一种用户用电行为分析方法技术

本发明专利技术涉及电力数据分析技术领域，公开一种用户用电行为分析方法，采用改进的

【技术实现步骤摘要】
一种用户用电行为分析方法


[0001]本专利技术涉及电力数据分析
，尤其涉及一种用户用电行为分析方法
。

技术介绍

[0002]当前供电企业常利用用户单日负荷曲线及负荷均值曲线开展用户用电行为分析与应用，但上述负荷曲线代表性不足，不能有效反映用户典型用电特征
。
配用电数据呈现数据海量
、
类型多样
、
维度高
、
价值密度低等特点，需采用数据挖掘方法开展数据资产价值挖掘与价值释放
。
其中，
K
‑
means
算法被尝试用于用户典型负荷曲线提取与用电行为分析，然而，因算法聚类簇数目需人为设定
、
初始聚类中心随机选取
、
距离测度无法全面刻画数据分布的局域和全局相似性
、
均值化聚类中心不能体现典型负荷特征等问题，导致用户负荷曲线提取不够精细
、
准确
。
此外，基于用户典型负荷曲线开展用电行为分析应用的深度不足，场景单一，未能有效实现用电行为数据资产价值挖掘与价值释放
。

技术实现思路

[0003]本专利技术提供了一种用户用电行为分析方法，用于解决现有的用户用电分析聚类算法用户负荷曲线提取不够精细准确和基于用户典型负荷曲线开展用电行为分析应用的深度不足，场景单一，未能有效实现用电行为数据资产价值挖掘与价值释放的技术问题
。
[0004]有鉴于此，本专利技术提供了一种用户用电行为分析方法，包括：获取用户用电负荷数据矩阵和用户用电类型信息；采用基于综合相似性测度与聚类效果评价指标改进的
K
‑
means
算法对用户用电负荷数据矩阵中的负荷数据进行聚类分析，得到用户典型用电负荷曲线；基于用户典型用电负荷曲线，计算用户典型用电负荷曲线与电网负荷曲线的相似性
、
计算用户典型用电负荷曲线与峰谷电费曲线的相似性，计算负荷偏离阈值
、
平均值与偏离度，分析用电负荷特性和用户无功负荷情况；根据用户用电类型信息，分别基于用户典型用电负荷曲线与电网负荷曲线的相似性
、
用户典型用电负荷曲线与峰谷电费曲线的相似性
、
负荷偏离阈值
、
平均值
、
偏离度
、
用电负荷特性和用户无功负荷情况，开展综合应用
。
[0005]可选地，获取用户用电负荷数据矩阵和用户用电类型信息，包括：在计量自动化系统中，依据时间顺序获取用户用电负荷曲线；以日为单位，将用户用电负荷曲线重构为用户用电负荷数据矩阵，用户用电负荷数据矩阵为：
；其中，为用户用电负荷数据矩阵，为用户第1天的负荷数据向量，为用户第
e
天的负荷数据向量，为用户第
m
天的负荷数据向量，为用户第
e
天时刻
j
的负荷数据，
m
为提取的负荷数据总天数，
n
为每天采集的负荷数据总时刻数；在营销系统中，获取用户用电类型信息，用户用电类型信息包括居民用电
、
工业用电
、
商业用电和农业用电
。
[0006]可选地，采用基于综合相似性测度与聚类效果评价指标改进的
K
‑
means
算法对用户用电负荷数据矩阵中的负荷数据进行聚类分析，得到用户典型用电负荷曲线，包括：
S1、
设聚类中心个数
k=2
；
S2、
若，则从用户用电负荷数据矩阵
P
中随机选取
k
个负荷数据向量作为初始聚类中心，，跳转至步骤
S3
，否则，跳转至步骤
S8
，其中，为最大聚类中心个数；
S3、
计算用户用电负荷数据矩阵
P
中第
e
个负荷数据向量与第
i
个聚类簇的综合相似度，将各负荷数据向量归于相似度最大的聚类簇；
S4、
当用户用电负荷数据矩阵
P
中所有负荷数据向量完成分簇后，令各簇内向量均值为新聚类中心，完成各聚类中心的更新；
S5、
计算聚类平方误差，若聚类平方误差不大于误差限值，则跳转至步骤
S6
，否则，跳转至步骤
S3
；
S6、
计算聚类结果中负荷数据向量的聚类距离，聚类距离包括簇内距离与簇间距离；
S7、
保存聚类中心数为
k
时对应的聚类距离与聚类平方误差，并令
k=k+1
，跳转至步骤
S2
；
S8、
根据保存的聚类距离与聚类平方误差，计算聚类效果评价指标，并根据聚类效果评价指标确定最优聚类中心个数；
S9、
输出最优聚类中心聚类个数对应的聚类结果，得到用户典型用电负荷曲线
。
[0007]可选地，步骤
S3
具体包括：
S31、
计算用户用电负荷数据矩阵
P
中第
e
个负荷数据向量与第
i
个簇聚类中心的局域相似度，计算公式为：
；其中，为用户用电负荷数据矩阵
P
中第
e
个负荷数据向量与第
i
个簇聚类中心的局域相似度，为第
i
个簇聚类中心的平均值，为第
i
个簇聚类中心第
j
个时刻点的负荷数据，为用户用电负荷数据矩阵
P
中第
e
个负荷数据向量的平均值；
S32、
计算用户负荷数据向量与第
i
个聚类簇的全局相似度，计算公式为：；其中，为用户负荷数据向量与第
i
个聚类簇的全局相似度，为第
i
个聚类簇的负荷数据向量，为第
