基于大数据和深度学习的全社会月用电总量预测

刘 智

(国家能源集团泰州发电有限公司，江苏 泰州 225327)

摘 要： 为解决经典方法预测全社会用电总量的预测数值精度较低、模型结构参数过于复杂等技术难题，本文提出将电力大数据和人工智能领域深度学习算法相结合的研究方法。采用计算机建立具有阶层结构的深度神经网络，根据仿生学原理引入线性整流函数解决梯度消失及神经网络收敛速度减慢问题，采用梯度下降来进行优化模型，同时通过引入指数衰减法由神经网络模型自动设定学习率以提高模型预测精度并降低迭代次数。从数量场的梯度原理并结合泰勒公式，推导出梯度下降法背后数学原理。为解决过拟合问题引入早停算法以提高模型训练速度及泛化能力。最后深度学习算法预测数值与经典线性回归算法预测数值相比较，深度学习算法在对全社会月用电总量的预测精准度、稳定性指标上明显优于线性回归算法，深度神经网络模型对未来全社会电力需求的预测数值具有高度的可信性。

关键词： 全社会用电总量；人工智能；深度学习；人工神经网络；电力系统

随着我国综合国力的不断增强，高端制造业、通讯信息技术、交通运输等行业稳定发展，居民的家用电器水平持续提高，电力作为其最重要的支撑，需求量与日俱增。通过对全社会用电总量的精准预测，使电力供应充分满足社会需求，不但保证了电力系统的安全、稳定运行和各行业和谐、稳定发展，也为发电企业和供电企业的检修计划、运行方式、电煤储存等各项规划提供了重要依据，有助于节约煤炭等不可再生燃料资源，降低发电成本。因此，这一工作同时具备经济效益和社会意义^[1-3]。

当前对全社会用电总量的预测研究当中，存在着很多经典的方法，比如经典线性回归法、时间序列法以及相关分析法等^[4-11]。本文结合电力大数据和深度学习算法，对历史全社会月用电总量数据进行分析、计算，通过深度学习算法实现对未来一定时间内全社会用电总量的精确、稳定的预测。

关于借代的类型,陈望道《修辞学发凡》把它区分为旁代和对代两大类。旁代又分为四类:事物和事物的特征或标记相代,事物和事物的所在或所属相代,事物和事物的作家或产地相代,事物和事物的资料或工具相代。对代也分为四类:部分和全体相代,特定和普通相代,具体和抽象相代,原因和结果相代。[注]陈望道:《修辞学发凡》,上海:上海教育出版社,1979年,第80-92页。

1 本文使用的模型及算法

1.1 深度神经网络及人工神经元

深度学习是一种机器学习方法，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习器由若干处理层组成，每层包含至少一个处理单元，每层输出为数据的一

种表征，且表征层次随处理层次增加而提高。本文引入的深度神经网络就是一种深度学习模型，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。深度神经网络中有三种类型的神经元层分别是输入层、隐藏层和输出层^[11-15]。

图1 深度神经网络原理图
Fig.1 Schematic diagram of deep neural network

人工神经元是深度神经网络的组成节点，它原理是模仿生物的大脑神经元，生物大脑的神经元通过突触与其他神经元相连接，接收其他神经元送来的信号，经过汇总处理之后产生输出。本文用计算机软件创建深度神经网络和人工神经元的作用原理和这类似。图2是一个人工神经元的示意图， 左侧为输入数据， 接受

α在梯度下降算法中被称作为学习率，学习率控制了每次更新参数的幅度。如果学习率太大就会导致更新的幅度太大，就有可能会跨过损失值的极小值，而取不到参数的极优值。如果学习率设置的太小，就会导致的更新速度太慢，从而需要消耗更多的计算资源来保证获取到参数的极优值。这2个缺点使深度神经网络模型在训练迭代过程中遭受预测精度及速度的损失，失去实用价值。因此本文中引入指数衰减算法设定学习率α，指数衰减算法无需人工设定学习率，由训练模型自动调节学习率。

样本数据作为训练深度神经网络模型的基础，数据的正确性和权威性至关重要。本文研究分析所用全社会用电量数据为2010-2018年国家能源局发布的月度全社会用电总量信息。2010年1月至2017年12月间用电总量数据作为训练集，如图4所示。

