大数据环境下用户用电行为分析方法、系统、装置及介质制造方法及图纸

本发明专利技术涉及电力市场规划技术领域，是一种大数据环境下用户用电行为分析方法、系统、装置及介质，其首先采集由电网公司经电表统计的电力用户用电数据，采用改进的主成分分析方法提取出影响电力用户用电行为的主要影响因子；然后将提取的影响电力用户用电行为的主要影响因子作为改进核极限学习机的输入因子，通过改进核极限学习机的聚类建模，输出为电力用户的分类情况；最后根据改进核极限学习机的输出的电力用户分类情况，分析电力用户的用电行为。本发明专利技术对提高电力用户用电行为分析准确度具有指导意义，为电力企业制定合理的用电规划提供助力，提高了电力用户用电行为分析准确度，有利于电力企业和电力用户制定合理的用电规划。规划。规划。

【技术实现步骤摘要】
大数据环境下用户用电行为分析方法、系统、装置及介质


[0001]本专利技术涉及电力市场规划
，是一种大数据环境下用户用电行为分析方法、系统、装置及介质。

技术介绍

[0002]对电力企业来说，挖掘具有节能改造潜力的用电企业尤其重要。在实际应用中，可以基于用电行为的详细采集信息，运用大数据分析中的聚类方法对不同时段的负荷曲线进行分类，建立企业用户特别是专变用户的用电行为标签库，以便识别客户用电行为特征，为挖掘节能改造潜力企业提供技术支撑。
[0003]在进行用户用电行为分析时，需要采集电力用户用电数据，并提取影响电力用户用电行为的主要影响因子。可以采用经典的主成分分析法(Principal Component Analysis，PCA)提取影响电力用户用电行为的主要影响因子。但是其提取的主成分仅包含了各维参数间的相互影响这一部分信息，这种标准化方法在消除量纲的同时也消除了各维参数在变异程度方面的差异，不能全面体现初始参数所包含的所有信息。