i
个聚类簇的向量个数，
f
为聚类簇中负荷数据向量的编号，为用户负荷数据向量与聚类簇中第
f
个负荷数据向量的局域相似度；
S33、
计算用户负荷数据向量与第
i
个聚类簇的综合相似度，计算公式为：；其中，为用户负荷数据向量与第
i
个聚类簇的综合相似度；
S34、
将用户负荷数据向量归于综合相似度最大的聚类簇
。
[0008]可选地，聚类平方误差的计算公式为：；其中，为聚类中心个数为
k
时的聚类平方误差
。
[0009]可选地，步骤
S6
中，簇内距离的计算公式为：；
其中，为负荷数据向量的簇内距离；簇间距离的计算公式为：；其中，为负荷数据向量的簇间距离，为第
g本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用户用电行为分析方法，其特征在于，包括：获取用户用电负荷数据矩阵和用户用电类型信息；采用基于综合相似性测度与聚类效果评价指标改进的
K
‑
means
算法对用户用电负荷数据矩阵中的负荷数据进行聚类分析，得到用户典型用电负荷曲线；基于用户典型用电负荷曲线，计算用户典型用电负荷曲线与电网负荷曲线的相似性
、
计算用户典型用电负荷曲线与峰谷电费曲线的相似性，计算负荷偏离阈值
、
平均值与偏离度，分析用电负荷特性和用户无功负荷情况；根据用户用电类型信息，分别基于用户典型用电负荷曲线与电网负荷曲线的相似性
、
用户典型用电负荷曲线与峰谷电费曲线的相似性
、
负荷偏离阈值
、
平均值
、
偏离度
、
用电负荷特性和用户无功负荷情况，开展综合应用
。2.
根据权利要求1所述的用户用电行为分析方法，其特征在于，获取用户用电负荷数据矩阵和用户用电类型信息，包括：在计量自动化系统中，依据时间顺序获取用户用电负荷曲线；以日为单位，将用户用电负荷曲线重构为用户用电负荷数据矩阵，用户用电负荷数据矩阵为：；其中，为用户用电负荷数据矩阵，为用户第1天的负荷数据向量，为用户第
e
天的负荷数据向量，为用户第
m
天的负荷数据向量，为用户第
e
天时刻
j
的负荷数据，
m
为提取的负荷数据总天数，
n
为每天采集的负荷数据总时刻数；在营销系统中，获取用户用电类型信息，用户用电类型信息包括居民用电
、
工业用电
、
商业用电和农业用电
。3.
根据权利要求2所述的用户用电行为分析方法，其特征在于，采用基于综合相似性测度与聚类效果评价指标改进的
K
‑
means
算法对用户用电负荷数据矩阵中的负荷数据进行聚类分析，得到用户典型用电负荷曲线，包括：
S1、
设聚类中心个数
k=2
；
S2、
若，则从用户用电负荷数据矩阵
P
中随机选取
k
个负荷数据向量作为初始聚类中心，，跳转至步骤
S3
，否则，跳转至步骤
S8
，其中，为最大聚类中心个数；
S3、
计算用户用电负荷数据矩阵
P
中第
e
个负荷数据向量与第
i
个聚类簇的综合相似度，将各负荷数据向量归于相似度最大的聚类簇；
S4、
当用户用电负荷数据矩阵
P
中所有负荷数据向量完成分簇后，令各簇内向量均值为
新聚类中心，完成各聚类中心的更新；
S5、
计算聚类平方误差，若聚类平方误差不大于误差限值，则跳转至步骤
S6
，否则，跳转至步骤
S3
；
S6、
计算聚类结果中负荷数据向量的聚类距离，聚类距离包括簇内距离与簇间距离；
S7、
保存聚类中心数为
k
时对应的聚类距离与聚类平方误差，并令
k=k+1
，跳转至步骤
S2
；
S8、
根据保存的聚类距离与聚类平方误差，计算聚类效果评价指标，并根据聚类效果评价指标确定最优聚类中心个数；
S9、
输出最优聚类中心聚类个数对应的聚类结果，得到用户典型用电负荷曲线
。4.
根据权利要求3所述的用户用电行为分析方法，其特征在于，步骤
S3
具体包括：
S31、
计算用户用电负荷数据矩阵
P
中第
e
个负荷数据向量与第
i
个簇聚类中心的局域相似度，计算公式为：；其中，为用户用电负荷数据矩阵
P
中第
e
个负荷数据向量与第
i
个簇聚类中心的局域相似度，为第
i
个簇聚类中心的平均值，为第
i
个簇聚类中心第
j
个时刻点的负荷数据，为用户用电负荷数据矩阵
P
中第
e
个负荷数据向量的平均值；
S32、
计算用户负荷数据向量与第
i
个聚类簇的全局相似度，计算公式为：；其中，为用户负荷数据向量与第
i
个聚类簇的全局相似度，为第
i
个聚类簇的负荷数据向量，为第
i
个聚类簇的向量个数，
f
为聚类簇中负荷数据向量的编号，为用户负荷数据向量与聚类簇中第
f
个负荷数据向量的局域相似度；
S33、
计算用户负荷数据向量与第
i
...

【专利技术属性】
技术研发人员：张殷，熊仕斌，蒋维，罗容波，李新，王俊波，李国伟，唐琪，范心明，董镝，宋安琪，王智娇，刘崧，赖艳珊，李兰茵，李浩，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：