CN109685567A - 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 - Google Patents
一种基于卷积神经网络和模糊聚类的用电客户画像新方法 Download PDFInfo
- Publication number
- CN109685567A CN109685567A CN201811563232.2A CN201811563232A CN109685567A CN 109685567 A CN109685567 A CN 109685567A CN 201811563232 A CN201811563232 A CN 201811563232A CN 109685567 A CN109685567 A CN 109685567A
- Authority
- CN
- China
- Prior art keywords
- portrait
- electricity
- convolutional neural
- neural networks
- load
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Abstract
本发明公开了一种基于卷积神经网络和模糊聚类的用电客户画像新方法,涉及卷积神经网络的负荷监测领域和模糊聚类的用电客户画像领域,包括以下步骤:通过卷积神经网络算法对用电负荷进行分类和用电量分解;通过模糊聚类算法为用电客户匹配画像。本发明适应于用电客户画像发展趋势,对实现差异化服务、电网系统稳定和负荷精准营销至关重要。
Description
技术领域
本发明涉及卷积神经网络的负荷监测领域和模糊聚类的客户画像领域,具体涉及一种基于卷积神经网络和模糊聚类的用电客户画像新方法。
背景技术
“用电客户画像”是真实用电用户的虚拟代表,是将用电客户隐性特征显性化,是一种描述目标用电客户、了解用电客户特点与需求方向的有效工具。简单的说就是使用标签来量化用电客户特征属性,达到描述用户的目的一个具体的大数据分析应用的典型实现。
随着电网信息化水平的提升,各业务系统中的数据量越来越大,如何从海量数据中挖掘出想要的信息,充分发挥电网数据资产的价值,是电网大数据技术应用和数据分析需要解决的核心问题,也是本发明的关键所在。
用电客户的需求改变,供电企业和家用电器生产企业不能真正的了解到用电客户。因此,供电企业和家用电器生产企业也需要不断的改变模式,对客户精准画像,对不同客户实现差异化管理。通过客户画像,供电公司不仅能够保证用电客户家庭用电稳定运行,而且能够为负荷预测、辅助制定用电建议和辅助制定电价政策提供支撑;家用电器生产企业能实现供需平衡和精准营销。
现有电力用户画像存在的问题
(1)采集的区域范围太小和数据不全,降低了用电客户画像的精准性。
(2)客户行为特征数据的采集繁琐且周期太长,不能及时的为客户匹配画像。
(3)投入成本太高。
发明内容
本发明主要的解决的技术问题是提供一种基于卷积神经网络和模糊聚类的用电客户画像新方法,能够构建用电客户类别标签,全方位的展示用电客户信息,供电企业能够实现差异化服务和家用电器生产企业能够实现精准营销。
本发明采用的一个技术方案:一种基于卷积神经网络和模糊聚类的用电客户画像新方法,具体步骤如下:
步骤1:通过卷积神经网络算法对用电负荷进行分类和用电量分解;
步骤2:通过模糊聚类算法为用电客户匹配画像。
附图说明方式
图1为本发明的实施架构图。
图2为客户标签聚类流程图。
具体实施
本发明包括以下步骤:
步骤1:通过卷积神经网络算法对用电负荷进行分类和用电量分解;
1)通过智能电表采集到的电力入口出的大量的历史数据,利用事件探测法和特征提取得到各家庭用电负荷特征样本建立负荷特征库,对负荷样本进行预处理,组成训练集X={x1,x2,x3,...,xm},生成训练集负荷样本对应的家庭用电负荷种类标签序列Y={y1,y2,y3,...,ym}作为期望输出。
当事件探测法检测到电器的投切,提取动作电器的负荷特征来建立负荷特征库。
预处理主要为了剔除数据的归一化处理,消除指标之间的量纲影响,具体描述如下:
式中xmin为样本数据的最小值,xmax为样本数据的最大值,x*为对样本进行归一化处理的结果。
2)将训练集样本输入卷积神经网络中进行训练,训练包括前向传播阶段和反向传播阶段,前向阶段传播输出表示为:
Op=Fn(...(F2(F1(XpW(1))W(2))...W(N))
式中:W为网络各层的参数,X为输入数据,F为激活函数,N为网络总层数。
反向传播阶段中,利用反向传播算法来计算出实际输出与期望输出误差,并利用梯度下降法更新并优化网络各个参数,最小化误差,网络模型中权重与偏置量的更新计算方法如下:
式中:l为网络层数;和分别为网络权重;J为代价函数;和分别为偏置量;η表示为学习率;J(θ)为正则化的代价函数;θ表示所有参数(包括w和无需正则化的参数);t为迭代次数;T为阈值;λ为模型复杂度和代价函数之间的权衡值;m为样本数;x(i)为样本输入;y(i)为期望输出。
3)通过训练完成的卷积神经网络对待测家庭用电负荷样本进行识别,识别出待测负荷工作模式和负荷类别。
4)家庭用电负荷用电量分解,并统计用电信息。公式描述如下:
式中:为电器A在第k次运行期间的用电量;P0和t0分别为电器A启动前一测量点的功率和时间;Pi和ti分别为第i个测量点的功率和时间;N表示用电负荷运行期间测量点的个数。
统计的用电信息包括启停电器的类别、启停时间、消耗的电能、所用电费、工作模式等内容。
步骤2:通过模糊聚类算法为用电客户匹配画像。
1)通过分析各类家庭用电负荷的用电量、工作模式、启停时间和家庭用电负荷总用电量,提取客户行为特征数据;
2)把分散的客户行为特征数据和客户社会信息整合纳入DMP(Data-ManagementPlatform)数据管理平台,对这些数据进行标准化和细分;
客户社会信息包括客户的姓名、年龄、家庭人口数、工作特性、周休特性和用电类型。DMP数据管理平台,是把分散的第一、第三方数据进行整合纳入统一的技术平台,并对这些数据进行标准化和细分。
3)将细分的数据生成n条d维的数据集;
4)将数据集聚类为k个子集C={c1,…,ci,…,cK},k为类别数目,设定隶属因子m,随机初始化隶属度矩阵U;
隶属矩阵U由uij组成,uij为每个样本j属于第i个聚类子集的概率。隶属矩阵公式如下:
其中其中
隶属因子m用于调整隶属度指标在优化目标中的影响程度,大多情况下取值为2。
分析用电信息和客户社会信息,筛选出的客户行为标签分为合同容量、用电类型、容量利用率、温度敏感度、季节敏感度、电量增长率、峰谷特性、负荷运行次数、负荷运行时常、周休特性、负荷稳定性和负荷工作模式。各类客户行为标签说明如表1所示:
表1标签说明
根据uij的大小归属于相对应的属性,并给每个标签属性一个划分值,标签属性如表2所示:
表2标签属性
序号 | 标签名称 | 标签属性 |
1 | 合同容量 | 小、中等、较大、大 |
2 | 用电类型 | 工业用电、服务型和办公型商业用电、住宅用电 |
3 | 容量利用率 | 低、中等、较高、高 |
4 | 温度敏感度 | 高温敏感、低温敏感、适温敏感、不敏感 |
5 | 季节敏感度 | 春季敏感、秋季敏感、秋季敏感、冬季敏感 |
6 | 电量增长率 | 大幅下降、下降、持平、上升、大幅上升 |
7 | 峰谷特性 | 峰偏好、谷偏好、峰谷均衡 |
8 | 负荷运行次数 | 少、较少、适当、较多、多 |
9 | 负荷运行时常 | 少、较少、适当、较多、多 |
10 | 周休特性 | 五天工作制、六天工作制、七天工作制、无规律 |
11 | 负荷稳定性 | 低、中等、较高、高 |
12 | 负荷工作模式 | 模式1、模式2、模式3... |
13 | 启停时间 | 早、中、晚 |
5)计算客户标签的聚类中心C和计算所有客户标签与聚类中心的隶属矩阵U,并将客户归于隶属度最高的聚类中心,公式描述如下:
式中:ci为第i个聚类中心,n为样本数目,m为隶属因子,uij为每个样本j属于第i个聚类子集的概率,为隶属因子为m的每个样本j属于第i个聚类子集的概率,xj为样本j,,ci为第i个聚类中心,ck为第k个聚类中心。
6)判断目标函数的变化是否小于预设阈值,如果是,输出聚类结果,如果否,转步骤4)-6);
7)将聚类的数值结果进行统计分析并生成图模式。
供电企业能够根据用户画像的图模式,直观、快速分析客户行为特征,为负荷预测、辅助制定用电建议和辅助制定电价政策提供强而有力的支撑。家用电器生产营销企业能够根据用户画像图模式实现家用电器供需平衡和在不同地区、不同时间段实现精准营销。
据此就得到一种基于卷积神经网络和模糊聚类的用电客户画像新方法。
以上实施方案仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种修改、变型和延伸,因此所有等同的技术方案也属于本发明的保护范畴。
Claims (4)
1.一种基于卷积神经网络和模糊聚类的用电客户画像新方法,其特征在于:具体步骤包括:
(1)通过卷积神经网络算法对用电负荷进行分类和用电量分解;
(2)通过模糊聚类算法为用电客户匹配画像。
2.根据权利1所述的一种基于卷积神经网络和模糊聚类的用电客户画像新方法,其特征在于,所述步骤一1)和2)通过卷积神经网络算法对用电负荷进行分类和用电量分解,通过模糊聚类为用电客户匹配画像,首先,通过卷积神经网络算法进行负荷辨识,使用积分求和公式进行用电量分解,统计用电信息,作为客户画像数据来源;分析用电信息和客户社会信息,筛选出客户行为标签和设定标签属性,通过标签聚类来为用电客户匹配画像。
3.根据权利1所述的一种基于卷积神经网络和模糊聚类的用电客户画像新方法,其特征在于,所述步骤一1)通过卷积神经网络算法对用电负荷分类和用电量分解,首先通过事件探测法检测到电器投切,提取动作电器的负荷特征来建立负荷特征库,对负荷样本进行预处理,组成训练集,生成训练集负荷样本对应的家庭用电负荷种类标签序列;通过卷积神经网络算法进行训练,识别待测负荷工作模式和类别,进行用电量分解,即能对家庭用电负荷进行实时监测,并统计用电信息。