图2 人工神经元的输入与输出
Fig.2 Input and output of artificial neurons

根据图2显然可以通过一个线性组合来表述特征与目标之间存在的关系，对每个神经元，它接受的来自前一层神经元的输入为一组向量x，本节点的权重向量为w，偏置项为b，该神经元的输出值可以用下面的公式来表示

y ′=ω ₁x ₁+ω ₁x ₂+…+ω ₅x ₅+b

(1)

人工神经元类似一种函数的映射关系，如公式(1)所示，先计算输入向量与权重向量的内积，加上偏置项b，再经过一个激活函数进行变换，得到输出值。

1.2 线性整流函数

对初步建立的深度神经网络，仅从数学的角度来看发现它只是一个复杂的矩阵，每一层输出都是上层的输入的线性函数，无论神经网络有多少层，输出都只是输入的矩阵相乘的结果，与没有隐藏层效果相当。而根据动物的神经网络研究表明，神经元的信息编码通常是比较分散及稀疏的。通常情况下，大脑中在同一时间大概只有1%-4%的神经元处于活跃状态。因此可以根据仿生学原理使用一个非线性的激活函数对深度神经网络中神经元的活跃度进行调试，使深度神经网络能够更加灵活聪明地逼近任意函数。本文的深度神经网络引入线性整流函数(rectified linear unit)作为激活函数，它的数学表达式是：

R (z )=max(0,z )

(2)

神经网络模型在迭代训练过程中对每层的权重参数不断使用梯度下降来进行优化，最终使得在某一组参数下该神经网络模型能够最佳的匹配训练任务。梯度下降法实现的数学原理如下：

1.3 损失函数

为了比较研究深度神经网络模型的预测效果，本文同时引入sklearn经典机器学习库的线性回归算法来预测全社会月用电总量，并用最小二乘法逼近来拟合。

(3)

神经网络模型的训练学习过程可以视为不断降低系统损失的过程，如果模型的预测完全准确，则损失为零，否则误差会较大。训练过程中，模型首先对权重和偏差进行初始猜测，然后反复调整这些猜测，直到获得损失可能最低的权重和偏差为止，这时该神经网络模型已收敛，预测值与真实值之间的误差达到最小化。本文引入梯度下降法来实现这一收敛过程。

1.4 梯度下降数学原理与学习速率

线性整流函数具有训练速度快，参数的相互依存关系少等优点。因为深度学习收敛过程中最大的问题是梯度爆炸和梯度消失问题，神经网络在进行方向误差传播时，各个层都要乘以激活函数的一阶导数，梯度每传递一层就会衰减一层，网络层数较多时，梯度就会不停衰减直到消失，使得训练网络收敛越来越慢。而线性整流函数凭借其线性、非饱和的形式，训练速度优于其它复杂激活函数，活跃度的分散特性也使神经网络整体计算成本下降。

以三维空间的数量场为例，根据场论中数量场梯度的定义：

(4)

拓展到一个多元数量场，假设有n个权重向量：

薪资管理模块实现了薪资多次发放、其他薪资和劳务费单独发放功能，系统自动合并计税及一次性奖金计税管理，解决了手工计税烦琐、人为错误风险问题，为工资管理人员管理工资发放提供智能化的工具。系统还实现了自动生成个人所得税申报表，实现与地税系统联动功能。

通过对两个体系的风险因素打分后，分别进行因子分析并提取公共因子，再以每个因子的方差贡献率作为权数与该因子的得分乘数之和构造得分函数：

(5)

2.2.1 头季稻产量比较 对照黄华占头季稻产量为9 929.28 kg／hm2，居第七位。比对照增产的品种有6个，产量由高到低依次是天两优953、黄科香2号、黄广油占、两优33、泰优2806、甬优4949，其中天两优 953 产量最高，为 11 597.53 kg／hm2，比对照增产16.8%；金优 38 产量最低，为 9 764.03 kg／hm2，比对照减产 1.66%。

f (w +Δw )=f (w )+Δw f (w )

(6)

要使：

f (w +Δw )<f (w )

(7)

就必须要有：

Δw =-α f (w )

(8)

输入的多元特征数据，右侧为输出数据^[16-17]。

如图3所示，指数衰减法的特点是深度神经网络模型在训练的开始阶段，先用一个较大的学习率来快速得到一个比较优的参数值，然后通过迭代次数的增加逐渐减少学习率，保证参数极优的同时迭代次数也少。

