CN108734216A

CN108734216A - 基于负荷曲线形态的电力用户分类方法、装置及存储介质

Info

Publication number: CN108734216A
Application number: CN201810494999.8A
Authority: CN
Inventors: 王星华; 刘升伟
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2018-05-22
Filing date: 2018-05-22
Publication date: 2018-11-02

Abstract

本发明公开了一种基于负荷曲线形态的电力用户分类方法，在获取到预定天数内与各用户对应的目标数据，然后根据目标数据确定各用户在预定天数内的用电规律并根据用电规律对各用户进行第一分类，最后利用第一分类后与各目标数据对应的负荷曲线形态对各用户进行第二分类。由于本方案中，是根据各用户的目标数据确定了各用户在预定天数内的用电规律，然后结合用电规律性以及负荷形态曲线两方面的因素对各用户进行分类，相对于现有技术，其采用本发明中的方案对用电用户的分类准确性更高。此外，本发明还公开了基于负荷曲线形态的电力用户分类装置及存储介质，效果如上。

Description

基于负荷曲线形态的电力用户分类方法、装置及存储介质

技术领域

本发明涉及电力技术领域，特别涉及基于负荷曲线形态的电力用户分类方法、装置及存储介质。

背景技术

随着科学技术的发展，电子信息技术在智能电网中已得到广泛的应用。利用电子信息技术对所有用户的用电行为进行归类，从而方便各大售电公司为不同种类的用户提供对应的用电服务。

传统的对所有用电用户的分类方法是采用聚类算法以将某一方面用电特性相近的用户聚为一类，将用电特性差异较大的用户区分开。以用户30天的用电数据为例，以小时为单位作为用户用电轨迹曲线的横轴，以用户每小时的用电量作为用户用电轨迹曲线的纵轴。现有的余弦类聚类算法能将用户的目标数据对应的负荷曲线形态的轮廓相近的用户聚为一类，但是，采用该种方法虽然能将用电轨迹相近的用户分为一类，但是，对于每个用户在30天中每天的同时段的用电规律却未进行评估，即忽略了每个用户在30天内每一天的用电情况，导致用电用户分类的准确性较低，从而无法准确分析用电用户的用电情况，也就无法针对各类用户提供对应的供电服务，降低了用户体验感。

