CN109558467A - 用电用户类别识别方法及系统 - Google Patents

用电用户类别识别方法及系统 Download PDF

Info

Publication number
CN109558467A
CN109558467A CN201811496583.6A CN201811496583A CN109558467A CN 109558467 A CN109558467 A CN 109558467A CN 201811496583 A CN201811496583 A CN 201811496583A CN 109558467 A CN109558467 A CN 109558467A
Authority
CN
China
Prior art keywords
power load
data
class
cluster
load curve
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811496583.6A
Other languages
English (en)
Other versions
CN109558467B (zh
Inventor
杜健
殷新博
王数
陆芸
杨汉新
马凯
殷萍
潘玉生
吴郅君
陈中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Power Supply Branch Jiangsu Electric Power Co Ltd
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Changzhou Power Supply Branch Jiangsu Electric Power Co Ltd
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Power Supply Branch Jiangsu Electric Power Co Ltd, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd filed Critical Changzhou Power Supply Branch Jiangsu Electric Power Co Ltd
Priority to CN201811496583.6A priority Critical patent/CN109558467B/zh
Publication of CN109558467A publication Critical patent/CN109558467A/zh
Application granted granted Critical
Publication of CN109558467B publication Critical patent/CN109558467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用电用户类别识别方法及系统，该用电用户类别识别方法包括：步骤S1：获取多个目标用电用户的第一用电负荷曲线数据；步骤S2：将所述多个目标用电用户的第一用电负荷曲线数据聚为1类，得到第一类簇；步骤S3：获取待识别用电用户的多个第二用电负荷曲线数据；步骤S4：将所述多个第二用电负荷曲线数据聚为1类，得到第二类簇；步骤S5：计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的相似度，并根据所述相似度判断所述待识别用户是否属于所述目标用电用户类别。本发明有利于提高判断待识别用户是否属于目标用电用户类别的准确度。

Description

用电用户类别识别方法及系统
技术领域
本发明涉及电力管理技术领域，特别是一种用电用户类别识别方法及系统。
背景技术
随着电力市场化的推进，用户的多元化需求对现有电网提出了新的挑战，常规的电力服务内容较为单一、营销服务缺乏个性化，供电企业在客户服务方面缺少与客户之间进行更详细和更专业的沟通，难以完全满足客户差异化、多元化的服务需求，因此对用户进行分类识别，提供精准化的服务成为时代发展的趋势。
例如，目前鱼类养殖业十分发达，是生产生活中一项重要的组成部分，一旦养殖鱼塘出现问题将会造成很大的经济损失，更会给养殖户造成很大的伤害，严重者甚至会血本无归，除此之外，鱼类大量死亡会带来水质、土壤等方面的污染，所带来的环境污染也不容小觑，因此，通过对鱼塘养殖用户进行识别，并对其用电负荷进行分类处理，有利于及时掌握用电负荷的变化规律和发展趋势，有利于用电负荷的科学管理，有利于突发性事件的精确处理，使得用户服务更加精准周到，事故抢修更加具有针对性，具有重要的理论意义和现实意义。然而，在鱼塘养殖用户的分类识别方面，目前大多是采用人工的方式判断是否是鱼塘养殖用户，而利用人工方式进行识别势必是一种十分不准确且带有主观色彩的识别方法，使得鱼塘养殖用户的精准化管理工作不能顺利开展。
发明内容
有鉴于此，本发明的目的在于提供一种用电用户类别识别方法及系统，有利于提高判断待识别用户是否属于目标用电用户类别的准确度。
为达到上述目的，本发明的技术方案提供了一种用电用户类别识别方法，包括：
步骤S1：获取多个目标用电用户的第一用电负荷曲线数据，其中，不同第一用电负荷曲线数据对应目标用电用户类别下的不同用户，每一个所述第一用电负荷曲线数据包括对应的用户在一时间段内的预设数量的用电负荷数据；