图3 指数衰减算法学习率变化曲线
Fig.3 Learning rate curve of exponential decay algorithm

2 神经网络模型训练

2.1 样本数据

APS-C单反都可以使用同品牌全画幅单反的镜头，但反过来却不一定可以。佳能的EF-S系列镜头只能在旗下的APS-C机身上使用，而尼康的全画幅相机则可以使用DX系列镜头，但相机会自动切换到DX模式。无反相机的卡口与单反不同，但可通过转接环转接其他系统的镜头。

图4 2010-2017年每月全社会用电总量
Fig.4 Total monthly electricity consumption of the
whole society form2010 to 2017

从图4可以观察出，中国每年全社会用电总量波动较大，呈现出明显的双峰特征，分别对应夏季7月和8月，和冬季的12月和1月。主要因为中国基本处于大陆性季风气候，其基本特点是东冷夏热、气温变化显著，居民的采暖、制冷对电力需求量较大。2月由于春假，各产业处于修整状态，全社会用电量为全年最低^[18-19]。从图4也可以看出尽管气温、节假日等因素会对全社会用电量产生一定影响，年内波动较大，但中国的年全社会用电总量每年屡创新高。

目前，综合考虑性价比、可靠性和测速性能，基于传感器的测速方法仍是普通环境下测速应用的首选方法。由于测速传感器的精度与价格成正比，高精度、高性能测速传感器高昂的价格让普通用户望而却步。因此针对常规精度测速传感器，设计一种能保证高、中转速区测速精度，并能有效改善低速区测速精度的宽范围、实时滤波测速算法，对拓宽普通测速传感器的应用范围具有重要的工程意义。

2.2 预测方式的确定

本文采用2010-2017每个月全社会用电总量数据来训练深度神经网络模型，采用深度学习算法建立起神经网络内部连接的各项权重、系数。将任意其他年份1月至6月的全社会用电总量输入这个深度神经网络模型，可分别输出下半年的每个月全社会用电总量。

2.3 创建深度神经网络

本文使用python编程语言中的TensorFlow库创建一个全连接的多层深度神经网络，每个层的输入包括之前所有层的信息。引入线性整流函数、指数衰减等算法优化训练效果及速度。

从实验组和对照组中分别随机选取10株幼苗，用自来水冲洗幼苗，擦干表面水分，测量每株幼苗的根长、苗长，并称取根和苗的鲜重。

2.4 训练数据准备

本文将用电总量大数据集分为训练集和测试集两部分，将2010至2017年中每月全社会用电量作为训练集对神经网络模型进行训练(下半年每月全社会用电量单独出来作为数据集的标注结果)，最后将预测数值与测试集进行对比，以此来评估该模型学习效果。

2.5 神经网络模型的迭代训练及算法改进

采用上文预处理的数据训练本文的预测模型。为直观地评估模型训练效果，以预测2018年7月的全社会用电量作为参考，从第1个训练周期开始，一直循环到第3 000个训练周期，观察训练损失的降低情况，得到的预测结果如表1所示。

根据国家能源局公布数据，2018年7月我国完成全社会用电量6 484亿 kW·h。根据表1数据本文的神经网络模型迭代到第100次之后收敛的速度就明显开始减小，迭代到第500次时预测出6 340亿kW·h的全社会用电量，训练迭代到第1 000次时预测出6 461亿kW·h的全社会用电量，和实际用电量6 484亿kW·h只有0.35%的误差。迭代到第2 000次、3 000次时围绕真实值上下波动出现过拟合现象，如图5所示。

结合泰勒公式，预测模型的损失函数和训练参数关系可表达为：

省内外成功经验表明，必须把构建健康河湖作为全面推行河湖长制项目载体和重要抓手，采取立法、考核等多种措施，才能有效推进河湖长制提档升级，有力提升群众对优美河湖成果的获得感和幸福感，形成人与自然和谐发展的河湖生态新格局。

表1 神经网络模型迭代训练过程
Tab.1 Iterative training process of artificial neural network model

