CN105574642A - 一种基于智能电网大数据的电价执行稽查方法 - Google Patents

Abstract

本发明是一种基于智能电网大数据的电价执行稽查方法。包括以下步骤：？1）利用数据预处理模块对电力用户用电数据进行处理；2）利用聚类算法构建电力用户典型用电轨迹专家库；3）利用距离判别分析算法实现对电力用户电价执行稽查。本发明聚类算法通过样本点的密度参数来确定初始聚类中心；利用组合聚类评价指标和得分评价指标相结合的方法来确定最佳聚类数，从而形成电力用户典型用电轨迹曲线；距离判别算法则是对新的电力用户进行电价执行稽查判别，通过计算电价异常嫌疑系数，确定最终的电价执行异常客户名单。本发明能够实现用电行为轨迹的智能分析和辨识；实现客户电价执行的远程在线诊断，提高营销稽查的针对性、准确性和时效性。

Description

一种基于智能电网大数据的电价执行稽查方法

技术领域

本发明涉及一种基于智能电网大数据的电价执行稽查方法，尤其是涉及一种基于密度的改进k-means聚类(ModifiedDensityK-meansClustering，MDKC)和Fréchet距离判别分析(FréchetDistanceDiscriminantAnalysis,FDDA)算法的电价执行稽查方法，属于电价执行稽查方法的创新技术。

背景技术

电费收入是供电企业最主要的经营收入来源，按期按量回收电费是供电企业的重要经济指标之一。随着智能电网大数据的发展，配用电环节产生的数据量大、多维度、处理逻辑复杂、存储周期长、计算频度高等大数据特征，传统的营销稽查方法已无法满足智能电网大数据分析的需求。

目前的电价执行营销稽查主要依靠定期巡检、随机抽样等方法，工作方式被动且稽查目标很不明确，无法及时发现并取缔电价执行异常用户。

近年来，随着数据挖掘技术和智能算法的发展，k均值(kmeans)算法逐步被运用到电力营销中来，如智能客户分群等。但是kmeans算法也存在许多不足，如初始聚类中心随机选取，聚类结果不稳定；容易陷入聚类结果的局部最优解等。此外，判别分析方法也在电力系统领域分析得到一定的应用。然而，利用数据挖掘技术和智能算法等方法实现电价执行在线稽查的研究尚属空白。

发明内容

本发明的目的在于提供一种基于智能电网大数据的电价执行稽查方法，本发明以充分利用及分析智能电网中海量计量营销系统中的实时数据，实现电价执行营销稽查的智能化和精确化。

本发明采用的技术方案是:

本发明基于智能电网大数据的电价执行稽查方法，包括以下步骤：

1)利用数据预处理模块对电力用户用电数据进行处理；

2)利用聚类算法构建电力用户典型用电轨迹专家库；

3)利用距离判别分析算法实现对电力用户电价执行稽查。

上述步骤1)中，数据预处理模块包括数据获取，数据缺失值处理，数据“去噪”处理；

数据缺失值处理采用三次样条插值法，其利用的公式为：

其中，电力用户用电特性曲线满足y_i＝S(x_i)，M_i为S(x_i)在x＝x_i出的二阶导数，h_i＝x_i-x_i-1为增量；

数据“去噪”处理采用高斯滤波对电力用户用电特性曲线进行曲线平滑处理，公式如下：

$gauss(x,\mathrm{\σ})=e^{-\frac{x^2}{2\mathrm{\σ}}}$

式中，i∈[1,n]，n为样本个数，σ为样本方差。

上述步骤2)中，聚类算法构建电力用户典型用电轨迹专家库的具体步骤为：

21)初始化最大聚类数kmax，最大和最小的密度参数调整系数α_max，α_min，收敛判决ξ，初始迭代标志Iter；

22)计算每个样本点的密度参数值，其计算公式如下：

Density(P_i,ε)＝|Neighbor(P_i,ε)|

其中，P_i为样本点，i∈[1,n],ε为半径；

23)根据步骤22)求出所有点的密度参数值，形成密度参数集合Den并按降幂排序，利用高密度阈值D_th，取出其中的部分高密度参数点H_Den作为初始聚类中心的选择对象；

