CN109784748A - 一种市场竞争机制下用户用电行为辨识方法及装置 - Google Patents
一种市场竞争机制下用户用电行为辨识方法及装置 Download PDFInfo
- Publication number
- CN109784748A CN109784748A CN201910075483.4A CN201910075483A CN109784748A CN 109784748 A CN109784748 A CN 109784748A CN 201910075483 A CN201910075483 A CN 201910075483A CN 109784748 A CN109784748 A CN 109784748A
- Authority
- CN
- China
- Prior art keywords
- user
- electricity consumption
- classifier
- behavioural characteristic
- characteristic value
- 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
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
本发明提供了一种市场竞争机制下用户用电行为辨识方法及装置,该方法包括:根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器;根据获取到的新用户的用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器;根据第一分类器和第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的用电行为特征对待训练的第三神经网络进行训练得到第三分类器;其中,用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。本发明能够全面对用户在市场竞争机制下的用电行为进行自适应辨识。
Description
技术领域
本发明涉及电力市场技术领域,尤其涉及一种市场竞争机制下用户用电行为辨识方法及装置。
背景技术
研究市场环境下的用户的购电行为、对市场的响应程度和适应能力,优化电力市场机制,发展市场数据化运营,一方面可充分挖掘用户在电力市场中的可调节能力,对电网安全稳定运行起到积极作用;另一方面有利于电力供应方针对不同用户采取定制服务,提高服务质量
传统的负荷分析方法多从不同时间尺度对不同电力用户的用电量和负荷曲线进行聚类分析,该方法对用户购电行为的分析和预测具有很强的适应性,但不能够全面地评估用户在市场竞争机制下的用电行为。且随着电力市场的进一步深入,用户对市场的响应特征可能发生较大的变化,新的用户类型随之出现。
因此,提供一种能够全面对用户在市场竞争机制下的用电行为进行辨识的方法成为本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例提供了一种市场竞争机制下用户用电行为辨识方法及装置,能够全面对用户在市场竞争机制下的用电行为进行自适应辨识。
根据本发明的一个方面,提供一种市场竞争机制下用户用电行为辨识方法,包括:
根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器;
根据获取到的新用户的所述用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器;
根据所述第一分类器和所述第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的所述用电行为特征对所述待训练的第三神经网络进行训练得到第三分类器;
其中,所述用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。
优选地,所述根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器具体为:
对获取到的历史用户的用电行为特征值进行聚类分析得到初始类别,依次将各个类别对应的所述历史用户的所述用电行为特征值输入待训练的第一神经网络进行训练,得到用于进行初始类别分类的第一分类器。
优选地,所述聚类分析的方法为二次聚类法,所述第一神经网络为学习向量量化神经网络。
优选地,所述根据获取到的新用户的所述用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器具体包括:
获取新用户的所述用电行为特征值并输入所述第一分类器,根据分类结果和所述新用户的所述用电行为特征值进行类内距离计算,根据计算结果在所述新用户中确定新类候选点;
将所述新类候选点的所述用电行为特征值输入待训练的第二神经网络进行训练得到用于进行新类别分类的第二分类器。
优选地,所述获取新用户的所述用电行为特征值并输入所述第一分类器,根据分类结果和所述新用户的所述用电行为特征值进行类内距离计算,根据计算结果在所述新用户中确定新类候选点具体包括:
获取新用户的所述用电行为特征值并输入所述第一分类器,得到所述新用户在所述初始类别内所属的类别;
根据所述历史用户的所述用电行为特征值计算初始类别的类内距离、类外距离和距离阈值;
根据所述新用户的所述用电行为特征值计算所述新用户与其在所述初始类别内所属的类别之间的距离,若计算结果不小于所述距离阈值,则确定所述新用户为新类候选点。
优选地,所述第二神经网络为自组织特征映射神经网络。
优选地,所述模型参数包括神经元和竞争层到输出层的权值。
根据本发明的另一方面,提供一种市场竞争机制下用户用电行为辨识装置,包括:
第一分类模块,用于根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器;
第二分类模块,用于根据获取到的新用户的所述用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器;
第三分类模块,用于根据所述第一分类器和所述第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的所述用电行为特征对所述待训练的第三神经网络进行训练得到第三分类器;
其中,所述用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。
根据本发明的另一方面,提供一种市场竞争机制下用户用电行为辨识装置,包括处理器和存储器,所述存储器上存储有计算机程序指令,当所述程序指令被处理器执行时实现如以上所述的市场竞争机制下用户用电行为辨识方法。
根据本发明的另一方面,提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令,当所述程序指令被处理器执行时实现如以上所述的市场竞争机制下用户用电行为辨识方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明提供了一种市场竞争机制下用户用电行为辨识方法及装置,该方法包括:根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器;根据获取到的新用户的用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器;根据第一分类器和第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的用电行为特征对待训练的第三神经网络进行训练得到第三分类器;其中,用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。本发明市场竞争机制下用户用电行为自适应辨识方法中的用电行为特征体系涵盖了用户购电能力、电价敏感度和需求响应潜力,能够较全面地评估用户在市场竞争机制下的用电行为。再者,本发明具备类别增量学习能力,对电力市场深入发展下新用户类型出现的情况具有自适应性。因此,本发明能够全面对用户在市场竞争机制下的用电行为进行自适应辨识。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种市场竞争机制下用户用电行为辨识方法的一个实施例的流程示意图;
图2为本发明提供的一种市场竞争机制下用户用电行为辨识方法的另一个实施例的流程示意图;
图3为本发明提供的一种市场竞争机制下用户用电行为辨识装置的一个实施例的结构示意图;
图4为二次聚类的算法流程图;
图5为LVQ神经网络训练流程图;
图6为新类识别流程图。
具体实施方式
本发明实施例提供了一种市场竞争机制下用户用电行为辨识方法及装置,能够全面对用户在市场竞争机制下的用电行为进行自适应辨识。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种市场竞争机制下用户用电行为辨识方法的一个实施例,包括:
101、根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器;
102、根据获取到的新用户的用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器;
103、根据第一分类器和第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的用电行为特征对待训练的第三神经网络进行训练得到第三分类器;
其中,用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。
本发明市场竞争机制下用户用电行为自适应辨识方法中的用电行为特征体系涵盖了用户购电能力、电价敏感度和需求响应潜力,能够较全面地评估用户在市场竞争机制下的用电行为。再者,本发明具备类别增量学习能力,对电力市场深入发展下新用户类型出现的情况具有自适应性。因此,本发明能够全面对用户在市场竞争机制下的用电行为进行自适应辨识。
更进一步地,本发明在更新辨识模型时对前一次的辨识模型进行了继承,减少运算量,提高了训练速度。
请参阅图2,本发明提供的一种市场竞争机制下用户用电行为辨识方法的另一个实施例,包括:
201、对获取到的历史用户的用电行为特征值进行聚类分析得到初始类别,依次将各个类别对应的历史用户的用电行为特征值输入待训练的第一神经网络进行训练,得到用于进行初始类别分类的第一分类器;
在本实施例中,历史用户是指已经获取到数据的用户,可以根据用户的数据计算用户的用电行为特征值,具体的,用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。
以下对上述三个用电行为特征值的量化方法进行说明:
(1)购电潜力
购电潜力采用同比用电增长率和环比用电增长率这2个指标来分析用户的购电潜力。其中,环比变化以月为时间尺度,用于表征该用户的近期发展趋势。同比变化以年为时间尺度,用于表征该用户的长期发展趋势。计算方法如下:
式中:S11为同比用电增长率;S12为环比用电增长率;和分别为用户本月用电量和上月的用电量;和分别为该用户当年某月的用电量和上一年同一月的用电量。
(2)电价敏感度
电价敏感度的量化是根据消费者心理学原理,引入负荷转移率的概念,定义负荷转移率为实施峰谷电价后,用户负荷从高电价时段向低电价时段转移量与高时段电价负荷之比。假设负荷转移率与峰平、峰谷、平谷之间的电价差是成比例的。根据大量的社会调查数据,基于负荷转移率的用户响应模型可以近似拟合成分段线性函数,其中横坐标表示各时段之间的电价差,纵坐标表示用户的反应度。各时段之间的响应数学模型如下:
式中:μfp、μfg、μpg分别为峰时段到平时段的转移率、峰时段到谷时段的转移率、平时段到谷时段的转移率;Δfp、Δfg、Δpg分别为峰时段电价Pf与平时段电价Pp之差、峰时段电价Pf与谷时段电价Pg之差、平时段电价Pp与谷时段电价Pg之差;afp、afg、apg分别为各分段线性响应曲线上的死区拐点;bfp、 bfg、bpg分别为各分段线性响应曲线上的饱和区拐点;Kfp、Kfg、Kpg分别为各类分段线性响应曲线的斜率,即电价差处于第二段时的计算因子。
基于式(3)—式(5)的3类响应数学模型,各时段的拟合负荷可表示为:
式中:L(k0)、L(k)分别为TOU(分时电价)实施前后平时段第k小时负荷;Nf、Np、Ng分别为峰、平、谷时段小时数;Tf、Tp、Tg分别为峰时段、平时段和谷时段;分别为TOU实施前平时段平均负荷和峰时段平均负荷。
取一个用户电价改变前后多组相似日(日期类型相似、气候情况相似) 的负荷数据代入式(6),采用最小二乘法求解出该用户的μfp、μfg、μpg,作为该用户的电价敏感度S21、S22、S23。
(3)需求响应潜力
需求响应潜力的特征指标体系包括周休负荷S31、周休负荷下降率S32、错时负荷S33、峰谷差率S34、避峰负荷S35、最大负荷与温度相关性S36和需求响应成本S37,其具体计算方法如下:
S33=(Ppeak-min(Padvance,Pdelay)) (9)
S34=(Pmax-Pmin)/Pmax (10)
S35=Ppeak-Psafe (11)
S37=Ctotal/Wtotal (13)
式中:分别为用户工作日和非工作日的负荷的平均值;Ppeak为全省高峰时刻用户的负荷值;Padvance、Pdelay分别为全省高峰时刻提前T1小时和推迟T2小时的用户负荷值,T1、T2根据电网高峰时段持续的时间进行确定,高峰时段认为是负荷值大于95%Ppeak所持续的时段;Pmax、Pmin分别为用户典型日负荷曲线的最高负荷和最低负荷;Psafe是保证安全生产的安保负荷;cov、σ分别为协方差函数和标准差函数;Pmax为用户日最高负荷序列;t为对应的日平均气温序列;Ctotal为用户年生产总值;Wtotal为用户年总用电量。
(4)购电潜力S1、电价敏感度S2、需求响应潜力S3由预置的专家打分法确定,具体方法如下:
式中:αji为预置的专家打分结果;Sji *为特征指标Sji的基准值。
通过上述打分方法,可以将历史用户的数据进行计算整合得到历史用户的用电行为特征值,然后根据这三类特征值进行对历史用户进行聚类分析,聚类分析的方法为二次聚类法,通常一次聚类采用系统聚类法对特征值进行分类,二次聚类采用模糊C均值法,聚类中心由初次系统聚类结果提供,具体的聚类分析过程如图4所示。
依次将各个类别对应的历史用户的用电行为特征值输入待训练的第一神经网络即学习向量量化神经网络(Learning Vector Quantization,LVQ)进行训练,得到用于进行初始类别分类的第一分类器。具体的,以LVQ神经网络作为辨识模型的分类器的具体过程如图5所示,即以类别数的2倍作为LVQ网络的神经元个数,当神经元个数低于10个时选取LVQ1为训练算法,当神经元个数高于10个时选取LVQ2为训练算法。以已有用户样本的特征值作为输入量,类别经过0-1编码后作为输出量训练LVQ神经网络。设置训练次数为 10次,单次训练迭代次数为50次,学习速率为0.2,最小误差为0.01,当网络误差小于0.01时中断训练并将该网络作为分类器,否则持续训练,选择10 次训练中误差最小的网络作为分类器。
202、获取新用户的用电行为特征值并输入第一分类器,根据分类结果和新用户的用电行为特征值进行类内距离计算,根据计算结果在新用户中确定新类候选点;
在本实施例中,新用户是指新增添的用户,此时确定有新增添的用户后,需要获取该新用户的数据,然后将数据进行如同步骤201中对三个特征值的计算,得到新用户的用电行为特征值。