步骤S2：将所述多个目标用电用户的第一用电负荷曲线数据聚为1类，得到第一类簇；
步骤S3：获取待识别用电用户的多个第二用电负荷曲线数据，其中，不同第二用电负荷曲线数据对应不同时间段，每一个所述第二用电负荷曲线数据包括待识别用户在对应的时间段内的预设数量的用电负荷数据，其中，第二用电负荷曲线数据对应的时间段的用户用电特性与第一用电负荷曲线数据对应的时间段的用户用电特性相同；
步骤S4：将所述多个第二用电负荷曲线数据聚为1类，得到第二类簇；
步骤S5：计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的相似度，并根据所述相似度判断所述待识别用户是否属于所述目标用电用户类别。
进一步地，所述步骤S2包括：
步骤S21：采用以下方式对n个第一用电负荷曲线数据进行标准化处理；
其中，xij′为第i个第一用电负荷曲线数据中第j个用电负荷数据，xij为xij′标准化处理后的值，为第i个第一用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第一用电负荷曲线数据中的最大用电负荷数据，k为每一个第一用电负荷曲线数据中的用电负荷数据的数量，n为不小于2的整数；
步骤S22：采用模糊C均值算法对经过标准化处理的n个第一用电负荷曲线数据进行聚类处理，得到所述第一类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
进一步地，所述步骤S4包括：
步骤S41：采用以下方式对L个第二用电负荷曲线数据进行标准化处理；
其中，yij′为第i个第二用电负荷曲线数据中第j个用电负荷数据，yij为yij′标准化处理后的值，为第i个第二用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第二用电负荷曲线数据中的最大用电负荷数据，k为每一个第二用电负荷曲线数据中的用电负荷数据的数量，L为不小于2的整数；
步骤S42：采用模糊C均值算法对经过标准化处理的L个第二用电负荷曲线数据进行聚类处理，得到所述第二类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
进一步地，所述步骤S5包括：
步骤S51：采用以下方法计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的欧式距离dab，将得到的欧式距离dab作为所述相似度；
其中，ai为所述第二类簇的聚类中心中第i个用电负荷数据，bi为所述第一类簇的聚类中心中第i个用电负荷数据，k为第一类簇的聚类中心中的用电负荷数据的数量以及第二类簇的聚类中心中的用电负荷数据的数量；
步骤S52：若所述欧式距离dab小于等于距离阈值，则判断所述待识别用户属于所述目标用电用户类别，否则，判断所述待识别用户不属于所述目标用电用户类别。
进一步地，所述目标用电用户类别为鱼塘养殖用电用户类别，所述第一用电负荷曲线数据以及所述第二用电负荷曲线数据中的用电负荷曲线数据包括阴天和/或雨天时的用电负荷数据。
为实现上述目的，本发明的技术方案还提供了一种用电用户类别识别系统，包括：
第一获取模块，用于获取多个目标用电用户的第一用电负荷曲线数据，其中，不同第一用电负荷曲线数据对应目标用电用户类别下的不同用户，每一个所述第一用电负荷曲线数据包括对应的用户在一时间段内的预设数量的用电负荷数据；
第一处理模块，用于将所述多个目标用电用户的第一用电负荷曲线数据聚为1类，得到第一类簇；
第二获取模块，用于获取待识别用电用户的多个第二用电负荷曲线数据，其中，不同第二用电负荷曲线数据对应不同时间段，每一个所述第二用电负荷曲线数据包括待识别用户在对应的时间段内的预设数量的用电负荷数据，其中，第二用电负荷曲线数据对应的时间段的用户用电特性与第一用电负荷曲线数据对应的时间段的用户用电特性相同；
第二处理模块，用于将所述多个第二用电负荷曲线数据聚为1类，得到第二类簇；
第三处理模块，用于计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的相似度，并根据所述相似度判断所述待识别用户是否属于所述目标用电用户类别。
进一步地，所述第一处理模块包括：
第一标准化处理单元，用于采用以下方式对n个第一用电负荷曲线数据进行标准化处理；
其中，xij′为第i个第一用电负荷曲线数据中第j个用电负荷数据，xij为xij′标准化处理后的值，为第i个第一用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第一用电负荷曲线数据中的最大用电负荷数据，k为每一个第一用电负荷曲线数据中的用电负荷数据的数量，n为不小于2的整数；
第一聚类单元，用于采用模糊C均值算法对经过标准化处理的n个第一用电负荷曲线数据进行聚类处理，得到所述第一类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
进一步地，所述第二处理模块包括：
第二标准化处理单元，用于采用以下方式对L个第二用电负荷曲线数据进行标准化处理；
其中，yij′为第i个第二用电负荷曲线数据中第j个用电负荷数据，yij为yij′标准化处理后的值，为第i个第二用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第二用电负荷曲线数据中的最大用电负荷数据，k为每一个第二用电负荷曲线数据中的用电负荷数据的数量，L为不小于2的整数；
