【技术实现步骤摘要】
一种基于多元数据驱动的用户用能画像分析方法
[0001]本专利技术涉及一种分析方法，尤其是涉及一种基于多元数据驱动的用户用能画像分析方法及其应用。
技术介绍
[0002]用户侧资源一般通过削峰、填谷和精准实时负荷控制三种方式得到利用，可以在减缓电力系统投资的同时，实现保持源网荷均衡、促进新能源消纳、抵御环境事故风险等。以大数据技术为核心的智慧能源可以更好的对把握用户需求，能够对能源进行合理分配，保证满足用户的日常生产生活，更加注重用户的体验，实现个体用户之间的优势互补。构建将能源数据变成社会公用价值的新模型，合理调整能源供需，助力产业升级和民生发展。
[0003]在用户侧需求响应方面，已有许多国内外专家对此展开研究，在探讨用户侧需求优化问题上均做出了重要贡献，发现了用户参与意愿不强、用户端项目经济性不佳、商业模式不成熟等问题。在用户行为特征分析方法方面，数据提取的常见方法包括PCA进化变换方法、k
‑
means算法等。国内外专家对这些技术进行分析，其中PCA进化技术能够实现海量分析，保存原始资料的关...
【技术保护点】
【技术特征摘要】
1.一种基于多元数据驱动的用户用能画像分析方法，其特征为：包括如下步骤：步骤1：利用时间序列符号聚合近似SAX算法对负荷曲线进行降维并提取特征；步骤2:基于模拟退火粒子群算法将负荷曲线时间序列符号聚合近似(SAX)表达的优化问题转化为多目标优化问题；步骤3：根据用户用能特性指标，利用改进的AP聚类算法对负荷曲线进行聚类分析；步骤4：根据聚类结果，对各类用户的用能行为进行分析。2.根据权利要求1所述的基于多元数据驱动的用户用能画像分析方法，其特征为：所述步骤1进一步包括如下内容：步骤一：将n维时间序列转换为w维的向量，将原始负荷曲线X＝[x1,x2K x
n
]采用分段聚合近似，对数据进行分段近似为w段其中第i个的计算公式如下：将n维原始时间序列向量划分为w个片段，从而降至w维，x
j
是原始负荷曲线列向量；是第i个片段的均值；为压缩率。步骤二：将经过分段聚合近似(PAA)得到的序列数据字符化，实现每个时间序列归一化，然后将其转换为分段聚合近似(PAA)表示；其中，为长度为n的子列元素；α
j
为字母表中的第i个元素；β
j
‑1、β
j
分别为高斯分布断点列表中对应的第j
‑
1和第j个概率值；步骤三：对时间序列降维后，特征空间查询中容易出现漏报问题；运用下界定理来保证无漏报，引申到SAX中，将n维时间序列C，Q转换为w维的向量，得到PAA表示，将降维公式代入欧氏距离中得到PAA的距离度量公式：其中，分别为Q、C降维后的时间序列；分别为分别为的第i个元素。3.根据权利要求1所述的基于多元数据驱动的用户用能画像分析方法，其特征为：所述步骤2进一步包括如下内容：目标函数如下：其中：其中：
2≤l≤l
m
(10)2≤w≤w
m
(11)式中，A为准确度，体现分段后的负荷曲线对原负荷曲线的表征功能；E为信息量，用信息熵进行衡量，消息熵越小，在利用现有信号作出预测时的准确性就越大，其所含信息量也越大；R为化简率，反映原始负荷曲线的压缩程度；为负荷曲线PPA分段近似后的值与原始负荷曲线X
i
的相关系数；由于维度不同，本文采用进行spline插值后，形成与X
i
相同维度的序列，再进行相关系数计算：p
i
为字符i在X
i
中的出现概率；l
m
为最大字符数，w
m
为设置的最大分段数，本文取l
m
＝w
m
＝10，μ为两个参数化简的权重系数。4.根据权利要求1所述的基于多元数据驱动的用户用能画像分析方法，其特征为：所述步骤3进一步包括如下内容：引入3类典型用能特性指标，即用能负荷水平、用能稳定性、用能互动能力，并选取包含日均负荷、日负荷率、峰时耗能率、谷电系数等在内的具体指标作为特征向量，对负荷曲线进行聚类，将上述指标作为主要数据特征向量，根据SAX优化的离散特性，综合反映负荷曲线的时域和状态特性，并作为负荷曲线的聚类依据。5.根据权利要求4所述的基于多元数据驱动的用户用能画像分析方法，其特征为：采用CRITIC赋权法评价各特性指标对聚类结果的贡献，客观确定...
【专利技术属性】
技术研发人员：窦真兰，张春雁，孙沛，王永利，滕越，周含芷，袁博，王一诺，
申请(专利权)人：华北电力大学，
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。