一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法技术方案

为适应新能源发电的随机性、居民用电行为的多样性以及电力交易体制的改革，需要提高需求响应的实时性以及电网与用户之间信息的交互。本发明专利技术涉及一种基于大数据思维的居民用电行为分类模型，首先，采集居民用电数据，提取出居民用电行为的属性特征，根据历史用电数据和实时的电力负荷情况来识别居民用电规律与否的系统及方法，主要过程包括通过异常分析剔除掉个别极端用电数值,通过自回归模型建立每个用电单位的48小时用电关系曲线,通过高斯混合模型做聚类分析,通过期望极大算法计算出高斯混合模型中的参数。本发明专利技术创新性地将时序居民用电数据转换为自回归系数，进而引入高斯混合聚类模型中。

A system and method for analyzing the electricity consumption behavior of residents based on Gaussian mixture model and expectation maximum algorithm

In order to adapt to the randomness of new energy generation, the diversity of residents' electricity consumption behavior and the reform of power trading system, it is necessary to improve the real-time demand response and the information interaction between power grid and users. The present invention relates to a classification model of residential electricity consumption behavior based on big data thinking. Firstly, the residential electricity consumption data is collected, and the attribute characteristics of residential electricity behavior are extracted, and the system and method to identify whether the residential electricity consumption law or not is based on the historical power consumption data and real-time power load situation. The main process includes eliminating individual extreme power consumption values through abnormal analysis, The 48 hour power consumption relationship curve of each power consumption unit is established by the autoregressive model, and the parameters of the Gaussian mixture model are calculated by the expectation maximum algorithm through the clustering analysis of the Gaussian mixture model. The invention creatively converts the time series residential electricity consumption data into an autoregressive coefficient, and then introduces it into the Gaussian mixture clustering model.