第二聚类单元，用于采用模糊C均值算法对经过标准化处理的L个第二用电负荷曲线数据进行聚类处理，得到所述第二类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
进一步地，所述第三处理模块包括：
欧式距离计算单元，用于采用以下方法计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的欧式距离dab，将得到的欧式距离dab作为所述相似度；
其中，ai为所述第二类簇的聚类中心中第i个用电负荷数据，bi为所述第一类簇的聚类中心中第i个用电负荷数据，k为第一类簇的聚类中心中的用电负荷数据的数量以及第二类簇的聚类中心中的用电负荷数据的数量；
判断单元，用于若所述欧式距离dab小于等于距离阈值，则判断所述待识别用户属于所述目标用电用户类别，否则，判断所述待识别用户不属于所述目标用电用户类别。
进一步地，所述目标用电用户类别为鱼塘养殖用电用户类别，所述第一用电负荷曲线数据以及所述第二用电负荷曲线数据中的用电负荷曲线数据包括阴天和/或雨天时的用电负荷数据。
本发明提供的用电用户类别识别方法，通过对目标用电用户类别下已知的不同用户的用电负荷曲线数据进行聚类，实现目标用电用户类别的用电特性的提取，通过对待识别用户在不同时间段的用电负荷曲线数据进行聚类，实现对待识别用户进行用电特性提取，再计算待识别用户的用电特性与目标用电用户类别的用电特性之间的相似度，利用该相似度判断待识别用户是否属于目标用电用户类别，有利于提高判断的准确度。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例提供的一种用电用户类别识别方法的流程图；
图2是本发明实施例提供的另一种用电用户类别识别方法的流程图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分，为了避免混淆本发明的实质，公知的方法、过程、流程、元件并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
参见图1，图1是本发明实施例提供的一种用电用户类别识别方法的流程图，该方法包括：
步骤S1：获取多个目标用电用户的第一用电负荷曲线数据，其中，不同第一用电负荷曲线数据对应目标用电用户类别下的不同用户，每一个所述第一用电负荷曲线数据包括对应的用户在一时间段内的预设数量的用电负荷数据，对于每一个第一用电负荷曲线数据，通过其中的预设数量的用电负荷数据可以形成一时间段的用电负荷曲线；
优选地，上述多个第一用电负荷曲线数据为同一时段的用电负荷曲线数据；
步骤S2：将所述多个目标用电用户的第一用电负荷曲线数据聚为1类，得到第一类簇；
步骤S3：获取待识别用电用户的多个第二用电负荷曲线数据，其中，不同第二用电负荷曲线数据对应不同时间段，每一个所述第二用电负荷曲线数据包括待识别用户在对应的时间段内的预设数量的用电负荷数据，对于每一个第二用电负荷曲线数据，通过其中的预设数量的用电负荷数据可以形成一时间段的用电负荷曲线；其中，不同第二用电负荷曲线数据对应的时间段的用户用电特性与第一用电负荷曲线数据对应的时间段的用户用电特性相同，例如，第二用电负荷曲线数据对应的时间段和第一用电负荷曲线数据对应的时间段可以是目标用电用户类别的用户用电量较高的时间段或者其他具有一定用电属性的时间段；
例如，对于鱼塘养殖用电用户类别的用户来说，由于阴雨天时的用电量较高，相比其他行业具有明显的特殊性，因此第一用电负荷曲线数据以及第二用电负荷曲线数据可以包括阴雨天时的用电负荷数据或者其他用电高峰时间段的用电负荷数据，而对于蔬菜种植用电用户类别的用户来说，由于夜晚时的用电量较高，相比其他行业具有明显的特殊性，因此第一用电负荷曲线数据以及第二用电负荷曲线数据可以包括夜晚时的用电负荷数据或者其他用电高峰时间段的用电负荷数据。
步骤S4：将所述多个第二用电负荷曲线数据聚为1类，得到第二类簇；
步骤S5：计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的相似度，并根据所述相似度判断所述待识别用户是否属于所述目标用电用户类别。
本发明实施例提供的用电用户类别识别方法，通过对目标用电用户类别下已知的不同用户的用电负荷曲线数据进行聚类，实现目标用电用户类别的用电特性的提取，通过对待识别用户在不同时间段的用电负荷曲线数据进行聚类，实现对待识别用户进行用电特性提取，再计算待识别用户的用电特性与目标用电用户类别的用电特性之间的相似度，利用该相似度判断待识别用户是否属于目标用电用户类别，有利于提高判断的准确度。
其中，在本发明实施例中，每一个第一用电负荷曲线数据中的用电负荷数据的数量与每一个第二用电负荷曲线数据中的用电负荷数据的数量相同，例如，每一个第一用电负荷曲线数据以及每一个第二用电负荷曲线数据可以均包括24或48个用电负荷数据，例如，每一个第一用电负荷曲线数据以及每一个第二用电负荷曲线数据可以均包括24个用电负荷数据，用电负荷数据的时间间隔为1小时，则每一个第一用电负荷曲线数据以及每一个第二用电负荷曲线数据均可以形成日用电负荷曲线。
例如，通过本发明实施例中的用电用户类别识别方法对阴天和/或雨天时的用电负荷信息进行分析处理，可以实现对鱼塘养殖用电用户类别的用户进行准确识别，参见图2，具体过程如下：
步骤A1：采集n个已知的鱼塘养殖用电用户的信息，包括所在位置的天气信息以及用电信息，n为不小于2的整数；