步骤202具体包括:
(1)获取新用户的用电行为特征值并输入第一分类器,得到新用户在初始类别内所属的类别;
(2)根据历史用户的用电行为特征值计算初始类别的类内距离、类外距离和距离阈值;
具体的,初始类别的类内距离Din和类外距离Dout,并确定距离阈值DB,其具体计算方(此时用于计算的数据为历史用户的数据)如下:
式中:Xi为历史用户中的用户i的用电行为特征值(为一三维向量,包含上述三种用电行为特征值),βij为用户i和j是否处于同一类的表征值,当用户i和j处于同一类时,βij=1,反之βij=0。
(3)根据新用户的用电行为特征值计算新用户与其在初始类别内所属的类别之间的距离,若计算结果不小于距离阈值,则确定新用户为新类候选点。
然后计算新用户和其辨识类别C之间的距离,具体计算方法如下:
上式中,可以理解的是,Xi为新用户的用电行为特征值,此时Xi是固定的,不再如式(16)和(17)中的用户i是泛指的,因此,一旦新用户在初始类别中所述类别确定后,用于与新用户进行计算的Xj、βij也进而确定。
然后判断Di-C和DB的大小关系,当Di-C≥DB时,该新用户为新类候选点。
203、将新类候选点的用电行为特征值输入待训练的第二神经网络进行训练得到用于进行新类别分类的第二分类器;
确定新类候选点后,将新类候选点的用电行为特征值输入待训练的第二神经网络即自组织特征映射神经网络(Self-organizing feature Map,SOM)进行训练得到用于进行新类别分类的第二分类器。
具体的,SOM网络的迭代次数设置为200次,初始神经元个数设置为1,判断新类候选点的类内距离,当该距离大于距离阈值DB时,将神经元个数递增1,重新训练SOM网络,直至新类候选点的类内距离小于距离阈值DB,新类识别的流程如图6所示。
204、根据第一分类器和第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的用电行为特征对待训练的第三神经网络进行训练得到第三分类器;
得到第一分类器和第二分类器后,将第一分类器的神经元ω′1和竞争层到输出层的权值ω′2,和第二分类器中的神经元ω″1和竞争层到输出层的权值ω″2,将ω′1和ω″1组合为ω10,ω′2和ω″2组合为ω20,分别作为待训练的第三神经网络 (LVQ神经网络)的初始神经元和竞争层到输出层的权值初值,具体计算方法如下:
以ω10和ω20为神经网络初值,设置训练次数为10次,单次训练迭代次数为50次,学习速率为0.2,最小误差为0.01,当网络误差小于0.01时中断训练并将该网络作为分类器,否则持续训练,选择10次训练中误差最小的网络作为第三分类器,即更新后的辨识模型。
本发明具有以下显著优点:首先,该市场竞争机制下用户用电行为自适应辨识方法中的用电行为特征体系涵盖了用户购电能力、电价敏感度和需求响应潜力,能够较全面地评估用户在市场竞争机制下的用电行为;再者,该方法具备类别增量学习能力,对电力市场深入发展下新用户类型出现的情况具有自适应性;最后,该方法在更新辨识模型时对前一次的辨识模型进行了继承,减少运算量,提高了训练速度。
以下以一个具体应用例对本发明提供的一种市场竞争机制下用户用电行为辨识方法的一个实施例进行进一步说明,该应用例包括:
(1)场景1:新用户中无新类。从100家用户中抽取第1类和第2类用户共20家作为新用户,剩余80家作为已有用户训练LVQ网络。采用训练后的网络对20家新用户进行辨识,辨识结果如表1所示。
表1场景1的用户数据和辨识结果
从表1可以看出,20家用户均被辨识至正确的类别中,且根据距离阈值判断出此20家用户中不存在新的类别。
(2)场景2:新用户中存在1种新类别。从100家用户中提取出第4类的全部用户(5家),另外抽取第1类和第2类用户15家作为新用户,剩余 80家作为已有用户训练LVQ网络。采用训练后的网络对20家新用户进行辨识,辨识结果如表2所示。
表2场景2的用户数据和辨识结果
从表2可以看出,实际属于第类的用户1至用户5被错误辨识至第2类,这是由于在训练LVQ网络的模型中不存在第4类用户的样本。通过距离阈值的检验,可以发现用户1—5距离第2类样本的距离均大于距离阈值(0.1691),因此将这5家用户作为新类候选点。
按照新类训练的流程,首先设置神经元个数为1,即将该5家用户视为1 个类别,计算其类内距离为0.0481,远小于距离阈值,因此将用户1和用户5 划分为1个新的类别,并将此神经元[0.108251200096197,0.174412468050759, 0.362270469975620]与LVQ网络的神经元组合作为新LVQ网络训练的神经元初始值,训练时间为0.354057s时,网络误差已达到0.01。若不考虑神经元的继承,直接将所有用户数据输入LVQ神经网络进行训练,训练时间则为 24.794171s,由此可以证明类别增量学习模型在运行时间上的优越性。
以上是对本发明提供的一种市场竞争机制下用户用电行为辨识方法进行的详细说明,以下将对本发明提供的一种市场竞争机制下用户用电行为辨识装置的结构和连接关系进行说明,请参阅图3,本发明提供的一种市场竞争机制下用户用电行为辨识装置的一个实施例,包括:
第一分类模块301,用于根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器;
第二分类模块302,用于根据获取到的新用户的用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器;
第三分类模块303,用于根据第一分类器和第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的用电行为特征对待训练的第三神经网络进行训练得到第三分类器;
其中,用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。
更进一步地,第一分类模块301还用于对获取到的历史用户的用电行为特征值进行聚类分析得到初始类别,依次将各个类别对应的历史用户的用电行为特征值输入待训练的第一神经网络进行训练,得到用于进行初始类别分类的第一分类器。
更进一步地,聚类分析的方法为二次聚类法,第一神经网络为学习向量量化神经网络。
更进一步地,第二分类模块302包括:
计算单元,用于获取新用户的用电行为特征值并输入第一分类器,根据分类结果和新用户的用电行为特征值进行类内距离计算,根据计算结果在新用户中确定新类候选点;
训练单元,用于将新类候选点的用电行为特征值输入待训练的第二神经网络进行训练得到用于进行新类别分类的第二分类器。
更进一步地,计算单元具体包括:
分类子单元,用于获取新用户的用电行为特征值并输入第一分类器,得到新用户在初始类别内所属的类别;
计算子单元,用于根据历史用户的用电行为特征值计算初始类别的类内距离、类外距离和距离阈值;
确定子单元,用于根据新用户的用电行为特征值计算新用户与其在初始类别内所属的类别之间的距离,若计算结果不小于距离阈值,则确定新用户为新类候选点。
更进一步地,第二神经网络为自组织特征映射神经网络。
更进一步地,模型参数包括神经元和竞争层到输出层的权值。
本发明提供的一种市场竞争机制下用户用电行为辨识装置的另一个实施例,包括处理器和存储器,存储器上存储有计算机程序指令,当程序指令被处理器执行时实现如以上所述的市场竞争机制下用户用电行为辨识方法。
本发明还涉及一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令,当程序指令被处理器执行时实现如以上所述的市场竞争机制下用户用电行为辨识方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种市场竞争机制下用户用电行为辨识方法,其特征在于,包括:
根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器;
根据获取到的新用户的所述用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器;
根据所述第一分类器和所述第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的所述用电行为特征对所述待训练的第三神经网络进行训练得到第三分类器;
其中,所述用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。
2.根据权利要求1所述的市场竞争机制下用户用电行为辨识方法,其特征在于,所述根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器具体为:
对获取到的历史用户的用电行为特征值进行聚类分析得到初始类别,依次将各个类别对应的所述历史用户的所述用电行为特征值输入待训练的第一神经网络进行训练,得到用于进行初始类别分类的第一分类器。
3.根据权利要求2所述的市场竞争机制下用户用电行为辨识方法,其特征在于,所述聚类分析的方法为二次聚类法,所述第一神经网络为学习向量量化神经网络。
4.根据权利要求1所述的市场竞争机制下用户用电行为辨识方法,其特征在于,所述根据获取到的新用户的所述用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器具体包括:
获取新用户的所述用电行为特征值并输入所述第一分类器,根据分类结果和所述新用户的所述用电行为特征值进行类内距离计算,根据计算结果在所述新用户中确定新类候选点;
将所述新类候选点的所述用电行为特征值输入待训练的第二神经网络进行训练得到用于进行新类别分类的第二分类器。
5.根据权利要求4所述的市场竞争机制下用户用电行为辨识方法,其特征在于,所述获取新用户的所述用电行为特征值并输入所述第一分类器,根据分类结果和所述新用户的所述用电行为特征值进行类内距离计算,根据计算结果在所述新用户中确定新类候选点具体包括:
获取新用户的所述用电行为特征值并输入所述第一分类器,得到所述新用户在所述初始类别内所属的类别;
根据所述历史用户的所述用电行为特征值计算初始类别的类内距离、类外距离和距离阈值;
根据所述新用户的所述用电行为特征值计算所述新用户与其在所述初始类别内所属的类别之间的距离,若计算结果不小于所述距离阈值,则确定所述新用户为新类候选点。
6.根据权利要求5所述的市场竞争机制下用户用电行为辨识方法,其特征在于,所述第二神经网络为自组织特征映射神经网络。
