一种专变电力用户行业识别方法、装置及设备制造方法及图纸

本申请涉及一种专变电力用户行业识别方法、装置及设备，该识别方法通过X

【技术实现步骤摘要】
一种专变电力用户行业识别方法、装置及设备


[0001]本申请涉及数据处理
，尤其涉及一种专变电力用户行业识别方法、装置及设备。

技术介绍

[0002]近年来，随着智能电表的全面覆盖与信息化建设的开展，各行业专变用户的用电行为分析受到了电力企业、政府及用户越来越多的关注。然而，大批量的历史电力用户档案录入都需经过用电客户申请、业务受理、现场勘查、计量录入、电费审核、归档等环节，电力用户的行业分类选择严重依赖于工作人员的经验判断以及系统操作，且归档后缺少对用户行业分类的校核，导致电力系统采集计算得到的行业电量及负荷数据的真实掌握存在不确定性。当根据电力系统采集数据，人员人为上判断行业总电量或者负荷数据与预期不符时，都需要调出该行业下所有用户，按照工作人员经验挑选可能分类错误的电力用户，安排运维人员现场走访调整，仍存在主观被动判断、耗费人力等问题。

技术实现思路

[0003]本申请实施例提供了一种专变电力用户行业识别方法、装置及设备，用于解决现有对电力系统从智能电表获取的数据通过人工实现电力用户档案行业分类，此方式存在判断结果易出错、工作效率低且耗时耗力的技术问题。
[0004]为了实现上述目的，本申请实施例提供如下技术方案：
[0005]一种专变电力用户行业识别方法，包括以下步骤：
[0006]获取同一个区域内的m个专变电力用户以及每个所述专变电力用户每日的数个负荷数据，并根据每个所述专变电力用户的数个负荷数据建立对应专变电力用户的日负荷曲线；
[0007]采用Xr/>‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类处理，得到典型日负荷曲线和曲线概率；
[0008]若同一个区域内中专变电力用户的典型日负荷曲线未进行行业分类，采用X
‑
means聚类算法对m个所述专变电力用户的所有典型日负荷曲线按照节假日和非节假日分别进行聚类处理，得到聚类后同一个区域内的N条日负荷特征曲线；
[0009]若同一个区域内中专变电力用户的典型日负荷曲线已进行行业分类，采用欧式距离法对待行业分类的所述专变电力用户中典型日负荷曲线分别与同一个区域内的N条日负荷特征曲线计算，得到距离数据集合，从所述距离数据集合筛选出最小值对应的日负荷特征曲线作为该专变电力用户行业类别的日负荷特征曲线；
[0010]其中，一条所述典型日负荷曲线作为一个行业类别的日负荷曲线，所述典型日负荷曲线包括节日典型日负荷曲线和非假日典型日负荷曲线，所述曲线概率包括假日曲线概率和非假日无线概率。
[0011]优选地，根据每个所述专变电力用户的数个负荷数据建立对应专变电力用户的日
负荷曲线之前，包括：根据每个所述专变电力用户的数个负荷数据中异常数据进行修复处理，得到修复后的负荷数据。
[0012]优选地，该专变电力用户行业识别方法包括：对每个所述专变电力用户的负荷数据中异常数据采用插值算法处理，得到修复后的负荷数据。
[0013]优选地，采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类处理之前，包括：对每条所述典型日负荷曲线的负荷数据采用最小
‑
最大值归一化处理，得到归一化后的典型日负荷曲线。
[0014]优选地，采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类处理，得到典型日负荷曲线的步骤包括：
[0015]采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类，得到聚类后的日负荷曲线；
[0016]从聚类后的日负荷曲线中选择聚类天数最多的这类行业所有日负荷曲线对应的中心负荷曲线作为所述专变电力用户的典型日负荷曲线。
[0017]优选地，采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类处理，得到典型概率的步骤包括：
[0018]根据聚类后的日负荷曲线，得到与节假日或非节假日日负荷曲线对应的行业类别和行业类别总数；
[0019]按每类行业类别中日负荷曲线条数从大到小排序，得到排序后行业类别；
[0020]对所述排序后行业类别中日负荷曲线条数逐一求和，并将求和条数与节假日或非节假日的日负荷曲线总条数对比，得到比值数值；
[0021]若所述比值数值大于阈值，则所述典型日负荷曲线的行业类别来自与所述求和条数对应的排序后行业类别；
[0022]其中，所述典型日负荷曲线的典型概率为所述比值数值。
[0023]优先地，该专变电力用户行业识别方法包括：选取N条日负荷特征曲线中间的一条日负荷特征曲线作为中心负荷特征曲线，所述中心负荷特征曲线为区域主行业的日负荷特征曲线。
