用户用电行为类别和典型用电模式精细化辨识方法技术

属于用户用电行为类别分析技术领域，具体涉及一种用户用电行为类别和典型用电模式精细化辨识方法，包括如下步骤：S1.数据预处理，对海量负荷数据进行预处理，修正问题数据；S2.海量负荷数据分类算法模型建立，建立基于改进深度LSTM网络的负荷分类模型；S3.海量负荷数据特征提取，从各类负荷曲线中提取典型曲线模型表示此类曲线的共同特征；S4.典型地市用户用电行为实例分析。该方法具有高稳定性、高效性以及精准性，分析不同用户用电特征，展现其地域差异性、时域关联性以及空间相关性。时域关联性以及空间相关性。时域关联性以及空间相关性。

【技术实现步骤摘要】
用户用电行为类别和典型用电模式精细化辨识方法


[0001]本专利技术属于用户用电行为类别分析
，具体涉及一种用户用电行为类别和典型用电模式精细化辨识方法。

技术介绍

[0002]用户用电行为辨识是负荷数据挖掘领域的一个重要研究方向，国内外对用户用电行为类别辨识和典型用电模式提取展开了大量研究。
[0003]在用户用电行为类别辨识研究方面，传统用户负荷类别辨识方法主要分为无监督聚类和有监督分类，传统无监督聚类多以K均值聚类、模糊C聚类算法为基础。考虑到传统聚类算法对于噪声较为敏感，伊朗德黑兰大学专门针对超大数据库中的空间数据提出聚类算法 WaveCluster，该算法是一种基于小波变换的网格聚类算法，可以通过多层次小波变换识别不同分辨率下的簇，能够识别不同形状的簇，甚至包括嵌套和凹模式。
[0004]无监督聚类方法通常需指定类别数量，同时对于数据异常值较敏感，算法稳定性较差。随着机器学习算法的兴起，支持向量机和BP 神经网络为代表的有监督分类算法被越来越多用于负荷类别辨识。有文献公开通过结合K
‑
means本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用户用电行为类别和典型用电模式精细化辨识方法，其特征在于，包括如下步骤：S1.数据预处理，对海量负荷数据进行预处理，修正问题数据；S2.海量负荷数据分类算法模型建立，建立基于改进深度LSTM网络的负荷分类模型；S3.海量负荷数据特征提取，从各类负荷曲线中提取典型曲线模型表示此类曲线的共同特征；S4.典型地市用户用电行为实例分析。2.根据权利要求1所述用户用电行为类别和典型用电模式精细化辨识方法，其特征在于，所述的步骤S1中数据预处理包括数据缺失处理、数据异常处理、数据归一化处理和数据标准化处理。3.根据权利要求2所述用户用电行为类别和典型用电模式精细化辨识方法，其特征在于，所述的数据的缺失处理包括均值填充法、回归填充法及曲线相似度的数据补全算法。4.根据权利要求2所述用户用电行为类别和典型用电模式精细化辨识方法，其特征在于，所述的数据异常处理包括直接丢弃存在异常的负荷数据。5.根据权利要求3所述用户用电行为类别和典型用电模式精细化辨识方法，其特征在于，所述的回归填充法是根据用户用电数据缺失值与其他属性值的相关性建立回归方程，对于包含缺失值的用户用电样本，通过建立的模型与已知属性值来估计并填充缺失值。6.根据权利要求3所述用户用电行为类别和典型用电模式精细化辨识方法，其特征在于，所述的曲线相似度的数据补全算法采用矩阵填充的方法对用户用电缺失数据进行预填充，定义曲线相似性度量；然后对于每一个存在数据缺失的用户用电样本，选取与其最为相似的k个样本，再次采用矩阵填充实现缺失数据的补全。7.根据权利要求2所述用用户用电行为类别和典型用电模式精细化辨识方法，其特征在于，所述的数据归一化处理过程中归一化的公式表达如下：其中，max(x)、min(x)分别为样本数据的最大值、最小值，归一化也称离差标准化，是对原始结果的线性变换，使得结果映射到[0,1]之间，有新样本加入时，需要重新计算最大、最小值。8.根据权利要求1所述用户用电行为类别和典型用电模式精细化辨识方法，其特征在于，所述的步骤S2中所述的LSTM网络包括有三个门结构，分别是输入门、遗忘门、输出门，输入门用来控制信息输入，遗忘门用来控制细胞历史状态信息的保留，输出门用来控制信息输出，激活函数σ使得遗忘门的输出值在[0,1]之间，当遗忘门输出为0的时候，表示将上一状态的信息全部丢弃；为1的时候，表示上一状态的信息全部保留，其过程可用以下公式表示：i
t
＝σ(W
ix
*x
t
+W
im
*m
t
‑1+W
ic
c

【专利技术属性】
技术研发人员：吴博，惠峥，魏子博，陈林，赵建立，
申请(专利权)人：国网河南省电力公司南阳供电公司，
类型：发明
国别省市：