24)在HiDen中选取最大密度参数值所对应的数据对象作为第1个聚类中心C₁，并将C₁的密度参数值从高密度集合C₁中删除；

25)选取HiDen中距离C₁最远的数据对象作为第2个聚类中心C₂，并将C₂所对应的密度参数值从高密度集合HiDen中删除；

26)计算HiDen所对应的数据对象与C₁，C₂的距离d(X,C₁)和d(X,C₂)，X∈S，C₃为满足max(d(X_i,C₁),d(X_i,C₂))所对应的数据对象，并将C₃从高密度集合HiDen中删除；

27)重复步骤25)，直到产生个聚类中心为止，k为聚类数；

28)根据样本集与聚类中心的最小欧式距离来分配类簇，计算公式如下

Dist(x_t,C^k(Iter))＝min{Dist(x_t,C^(j)(Iter)),j＝1,2,…,k}

其中x_t为第j的样本，C^(j)(Iter)为第Iter次迭代的聚类中心；

29)计算误差准则函数

其中C^(j)(Iter)和n_j分别是第Iter次迭代中第j类的聚类中心和该类的样本个数；

30)重复步骤23)和步骤24)，直到满足|J(Iter)-J(Iter-1)|＜ξ停止；

31)利用组合聚类评价指标DBI和得分评价指标SCORE，结合高密度阈值D_th对聚类结果进行评价，相应的公式如下：

其中，表示类间距离，x_i，n_i，c_i分别表示第i的数据对象，个数以及对应的聚类中心；d_ij表示聚类中心c_i和c_j的欧式距离；

其中

表示当前聚类结果中各个类簇内对象与类簇中心的最大距离之和的平均值，即聚类平均半径；

公式

表示当前聚类结果中各个类簇内所有对象与其余对象之间最小距离之和的平均值，即聚类平均最小间距；特别地，当聚类数为1时，聚类平均最小间距为0；

32)选取最大得分评价指标值SOCRE所对应的k做为最佳聚类数，形成电力用户典型用电轨迹。

上述步骤3)中，电力用户电价执行稽查判别具体步骤如下：

41)利用MDKC聚类算法构建每种电价类别的典型用电轨迹，形成典型用电轨迹专家库；

42)计算待判定用户与其典型用电轨迹的Fréchet距离，其计算

公式如下：

其中A，B为两条用电轨迹曲线；

43)设置异常判别阈值fre_th，根据样本与典型轨迹的距离是否在允许范围内，得出异常嫌疑客户；

44)结合指标嫌疑系数阈值ab_ratio_th，确定用户异常名单；

45)计算嫌疑异常用户与典型用电轨迹专家库中每种用电轨迹的欧式距离，距离最小的典型用电轨迹即为嫌疑异常用户实际执行的电价类别；

46)形成最终的电价执行异常用户名单。

与现有技术相比，本发明具有如下显著的效果：

(1)本发明提出的一种基于智能电网大数据的电价执行稽查方法原理简单明了，稳定性高，稽查精度高；

(2)本发明提出的一种基于智能电网大数据的电价执行稽查方法，采用基于密度的改进kmeans(MDKC)算法，有效地利用数据样本的密度来选取初始聚类中心。至于最佳聚类数的确定，则采用了综合Davies-BouldinIndex(DBI)指标和一种新的评价指标(即SCORE指标)的组合聚类评价指标择优方法；在新用户的判别分析方面，采用了一种更为高级的Fréchet距离判别方法(FDDA)，从而极大地提高了判别结果的精度。

(3)本发明提出的一种基于智能电网大数据的电价执行稽查方法能够实时获取计量营销系统中的客户用电数据进行分析，从而实现电价执行稽查的在线运作，提高了营销稽查工作的智能性。