[0024]优选地，该专变电力用户行业识别方法包括：获取每个所述专变电力用户每日的至少24个负荷数据。
[0025]本申请还提供一种专变电力用户行业识别装置，包括数据获取模块、聚类处理模块、第一识别模块和第二识别模块；
[0026]所述数据获取模块，用于获取同一个区域内的m个专变电力用户以及每个所述专变电力用户每日的数个负荷数据，并根据每个所述专变电力用户的数个负荷数据建立对应专变电力用户的日负荷曲线；
[0027]所述聚类处理模块，用于采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类处理，得到典型日负荷曲线和曲线概率；
[0028]所述第一识别模块，用于根据同一个区域内中专变电力用户的典型日负荷曲线未进行行业分类，采用X
‑
means聚类算法对m个所述专变电力用户的所有典型日负荷曲线按照节假日和非节假日分别进行聚类处理，得到聚类后同一个区域内的N条日负荷特征曲线；
[0029]所述第二识别模块，用于根据同一个区域内中专变电力用户的典型日负荷曲线已
进行行业分类，采用欧式距离法对待行业分类的所述专变电力用户中典型日负荷曲线分别与同一个区域内的N条日负荷特征曲线计算，得到N个距离数据，从N个距离数据筛选出最小值对应的日负荷特征曲线作为该专变电力用户行业类别的日负荷特征曲线；
[0030]其中，一条所述典型日负荷曲线作为一个行业类别的日负荷曲线，所述典型日负荷曲线包括节日典型日负荷曲线和非假日典型日负荷曲线，所述曲线概率包括假日曲线概率和非假日无线概率。
[0031]本申请还提供一种专变电力用户行业识别设备，包括处理器以及存储器；
[0032]所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
[0033]所述处理器，用于根据所述程序代码中的指令执行上述所述的专变电力用户行业识别方法。
[0034]从以上技术方案可以看出，本申请实施例具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种专变电力用户行业识别方法，其特征在于，包括以下步骤：获取同一个区域内的m个专变电力用户以及每个所述专变电力用户每日的数个负荷数据，并根据每个所述专变电力用户的数个负荷数据建立对应专变电力用户的日负荷曲线；采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类处理，得到典型日负荷曲线和曲线概率；若同一个区域内中专变电力用户的典型日负荷曲线未进行行业分类，采用X
‑
means聚类算法对m个所述专变电力用户的所有典型日负荷曲线按照节假日和非节假日分别进行聚类处理，得到聚类后同一个区域内的N条日负荷特征曲线；若同一个区域内中专变电力用户的典型日负荷曲线已进行行业分类，采用欧式距离法对待行业分类的所述专变电力用户中典型日负荷曲线分别与同一个区域内的N条日负荷特征曲线计算，得到距离数据集合，从所述距离数据集合筛选出最小值对应的日负荷特征曲线作为该专变电力用户行业类别的日负荷特征曲线；其中，一条所述典型日负荷曲线作为一个行业类别的日负荷曲线，所述典型日负荷曲线包括节日典型日负荷曲线和非假日典型日负荷曲线，所述曲线概率包括假日曲线概率和非假日无线概率。2.根据权利要求1所述的专变电力用户行业识别方法，其特征在于，根据每个所述专变电力用户的数个负荷数据建立对应专变电力用户的日负荷曲线之前，包括：根据每个所述专变电力用户的数个负荷数据中异常数据进行修复处理，得到修复后的负荷数据。3.根据权利要求2所述的专变电力用户行业识别方法，其特征在于，包括：对每个所述专变电力用户的负荷数据中异常数据采用插值算法处理，得到修复后的负荷数据。4.根据权利要求1所述的专变电力用户行业识别方法，其特征在于，采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类处理之前，包括：对每条所述典型日负荷曲线的负荷数据采用最小
‑
最大值归一化处理，得到归一化后的典型日负荷曲线。5.根据权利要求1所述的专变电力用户行业识别方法，其特征在于，采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类处理，得到典型日负荷曲线的步骤包括：采用X
‑
means聚类算法对每个所述专变电力用户的n条日负荷曲线按照节假日和非节假日分别进行聚类，得到聚类后的日负荷曲线；从聚类后的日负荷曲线中选择聚类天数最多的这类行业所有日负荷曲线对应的中心负荷曲线作为所述专变电力用户的典型日负荷曲线。6.根据权利要求5所述的专变电力用户行业识别方法，其特征在于，采用X
...

【专利技术属性】
技术研发人员：周密，祝宇翔，李富盛，刘傲，钱斌，李江南，肖勇，车诒颖，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：