图5 迭代次数对预测结果的影响
Fig.5 Influence of iterations number on the predicted results

从表1及图5可以观察到训练迭代次数小于500次时发生欠拟合，对于历史每个月用电总量数据的学习不够充分，预测精度不足。如果迭代次数太多超出1 000次则有可能发生过拟合，不但减慢了神经网络模型的学习速度，也降低预测精度。〗本文针对训练过程中问题，为加快训练速度并解决过拟合问题， 在训练模型中引入早停算法来解决这个问题。改进的早停算法基本思路为：在训练阶段将数据分为训练集和验证集，在验证集上获取测试结果，每次训练迭代结束后，如果在验证集上发现测试误差上升，则停止训练将停止之后的权重作为网络的最终参数。因此它也是一种能够避免网络发生过拟合的正则化方法。基于以上原理引入早停算法可有效提高预测模型的训练速度及泛化能力。

3 仿真结果与分析

以本文上述方法和训练方式，用改进模型重新将2010至2017年中每月全社会用电量进行训练，并针对2018年的用电量进行计算预测。为了排除模型中随机因素的影响，对2018年7月至12月中的每个月的用电量预测5次，再取平均值作为最终预测结果。深度神经网络模型最终计算出的预测值如表2所示。

结合实际情况而言，移动端学习平台的构建手段有两大主流方向，一是APP开发，二是基于微信生态系统的公众平台开发。

表2 深度学习算法用电总量预测结果
Tab.2 Forecast results of total electricity consumption based on deep learning algorithm

图6 深度学习算法预测结果分析
Fig.6 Forecast analysis by deep learning algorithm

根据表2及图6中数据，预测模型对总共6个月预测结果中，7月、8月、9月、12月的总用电量预测精确度较高，偏差率1%左右，偏差率最小在9月只有0.03%，偏差率最大差在11月达到3.5%。平均偏差1.58%，偏差率方差仅为0.000 348，说明预测结果比较稳定。

从绝对偏差来看4次预测偏差都较小在100亿kW·h之内，2次较大偏差在200亿kW·h左右。总体来看预测精度较高、误差较小，具有一定的实用性。

3.1 和多元线性回归模型的比较分析

在训练过程中神经网络模型通过对2010-2017年每个月的全社会用电量数据的研究分析，学习各个人工神经元的权重和偏差的理想值，最终生成神经网络的映射函数。为了能精确预测全社会用电量，神经网络的预测输出要尽可能的接近样本的标签值，在训练集上最小化预测误差。为了衡量这个误差，用损失函数来量化这个指标。本文中使用均方误差(MSE)作为该模型的损失函数。要计算均方误差，要先求出各个样本的所有平方损失之和，然后除以样本数量：

预测结果如表3所示。

表3 线性回归算法用电总量预测结果
Tab.3 Forecast results of total electricity consumption based on linear regression algorithm

图7 线性回归算法预测结果分析
Fig.7 Forecast results analysis by linear regression algorithm

从表3及图7数据来看线性回归模型的预测精确度显著低于深度神经网络模型，偏差率的平均值为4.17%，而且数据波动较大，偏差率数值最小只有-1.0%，最大-7.4%，偏差率方差达到了0.002 267，说明预测结果波动性较大，可靠性较低。

图8 2种机器学习算法的结果比较

Fig.8 Comparison of results between two machine learning algorithms

综合比较，线性回归模型预测全社会用电总量数值的偏差率平均值及偏差率方差指标均明显逊于深度学习算法，原因在于全社会用电总量数据每年都在增长，并且影响因素较多，月用电总量波动大，线性回归模型的灵活度无法准确捕捉全社会用电量变化的复杂模式。图8是2种模型预测结果和国家能源局公布的实际月用电总量对比。

五、厂区办公楼周围已有厂区防雷及接地体，因此办公楼不再布置接地干线，需要接地设备直接用40*5热镀锌扁钢与厂区接地网可靠连接。

4 结论

本文展示了用计算机创建一个深度神经网络模型，将电力大数据和深度学习算法结合来训练这个模型，并将该模型应用于预测2018年7月至12月全社会用电总量数值，预测结果与线性回归模型比较，表明：

(1)与经典线性回归模型相比，本文采用深度学习算法具有更高的预测精度和稳定性、更低的误差率，并通过图表获得直观的比较结果，表明该方法具有一定的实用性。

(2)本文从数量场的定义研究了梯度下降法原理，并引入指数衰减法算法设定学习速率，训练过程中有效避免模型陷入局部最小值，从而获得更稳定的训练动态，保证模型精度的同时降低迭代次数。