本发明能够实现用电行为轨迹的智能分析和辨识；实现客户电价执行的远程在线诊断，提高营销稽查的针对性、准确性和时效性。

附图说明

图1为本发明的一种基于智能电网大数据的电价执行稽查方法的总体框图；

图2为本发明的一种基于智能电网大数据的电价执行稽查方法之MDKC算子的流程图；

图3为本发明的一种基于智能电网大数据的电价执行稽查方法之FDDA算子的流程图。

具体实施方式

如图2所示为本发明的一种基于智能电网大数据的电价执行稽查方法MDKC算子在某电网的应用流程图，包括以下步骤：

步骤1，结合数据集的特点，初始化最大聚类数kmax＝15，最大和最小的密度参数调整系数α_max＝0.8，α_min＝0.5，收敛判据ξ＝0.0001，初始迭代标志Iter＝1；

步骤2，根据密度参数值来确定初始聚类中心，具体步骤如下：

⑴根据公式

Density(P_i,ε)＝|Neighbor(P_i,ε)|，其中，P_i为样本点，i∈[1,n],ε为半径；

求出所有点的密度参数值，形成密度参数集合Den并按降幂排序，利用高密度阈值D_th，取出其中的部分高密度参数点H_Den作为初始聚类中心的选择对象；

⑵在HiDen中选取最大密度参数值所对应的数据对象作为第1个聚类中心C₁，并将C₁的密度参数值从高密度集合C₁中删除；

⑶在HiDen中选取最大密度参数值所对应的数据对象作为第1个聚类中心C₁，并将C₁的密度参数值从高密度集合C₁中删除；

⑷选取HiDen中距离C₁最远的数据对象作为第2个聚类中心C₂，并将C₂所对应的密度参数值从高密度集合HiDen中删除；

⑸计算HiDen所对应的数据对象与C₁，C₂的距离d(X,C₁)和d(X,C₂)，X∈S，C₃为满足max(d(X_i,C₁),d(X_i,C₂))所对应的数据对象，并将C₃从高密度集合HiDen中删除；

⑹重复步骤⑸，直到产生个聚类中心为止，k为聚类数；

步骤3，根据样本集与聚类中心的最小距离来分配类簇，

Dist(x_t,C^k(Iter))＝min{Dist(x_t,C^(j)(Iter)),j＝1,2,…,k}

其中x_t为第j的样本，C^(j)(Iter)为第Iter次迭代的聚类中心；

步骤4，计算误差准则函数

其中C^(j)(Iter)和n_j分别是第Iter次迭代中第j类的聚类中心和该类的样本个数。

步骤5，重复步骤3和步骤4，直到满足|J(Iter)-J(Iter-1)|＜ξ停止；

步骤6，利用组合聚类评价指标Davies-BouldinIndex(DBI)指标和得分评价指标(SCORE指标)，结合高密度阈值D_th对聚类结果进行评价，相应的公式如下：