技术实现思路

[0004]本专利技术提供了一种大数据环境下用户用电行为分析方法、系统、装置及介质，克服了上述现有技术之不足，其能有效解决提取的主成分仅包含了各维参数间的相互影响这一部分信息，在消除量纲的同时也消除了各维参数在变异程度方面的差异，不能全面体现初始参数所包含的所有信息的问题。
[0005]本专利技术的技术方案之一是通过以下措施来实现的：一种大数据环境下用户用电行为分析方法，包括以下步骤：
[0006]步骤S1：采集电力用户用电数据，提取影响电力用户用电行为的主要影响因子；
[0007]步骤S2：将影响电力用户用电行为的主要影响因子作为核极限学习机的输入，核极限学习机的输出为电力用户的用电类别；
[0008]步骤S3：根据电力用户的用电类别对用户的用电行为进行分析。
[0009]下面是对上述专利技术技术方案的进一步优化或/和改进：
[0010]上述步骤S1具体可包括以下步骤：
[0011]S1.1、采集由电网公司通过电表统计的电力用户用电数据，该电力用户用电数据为每隔固定间隔时间采集一次的居民用电数据；
[0012]S1.2、将主成分分析方法中的主成分表示为初始参数的非线性组合，并采用协方差矩阵替换系数矩阵，提取出电力用户的用电数据主要影响因子。
[0013]上述步骤S1.2具体可包括以下步骤：
[0014]步骤S1.2.1、对初始参数变量对数中心化处理：设电力用户用电行为的样本数据为x＝(x1,x2,...,x
p
)＝(x
ij
)
n
×
p
，其中，n为样本总个数，p为用电数据采集个数，对电力用户用电数据进行对数变换以及行向量中心化，即
[0015][0016]其中，z
ij
(i＝1,2,L,n,j＝1,2,L,p)是对初始电力用户用电数据变量进行对数中心化后得出的新数据列；
[0017]步骤S1.2.2、计算z的样本协方差矩阵：初始健康表征参数经对数中心化后，得到样本协方差矩阵为
[0018][0019][0020]其中，
[0021]步骤S1.2.3、确定Σ的特征值及相应的特征向量：计算得到Σ的p个特征值λ1,λ2,L,λ
p
，及相应的正交化单位特征向量a1,a2,L,a
p
为
[0022][0023]S1.2.4、确定主成分个数：在p个主成分中合理选择m(m≤p)个主成分，根据PCA数学模型，可用方差贡献率解释主成分F
i
＝a
′
i
log x所反映的参数信息量的大小，以累计贡献率C(m)达到一定的阈值为原则，阈值定为85％，即
[0024][0025]步骤S1.2.5、计算主成分：根据改进的PCA，基于样本数据得到的x的第i个主成分为：
[0026][0027]步骤S1.2.6、提取电力用户用电信息主成分：通过改进的PCA，将采集的电力用户用电信息数据x＝(x1,x2,...,x
p
)∈X
t
转化为互不相关的独立变量F1，F2，
…
，Fm，即独立性集合为
[0028][0029]选取m个主成分F
i
＝a
′
i
log x中a
ij
≠0所对应的初始健康表征参数变量xj，得到基本健康表征参数集X
ω
为
[0030]X
ω
＝{x
j
∈X
t
∣a
ij
≠0}
ꢀꢀꢀꢀꢀꢀ
(17)
[0031]上述步骤S2中的核极限学习机的实现步骤如下：
[0032]假设有S个训练样本数据(x
j
，t
j
)，其中1≤j≤S，样本输入x
j
＝[x
j1
,x
j2
,L,x
jn
]T
∈R
n
，样本输出t
j
＝[t
j1
,t
j2
,L,t
jn
]T
∈R
m
，则包含有K个隐含层节点的SLFNs模型就可表示为:
[0033][0034]式中，f
j
为模型的输出，β
i
为第i个隐含层节点与输出层节点之间的权值，g(x)为激励函数，W
i
为第i个输入层节点与隐含层节点之间的权值，b
i
是隐含层第i个神经元的偏置；
[0035]当g(x)实现零误差逼近任意S个训练样本，即时，则可得
[0036][0037]将其转换成矩阵表达式为:
[0038]Hβ＝T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0039]式中，H为隐含层输出矩阵，β为输出层权重矩阵；
[0040]利用最小二乘法对β进行求解可得
[0041]β＝H
+
T
ꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0042]式中，H
+
为H的Moore
‑
Penrose广义逆；
[0043]通过核函数矩阵Ω
ELM
代替隐含层随机矩阵HH
T
，根据Mercer条件定义核矩阵及元素Ω
i,j
为
[0044][0045]式中，K(x
i
，x
j
)即为完成映射的核函数，在本专利技术中选用的是高斯核函数，其为
[0046][0047]式中，σ为核函数参数；
[0048]KELM网络的输出函数表示为
[0049][0050]式中，C为正则化参数。
[0051]上述可利用蝴蝶算法对K本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大数据环境下用户用电行为分析方法，其特征在于包括以下步骤：步骤S1：采集电力用户用电数据，提取影响电力用户用电行为的主要影响因子；步骤S2：将影响电力用户用电行为的主要影响因子作为核极限学习机的输入，核极限学习机的输出为电力用户的用电类别；步骤S3：根据电力用户的用电类别对用户的用电行为进行分析。2.根据权利要求1所述的大数据环境下用户用电行为分析方法，其特征在于步骤S1具体包括以下步骤：S1.1、采集由电网公司通过电表统计的电力用户用电数据，该电力用户用电数据为每隔固定间隔时间采集一次的居民用电数据；S1.2、将主成分分析方法中的主成分表示为初始参数的非线性组合，并采用协方差矩阵替换系数矩阵，提取出电力用户的用电数据主要影响因子。3.根据权利要求2所述的大数据环境下用户用电行为分析方法，其特征在于步骤S1.2具体包括以下步骤：步骤S1.2.1、对初始参数变量对数中心化处理：设电力用户用电行为的样本数据为x＝(x1,x2,...,x
p
)＝(x
ij
)
n
×
p
，其中，n为样本总个数，p为用电数据采集个数，对电力用户用电数据进行对数变换以及行向量中心化，即其中，z
ij
(i＝1,2,L,n,j＝1,2,L,p)是对初始电力用户用电数据变量进行对数中心化后得出的新数据列；步骤S1.2.2、计算z的样本协方差矩阵：初始健康表征参数经对数中心化后，得到样本协方差矩阵为协方差矩阵为其中，步骤S1.2.3、确定Σ的特征值及相应的特征向量：计算得到Σ的p个特征值λ1,λ2,L,λ
p
，及相应的正交化单位特征向量a1,a2,L,a
p
为S1.2.4、确定主成分个数：在p个主成分中合理选择m(m≤p)个主成分，根据PCA数学模
型，可用方差贡献率解释主成分F
i
＝a
′
i
logx所反映的参数信息量的大小，以累计贡献率C(m)达到一定的阈值为原则，阈值定为85％，即步骤S1.2.5、计算主成分：根据改进的PCA，基于样本数据得到的x的第i个主成分为：步骤S1.2.6、提取电力用户用电信息主成分：通过改进的PCA，将采集的电力用户用电信息数据x＝(x1,x2,...,x
p
)∈X
t
转化为互不相关的独立变量F1，F2，
…
，Fm，即独立性集合为选取m个主成分F
i
＝a
′
i
logx中a
ij
≠0所对应的初始健康表征参数变量xj，得到基本健康表征参数集X
ω
为X
ω
＝{x
j
∈X
t
∣a
ij
≠0}
ꢀꢀꢀꢀꢀꢀ
(17)4.根据权利要求1或2或3所述的大数据环境下用户用电行为分析方法，其特征在于步骤S2中的核极限学习机的实现步骤如下：假设有S个训练样本数据(x
j
，t
j
)，其中1≤j≤S，样本输入x
j
＝[x
j1
,x
j2
,L,x
jn
]
T
∈R
n
，样本输出t
j
...

【专利技术属性】
技术研发人员：郭新营，米尔阿力木江，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：