(3)本文的神经网络模型在训练过程使用了3 000个梯度下降步骤寻找最优解，但是通过引入早停算法，获得更快训练速度及更好泛化能力，提高了训练模型整体的性能。

本文的预测结果表明通过电力大数据和深度学习算法相结合的模式，计算机神经网络模型计算出的全社会月用电总量具有高度的可信性。本文的神经网络模型也能够根据实际工作需要调整训练数据和训练方式，以预测未来不同时间单位内的全社会用电需求，能够为电力系统各项规划提供重要的决策依据。

参考文献：

[1] 王鸿玺，李飞，李翀，等.基于大数据分析的混沌神经网络模型在负荷预测中的应用[J].电力大数据，2017，20(08)：1-5.

WANG Hongxi，LI Fei，LI Chong，et al.Application of chaotic neural network model in load prediction based on big data analysis[J].Power Systems and Big Data，2017，20(08)：1-5.

[2] 贺远，翟丹丹，苏贵敏.基于PCA与改进BP神经网络相结合的电网中长期负荷预测[J].电力大数据，2019，22(05)：74-80.

HE Yuan，ZHAI Dandan，SU Guimin.Medium and long-term load prediction forecasting of power grid based on PCA combined with improved BP neural network[J].Power Systems and Big Data，2019，22(05)：74-80.

[3] 郑海燕，王成亮.基于用电大数据的中长期负荷预测研究[J].电测与仪表，2018，55(13)：74-77+35.

ZHENG Haiyan，WANG Chengliang.Research of medium-long term load forecasting based on big electricity data[J].Electrical Measurement & Instrumentation，2018，55(13)：74-77+35.

[4] 李龙，魏靖，黎灿兵，等．基于人工神经网络的负荷模型预测[J]．电工技术学报，2015，30(08)：225-230．

LI Long，WEI Jing，LI Canbing，et al.Prediction of load model based on artificial neural network[J].Transaction of China Electrotechnical Society，2015，30(08)：225-230.

[5] 孙宏斌，陈佳，江曦源，等．最小信息损失综合短期负荷预测(二)：算法和算例[J]．中国电机工程学报，2016，36(18)：4801-4807+5103.

SUN Hongbin，CHEN Jia，JIANG Xiyuan，et al.Minimization of information loss based hybrid short-term load forecasting，PART Ⅱ：Algorithm and case study[J]．Proceedings of the CSEE，2016，36(18)：4801-4807+5103.

[6] 梁智，孙国强，李虎成，等.基于VMD与PSO优化深度信念网络的短期负荷预测[J].电网技术，2018，42(02)：598-606.

LIANG Zhi，SUN Guoqiang，LI Hucheng，et al.Short-term load forecasting based on VMD and PSO optimized deep belief network[J].Power System Technology，2018，42(02)：598-606.

[7] 顾熹，廖志伟.基于相空间重构和高斯过程回归的短期负荷预测[J].电力系统保护与控制，2017，45(05)：73-79.

GU Xi，LIAO Zhiwei.Short-term load forecasting based on phase space reconstruction and Gaussian process regression[J].Power System Protection and Control，2017，45(05)：73-79.

[8] 陈艳平，毛弋，陈萍，等．基于EEMD-样本熵和Elman神经网络的短期电力负荷预测[J]．电力系统及其自动化学报，2016，28(03)：59-64．

CHEN Yanping，MAO Yi，CHEN Ping，et al.Short-term power load forecasting based on ensemble empirical mode decomposition-sample entropy and elman neural network[J].Proceedings of the CSU-EPSA，2016，28(03)：59-64.

[9] 马天男，牛东晓，黄雅莉，等．基于Spark平台和多变量L2-Boosting回归模型的分布式能源系统短期负荷预测[J]．电网技术，2016，40(06)：1642-1649．

MA Tiannan，NIU Dongxiao，HUANG Yali，et al.Short-term load forecasting for distributed energy system based on spark platform and multi-variable L2-boosting regression model[J]．Power System Technology，2016，40(06)：1642-1649.

[10] KANDIL.M.S，EI-DEBEIKY S.M，HASANIEN N E.Long-team load forecasting for fast developing utility using a knowledge based expert system[J].IEEE Transactions on Power Systems，2002，17(02)：491-496.