其中，表示类间距离，x_i，n_i，c_i分别表示第i的数据对象，个数以及对应的聚类中心；d_ij表示聚类中心c_i和c_j的欧式距离；

其中

表示当前聚类结果中各个类簇内对象与类簇中心的最大距离之和的平均值，即聚类平均半径；

公式

表示当前聚类结果中各个类簇内所有对象与其余对象之间最小距离之和的平均值，即聚类平均最小间距；特别地，当聚类数为1时，聚类平均最小间距为0。

步骤7，选取最大得分评价指标值SOCRE所对应的k＝10为最佳聚类数，得到10类电力用户典型用电轨迹；

如图3所示为本发明的一种基于智能电网大数据的电价执行稽查方法FDDA算子在某电网的应用流程图，包括以下步骤：

步骤1，利用MDKC聚类算法构建每种电价类别的典型用电轨迹，形成典型用电轨迹专家库；

步骤2，计算待判定用户与其典型用电轨迹的Fréchet距离，其计算公式如下

其中A，B为两条用电轨迹曲线；

步骤3，设置异常判别阈值fre_th＝1，根据样本与典型轨迹的距离是否在允许范围内，得出异常嫌疑客户；

步骤4，结合指标嫌疑系数阈值ab_ratio_th＝1.5，确定用户异常名单；

步骤5，计算嫌疑异常用户与典型用电轨迹专家库中每种用电轨迹的欧式距离，距离最小的典型用电轨迹即为嫌疑异常用户实际执行的电价类别。

步骤6，形成最终的电价执行异常用户名单。

本发明的一种基于智能电网大数据的电价执行稽查方法从MDKC算子的普通居民聚类结果可以看出，该算子能够准确的区分电力用户，使得具有相似用电特征的用户归在一起。

表1所示为一种基于智能电网大数据的电价执行稽查方法的异常用户稽查结果，从表1可以看出，在距离阈值fre_th＝1的情况下，稽查精度分别为90.99％，稽查结果是可观的。

表1

稽查准确率＝(诊断结果中实际异常的用户数/实际异常的用户数)×100％；

稽查不匹配率＝(嫌疑用户在异常库中没有出现的个数/诊断为嫌疑异常用户数)×100％。

Claims (8)

1.一种基于智能电网大数据的电价执行稽查方法，其特征在于包括以下步骤：

1)利用数据预处理模块对电力用户用电数据进行处理；

2)利用聚类算法构建电力用户典型用电轨迹专家库；

3)利用距离判别分析算法实现对电力用户电价执行稽查。

2.根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述步骤1)中，数据预处理模块包括数据获取，数据缺失值处理，数据“去噪”处理；

数据缺失值处理采用三次样条插值法，其利用的公式为：

$\begin{array}{c}S\left(x_i\right)=M_{i-1}\frac{{\left(x_i-x\right)}^3}{6h_i}+M_i\frac{{\left(x-x_{i-1}\right)}^3}{6h_i}+\left(\frac{y_{i-1}}{h_i}-\frac{h_i}{6}{M}_{i-1}\right)\left(x_i-x\right)\\ +\left(\frac{y_i}{h_i}-\frac{h_i}{6}{M}_i\right)\left(x-x_{i-1}\right)\end{array}$

其中，电力用户用电特性曲线满足y_i＝S(x_i)，M_i为S(x_i)在x＝x_i出的二阶导数，h_i＝x_i-x_i-1为增量；

数据“去噪”处理采用高斯滤波对电力用户用电特性曲线进行曲线平滑处理，公式如下：

$gauss(x,\mathrm{\σ})=e^{-\frac{x^2}{2\mathrm{\σ}}}$

式中，i∈[1,n]，n为样本个数，σ为样本方差。

3.根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述步骤2)中，聚类算法构建电力用户典型用电轨迹专家库的具体步骤为：

21)初始化最大聚类数kmax，最大和最小的密度参数调整系数α_max，α_min，收敛判决ξ，初始迭代标志Iter；

22)计算每个样本点的密度参数值，其计算公式如下：

Density(P_i,ε)＝|Neighbor(P_i,ε)|

其中，P_i为样本点，i∈[1,n],ε为半径；

23)根据步骤22)求出所有点的密度参数值，形成密度参数集合Den并按降幂排序，利用高密度阈值D_th，取出其中的部分高密度参数点H_Den作为初始聚类中心的选择对象；

24)在HiDen中选取最大密度参数值所对应的数据对象作为第1个聚类中心C₁，并将C₁的密度参数值从高密度集合C₁中删除；

25)选取HiDen中距离C₁最远的数据对象作为第2个聚类中心C₂，并将C₂所对应的密度参数值从高密度集合HiDen中删除；

26)计算HiDen所对应的数据对象与C₁，C₂的距离d(X,C₁)和d(X,C₂)，X∈S，C₃为满足max(d(X_i,C₁),d(X_i,C₂))所对应的数据对象，并将C₃从高密度集合HiDen中删除；

27)重复步骤25)，直到产生个聚类中心为止，k为聚类数；

28)根据样本集与聚类中心的最小欧式距离来分配类簇，计算公式如下

Dist(x_t,C^k(Iter))＝min{Dist(x_t,C^(j)(Iter)),j＝1,2,…,k}

其中x_t为第j的样本，C^(j)(Iter)为第Iter次迭代的聚类中心；

29)计算误差准则函数

$J\left(Iter\right)=E=\underset{i=1}{\overset{k}{\Σ}}\underset{p=1}{\overset{n_j}{\Σ}}|x_p^{\left(j\right)}-C^{\left(j\right)}\left(Iter\right)|$