7.根据权利要求1至6任意一项所述的市场竞争机制下用户用电行为辨识方法,其特征在于,所述模型参数包括神经元和竞争层到输出层的权值。
8.一种市场竞争机制下用户用电行为辨识装置,其特征在于,包括:
第一分类模块,用于根据获取到的历史用户的用电行为特征值进行神经网络训练得到用于进行初始类别分类的第一分类器;
第二分类模块,用于根据获取到的新用户的所述用电行为特征值进行神经网络训练得到用于进行新类别分类的第二分类器;
第三分类模块,用于根据所述第一分类器和所述第二分类器的模型参数构建待训练的第三神经网络,再根据所有用户的所述用电行为特征对所述待训练的第三神经网络进行训练得到第三分类器;
其中,所述用电行为特征值包含购电潜力、电价敏感度和需求响应潜力。
9.一种市场竞争机制下用户用电行为辨识装置,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序指令,当所述程序指令被处理器执行时实现如权利要求1至权利要求7中任一项所述的市场竞争机制下用户用电行为辨识方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序指令,当所述程序指令被处理器执行时实现如权利要求1至权利要求7中任一项所述的市场竞争机制下用户用电行为辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075483.4A CN109784748B (zh) | 2019-01-25 | 2019-01-25 | 一种市场竞争机制下用户用电行为辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075483.4A CN109784748B (zh) | 2019-01-25 | 2019-01-25 | 一种市场竞争机制下用户用电行为辨识方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784748A true CN109784748A (zh) | 2019-05-21 |
CN109784748B CN109784748B (zh) | 2022-06-21 |
Family
ID=66501380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910075483.4A Active CN109784748B (zh) | 2019-01-25 | 2019-01-25 | 一种市场竞争机制下用户用电行为辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784748B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242423A (zh) * | 2019-12-31 | 2020-06-05 | 深圳能源售电有限公司 | 主动需求响应潜力分析方法、装置、设备以及存储介质 |
CN112241836A (zh) * | 2020-10-10 | 2021-01-19 | 天津大学 | 一种基于增量学习的虚拟负荷主导参数辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145976A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种预测用户用电负荷的方法 |
CN107358257A (zh) * | 2017-07-07 | 2017-11-17 | 华南理工大学 | 一种大数据场景下可增量学习的图像分类训练方法 |
US20180144256A1 (en) * | 2016-11-22 | 2018-05-24 | Facebook, Inc. | Categorizing Accounts on Online Social Networks |
CN108764282A (zh) * | 2018-04-19 | 2018-11-06 | 中国科学院计算技术研究所 | 一种类别增量行为识别方法和系统 |
CN108921602A (zh) * | 2018-06-21 | 2018-11-30 | 华南理工大学 | 一种基于集成神经网络的用户购买行为预测方法 |
-
2019
- 2019-01-25 CN CN201910075483.4A patent/CN109784748B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144256A1 (en) * | 2016-11-22 | 2018-05-24 | Facebook, Inc. | Categorizing Accounts on Online Social Networks |
CN107145976A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种预测用户用电负荷的方法 |
