【技术实现步骤摘要】
一种用于电力用户画像的负荷元件构建方法及装置
[0001]本专利技术涉及电力
,尤其涉及一种用于电力用户画像的负荷元件构建方法及装置。
技术介绍
[0002]随着电子技术和大数据技术的不断发展下,家庭用电信息的形成逐渐转变为数据化形式,这样更能直观、方便地获取到意愿信息,进一步减少时间耗用,提高效率。为了能在网络中更加快速精准地寻找到目标数据,就需要利用相关分类技术划分家庭用户用电的各类属性信息。通过画像构建可以更进一步了解家庭用户的供求信息,对行为习惯等数据进行准确定位,便于了解用户信息的全貌。
[0003]在画像
,一般通过深度学习方法利用人工构造的特征生成嵌入特征输入到神经网络中预测用户开启的负荷元件,最后形成家庭用户的用电行为习惯展现。负荷元件开启预估是模型效果最重要的考量,用户对负荷元件的历史开启行为至关重要。然而,目前的电力用户画像模型大都利用一些人工构造特征作为原始特征输入多层神经网络,这些特征来自于用户画像、用户历史行为、负荷元件属性等。
[0004]例如,专利文献CN112417308A公开了一种基于电力大数据的用户画像标签生成方法,利用大数据处理技术生成用户特性标签,大数据处理技术的基础数据库构型围绕客户诉求构建,将电力官方电话、电力内网外网、手机APP、微信公众号线、营业厅意见簿等渠道的意见和咨询数据流导入基础数据库作为标签数据原始来源,通过数据分析以标签的形式对客户进行标记,从而建立用户画像。
[0005]该方法能够整合多种来源数据,依托大数据分析技术,建立 ...
【技术保护点】
【技术特征摘要】
1.一种用于电力用户画像的负荷元件构建方法,其特征在于,包括:采集家庭用户总功率及单个负荷元件的有功功率作为训练集;对所述家庭用户总功率及单个负荷元件的有功功率进行热独码编码,分别获得用户特征向量和有功功率特征向量;分别对所述用户特征向量和有功功率特征向量进行哈希处理,分别获得低维度用户特征向量和低维度有功功率特征向量;将所述低维度用户特征向量和低维度有功功率特征向量分别输入至第一多层感知机网络和第二多层感知机网络进行训练,分别输出各个用户嵌入特征向量和各个负荷元件嵌入特征向量;基于余弦相似度计算各个用户嵌入特征向量与负荷元件嵌入特征向量的相关性,并利用逻辑回归激活函数将相关性计算结果转换为后验概率,获得与用户关联度最高的负荷元件。2.根据权利要求1所述的方法,其特征在于,对所述家庭用户总功率进行热独码编码,包括:将相同的家庭用户总功率划分为用户同类特征;将每个用户同类特征用二进制表示,获得所述用户特征向量;对所述单个负荷元件的有功功率进行热独码编码,获得单个负荷元件有功功率特征向量,包括:将相同的单个负荷元件的有功功率划分为有功功率同类特征;将每个有功功率同类特征用二进制表示,获得有功功率特征向量。3.根据权利要求1所述的方法,其特征在于,对用户特征向量进行哈希处理,获得低维度用户特征向量,包括:在所述用户特征向量的前后分别加上开始标志和结束标志;基于N
‑
GRAM算法,设置步长和滑动窗口,记录每次划过的用户特征向量切片,将全部用户特征向量切片记为由多个数字组成的向量表示,获得低维度用户特征向量;对所述有功功率特征向量进行哈希处理,获得低维度有功功率特征向量,包括:在所述有功功率特征向量的前后分别加上开始标志和结束标志;基于N
‑
GRAM算法,设置步长和滑动窗口,记录每次划过的有功功率特征向量切片,将全部有功功率特征向量切片记为由多个数字组成的向量表示,获得低维度有功功率特征向量。4.根据权利要求1所述的方法,其特征在于,将所述低维度用户特征向量和低维度有功功率特征向量分别输入至第一多层感知机网络和第二多层感知机网络进行训练,根据最小化损失函数分别获得第一多层感知机网络和第二多层感知机网络的参数。5.根据权利要求4所述的方法,其特征在于,所述第一多层感知机网络和第二多层感知机网络的参数包括各隐藏层的权重矩阵及偏置项。6.根据权利要求5所述的方法,其特征在于,负荷元件嵌入特征向量通过以下公式计算:l
i
=f(W
i
l
i
‑1+b
i
)i=2,
…
,N
‑
1;y
L
=f(W
N
l
N
‑1+b
N
);
其中,y
L
为负荷元件嵌入特征向量,l
i
为第一多层感知机网络的第i层隐藏层,W
i
为第一多层感知机网络第i层隐藏层的权重矩阵,b<...
【专利技术属性】
技术研发人员:王进,华淼杰,倪格格,翁蓓蓓,徐兴春,鞠玲,刘振扬,郑俊杰,赵剑锋,董坤,毛妍纯,
申请(专利权)人:国网江苏省电力有限公司泰州供电分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。