例如，可以通过互联网采集所要识别地区的天气信息，并通过目前电力系统的用户信息采集系统获取每一个鱼塘养殖用电用户的用电信息；
步骤A2：筛选出阴天和/或雨天时的用电信息，得到n个第一用电负荷曲线数据；
通过天气信息，选取天气状况为非晴天(即阴天或雨天)的日期，调取该日期下用户负荷数据，例如，对于每一个已知的鱼塘养殖用电用户，在查询到非晴天的日期后，可以调取该日期以及后一日共两天的用电负荷数据，若以1小时为跨度(电负荷数据的时间间隔为1小时)，则每一个已知的鱼塘养殖用电用户可以调取48个用电负荷数据，每一个已知的鱼塘养殖用电用户的48个用电负荷数据作为一个第一用电负荷曲线数据，得到n个第一用电负荷曲线数据；
优选地，上述n个第一用电负荷曲线数据为同一时段的用电负荷曲线数据，例如，对于某一供电线路，首先查询所在地区的天气信息，从中选取一非晴天的日期，然后选取n个已知的鱼塘养殖用电用户，并调取每一个鱼塘养殖用电用户该日期以及后一日共两天的用电负荷数据，得到n个第一用电负荷曲线数据；
步骤A3：将上述n个第一用电负荷曲线数据聚为1类，得到第一类簇，将第一类簇的聚类中心作为鱼塘养殖用电用户类别的用电特性曲线数据；
即通过采用模糊聚类算法，根据调取的负荷数据信息，提取出鱼塘养殖用电用户类别的用电特性曲线数据，实现鱼塘养殖用户用电特征的描述，具体地，可以采用模糊C均值算法作为聚类算法，将n个已知的鱼塘养殖用电用户的用电信息聚为1类，得到鱼塘养殖用电用户类别的用电特性曲线数据，具体过程包括步骤S21-S22；
步骤S21：采用式(1)对n个第一用电负荷曲线数据进行标准化处理；
其中，xij′为第i个第一用电负荷曲线数据中第j个用电负荷数据，xij为xij′标准化处理后的值，为第i个第一用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第一用电负荷曲线数据中的最大用电负荷数据，k为每一个第一用电负荷曲线数据中的用电负荷数据的数量，例如，可以k的值可以为48；
步骤S22：采用模糊C均值算法对经过标准化处理的n个第一用电负荷曲线数据进行聚类处理，得到所述第一类簇，其中，所述模糊C均值算法采用的聚类数目参数为1；
其中，本步骤中，模糊聚C均值算法的目标函数为式(2)；
其中，n为待分类样本数(本步骤中也即第一用电负荷曲线数据的数量)，c为聚类数目参数，c＝1，dij为样本点xj(本步骤中也即第j个第一用电负荷曲线数据)与第i类的聚类中心pi之间的欧氏距离dij＝||xj-pi||，m为加权指数，用于控制样本在模式类间的分享程度，其值越大，抑制噪声的效果越好，uij为样本点xj对第i类的隶属度，且满足
例如，在该步骤中，模糊指数m可以取2，最大迭代次数N可以取100，在确定初始聚类中心p(0)后，通过式(3)对聚类中心的值进行调整，并通过式(4)计算隶属度矩阵进行迭代，当到迭代次数等于设定的最大迭代次数时停止迭代，得到第一类簇，将该第一类簇的聚类中心(即聚类中心曲线数据)作为鱼塘养殖用电用户类别的用电特性曲线数据；
步骤B1：采集待识别用户的信息，包括所在位置的天气信息以及用电信息；
例如，可以通过互联网采集所要识别地区的天气信息，并通过目前电力系统的用户信息采集系统获取待识别用户的用电信息；
步骤B2：筛选出阴天和/或雨天时的用电信息，得到L个第二用电负荷曲线数据；
通过天气信息，选取天气状况为非晴天(即阴天或雨天)的日期，调取该日期下待识别用户的用户负荷数据，例如，在查询到L个非晴天的日期后，对于每一个查询到的非晴天的日期，可以调取当日及其后一日共两天的用电负荷数据作为一个数据样本，共得到L个第二用电负荷曲线数据，例如，若以1小时为跨度(电负荷数据的时间间隔为1小时)，每一个第二用电负荷曲线数据可以包括48个用电负荷数据；
步骤B3：将上述L个第二用电负荷曲线数据聚为1类，得到第二类簇，将第二类簇的聚类中心(即聚类中心曲线数据)作为待识别用户的用电特性曲线数据；
即通过采用模糊聚类算法，根据调取的负荷数据信息，提取待识别用户的用电特性曲线数据，具体地，可以采用模糊C均值算法作为聚类算法，将L个第二用电负荷曲线数据聚为1类，得到待识别用户的用电特性曲线数据，具体过程包括步骤S41-S42；
步骤S41：采用式(5)对L个第二用电负荷曲线数据进行标准化处理；
其中，yij′为第i个第二用电负荷曲线数据中第j个用电负荷数据，yij为yij′标准化处理后的值，为第i个第二用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第二用电负荷曲线数据中的最大用电负荷数据，k为每一个第二用电负荷曲线数据中的用电负荷数据的数量，L为不小于2的整数；
步骤S42：采用模糊C均值算法对经过标准化处理的L个第二用电负荷曲线数据进行聚类处理，得到所述第二类簇，其中，所述模糊C均值算法采用的聚类数目参数为1；
其中，本步骤中，模糊聚C均值算法的目标函数为式(6)；
其中，L为待分类样本数(本步骤中也即第二用电负荷曲线数据的数量)，c为聚类数目参数，c＝1，dij为样本点yj(本步骤中也即第j个第二用电负荷曲线数据)与第i类的聚类中心pi之间的欧氏距离dij＝||yj-pi||，m为加权指数，用于控制样本在模式类间的分享程度，其值越大，抑制噪声的效果越好，uij为样本点yj对第i类的隶属度，且满足