【技术实现步骤摘要】
一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法
本专利技术涉及居民用电行为人工智能及大数据分析领域，具体涉及一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法。
技术介绍
随着居民生活水平的提高、节能环保意识的增强，大量的智能柔性负荷以及新型储能设备在居民家庭普及使用，居民用户的电力消费水平与负荷调控能力不断提高。因此，利用智能推荐模型引导居民用户主动开展需求响应，实现用户与电网之间的互联互通互动，对促进电力供需平衡、保障电网稳定运行具有重大意义。以及如何利用智能电表采集的大量用户用电数据并对其进行数据挖掘以获得有助于提高运行可靠性与经济社会效益的有效信息是传统电力公司向综合能源服务商转型过程中迫切需要解决的重要问题之一。负荷曲线聚类是指依据用户的用电特性对用户进行划分，将具有相似用电模式的用户归类，这有助于电力公司了解不同用户的用电行为，从而为制定需求侧响应政策以及高精度负荷预测提供支撑。此外，负荷模式聚类还可用于异常用电检测，负荷控制，配电网规划，智能化城市管理等。因此，研究电力用户负荷模式分类技术对于提升电力公司服务水平、改善电网资产利用效率、提高企业经济效益、节能增效具有重要意义。
技术实现思路
本专利技术提出了一种基于实时电力负荷数据的居民用电行为分类模型。整个过程包括了数据收集模块,剔除极端值模块,自相关系数转换模块，高斯混合分类模型,以及实时识别报告模块，如图1所示。电力负荷数据收集模块通常通过智能电表等终端设备采集,存储并处理原始居民用电负荷数据，并对这些数据进行分析,整合,校正,填补缺失值,以及标准化处理。异常分析模块将电力负荷数据中的极端异常值剔除,这其中包括了,数据录入时发生的读取错误照成的极大极小值和缺失值。异常分析之后的数据录入到自回归系数转换模块，该模块对每一个用电单位的负荷数据进行48小时的自回归系数转换。在高斯混合模型对历史用电数据进行聚类分析,此外用期望极大算法计算高斯混合模型参数。最后并通过实时用电识别报告模块，报告该用户当前用电行为是否属于用电异常。附图说明图1为本专利技术实施中居民用电行为聚类分析模块流程图。图2为本专利技术实施中某用户历史用电数据(度/小时)的曲线图。图3为本专利技术实施中某用户历史用电数据自相关系数图。图4为本专利技术实施中实时用电数据分类识别为用电行为正常的示意图。图5为本专利技术实施中实时用电数据分类识别为用电行为较为正常的示意图。图6为本专利技术实施中实时用电数据分类识别为用电行为异常的示意图。具体实施方式为使得本专利技术的内容、目的、特征及优点能够更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护说明书的范围，整个系统运行的具体步骤如下。1.数据收集模块：对每一个用电单位的用电数据进行收集和存储。用电负荷数据可以采用不同的频率进行录入，在进入分析之前会求和或再分配为小时。2.根据步骤1中所取得的处理后的用电负荷数据，首先对每一个用户的用电数据进行异常分析，剔除掉极端值：1）数据值为:；2）假设每一个用户的数据负荷高斯分布:；3）求出相应参数:；4）如果,则认为该值为极端值。3.根据步骤2中所取得的处理后的数据，对每一个用电单位数据进行自回归分析：其中k值,我们选取48，为48小时。4.根据步骤3的结果,原数据为每一个用户的小时用电量，转化为每一用户的自回归系数，训练数据集:其中N为用户数,。5.通过步骤3的自回归数据转换结果,接着采用高斯混合模型对实时数据进行分类,我们假设一共有三类:用电行为正常,用电行为较为正常,以及用电行为异常。高斯混合模型建立如下:其中，是系数，且是高斯分布密度，,高斯混合模型表示,当模型参数已知时,用户属于哪一类的概率为多少。6.采用期望极大值算法求解,高斯混合模型中的参数：输入为:,输出为高斯混合模型参数:(1)初始化参数：(2)对当前参数模型,计算出分模型k对输入数据的响应度：(3)计算新一轮的迭代模型参数：(4)重复第(2)步和第(3)布,直到收敛。7.当实时数据进入系统,通过参数已知的高斯混合模型,分别计算该用户属于每一类的概率,哪一类概率高,该用户就属于哪一类。分类结果如下图：其中图4为识别后用户正常用电行为，图5为识别后用户较为异常用电行为，图6为识别后用户异常用电行为。本专利技术公开了一种基于大数据思维的客户用电行为分析模型，运用自回归系数转换，高斯混合模型分类和期望极大算法求解高斯混合模型参数，根据历史用电数据和实时的电力负荷情况来识别居民用电规律的系统及方法。该方式针对一个社区内的用户用电情况进行分析，将用电分析结果及潜在的用电风险推送给相应机构;对于智能化城市管理,将改善行政管理和提高用电安全的效率。对于供电机构，可以指导用户合理签订购售电合同、选择电价政策、生产活动安排，降低用户的生产、用能成本，促进用户利益最大化；同时公司可通过价格、政策等措施引导、推进用户进行结构调整，转变增长方式；指导用户合理签订购售电合同、选择电价政策、生产活动安排、错峰用电，降低用户的生产、用能成本，促进用户利益最大化、促进节能降耗。本文档来自技高网...

【技术保护点】
1.本专利技术一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法的特征在于，包括：/n步骤1.数据收集模块：对每一个用电单位的用电数据进行收集和存储；/n用电负荷数据可以采用不同的频率进行录入，在进入分析之前会求和或再分配为小时；/n步骤2.根据步骤1中所取得的处理后的用电负荷数据，首先对每一个用户的用电数据进行异常分析，剔除掉极端值：/n1） 数据值为:/n

【技术特征摘要】
1.本发明一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法的特征在于，包括：
步骤1.数据收集模块：对每一个用电单位的用电数据进行收集和存储；
用电负荷数据可以采用不同的频率进行录入，在进入分析之前会求和或再分配为小时；
步骤2.根据步骤1中所取得的处理后的用电负荷数据，首先对每一个用户的用电数据进行异常分析，剔除掉极端值：
1）数据值为:

；
2）假设每一个用户的数据负荷高斯分布:




；
3）求出相应参数:

；
4）如果,则认为该值为极端值；
步骤3.根据步骤2中所取得的处理后的数据，对每一个用电单位数据进行自回归分析：
其中k值,我们选取48，为48小时；
步骤4.根据步骤3的结果,原数据为每一个用户的小时用电量，转化为每一用户的自回归系数，训练数据集:



其中N为用户数,；
步骤5.通过步骤3的自回归数据转换结果,接着采用高斯混合模型对实时数据进行分类,我们假设一共有三类:用电行为正常,用电行为较为正常,以及用电行为异常，
高斯混合模型建立如...

【专利技术属性】
技术研发人员：胡炳谦，周浩，顾一峰，韩俊，
申请(专利权)人：上海积成能源科技有限公司，
类型：发明
国别省市：上海;31