【技术实现步骤摘要】
本专利技术涉及电力系统，具体涉及一种以精准管控、减能增效、节能环保为目标的基于q-learn深度强化学习与k-means算法的电力用户画像构建方法。
技术介绍
1、电力是重要基础产业，已经成为支撑现代社会运转的关键基础设施，对国家的经济发展和民生福祉具有深远影响。随着全球经济的快速发展和人口的增长，对电力资源的需求呈现出前所未有的增长趋势。在这样的背景下，电力资源的稳定供应直接关系到国家的经济发展水平和民众的生活质量。而传统的电力系统面临着系统调峰能力阶段性不足，峰段电力供应能力不足，谷段电力产能溢出等。于是电力数字化转型成为全球能源领域的重要趋势，数字化转型的核心在于利用先进的信息技术，提高电力系统的智能化水平，从而实现对电力资源的高效管理和利用。这包括利用大数据、人工智能、物联网等技术对电网进行实时监控和优化运行，提高电力供应的可靠性和灵活性。电力数字化转型还包括对用户用电数据的智能分析，通过聚类等数据挖掘技术，可以精准预测电力需求，优化电网负荷分配，为用户提供更加个性化的电力服务。
2、申请公布号为cn117113126a的专利公开了一种基于改进聚类算法的行业用电特性分析方法，采集用户用电数据样本基于误差平方和的elbow method确定最佳聚类簇数，计算出聚类中心；采用原始kmeans算法迭代并更新中心点，直到聚类中心不再发生变化；得到用户用电情况画像，作为对用户用电行为习惯的分析依据。本专利技术方法能及时地识别出不同用户的用电习惯，提高对用户用电习惯的识别精度和效率，细致地划分不同类型的电力用户，为制定合
3、上述这类现有技术虽然能及时地识别出不同用户的用电习惯，提高对用户用电习惯的识别精度和效率，细致地划分不同类型的电力用户，为制定合理的发配电计划，应对用电高低峰的情况，提供有效的依据；但是仍然存在以下技术缺陷：
4、1)直接对电力数据进行分析，在处理高维数据面临计算量大，内存占用高的问题
5、2)在聚类分析上，只使用欧式距离计算不同用户的差异性，难以挖掘用户的波动相似性
6、3)随着用电数据量的增加，用户画像的构建可靠性准确性随之升高，在对聚类精度上，单一的k-means算法的聚类准确性难以达到用户画像的构建需求。
7、为了克服上述技术缺陷，申请人提出了一种基于q-learn深度强化学习与k-means算法的电力用户画像构建方法。
技术实现思路
1、本专利技术的目的是为了解决现有电力用户画像难以挖掘用户的波动相似性以及聚类准确性难以达到用户画像的构建需求的技术问题，而提供的一种基于q-learn深度强化学习与k-means算法的电力用户画像构建方法。
2、为了解决上述技术问题，本专利技术采用的技术方案为：
3、基于q-learn深度强化学习与k-means算法的电力用户画像构建方法，包括以下步骤：
4、步骤一)对电力用户数据集进行预处理，将数据集中的数据缺失点与异常数据进行处理；
5、步骤二)引入欧式距离与lb_keogh距离，用来对电力数据集的数据进行特征提取，并对电力用户数据进行归一化处理，使不同方法处理的距离特征缩放到同一尺度，获取电力数据序列数据的相似性；
6、步骤三)对不同的距离度量随机分配初始权重，定义融合距离度量方法，以便更好地描述数据之间的相似性；根据融合度量方法，计算电力用户数据集中的用户相似性，并输出一个用户相似性矩阵；
7、步骤四)相似度矩阵作为k-means算法的输入，实现电力用户聚类，并使用轮廓系数对聚类效果进行评价；
8、步骤五)聚类效果评价作为深度强化学习的动作价值函数，使用深度强化学习方法对距离度量的权重进行训练，重复执行步骤三到步骤四，以达到最优聚类效果。
9、在步骤一)中，电力负荷数据采集时，受用户计量终端不稳定，采集线路干扰和数据回流丢失这些因素影响，数据集中难免存在数据缺失或异常数据(如电力负荷在用电谷段激增与用电峰段骤减后恢复正常)现象；对上述中存在的数据异常点，均使用线性插值法对其进行修改补正，该方法可以较为平滑的还原电力负荷数据的数据特征；关于异常值(x,y),本专利技术采用的线性插值公式为下：
10、
11、其中，(x0,y0)为缺失项最后一个非缺失项，(x1,y1)为缺失项后第一个非缺失项，通过线性插值法实现均匀插值。
12、在步骤二)中，对两个电力用户的电力负荷数据进行相似度计算，设两个电力用户的负荷数据序列长度为n，其中电力用户①的电力负荷数据为es1(es11，es12,...es1 n)，电力用户②的电力负荷数据为es2(es21，es22,...es2n)，则所采用的电力负荷欧式距离计算公式为：
13、
14、公式参数定义:es1i是用户①的第i个电力负荷数据，es2j是用户②的第就j个电力负荷数据，n是电力负荷数据序列长度；
15、所采用的lb_keogh距离计算公式为：