例如，在该步骤中，模糊指数m可以取2，最大迭代次数N可以为100，在确定初始聚类中心p(0)后，通过式(7)对聚类中心的值进行调整，并通过式(8)计算隶属度矩阵进行迭代，当到迭代次数等于设定的最大迭代次数时停止迭代，得到第二类簇，将该第二类簇的聚类中心作为待识别用户的用电特性曲线数据；
步骤C：计算第二类簇的聚类中心与第一类簇的聚类中心之间的相似度，并根据所述相似度判断所述待识别用户是否属于鱼塘养殖用电用户类别；
通过计算用电特性曲线数据的相似性(即用电负荷曲线的相似性)，比较待识别用户与鱼塘养殖用户之间的用电特性相似性，实现用户识别，例如，可以通过计算欧氏距离进行相似度比较，具体地，该步骤可以具体包括步骤S51-S52；
步骤S51：采用式(9)计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的欧式距离dab，将得到的欧式距离dab作为所述相似度；
其中，ai为所述第二类簇的聚类中心中第i个用电负荷数据，bi为所述第一类簇的聚类中心中第i个用电负荷数据，k为第一类簇的聚类中心中的用电负荷数据的数量以及第二类簇的聚类中心中的用电负荷数据的数量；
步骤S52：若所述欧式距离dab小于等于距离阈值，则判断所述待识别用户属于所述目标用电用户类别(即鱼塘养殖用电用户类别)，否则，判断所述待识别用户不属于所述目标用电用户类别。
本发明实施例提供的用电用户类别识别方法，在基于天气状况的基础上，引入模糊聚类算法，同时结合海量电力大数据进行数据分析，得到鱼塘养殖用电用户类别的用电特性，通过将待识别用户的用电特性与鱼塘养殖用电用户类别的用电特性进行相似性比较，可以准确判断待识别用户是否属于鱼塘养殖用电用户类别，通过本发明实施例中的方法可以将某一供电线路中的用电用户分为鱼塘类用户和非鱼塘类用户，进而可以对对线路中的鱼塘养殖用电用户进行分类管理，为鱼塘养殖用电用户提供差异化服务，同时使得用电负荷的管理更加科学，更加精准，更加具有针对性。
本发明实施例还提供了一种用电用户类别识别系统，包括：
第一获取模块，用于获取多个目标用电用户的第一用电负荷曲线数据，其中，不同第一用电负荷曲线数据对应目标用电用户类别下的不同用户，每一个所述第一用电负荷曲线数据包括对应的用户在一时间段内的预设数量的用电负荷数据；
第一处理模块，用于将所述多个目标用电用户的第一用电负荷曲线数据聚为1类，得到第一类簇；
第二获取模块，用于获取待识别用电用户的多个第二用电负荷曲线数据，其中，不同第二用电负荷曲线数据对应不同时间段，每一个所述第二用电负荷曲线数据包括待识别用户在对应的时间段内的预设数量的用电负荷数据，其中，第二用电负荷曲线数据对应的时间段的用户用电特性与第一用电负荷曲线数据对应的时间段的用户用电特性相同；
第二处理模块，用于将所述多个第二用电负荷曲线数据聚为1类，得到第二类簇；
第三处理模块，用于计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的相似度，并根据所述相似度判断所述待识别用户是否属于所述目标用电用户类别。
在一实施例中，所述第一处理模块包括：
第一标准化处理单元，用于采用以下方式对n个第一用电负荷曲线数据进行标准化处理；
其中，xij′为第i个第一用电负荷曲线数据中第j个用电负荷数据，xij为xij′标准化处理后的值，为第i个第一用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第一用电负荷曲线数据中的最大用电负荷数据，k为每一个第一用电负荷曲线数据中的用电负荷数据的数量，n为不小于2的整数；
第一聚类单元，用于采用模糊C均值算法对经过标准化处理的n个第一用电负荷曲线数据进行聚类处理，得到所述第一类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
在一实施例中，所述第二处理模块包括：
第二标准化处理单元，用于采用以下方式对L个第二用电负荷曲线数据进行标准化处理；
其中，yij′为第i个第二用电负荷曲线数据中第j个用电负荷数据，yij为yij′标准化处理后的值，为第i个第二用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第二用电负荷曲线数据中的最大用电负荷数据，k为每一个第二用电负荷曲线数据中的用电负荷数据的数量，L为不小于2的整数；
第二聚类单元，用于采用模糊C均值算法对经过标准化处理的L个第二用电负荷曲线数据进行聚类处理，得到所述第二类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
在一实施例中，所述第三处理模块包括：
欧式距离计算单元，用于采用以下方法计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的欧式距离dab，将得到的欧式距离dab作为所述相似度；
其中，ai为所述第二类簇的聚类中心中第i个用电负荷数据，bi为所述第一类簇的聚类中心中第i个用电负荷数据，k为第一类簇的聚类中心中的用电负荷数据的数量以及第二类簇的聚类中心中的用电负荷数据的数量；
判断单元，用于若所述欧式距离dab小于等于距离阈值，则判断所述待识别用户属于所述目标用电用户类别，否则，判断所述待识别用户不属于所述目标用电用户类别。
在一实施例中，所述目标用电用户类别为鱼塘养殖用电用户类别，所述第一用电负荷曲线数据以及所述第二用电负荷曲线数据中的用电负荷曲线数据包括阴天和/或雨天时的用电负荷数据。
本领域的技术人员容易理解的是，在不冲突的前提下，上述各优选方案可以自由地组合、叠加。
