分析预测有较高的精准度。
3 结 语
本文以用户用电设备为研究对象，根据设备的实时运行数据，针对用电设备峰、谷、平划分及分阶电价等因素，提出基于BP神经网络的用电能耗分析模型，其能很好地预测非线性条件下的用电设备能耗问题。通过对用电设备的数据模型学习训练，构建用户分类指标，进行用户划分，实现用户间能效对比分析，对深入挖掘用户设备的节能潜力，帮助用户了解家庭设备的能效水平及分布状况，降低设备的损耗、减少不必要的能源浪费，助推电网设备能效水平的提升。
参考文献
[1] 师彪，李郁侠，于新花，等.动态调整蚁群?BP神经网络模型在短期负荷预测中的应用[J].水利发电学报，2011，30（3）：5?9.
[2] 王蓓蓓，李杨，高赐威.智能电网框架下的需求侧管理展望与参考[J].电力系统自动化，2009，33（20）：17?22.
[3] 程其云.基于数据挖掘的电力短期负荷预测模型及方法的研究[D].重庆：重庆大学，2004.
[4] 王雪峰，邬建华，冯英浚，等.运用样本更新的实时神经网络进行短期电力负荷预测[J].系统工程理论与实践，2003（4）：95?99.
[5] 姜勇.基于模糊聚类的神经网络短期负荷预测方法[J].电网技术，2003，27（2）：45?49.
[6] 丁思敏，吴军基.改进模糊神经网络在负荷预测中的应用研究[J].电力学报，2009，24（2）：101?104.
[7] 宫蕴瑞，王瑞，朱建良.基于混沌时间序列的BP神经网络电力负荷预测[J].信息技术，2005，11（9）：41?43.
[8] 姚李孝，薛美娟，冯继安.基于人工神经网络的负荷数据预处理[J].西安理工大学学报，2007，23（3）：277?281.
[9] 杨列銮，解佗，张刚，等.基于物元综合评价法的高耗能企业电力能效评价[J].电力科技与环保，2014，30（6）：44?47.
摘 要： BP神经网络在解决非线性复杂系统中存在很大的优势。针对家庭用电设备自身的负荷特点，以广州供电局用户用电设备能耗数据作为训练样本，利用BP神经网络构建用电设备能耗分析模型，选定能够反映对象特性的能效指标，确定神经元数，构建用户分类指标，依据训练的BP神经网络进行用户划分，实现用户间的能效对比分析。结果表明，模型收敛性较好，所得分析结果绝对误差较小。因此，利用BP神经网络进行用户能效分析的结果具有实用性和有效性。
关键词： BP神经网络； 能效分析； 负荷辨识； 多元线性回归； 用户划分
中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2017）09?0156?03
Abstract： The BP neural network has great advantage to solve the nonlinear complex system. According to the characteristics of the household electricity load itself， the electrical equipment energy consumption data of the users attaching to Guangzhou Power Supply Bureau is taken as the training sample. The BP neural network is used to construct the energy consumption analysis model of the electrical equipment. The energy efficiency index which can reflect the target features is selected to determine the quantity of the neurons， and construct the users classification index. The users are classified according to the trained BP neural network to realize the energy efficiency contrastive analysis among users. The results show that the model has good convergence， and the analysis result has small absolute error. Therefore， the BP neural network used to analyze the users′ energy efficiency has practicability and availability.