16、(上界)upperi＝max(es1i-r：es2i+r)(3)
17、(下界)loweri＝min(es1i-r：es2i+r)(4)
18、
19、(3)(4)式分别定义上界与下界，上界定义了时间序列在每个点的最高可能值，为序列提供了一个局部的上限，下界定义了时间序列在每个点的最低可能值，为序列提供了一个局部的下限；在(5)式中，r为本方法的窗口大小且r为整数，窗口大小r定义了在构建每个时间点的上下界时要考虑的邻近点的数量。
20、在步骤三)中，设d1和d2分别是欧式距离与lb_keogh距离，w_ed和w_lbk为它们的初始权重，且权重之和为1，则融合距离度量可以表示为：
21、d_fused＝w_ed*d1+w_lbk*d2 (6)；
22、依赖(6)的融合距离度量公式，对n个用户的电力负荷数据进行相似度计算，最终输出一个n*n的相似度距离矩阵，其中的每个元素(i,j)代表第i个用户与第j个用户之间的距离；这种融合距离度量来计算电力负荷数据的相似度时，得到的结果反映了两组数据之间的差异性；距离值越小，表示两个用户的电力使用模式越相似；反之，距离值越大，则表示它们的使用模式差异较大；由于距离是双向的，所以相似度矩阵是呈主对角线对称的，即d(i,j)＝d(j,i)。
23、在步骤四)中，包括以下子步骤：
24、4-1：选定k个初始质心：手肘法是最常用的确定k-means算法k值的方法，所用到的衡量标准是sse(sum of the squared errors，误差平方和)，在首次确定计算后固定质心k数量，以便于后续权重的训练；
25、
26、4-2：初始化中心点：在相似度矩阵中随机选择k个用户作为初始簇中心；
27、4-3：将每个数据点分本文档来自技高网...
【技术保护点】
1.基于Q-learn深度强化学习与K-means算法的电力用户画像构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在步骤一)中，电力负荷数据采集时，受用户计量终端不稳定，采集线路干扰和数据回流丢失这些因素影响，数据集中难免存在数据缺失或异常数据现象；对上述中存在的数据异常点，均使用线性插值法对其进行修改补正，该方法可以较为平滑的还原电力负荷数据的数据特征；关于异常值(x,y),采用的线性插值公式为下：
3.根据权利要求1所述的方法，其特征在于，在步骤二)中，对两个电力用户的电力负荷数据进行相似度计算，设两个电力用户的负荷数据序列长度为n，其中电力用户①的电力负荷数据为Es1(es11，es12,...es1 n)，电力用户②的电力负荷数据为Es2(es21，es22,...es2n)，则所采用的电力负荷欧式距离计算公式为：
4.根据权利要求1所述的方法，其特征在于，在步骤三)中，设d1和d2分别是欧式距离与LB_Keogh距离，w_ed和w_lbk为它们的初始权重，且权重之和为1，则融合距离度量可以表示为：p>
5.根据权利要求1所述的方法，其特征在于，在步骤四)中，包括以下子步骤：
6.根据权利要求1至5其中之一所述的方法，其特征在于，在步骤五)中，结合反向传播神经网络与Q-learn算法，联合训练权重w_ed和w_lbk；具体采用以下步骤：
7.根据权利要求6所述的方法，其特征在于，在5-1)中，包括以下子步骤：
8.根据权利要求6或7所述的方法，其特征在于，在步骤5-2)中，包括以下子步骤：
9.根据权利要求8所述的方法，其特征在于，在步骤5-3)中，包括以下子步骤：
...【技术特征摘要】
1.基于q-learn深度强化学习与k-means算法的电力用户画像构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在步骤一)中，电力负荷数据采集时，受用户计量终端不稳定，采集线路干扰和数据回流丢失这些因素影响，数据集中难免存在数据缺失或异常数据现象；对上述中存在的数据异常点，均使用线性插值法对其进行修改补正，该方法可以较为平滑的还原电力负荷数据的数据特征；关于异常值(x,y),采用的线性插值公式为下：
3.根据权利要求1所述的方法，其特征在于，在步骤二)中，对两个电力用户的电力负荷数据进行相似度计算，设两个电力用户的负荷数据序列长度为n，其中电力用户①的电力负荷数据为es1(es11，es12,...es1 n)，电力用户②的电力负荷数据为es2(es21，es22,...es2n)，则所采用的...
【专利技术属性】
技术研发人员：柯杨，陈萌，盛冠群，肖伟，冯宜，王文新，吴泽，王可，张继新，阳龙，李浩，刘静雯，王潇宇，陈静，
申请(专利权)人：国网湖北省电力有限公司宜昌供电公司，
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。