应当理解，上述的实施方式仅是示例性的，而非限制性的，在不偏离本发明的基本原理的情况下，本领域的技术人员可以针对上述细节做出的各种明显的或等同的修改或替换，都将包含于本发明的权利要求范围内。

Claims (10)

1.一种用电用户类别识别方法，其特征在于，包括：
步骤S1：获取多个目标用电用户的第一用电负荷曲线数据，其中，不同第一用电负荷曲线数据对应目标用电用户类别下的不同用户，每一个所述第一用电负荷曲线数据包括对应的用户在一时间段内的预设数量的用电负荷数据；
步骤S2：将所述多个目标用电用户的第一用电负荷曲线数据聚为1类，得到第一类簇；
步骤S3：获取待识别用电用户的多个第二用电负荷曲线数据，其中，不同第二用电负荷曲线数据对应不同时间段，每一个所述第二用电负荷曲线数据包括待识别用户在对应的时间段内的预设数量的用电负荷数据；
步骤S4：将所述多个第二用电负荷曲线数据聚为1类，得到第二类簇；
步骤S5：计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的相似度，并根据所述相似度判断所述待识别用户是否属于所述目标用电用户类别。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：
步骤S21：采用以下方式对n个第一用电负荷曲线数据进行标准化处理；
其中，xij′为第i个第一用电负荷曲线数据中第j个用电负荷数据，xij为xij′标准化处理后的值，为第i个第一用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第一用电负荷曲线数据中的最大用电负荷数据，k为每一个第一用电负荷曲线数据中的用电负荷数据的数量，n为不小于2的整数；
步骤S22：采用模糊C均值算法对经过标准化处理的n个第一用电负荷曲线数据进行聚类处理，得到所述第一类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
3.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：
步骤S41：采用以下方式对L个第二用电负荷曲线数据进行标准化处理；
其中，yij′为第i个第二用电负荷曲线数据中第j个用电负荷数据，yij为yij′标准化处理后的值，为第i个第二用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第二用电负荷曲线数据中的最大用电负荷数据，k为每一个第二用电负荷曲线数据中的用电负荷数据的数量，L为不小于2的整数；
步骤S42：采用模糊C均值算法对经过标准化处理的L个第二用电负荷曲线数据进行聚类处理，得到所述第二类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
4.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：
步骤S51：采用以下方法计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的欧式距离dab，将得到的欧式距离dab作为所述相似度；
其中，ai为所述第二类簇的聚类中心中第i个用电负荷数据，bi为所述第一类簇的聚类中心中第i个用电负荷数据，k为第一类簇的聚类中心中的用电负荷数据的数量以及第二类簇的聚类中心中的用电负荷数据的数量；
步骤S52：若所述欧式距离dab小于等于距离阈值，则判断所述待识别用户属于所述目标用电用户类别，否则，判断所述待识别用户不属于所述目标用电用户类别。
5.根据权利要求1-4任一所述的方法，其特征在于，所述目标用电用户类别为鱼塘养殖用电用户类别，所述第一用电负荷曲线数据以及所述第二用电负荷曲线数据中的用电负荷曲线数据包括阴天和/或雨天时的用电负荷数据。
6.一种用电用户类别识别系统，其特征在于，包括：
第一获取模块，用于获取多个目标用电用户的第一用电负荷曲线数据，其中，不同第一用电负荷曲线数据对应目标用电用户类别下的不同用户，每一个所述第一用电负荷曲线数据包括对应的用户在一时间段内的预设数量的用电负荷数据；
第一处理模块，用于将所述多个目标用电用户的第一用电负荷曲线数据聚为1类，得到第一类簇；
第二获取模块，用于获取待识别用电用户的多个第二用电负荷曲线数据，其中，不同第二用电负荷曲线数据对应不同时间段，每一个所述第二用电负荷曲线数据包括待识别用户在对应的时间段内的预设数量的用电负荷数据；
第二处理模块，用于将所述多个第二用电负荷曲线数据聚为1类，得到第二类簇；
第三处理模块，用于计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的相似度，并根据所述相似度判断所述待识别用户是否属于所述目标用电用户类别。
7.根据权利要求6所述的系统，其特征在于，所述第一处理模块包括：
第一标准化处理单元，用于采用以下方式对n个第一用电负荷曲线数据进行标准化处理；
其中，xij′为第i个第一用电负荷曲线数据中第j个用电负荷数据，xij为xij′标准化处理后的值，为第i个第一用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第一用电负荷曲线数据中的最大用电负荷数据，k为每一个第一用电负荷曲线数据中的用电负荷数据的数量，n为不小于2的整数；