[11] 夏博，杨超，李冲.电力系统短期负荷预测方法研究综述[J].电力大数据，2018，21(07)：22-28.

XIA Bo YANG Chao LI Chong.Review of the short-term load forecasting methods of electric power system[J].Power Systems and Big Data，2018，21(07)：22-28.

[12] LUCA GHELARDONI， ALESSANDRO GHIO，DAVIDE ANGUITA.

Energy load forecasting using empirical mode decomposition and Support Vector Regression[J].IEEE Transactions on Smart Grid，2013，4(01)：549-556．

[13] 程宇也.基于人工神经网络的短期电力负荷预测研究[D].杭州：浙江大学.2017.

[14] 穆海振，孙兰东，侯依玲.上海市全社会月用电量预测模型[J].中国电力，2016，49(06)：146-150.

MU Haizhen，SUN Landong，HOU yiling.Study on prediction for Shanghai monthly power consumption[J].Electric Power，2016，49(06)：146-150.

[15] 朱晓露.基于BP神经网络的电力负荷中长期预测[D].北京：华北电力大学.2017.

[16] 张燕，谢峰.基于改进RBF神经网络的电力负荷预测[J].电子设计工程，2013，21(01)：117-118+121.

ZHANG Yan，XIE Feng.Based on improved RBF neural network Power load forecasting[J].Electronic Design Engineering，2013，21(01)：117-118+121.

[17] HIPPERT H S，PEDREIRA C E，SOUZA R C.Neural networks for short-term load forecasting：a review and evaluation[J].IEEE Transactions on Power Systems，2001，16(01)：44-55.

[18] 李博，门德月，严亚勤，等.基于数值天气预报的母线负荷预测[J].电力系统自动化，2015，39(01)；137-140.

LI Bo，MEN Deyue，YAN Yaqin，et al.Bus load forecasting based on numerical weather prediction[J].Aotomation of Electric Power System，2015，39(01)：137-140.

[19] 黄宇腾，韩翊，赖尚栋.深度神经网络在配电网公变短期负荷预测中的应用研究[J].浙江电力，2018，37(05)：1-6.

HUANG Yuteng，HAN Yi，LAI Shangdong.Application of deep neural network in short-term load prediction of public transformer of power distribution network[J].Zhejiang Electric Power，2018，37(05)：1-6.

Monthly total power consumption forecast of the whole society based on big data and deep learning

LIU Zhi

(CHN Energy Taizhou Power Generation Co.，Ltd.，Taizhou 225327 Jiangsu，China)

Abstract： In order to solve the technical problems such as the low numerical accuracy of the classical method to forecast the total electricity consumption of the whole society and the excessively complex structural parameters of the model，this paper proposes a research method combining the big data of electric power with the deep learning algorithm in the field of artificial intelligence.A deep neural network with hierarchical structure is built by computer，According to bionics principle，Rectified Linear Unit is introduced to solve the problem of gradient disappearance and slow convergence rate of neural network，gradient descent is used to optimize model，at the same time，exponential decay vector is introduced to set the learning rate automatically by the neural network model，in order to improve the model prediction accuracy and reduce the number of iterations.From the gradient principle of quantity field and Taylor formula，the mathematical principle behind gradient descent method is deduced.In order to solve the overfitting problem，the early stopping algorithm is introduced to improve the training speed and generalization ability of the model.Values forecasted by deep learning algorithms compared with the values forecasted by linear regression algorithm，deep learning algorithm for forecasting of the total electricity consumption of the whole society is superior to linear regression algorithm on the precision and stability index，and the depth of the neural network model has a high degree of credibility for the forecast of future demand for electricity in the whole society.

Key words： total electricity consumption of whole society；artificial intelligence；deep learning；artificial neural network；power system

文章编号： 2096-4633(2019)08-0028-07

中图分类号： C39

文献标志码： B

收稿日期： 2019-05-17

作者简介：

刘 智(1984)，男，本科，助理工程师，主要从事火电厂安全文明生产工作。

Because of the symmetry along the x-direction as shown in Fig. 2(b), we have

(本文责任编辑：范 斌)

标签：全社会用电总量论文;  人工智能论文;  深度学习论文;  人工神经网络论文;  电力系统论文;  国家能源集团泰州发电有限公司论文;