Keywords： BP neural network； energy efficiency analysis； load identification； multiple linear regression； users classification
0 引 言
随着人们生活水平的提高及阶梯电价、峰谷电价的实施，用户用电行为特征也逐渐发生了变化。充分了解家庭用户的多样能源诉求，科学准确地反映用户的能效状况，再有针对性地为用户定制创新的个性化节能增效解决方案，从而实现用户的节能减排和电能成本降低，对助推电网整体能效水平提升、提高企业竞争力和服务感知，减少不必要的能源浪费具有积极作用。因此，如何根据对用户用电行为和耗电量分析，针对用电负荷不确定性、非线性、随机性的自身特点，通过预测模型算法及设备、同区域横向比对等方式是研究用户负荷预测、用户节能策略的依据。BP神经网络高度的自学习、自组织和自适应能力，在输入和输出样本之间建立起一种高度非线性的映射，其通过优化使用最广的梯度下降法，利用迭代运算求出权值，为优化问题的可调参数加入一定的隐节点，使求解更精确，被广泛地应用于各领域的预测模型中。
1 BP神经网络
BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络的预测输出能够不断地逼近期望输出。神经网络原理就是利用输出后的误差估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反傳下去，就获得了所有其他各层的误差估计。BP神经网络的结构图如图1所示。
BP算法的核心是数学中的“负梯度下降”理论，即BP网络的误差调整方向总是沿着误差下降快的方向进行，常规三层BP网络权值和阈值调整公式如下：
式中：为网络输出与实际输出样本之间的误差平方和即误差函数。BP神经网络每一次学习训练之后，都会进行学习结果的判别。判别的目的在于检查输出的误差是否满足允许的标准；为网络的权值调整幅度；为时刻输入层第个神经元与隐含层第个神经元之间的权值，即连接强度系数；为时刻隐含层第个神经元与输出层第个神经元之间的权值；为神经元的阈值，BP神经网络学习训练方式的流程如图2所示。
2 基于BP神经网络用户能效设计及分析应用
基于BP神经网络建立用户用电设备能效评估模型，主要分为三个阶段：第一阶段设计用户分类的BP神经网络，选定能够反映对象特性的能效指标，确定样本数据、隐藏层神经元数。第二阶段，训练神经元网络，将BP网络输入训练样本转化为对应位向量，构建用户分类指标。第三阶段，依据训练好的BP神经网络进行用户划分，实现用户间能效对比分析。
2.1 设计用户分类BP神经网络
（1） 用户负荷辨识系统采集的设备用电信息
根据负荷辨识系统采集的设备用电信息（以广州供电局部分用电数据为例），统计某段时间内用户的总用电量，总电费，平均电价，峰时段总电量，峰时段总电费，谷时段总电量，谷时段总电费，平时段总电量，平时段总电费等指标，对于用户的某一指定设备，统计该设备的总电量，总电费，平均电价，峰时段总电量，峰时段总电费，谷时段总电量，谷时段总电费，平时段总电量，平时段总电费等指标。
（2） 峰谷平时段划分及执行电价标准
峰谷平时段划分及执行电价标准见表1。
（3） 构建神经网络元节点
根据以上对BP神经网络算法的研究和实际的数据模型，构建相应的神经网络，其中输入层有32个节点，将输入的数据样本转化为32位的向量；隐含层有15个节点，输出层有3个节点，即输出是个3位的向量；按照用户能耗等级，对应将用户划分为3类用户，分别为低能耗，中能耗，高能耗用户。
2.2 BP神经网络训练
（1） 数据进行预处理
由于采集的设备用电数据比较杂乱，在对数据进行统计分析之前，需对数据进行预处理，对遗漏数据进行缺失处理。在分析电力用户数据的过程中，某个时间点的数据缺失可根据附近时间点的数据记录填写空缺，也可采用直接忽略空值的数据记录，在进行实际的操作中，对于空值的数据记录直接忽略（或删除）。
（2） 数据的读取与初步计算
对经过预处理的数据进行读取，读取的数据维度包括：用户编号，用户区域，日期，时间，设备1累计用电量，设备2累计用电量，…设备累计用电量。读取的数据实际是每过一个时间点（如1 min）记录当前设备的累计用电量。对数据进行初步计算的目的是算出用户在时间段内每个时点每个设备的用电量。从最后一条记录开始统计，每一条记录的数值减去上一个时间点记录的数值，得到当前时间点用电量。重复操作，直至完成所有数据记录的计算。
（3） 神经网络训练