因此，在对用电用户进行分类时，如何提高对用电用户的分类的准确性是本领域技术人员主要解决的问题。

发明内容

本发明的目的在于提供基于负荷曲线形态的电力用户分类方法、装置及存储介质，提高了对用电用户的分类的准确性。

为实现上述目的，本发明实施例提供了如下技术方案：

第一，本发明实施例提供了一种基于负荷曲线形态的电力用户分类方法，包括：

获取预定天数内与各用户对应的目标数据；

根据所述目标数据确定各所述用户在所述预订天数内的用电规律；

根据所述用电规律对各所述用户进行第一分类；

利用所述第一分类后与各所述目标数据对应的负荷曲线形态对各所述用户进行第二分类。

优选的，所述获取预定天数内与各用户对应的目标数据包括：

获取所述预定天数内与各所述用户对应的用电数据量；

确定与所述用电数据量对应的时间轴；

将所述时间轴划分为预定间隔的时间段并对各所述时间段进行编号；

确定各所述时间段内各时刻对应的用电量的总和并求解各所述时间段内的平均用电量；

根据所述平均用电量和与所述平均用电量对应的各时间段的编号得到所述目标数据。

优选的，所述根据所述目标数据确定各所述用户在所述预订天数内的用电规律包括：

利用所述目标数据确定各所述用户每天设定时间段内的用电量；

根据各所述用电量确定与各所述用电量对应的用户在所述预定天数内的所述用电规律。

优选的，所述根据各所述用电量确定与各所述用电量对应的用户在所述预定天数内的用电规律包括：

将与各所述编号对应的用电量进行排序；

利用马尔科夫状态转移模型确定各所述用电量的转移矩阵；

根据所述转移矩阵确定各所述用户的用电规律强度值以确定各所述用户的所述用电规律。

优选的，所述根据所述用电规律对各所述用户进行第一分类包括：

利用k-means聚类算法对与各所述用电规律强度值对应的用户进行所述第一分类以将各所述用户分为第一规律性用户和第二规律性用户。

优选的，所述利用所述第一分类后与各所述目标数据对应的负荷曲线形态对各所述用户进行第二分类包括：

确定经所述第一分类后的与各所述目标数据对应的负荷曲线形态；

利用余弦相似度聚类算法对各所述负荷曲线形态进行分析以将各所述目标数据对应的用户进行第二分类。

优选的，所述利用余弦相似度聚类算法对各所述负荷曲线形态进行分析以将各所述目标数据对应的用户进行第二分类之后，还包括：

获取经所述第二分类后的各类用户的目标负荷曲线形态；

确定与各所述目标负荷曲线形态对应的各类用户的每天中最大用电量、最小用电量以及平均用电量；

根据所述最大用电量、所述最小用电量和所述平均用电量确定所述各类用户的用电信息并提供与所述用电信息对应的供电服务。

第二，本发明实施例提供了一种基于负荷曲线形态的电力用户分类装置，包括：

获取模块，用于获取预定天数内与各用户对应的目标数据；

用电规律确定模块，用于根据所述目标数据确定各所述用户在所述预订天数内的用电规律；

第一分类模块，用于根据所述用电规律对各所述用户进行第一分类；

第二分类模块，用于利用所述第一分类后与各所述目标数据对应的负荷曲线形态对各所述用户进行第二分类。

第三，本发明实施例提供了另一种基于负荷曲线形态的电力用户分类装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器中存储的计算机程序以实现如上任一项所述的基于负荷曲线形态的电力用户分类方法的步骤。

第四，本发明实施例公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一项所述的基于负荷曲线形态的电力用户分类方法的步骤。

可见，本发明实施例公开的一种基于负荷曲线形态的电力用户分类方法，在获取到预定天数内与各用户对应的目标数据，然后根据目标数据确定各用户在预定天数内的用电规律并根据用电规律对各用户进行第一分类，最后利用第一分类后与各目标数据对应的负荷曲线形态对各用户进行第二分类。由于本方案中，是根据各用户的目标数据确定了各用户在预定天数内的用电规律，然后结合用电规律性以及负荷形态曲线两方面的因素对各用户进行分类，相对于现有技术，其采用本发明中的方案对用电用户的分类准确性更高。此外，本发明实施例还公开了基于负荷曲线形态的电力用户分类装置及存储介质，效果如上。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种基于负荷曲线形态的电力用户分类方法流程示意图；

图2为本发明实施例公开的一种基于负荷曲线形态的电力用户分类装置结构示意图；

图3为本发明实施例公开的另一种基于负荷曲线形态的电力用户分类装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于负荷曲线形态的电力用户分类方法、装置及存储介质，提高了对用电用户的分类的准确性。

请参见图1，图1为本发明实施例公开的一种基于负荷曲线形态的电力用户分类方法流程示意图，该方法包括：

S101、获取预定天数内与各用户对应的目标数据。

具体的，本实施例中，预定天数可以为用户一个月或者更长/更短的时间，但是，考虑到能每个月对用户的用电情况进行考察，作为优选的实施例，预订天数优选为一个月31天。目标数据为将用户原始的用电数据进行筛选、处理之后得到的。用户原始的用电数据为用户31天内每小时对应的用电量，即共有31乘24个用电量数值。对用户的原始用电数据进行降维处理后，可以减少用户用电量数值的个数，降维处理可以采用符号化方法SAX降维处理的方法，也可以采用平均值法进行降维。关于对原始用电数据进行降维处理以得到用户的目标数据将在下一实施例进行介绍。需要说明的是，本实施例中，SAX降维算法属于现有技术中的算法，对于其分类原理可以参见现有技术，本发明实施例在此不再详细阐述。

S102、根据目标数据确定各用户在预定天数内的用电规律。

具体的，本实施例中，在得到每个用户的目标数据后，然后确定用户在预定天数内的用电规律。对一个用户以31天为例对本发明实施例中的用电规律进行说明。在获取到该用户在预定天数内的目标数据后，确定该用户在31天中每一天同一时段的用电量，如，确定该用户在第一天8点至12点之间的用电量为5度，确定该用户第二天至第31天与第一天相同时段内的用电量，根据31天内该用户在每天的同一时段内的各用电量的差值大小，即为该用户的用电规律。当用户在31天内的每一天的同一时段的用电量相差不大，则可以认为该用户在该时段的用电规律强度值较大，即其用电规律性较强。此外，也可以通过马尔科夫模型对各用户的用电规律的强度值进行计算，最终确定各用户的用电规律性。然后，再对31天中每一天的其它时段进行同样的分析，同样可以确定该用户在31天内在其他时段内的用电规律性。对于用户用电规律性的详细介绍，将在下一实施例进行详细介绍，在此暂不赘述。