4.根据权利1所述的一种基于卷积神经网络和模糊聚类的用电客户画像新方法,其特征在于,所述步骤一2)通过模糊聚类算法为用电客户匹配画像,首先分析用电信息,提取客户行为特征数据,将客户行为特征数据和客户社会信息整合纳入DMP进行细分和标准化;分析用电信息和客户社会信息,筛选出客户行为标签和设定标签属性;通过模糊聚类算法进行标签聚类,统计聚类的数值结果并生成图模式,能够实现用户差异化服务、电网系统稳定和电器负荷精准营销。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811563232.2A CN109685567A (zh) | 2018-12-20 | 2018-12-20 | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811563232.2A CN109685567A (zh) | 2018-12-20 | 2018-12-20 | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685567A true CN109685567A (zh) | 2019-04-26 |
Family
ID=66188029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811563232.2A Pending CN109685567A (zh) | 2018-12-20 | 2018-12-20 | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685567A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851502A (zh) * | 2019-11-19 | 2020-02-28 | 国网吉林省电力有限公司 | 一种基于数据挖掘技术的负荷特征场景分类方法 |
CN111582911A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
CN111784204A (zh) * | 2020-07-28 | 2020-10-16 | 南方电网能源发展研究院有限责任公司 | 一种基于用户用电行为画像的优质用户挖掘方法及系统 |
CN111881190A (zh) * | 2020-08-05 | 2020-11-03 | 厦门力含信息技术服务有限公司 | 基于客户画像的关键数据挖掘系统 |
CN112115180A (zh) * | 2020-09-11 | 2020-12-22 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
CN114219241A (zh) * | 2021-12-01 | 2022-03-22 | 深圳供电局有限公司 | 一种客户用电行为分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730269A (zh) * | 2017-07-21 | 2018-02-23 | 南通大学 | 一种基于行为分析的用电客户画像方法 |
CN108764663A (zh) * | 2018-05-15 | 2018-11-06 | 广东电网有限责任公司信息中心 | 一种电力客户画像生成管理的方法及系统 |
-
2018
- 2018-12-20 CN CN201811563232.2A patent/CN109685567A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730269A (zh) * | 2017-07-21 | 2018-02-23 | 南通大学 | 一种基于行为分析的用电客户画像方法 |
CN108764663A (zh) * | 2018-05-15 | 2018-11-06 | 广东电网有限责任公司信息中心 | 一种电力客户画像生成管理的方法及系统 |
Non-Patent Citations (4)
Title |
---|
周明等: "基于非侵入式负荷监测的居民用电行为分析", 《电网技术》 * |
王成亮等: "基于模糊聚类的电力客户用电行为模式画像", 《电测与仪表》 * |
陈先昌: "基于卷积神经网络的深度学习算法与应用研究", 《中国优秀博硕士学位论文全文数据库(硕士),信息科技》 * |
马海洋: "基于智能电表数据的家庭用户用电行为分析", 《CNKI优秀硕士学位论文全文数据库,工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851502A (zh) * | 2019-11-19 | 2020-02-28 | 国网吉林省电力有限公司 | 一种基于数据挖掘技术的负荷特征场景分类方法 |
CN111582911A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
CN111582911B (zh) * | 2020-04-14 | 2023-06-30 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
CN111784204A (zh) * | 2020-07-28 | 2020-10-16 | 南方电网能源发展研究院有限责任公司 | 一种基于用户用电行为画像的优质用户挖掘方法及系统 |
CN111881190A (zh) * | 2020-08-05 | 2020-11-03 | 厦门力含信息技术服务有限公司 | 基于客户画像的关键数据挖掘系统 |