其中C^(j)(Iter)和n_j分别是第Iter次迭代中第j类的聚类中心和该类的样本个数；

30)重复步骤23)和步骤24)，直到满足|J(Iter)-J(Iter-1)|<ξ停止；

31)利用组合聚类评价指标DBI和得分评价指标SCORE，结合高密度阈值D_th对聚类结果进行评价，相应的公式如下：

$DBI=\frac{1}{k}\underset{i=1}{\overset{k}{\&Sigma;}}max\left\{\frac{S_i+S_j}{d_{ij}}\right\}$

其中，表示类间距离，x_i，n_i，c_i分别表示第i的数据对象，个数以及对应的聚类中心；d_ij表示聚类中心c_i和c_j的欧式距离；

$SOCRE=\frac{b\left(k\right)-r\left(k\right)}{b\left(k\right)+r\left(k\right)}$

其中 $\stackrel{\&OverBar;}{r}\left(k\right)=\frac{1}{k}\underset{i=1}{\overset{k}{\&Sigma;}}{r}_i=\frac{1}{k}\underset{i=1}{\overset{k}{\&Sigma;}}\underset{x\&Element;C_I}{max}\left\{dist\right(x,\stackrel{\&OverBar;}{x_i}\left)\right\}$

表示当前聚类结果中各个类簇内对象与类簇中心的最大距离之和的平均值，即聚类平均半径；

公式 $\left\{\begin{array}{c}\stackrel{\&OverBar;}{b}\left(k\right)=\frac{1}{k}\underset{i=1}{\overset{k}{\&Sigma;}}{b}_i=\frac{1}{k}\underset{i=1}{\overset{k}{\&Sigma;}}\underset{x\&Element;C_i,x^{\&prime;}\&NotElement;C_i}{\min }\left\{dist\left(x,x^{\&prime;}\right)\right\}\\ b\left(1\right)=0\end{array}\right.$

表示当前聚类结果中各个类簇内所有对象与其余对象之间最小距离之和的平均值，即聚类平均最小间距；特别地，当聚类数为1时，聚类平均最小间距为0；

32)选取最大得分评价指标值SOCRE所对应的k做为最佳聚类数，形成电力用户典型用电轨迹。

4.根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述步骤3)中，电力用户电价执行稽查判别具体步骤如下：

41)利用MDKC聚类算法构建每种电价类别的典型用电轨迹，形成典型用电轨迹专家库；

42)计算待判定用户与其典型用电轨迹的Fréchet距离，其计算

公式如下：

$d_F^W(A,B)=\underset{i}{max}\underset{(a,b)\&Element;A_i\&times;B_i}{max}dist(a,b)$

$d_F(A,B)=\underset{W}{min}{d}_F^W(A,B)$

其中A，B为两条用电轨迹曲线；

43)设置异常判别阈值fre_th，根据样本与典型轨迹的距离是否在允许范围内，得出异常嫌疑客户；

44)结合指标嫌疑系数阈值ab_ratio_th，确定用户异常名单；

45)计算嫌疑异常用户与典型用电轨迹专家库中每种用电轨迹的欧式距离，距离最小的典型用电轨迹即为嫌疑异常用户实际执行的电价类别；

46)形成最终的电价执行异常用户名单。

5.根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述步骤2)中，利用基于密度的改进k-means聚类(ModifiedDensityK-meansClustering，MDKC)聚类算法构建电力用户典型用电轨迹专家库。

6.根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述步骤3)中，利用基于Fréchet距离判别分析(FréchetDistanceDiscriminantAnalysis,FDDA)算法实现对电力用户电价执行稽查。

7.根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述数据获取通过提取计量营销系统中的数据。

8.根据权利要求7所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述数据获取通过SQL语言提取ORACLE数据库。