S103、根据用电规律对各用户进行第一分类。

具体的，本实施例，在确定完各用户的用电规律后，可以采用聚类算法将各用户进行分类，其中，可以采用k-means聚类算法、均值漂移聚类算法根据用电规律对各用户进行第一分类。第一分类可以作为本发明实施例提供的分类方法中的外层分类，后文实施例中的第二分类可以作为本发明实施例提供的分类方法中的内层分类。采用k-means聚类算法根据用电规律对各用户进行第一分类的过程将在下文进行详细介绍。需要说明的是采用k-means聚类算法属于现有技术中的聚类算法，其分类原理与现有技术中的保持一致，关于其分类原理本发明实施例在此并不作阐述。作为优选的实施例，步骤S103包括：利用k-means聚类算法对与各用电规律强度值对应的用电规律进行第一分类以将各用户分为第一规律性用户和第二规律性用户。

具体的，本实施例中，当用户在设定天数内每天的同一时段都用电，则该用户的用电规律强度值较高，也就表明了该用电规律强度值对应的用电规律较强。反之，其中，第一规律性用户可以为用电规律性较强的用户，第二规律性用户可以为用电规律性较弱的用户。关于k-means聚类算法可以参见现有技术，本发明实施例在此并不作详细说明。

S104、利用第一分类后与各目标数据对应的负荷曲线形态对各用户进行第二分类。

具体的，本实施例中，在对各用户进行第一分类后得到不同规律性的各类用户，然后可以利用余弦相似度聚类算法、量子粒子群聚类算法等对第一分类后的各类用户的目标数据对应的负荷曲线形态进行分析，将各类用电规律相一致的用户再进行轮廓相似度聚类，从而将用电规律相近且负荷曲线形态的轮廓相近的用户分为一类。最终得到各用户的分类结果后，针对各类用户的用电情况，对应提供不同的供电服务。其中，第二分类可以为负荷曲线形态聚类算法进行的轮廓分类。需要说明的是，余弦相似度聚类算法属于现有技术中的聚类算法，对于其分类原理可以参见现有技术，本发明实施例在此不再详细阐述。

可见，本发明实施例公开的一种基于负荷曲线形态的电力用户分类方法，在获取到预定天数内与各用户对应的目标数据，然后根据目标数据确定各用户在预定天数内的用电规律并根据用电规律对各用户进行第一分类，最后利用第一分类后与各目标数据对应的负荷曲线形态对各用户进行第二分类。由于本方案中，是根据各用户的目标数据确定了各用户在预定天数内的用电规律，然后结合用电规律性以及负荷形态曲线两方面的因素对各用户进行分类，相对于现有技术，其采用本发明中的方案对用电用户的分类准确性更高。

基于上述实施例，作为优选的实施例，步骤S101包括：

获取预定天数内与各用户对应的用电数据量；

确定与用电数据量对应的时间轴；

将时间轴划分为预定间隔的时间段并对各时间段进行编号；

确定各时间段内各时刻对应的用电量的总和并求解各时间段内的平均用电量；

根据平均用电量和与平均用电量对应的各时间段的编号得到目标数据。

具体的，本实施例中，预定天数的含义本发明实施例在上文已进行了阐述，在此不再赘述，这一步骤中，主要目的是对用户的原始用电数据进行降维处理得到目标数据。下面以每个用户在31天内的用电情况进行说明，获取每个用户在31天内的原始用电数据(用电数据量)，其中，用电数据量包括31天中每一小时对应的用电量，也就是说，时间轴是以小时为单位，每小时均对应有该小时内的用电量。对应于该时间轴，将31天中每天的24小时划分为预定间隔的时间段，其中，各时间段内的长度是相等的，预定间隔可以人为确定，如将一天24小时以3小时划分为一个时间段，一天总共可以分为8个时间段。依次类推，将31天按照此规则进行划分，需要说明的是，31天中每天的时间段的划分长度都是相等的。然后，按照31天的日期顺序将各个时间段进行编号，如第一天中总共有8个时间段，则该8个时间段编号依次为1-8；第二天同样有8个时间段，则第二天的8个时间段的编号则为9-16，依次类推。然后，确定每个时间段内的用电量总和，如确定编号为1的时间段内的三个小时的用电量总和；再利用用电量总和以及该时间段内的时刻的个数求得平均用电量。即利用三个小时的用电量总和与三小时的比值即该时间段内的平均用电量；最后，对应每个时间段均对应有一个平均用电量。即时间段对应的编号和每个编号对应的平均用电量即为目标数据的组成部分。