CN107358257A (zh) * | 2017-07-07 | 2017-11-17 | 华南理工大学 | 一种大数据场景下可增量学习的图像分类训练方法 |
CN108764282A (zh) * | 2018-04-19 | 2018-11-06 | 中国科学院计算技术研究所 | 一种类别增量行为识别方法和系统 |
CN108921602A (zh) * | 2018-06-21 | 2018-11-30 | 华南理工大学 | 一种基于集成神经网络的用户购买行为预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242423A (zh) * | 2019-12-31 | 2020-06-05 | 深圳能源售电有限公司 | 主动需求响应潜力分析方法、装置、设备以及存储介质 |
CN112241836A (zh) * | 2020-10-10 | 2021-01-19 | 天津大学 | 一种基于增量学习的虚拟负荷主导参数辨识方法 |
CN112241836B (zh) * | 2020-10-10 | 2022-05-20 | 天津大学 | 一种基于增量学习的虚拟负荷主导参数辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109784748B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Baets et al. | Detection of unidentified appliances in non-intrusive load monitoring using siamese neural networks | |
CN106779087B (zh) | 一种通用机器学习数据分析平台 | |
Pindoriya et al. | Composite reliability evaluation using Monte Carlo simulation and least squares support vector classifier | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN110334843A (zh) | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 | |
CN109492774A (zh) | 一种基于深度学习的云资源调度方法 | |
CN108984301A (zh) | 自适应云资源调配方法和装置 | |
CN103577883A (zh) | 一种网-荷智能互动方法及装置 | |
Quek et al. | Load disaggregation using one-directional convolutional stacked long short-term memory recurrent neural network | |
Zhang et al. | Bayesian hybrid collaborative filtering-based residential electricity plan recommender system | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN107748944B (zh) | 一种售电侧放开环境下用户侧需求响应方法 | |
CN110674993A (zh) | 一种用户负荷短期预测方法和装置 | |
Ding et al. | Product color emotional design considering color layout | |
CN106204162A (zh) | 一种互联网环境下新入网电力用户用电模式预测方法 | |
CN108734216A (zh) | 基于负荷曲线形态的电力用户分类方法、装置及存储介质 | |
CN109816177A (zh) | 一种负荷聚合商短期负荷预测方法、装置及设备 | |
CN106296315A (zh) | 基于用户用电数据的情境感知系统 | |
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 | |
CN109784748A (zh) | 一种市场竞争机制下用户用电行为辨识方法及装置 | |
CN110333991A (zh) | 云平台任务最大资源使用率预测方法 | |
CN114897451B (zh) | 考虑需求响应用户关键特征的双层聚类修正方法及装置 | |
CN109636212A (zh) | 作业实际运行时间的预测方法 | |
CN107292489A (zh) | 一种电网调度运行精益化评价系统 | |
Behera et al. | XGBoost regression model-based electricity tariff plan recommendation in smart grid environment |
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 |