第一聚类单元，用于采用模糊C均值算法对经过标准化处理的n个第一用电负荷曲线数据进行聚类处理，得到所述第一类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
8.根据权利要求6所述的系统，其特征在于，所述第二处理模块包括：
第二标准化处理单元，用于采用以下方式对L个第二用电负荷曲线数据进行标准化处理；
其中，yij′为第i个第二用电负荷曲线数据中第j个用电负荷数据，yij为yij′标准化处理后的值，为第i个第二用电负荷曲线数据中所有用电负荷数据的平均值，为第i个第二用电负荷曲线数据中的最大用电负荷数据，k为每一个第二用电负荷曲线数据中的用电负荷数据的数量，L为不小于2的整数；
第二聚类单元，用于采用模糊C均值算法对经过标准化处理的L个第二用电负荷曲线数据进行聚类处理，得到所述第二类簇，其中，所述模糊C均值算法采用的聚类数目参数为1。
9.根据权利要求6所述的系统，其特征在于，所述第三处理模块包括：
欧式距离计算单元，用于采用以下方法计算所述第二类簇的聚类中心与所述第一类簇的聚类中心之间的欧式距离dab，将得到的欧式距离dab作为所述相似度；
其中，ai为所述第二类簇的聚类中心中第i个用电负荷数据，bi为所述第一类簇的聚类中心中第i个用电负荷数据，k为第一类簇的聚类中心中的用电负荷数据的数量以及第二类簇的聚类中心中的用电负荷数据的数量；
判断单元，用于若所述欧式距离dab小于等于距离阈值，则判断所述待识别用户属于所述目标用电用户类别，否则，判断所述待识别用户不属于所述目标用电用户类别。
10.根据权利要求6-9任一所述的系统，其特征在于，所述目标用电用户类别为鱼塘养殖用电用户类别，所述第一用电负荷曲线数据以及所述第二用电负荷曲线数据中的用电负荷曲线数据包括阴天和/或雨天时的用电负荷数据。
CN201811496583.6A 2018-12-07 2018-12-07 用电用户类别识别方法及系统 Active CN109558467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811496583.6A CN109558467B (zh) 2018-12-07 2018-12-07 用电用户类别识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811496583.6A CN109558467B (zh) 2018-12-07 2018-12-07 用电用户类别识别方法及系统

Publications (2)

Publication Number Publication Date
CN109558467A true CN109558467A (zh) 2019-04-02
CN109558467B CN109558467B (zh) 2020-09-15

Family

ID=65869590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811496583.6A Active CN109558467B (zh) 2018-12-07 2018-12-07 用电用户类别识别方法及系统

Country Status (1)

Country Link
CN (1) CN109558467B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539839A (zh) * 2020-06-08 2020-08-14 国网江苏省电力有限公司常州供电分公司 渔业电力用户用电精准化管理方法
CN112700069A (zh) * 2021-01-15 2021-04-23 国家电网有限公司 一种含储能的区域配电网短期负荷预测方法
CN113762373A (zh) * 2021-08-30 2021-12-07 广东电网有限责任公司 一种负荷特性的异常识别方法、装置、电子设备及介质
CN116662629A (zh) * 2023-08-02 2023-08-29 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、系统、装置和介质
CN117057487A (zh) * 2023-10-12 2023-11-14 国网浙江省电力有限公司宁波供电公司 一种配电网碳排放强度预测方法、系统、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678766A (zh) * 2013-11-08 2014-03-26 国家电网公司 一种基于pso算法的异常用电客户检测方法
CN106055918A (zh) * 2016-07-26 2016-10-26 天津大学 一种电力系统负荷数据辨识及修复方法
CN106204335A (zh) * 2016-07-21 2016-12-07 广东工业大学 一种电价执行异常判断方法、装置及系统
CN106960153A (zh) * 2016-01-12 2017-07-18 阿里巴巴集团控股有限公司 病毒的类型识别方法及装置
CN108681973A (zh) * 2018-05-14 2018-10-19 广州供电局有限公司 电力用户的分类方法、装置、计算机设备和存储介质