此外，可以采用SAX降维处理算法对用户一个月的数据进行降维处理。下面对SAX降维处理算法在本发明实施例中的应用进行说明。还是以单个用户31天内的用电数据量为例；

其中，获得用户的31天内的每天的用电数据量：{X₁,X₂,X₃,...,X_n}，n为31；其中X_i＝{x_i ¹,x_i ²,...,x_i ²⁴}，X₁、X_i至X_n表示的是用户每天的用电数据量；x_i ¹,x_i ²,...,x_i ²⁴表示的是31天内某一天中每一小时对应的用电量，数据是按照时间顺序进行排列。

在得到上述数据后，开始对该数据进行降维处理：

首先，每个用户的31天内的上述每小时的用电数据量进行标准化处理得到标准化处理的数据x_i ^j'，标准化处理的公式可以采用下式：

其中，和D_Xi表示的是31天内用户的用电数据量的平均用电量和方差，x_i ^j表示的是用户第i天内第j小时的用电量。标准化后的用户用电数据量表示为：{X₁',X₂',X₃',...,X_n'}，以及X_i'＝{x_i ^1',x_i ^2',...,x_i ^24'}，其中，X_i'都是为方差为1，均值为0的序列。

然后，根据标准化后的用电数据量{X₁',X₂',X₃',...,X_n'}，拟合电量幅值的概率分布，得到累计分布函数CDF。需要说明的是，此处，对于电量幅值的拟合可以参见现有技术，在此不详细赘述。

其次，将用户一天的用电量数据按照时间轴进行划分，即将31天中的每天24小时均划分为等间隔的时间段，然后求出每段时间内的平均用电数据量，可得每个时间段的平均用电数据量的序列：{L₁,L₂,...,L_n}，其中，L_i＝{l_i ¹,l_i ²,...,l_i ^p}，p表示将每天24小时划分为p段，然后对得到的每个时间段的平均用电数据量进行标准化处理得到每个时间段中各时刻的用电数据量l_i ^j'，标准化处理可以采用下式：

其中，和D_Li表示的是第i个时间段内用户的用电数据量的平均用电量和方差，l_i ^j表示的是用户第i个时间段内第j时刻的用电量。按照上式将每个时间段的平均用电数据量的序列：{L₁,L₂,...,L_n}转换为：{L₁',L₂',L₃',...,L_n'}，以及L_i'＝{l_i ^1',l_i ^2',...,l_i ^p'}。然后，再将上述得到的CDF函数按照概率分布函数分位点，将用电量幅度划分为q段。对于{L₁',L₂',L₃',...,L_n'}序列中每一个时间段的用电量均值，根据CDF函数用电量幅度划分的结果，将不同的用电量均转换为不同的字符表示，每种字符代表一定值的用电量数值。最后，输出用户31天的经降维处理后的用电量数据(目标数据)。对于本实施例中的CDF函数的应用原理可以参见现有技术。

需要说明的是，本实施例中，仅仅以31天的用户用电量数据为例进行说明，但并不代表只能选取31天的用电数据。

基于上述实施例，在本实施例中，步骤S102包括：

利用目标数据确定各用户每天设定时间段内的用电量。

根据各用电量确定与各用电量对应的用户在设定天数内的用电规律。

具体的，本实施例中，用户设定时间段可以为设定天数中每天中任意一个时间段，首先从第一天的各个时间段中选取一个时间段作为设定时间段，然后确定该时间段所在编号对应的用电量，然后依次在之后的天数的各时间段中选取与第一天对应的同一时间段。并确定每天同一时间段内对应的用电量，以此判断该用户在设定天数内该时间段内是不是经常用电，从而获知用户的用电规律，如果用户在设定天数内同一时间段内经常用电，则表示该用户用电规律性强，反之。作为优选的实施例，根据各用电量确定与各用电量对应的用户在预定天数内的用电规律包括：将与各序号对应的用电量进行排序；利用马尔科夫状态转移模型确定各用电量的转移矩阵；根据转移矩阵确定各用户的用电规律强度值以确定各用户的用电规律。

具体的，本实施例中，利用上述实施例得到的每个时段的平均用电量(不同的字符)以及各个平均用电量(不同的字符)对应的序列号，然后求出每个时段的转移概率矩阵G^t，其中t∈{1,2,...,p}表示每天不同的时间段。下面结合一个用户31天内的用电情况和p＝6表示每天中的6个时间段为例，对应用户的用电量具有5种状态(5种平均用电量)进行说明，将该用户31天中的每一天8点至12点的用电量对应的平均用电量(字符)，组成新的字符串，假设是以下这种情况：即31天内8点至12点的用电情况为

A＝{4,3,2,2,2,2,2,2,2,2,2,2,2,2,2,1,2,2,2,3,3,2,2,3,3,2,2}，A中的字符可以代表用户31天中每天8点至12点时段的平均用电量(A中为字符时，表示该字符对应的用电量)，上述顺序是按照日期顺序进行升序排列的，然后结合马尔科夫转移概率模型求得各个用户在31天8点至12点的状态转移概率矩阵中的每一个元素，元素计算公式如下：

pi_j＝p{A_m+1＝j|A_m＝i}

其中，p_ij为转移矩阵中的元素，表示用户前一天在8点至12点的状态为i，后一天在8点至12点的状态为_j的概率，例如，p₂₁表示前一天的状态为2，后一天状态为1的概率根据上述公式可得：

故可以求得对应的转移概率矩阵，因此，在经上一实施例得到目标数据后，利用马尔科夫转移模型可得每个用户的转移概率矩阵，矩阵表如下：

表1状态转移概率矩阵

在得到上述状态转移矩阵后，利用以下公式计算用户的用电规律性强度：

其中，D值越大，则说明该用户的用电规律性越强。D值越小，则代表用户的用电规律性越弱。从而将各用户划分为用电规律性强的用户和用电规律性弱的用户。如，将D值为5以上的用户划分为用电规律性强的用户(第一规律用户)，将D值为5以下的用户划分为用电规律性弱的用户(第二规律性用户)。当然，D值如何取值以作为用电规律性强的用户和用电规律性弱的用户的分界值可以根据实际情况确定，本发明实施例在此并不作限定。

基于上述实施例，在本实施例中，步骤S104包括：

确定经第一分类后的与各目标数据对应的负荷曲线形态。

利用余弦相似度聚类算法对各负荷曲线形态进行分析以将各目标数据对应的用户进行第二分类。

具体的，本实施例中，利用余弦相似度聚类算法随负荷曲线形态进行分析可以采用下式进行计算：

其中，X_i和X_j为用户i和用户j每天的用电数据量。

根据该公式确定各个用户之间负荷曲线形态的相似性，将负荷曲线形态的轮廓相似的用户分为一类。其中，第二分类即利用余弦相似度聚类算法进行的轮廓相似分类。当然，也可以利用其它聚类算法对负荷曲线形态进行分析及分类。此外，余弦相似度聚类算法具体分类过程可以参见现有技术，在此本发明实施例不再赘述。

基于上述实施例，在本实施例中，利用余弦相似度聚类算法对各负荷曲线形态进行分析以将各目标数据对应的用户进行第二分类之后，还包括：

获取经第二分类后的各类用户的目标负荷曲线形态；

确定与目标各负荷曲线形态对应的各类用户的每天中最大用电量、最小用电量以及平均用电量；

根据最大用电量、最小用电量和平均用电量确定各类用户的用电信息并提供与用电信息对应的供电服务。

具体的，本实施例中，在将各用户按照用电规律以及负荷曲线形态进行分类后得到各类用电用户，然后从每一类用户中的各负荷曲线形态中选取聚类中心，聚类中心即在采用余弦相似度聚类算法对各用户的负荷曲线形态进行划分时确定的作为参考的负荷曲线形态，其中，对于余弦相似度聚类算法确定聚类中心的原理可以参见现有技术。在选取聚类中心后(目标负荷曲线形态)，根据该目标负荷曲线形态确定用户每天的最大用电量、最小用电量以及平均用电量。最后，根据上述三者可以该类别用户的峰谷差率G和负荷H，其中，峰谷差率G和负荷H即可作为本实施例中的用电信息。其中，G和H的计算可以采用下式计算：

其中，f_max表示用户每天的最大用电量、f_min表示用户最小用电量以及f_mean表示平均用电量。对应上述信息为用户提供对应的供电服务。

可见，本实施例中，由于对各用户进行分类是结合用户的用电规律以及用户负荷曲线形态两方面因素得到的分类结果，从而由于分类结果的准确性从而能对用户提供更精准的供电服务，提升用户体验感。

下面对本发明实施例公开的一种基于负荷曲线形态的电力用户分类装置进行介绍，请参见图2，图2为本发明实施例公开的一种基于负荷曲线形态的电力用户分类装置结构示意图，该装置包括：

获取模块201，用于获取预定天数内与各用户对应的目标数据；

用电规律确定模块202，用于根据所述目标数据确定各所述用户在所述预订天数内的用电规律；

第一分类模块203，用于根据所述用电规律对各所述用户进行第一分类；

第二分类模块204，用于利用所述第一分类后与各所述目标数据对应的负荷曲线形态对各所述用户进行第二分类。

需要说明的是，本实施例中的一种基于负荷曲线形态的电力用户分类装置与上文中一种基于负荷曲线形态的电力用户分类方法相对应，本发明实施例在此不再赘述。

可见，本发明实施例公开的一种基于负荷曲线形态的电力用户分类装置，获取模块在获取到预定天数内与各用户对应的目标数据，然后用电规律确定模块根据目标数据确定各用户在预定天数内的用电规律并由第一分类模块根据用电规律对各用户进行第一分类，最后第二分类模块利用第一分类后与各目标数据对应的负荷曲线形态对各用户进行第二分类。由于本方案中，是根据各用户的目标数据确定了各用户在预定天数内的用电规律，然后结合用电规律性以及负荷形态曲线两方面的因素对各用户进行分类，相对于现有技术，其采用本发明中的方案对用电用户的分类准确性更高。

请参见图3，图3为本发明实施例提供的另一种基于网络行为的扫描检测装置示意图，包括：

存储器301，用于存储计算机程序；

处理器302，用于执行所述存储器中存储的计算机程序以实现以上任一实施例提到的基于负荷曲线形态的电力用户分类方法的步骤。

需要说明的是，本实施例中的另一种基于网络行为的扫描检测装置与上文任意一个实施例具有相同的有益效果，在此本发明实施例不再详细赘述。

为了更好地理解本方案，本发明实施例提供的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例提到的基于负荷曲线形态的电力用户分类方法的步骤。

需要说明的是，本实施例中的一种计算机可读存储介质与上文任意一个实施例具有相同的有益效果，在此本发明实施例不再详细赘述。

以上对本申请所提供的基于负荷曲线形态的电力用户分类方法、装置及存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims

1.一种基于负荷曲线形态的电力用户分类方法，其特征在于，包括：

获取预定天数内与各用户对应的目标数据；

根据所述用电规律对各所述用户进行第一分类；

2.根据权利要求1所述的基于负荷曲线形态的电力用户分类方法，其特征在于，所述获取预定天数内与各用户对应的目标数据包括：

获取所述预定天数内与各所述用户对应的用电数据量；

确定与所述用电数据量对应的时间轴；

3.根据权利要求2所述的基于负荷曲线形态的电力用户分类方法，其特征在于，所述根据所述目标数据确定各所述用户在所述预订天数内的用电规律包括：

4.根据权利要求3所述的基于负荷曲线形态的电力用户分类方法，其特征在于，所述根据各所述用电量确定与各所述用电量对应的用户在所述预定天数内的用电规律包括：

将与各所述编号对应的用电量进行排序；

利用马尔科夫状态转移模型确定各所述用电量的转移矩阵；

5.根据权利要求4所述的基于负荷曲线形态的电力用户分类方法，其特征在于，所述根据所述用电规律对各所述用户进行第一分类包括：

6.根据权利要求1至5任意一项所述的基于负荷曲线形态的电力用户分类方法，其特征在于，所述利用所述第一分类后与各所述目标数据对应的负荷曲线形态对各所述用户进行第二分类包括：

7.根据权利要求6所述的基于负荷曲线形态的电力用户分类方法，其特征在于，所述利用余弦相似度聚类算法对各所述负荷曲线形态进行分析以将各所述目标数据对应的用户进行第二分类之后，还包括：

获取经所述第二分类后的各类用户的目标负荷曲线形态；

8.一种基于负荷曲线形态的电力用户分类装置，其特征在于，包括：

获取模块，用于获取预定天数内与各用户对应的目标数据；

9.一种基于负荷曲线形态的电力用户分类装置，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器中存储的计算机程序以实现如权利要求1至7任一项所述的基于负荷曲线形态的电力用户分类方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行以实现如权利要求1至7任一项所述的基于负荷曲线形态的电力用户分类方法的步骤。