根据用户的峰时，谷时，平时三个时段的用电量进行用户分类，在进行训练时，该BP神经网络将输入的训练样本转化为32位的向量，向量的每个分量就是其二进制形式对应的位上的0或1。将目标输出视作一个三维的向量，即将用户划分为三类：
A类[1，0，0]表示低能耗用户
B类[0，1，0]表示中能耗用户
C类[0，0，1]表示高能耗用户
对处理好的某地区5～7月2 000组样本数据构建好的BP神经网络进行训练，样本数据如表2所示。
依据训练样本，设置最大训练步长为1 000，训练目标精度为0.001，学习率为0.01。BP神经网络学习的曲线变化如图3所示。
根据图3可以看出，在训练到709步时达到训练目标精度，接下来对训练好的BP神经网络进行测试，选择1 000组测试样本数据，其中A类用户345个，B类用户320个，C类用户335个，使用该BP神经网络进行测试，最终的测试结果如表3所示。
由表3可以得到，该神经网络在数据测试中的用电用户分类结果的准确率还是比較高的，其中B类用户的识别率最低，误差率达到了11.87%，C类用电用户的识别率最高，达到了92.2%，对比神经网络得到的用电用户分类结果还是比较满意的，误差率相对比较小，证明该BP神经网络在用电用户分类中具有比较高的可行性。
2.3 BP神经网络用户能效分析及用户间对比
（1） 用户能效分析
经过BP神经网络反复训练，修正权值的计算后，所得的数据即是该用户的每个设备在每一个时刻对应的用电量，由于用户的总用电量等于每个设备的总用电量之和，即：
同理，用户的总电费等于每个设备的总电费之和，即：
根据总用电量和总电费，可以轻易算出该用户的平均电价。
该用户在峰时段的总用电量等于每个设备在峰时段的总用电量之和：
根据峰、谷、平三个时段的电价和用户自身的用电量分布可知，用户应适当减少峰时段的用电量，在允许的情况下可以将峰时段要工作的设备放在谷时段工作，这样能有效减少家庭用电花费，同时降低电力供应系统在峰时段的供电压力。
（2） 用户间能效对比
对同类用户进行能耗对比分析，对比的指标有：在某段时间内该用户的总用电量，总电费，平均电价在同类用户中的排名；在同类用户中进行某一设备的对比。可根据该用户的类型，在所有用户中找到同类用户，将总电量，总电费，平均电价这三项指标进行对比，计算出其排名。设备之间的对比，即在同类用户中找到具有该设备的用户，将该设备的总电量，总电费，平均电价这三项指标进行对比，记录其排名。将用户的各项指标在同类用户中比对，输出结果如图4所示。
该用户的平均电价高于平时段的电价，说明该用户在峰时段使用的电量要多于其他时段，可建议该用户尽量减少峰时段的用电量。
可以看出，BP神经网络的收敛性较好，在学习训练过程中能够根据各影响因素对总耗电量演变趋势所起作用的大小自动调节权重，因此，利用BP神经网络对用户用电设备的能效进行分析预测有较高的精准度。
3 结 语
本文以用户用电设备为研究对象，根据设备的实时运行数据，针对用电设备峰、谷、平划分及分阶电价等因素，提出基于BP神经网络的用电能耗分析模型，其能很好地预测非线性条件下的用电设备能耗问题。通过对用电设备的数据模型学习训练，构建用户分类指标，进行用户划分，实现用户间能效对比分析，对深入挖掘用户设备的节能潜力，帮助用户了解家庭设备的能效水平及分布状况，降低设备的损耗、减少不必要的能源浪费，助推电网设备能效水平的提升。
参考文献
[1] 师彪，李郁侠，于新花，等.动态调整蚁群?BP神经网络模型在短期负荷预测中的应用[J].水利发电学报，2011，30（3）：5?9.
[2] 王蓓蓓，李杨，高赐威.智能电网框架下的需求侧管理展望与参考[J].电力系统自动化，2009，33（20）：17?22.
[3] 程其云.基于数据挖掘的电力短期负荷预测模型及方法的研究[D].重庆：重庆大学，2004.
[4] 王雪峰，邬建华，冯英浚，等.运用样本更新的实时神经网络进行短期电力负荷预测[J].系统工程理论与实践，2003（4）：95?99.
[5] 姜勇.基于模糊聚类的神经网络短期负荷预测方法[J].电网技术，2003，27（2）：45?49.
[6] 丁思敏，吴军基.改进模糊神经网络在负荷预测中的应用研究[J].电力学报，2009，24（2）：101?104.
[7] 宫蕴瑞，王瑞，朱建良.基于混沌时间序列的BP神经网络电力负荷预测[J].信息技术，2005，11（9）：41?43.
[8] 姚李孝，薛美娟，冯继安.基于人工神经网络的负荷数据预处理[J].西安理工大学学报，2007，23（3）：277?281.
[9] 杨列銮，解佗，张刚，等.基于物元综合评价法的高耗能企业电力能效评价[J].电力科技与环保，2014，30（6）：44?47.