CN112115180A (zh) * | 2020-09-11 | 2020-12-22 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
CN114219241A (zh) * | 2021-12-01 | 2022-03-22 | 深圳供电局有限公司 | 一种客户用电行为分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685567A (zh) | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 | |
CN106446967A (zh) | 一种新型电力系统负荷曲线聚类方法 | |
CN105303263A (zh) | 一种区域电网的负荷预测系统及其方法 | |
CN103325067B (zh) | 基于用电客户细分的服务推送方法和系统 | |
Ghodousi et al. | Analyzing public participant data to evaluate citizen satisfaction and to prioritize their needs via K-means, FCM and ICA | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
CN107292534A (zh) | 城市配电网中长期动态投资的标尺竞争评价方法及装置 | |
CN111191966A (zh) | 一种基于时空特性的配电网电压不合格时段识别方法 | |
CN108399553A (zh) | 一种考虑地理和线路从属关系的用户特征标签设定方法 | |
CN108428055A (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
CN112417308A (zh) | 一种基于电力大数据的用户画像标签生成方法 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
Lu et al. | Research on creating multi-attribute power consumption behavior portraits for massive users | |
He | Rain prediction in Australia with active learning algorithm | |
CN113240010B (zh) | 一种支持非独立分布混合数据的异常检测方法及系统 | |
Mao et al. | Naive Bayesian algorithm classification model with local attribute weighted based on KNN | |
Li et al. | A comprehensive learning-based model for power load forecasting in smart grid | |
Lan et al. | A Short-term Load Forecasting Method of Distribution Network Based on Improved AlexNet-GRU Deep Learning Network | |
Bao et al. | An analysis method for residential electricity consumption behavior based on UMAP-CRITIC feature optimization and SSA-assisted clustering | |
Grigoras et al. | Knowlegde extraction from Smart Meters for consumer classification | |
Liao et al. | Building energy efficiency assessment base on predict-center criterion under diversified conditions | |
Ghasemi et al. | Big Data Analytics in Smart Energy Systems and Networks: A Review | |
Zhang et al. | Research on scheduling strategy of heterogeneous flexible load clusters with strong association consider dual-scale similarities | |
CN110852628A (zh) | 考虑发展模式影响的农村中长期负荷预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190426 |
|
WD01 | Invention patent application deemed withdrawn after publication |