CN108830162A (zh) * 2018-05-21 2018-11-16 西华大学 无线电频谱监测数据中的时序模式序列提取方法及存储方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678766A (zh) * 2013-11-08 2014-03-26 国家电网公司 一种基于pso算法的异常用电客户检测方法
CN106960153A (zh) * 2016-01-12 2017-07-18 阿里巴巴集团控股有限公司 病毒的类型识别方法及装置
CN106204335A (zh) * 2016-07-21 2016-12-07 广东工业大学 一种电价执行异常判断方法、装置及系统
CN106055918A (zh) * 2016-07-26 2016-10-26 天津大学 一种电力系统负荷数据辨识及修复方法
CN108681973A (zh) * 2018-05-14 2018-10-19 广州供电局有限公司 电力用户的分类方法、装置、计算机设备和存储介质
CN108830162A (zh) * 2018-05-21 2018-11-16 西华大学 无线电频谱监测数据中的时序模式序列提取方法及存储方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539839A (zh) * 2020-06-08 2020-08-14 国网江苏省电力有限公司常州供电分公司 渔业电力用户用电精准化管理方法
CN111539839B (zh) * 2020-06-08 2022-08-30 国网江苏省电力有限公司常州供电分公司 渔业电力用户用电精准化管理方法
CN112700069A (zh) * 2021-01-15 2021-04-23 国家电网有限公司 一种含储能的区域配电网短期负荷预测方法
CN112700069B (zh) * 2021-01-15 2024-04-19 国网湖北省电力有限公司经济技术研究院 一种含储能的区域配电网短期负荷预测方法
CN113762373A (zh) * 2021-08-30 2021-12-07 广东电网有限责任公司 一种负荷特性的异常识别方法、装置、电子设备及介质
CN116662629A (zh) * 2023-08-02 2023-08-29 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、系统、装置和介质
CN116662629B (zh) * 2023-08-02 2024-05-28 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、系统、装置和介质
CN117057487A (zh) * 2023-10-12 2023-11-14 国网浙江省电力有限公司宁波供电公司 一种配电网碳排放强度预测方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN109558467B (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN109558467A (zh) 用电用户类别识别方法及系统
CN107423769B (zh) 基于形态特征的电力负荷曲线自适应聚类方法
CN106022509B (zh) 考虑地域和负荷性质双重差异的配电网空间负荷预测方法
CN105163326B (zh) 一种基于无线网络话务特征的小区聚类方法和系统
CN108898154A (zh) 一种电力负荷som-fcm分层聚类方法
CN110097060A (zh) 一种面向树干图像的开集识别方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN108319984A (zh) 基于dna甲基化水平的木本植物叶片表型特征和光合特性预测模型的构建方法及预测方法
CN110717619A (zh) 一种自下而上配电网多尺度时空负荷预测方法及系统
CN107679644A (zh) 一种基于降雨类型特征的站点雨量资料插补方法
CN109242174A (zh) 一种基于决策树的季节性负荷自适应划分方法
CN110119948A (zh) 基于时变权重动态组合的电力用户信用评价方法及系统
CN108765194A (zh) 一种有效的居民用电行为分析系统
CN112949517B (zh) 基于深度迁移学习的植物气孔密度和开度识别方法及系统
CN111598337A (zh) 一种分布式光伏短期出力预测的方法
CN111126499A (zh) 一种基于二次聚类的用电行为模式分类方法
CN108596227A (zh) 一种用户用电行为主导影响因素挖掘方法
CN106326914B (zh) 一种基于svm的珍珠多分类方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN110503145A (zh) 一种基于k-shape聚类的典型负荷曲线获取方法
CN112766590B (zh) 一种居民典型电力消费模式的提取方法与系统
CN114266457A (zh) 一种配电线路异损诱因检测的方法
CN105760471B (zh) 基于组合凸线性感知器的两类文本分类方法
CN110991723A (zh) 一种人工智能在季节性负荷预测中的应用方法
CN110532867A (zh) 一种基于黄金分割法的人脸图像聚类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant