CN109919173A - 一种基于减法聚类模型的多表融合用能行为分析方法 - Google Patents

Abstract

本发明公开了一种基于减法聚类模型的多表融合用能行为分析方法，属于电力技术领域。目前应用的用户用能分析方法由于缺乏用户用水、用气数据，仅仅是基于用电量对用户用能进行的预测，无法充分挖掘用户用能之间的相关性，分析效果较差。本发明采集电、水、气数据，能够充分地挖掘用户用能之间的相关性，结合根据现场多年运行经验设计的基于减法聚类模型的多表融合用能行为分析方法，利用用户用日用电量、用水量、用气量，通过构建电水气融合数据矢量，利用聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分，并在后续对离群用户进行研究是否出现窃电、漏水等用能异常，达到提高工作效率和减少供能企业损失的目的。

Description

一种基于减法聚类模型的多表融合用能行为分析方法

技术领域

本发明涉及一种基于减法聚类模型的多表融合用能行为分析方法，属于电力技术领域。

背景技术

随着居民用户智能电表、智能水表和燃气表抄表数据远程采集技术的不断推进，目前多地已经具备“电水、气、热”多表数据联合采集，为以户为单位的用户用能分析提供了基础条件，在此之前，由于各个供能单位的采集系统独立建设，业务数据不能共享，因此无法进行用户用能聚类分析。

目前应用的用户用能分析方法由于缺乏用户用水、用气数据，仅仅是基于用电量对用户用能进行的预测，无法充分挖掘用户用能之间的相关性，分析效果较差，无法实现对居民用户用能的分类与离群用户区分，进而后续无法分析离群用户是否出现窃电、漏水等用能异常，只能根据用户上报数据或者工作人员巡检发现问题，工作效率较低，可能对供能企业造成较大损失。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种能够充分地挖掘用户用能之间的相关性，合理利用多表融合数据以及大数据挖掘分析常用的统计手段，利用用户用日用电量、用水量、用气量，通过构建电水气融合数据矢量，通过聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分，并在后续对离群用户进行研究是否用能异常，提高工作效率的基于减法聚类模型的多表融合用能行为分析方法。

为实现上述目的，本发明的技术方案为：

一种基于减法聚类模型的多表融合用能行为分析方法，

包括以下步骤：

步骤1、根据采集的水、电、气示度计算每日用能量；

步骤2、对用户用能量进行清洗，去除的明显异常用能数据；

步骤3、将用电量，用水量，用气量组成三维的用能数据作为该用户每日的用能数据；并根据聚类周期，构筑数据矢量，拼接的顺序要求每个用户一致；

步骤4、初始化聚类数目，计算每个用户数据点处的密度指标，选取具有最高密度指标的数据点为第一个聚类中心；

步骤5、增加聚类数目，对聚类中心选中的用户数据点，更新每个用户数据的密度指标，并选取具有最高密度指标的数据点为新的聚类中心；

步骤6、在未达到决定聚类数目之前重复步骤5，直到完成。

本发明采集电、水、气数据，能够充分地挖掘用户用能之间的相关性，结合根据现场多年运行经验设计的基于减法聚类模型的多表融合用能行为分析方法，使用大数据并行计算技术对每一个用户的用能情况进行分析，利用一年的用户用日用电量、用水量、用气量，通过构建电水气融合数据矢量，利用聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分，并在后续对离群用户进行研究是否出现窃电、漏水等用能异常，达到提高工作效率和减少供能企业损失的目的。

作为优选技术措施，所述步骤4，初始化聚类数目k＝0，然后根据公式(1)计算每个

用户数据点处的密度指标，不失一般性，考虑N维空间n个数据点{x₁，x₂，…，x_n}：

这里r_a定义为领域半径，它表示半径以外的数据点对该点的密度指标贡献很小。

作为优选技术措施，所述步骤5：k＝k+1，令x_ck为选中的用户数据点，D_ck为其密度指标；那么可以根据公式(2)更新每个用户数据点x_i的密度指标，选取具有最高密度指标的数据点为新的聚类中心；

这里r_b定义为一个密度指标函数显著减小的领域半径；常数r_b通常大于r_a，以避免出现相聚很近的聚类中心；一般取r_b＝1.5*r_a。

作为优选技术措施，所述步骤6：若D_ck+1/D_ck＜ε成立，算法结束，k为聚类数目，否则回到步骤5；参数ε＜1决定聚类数目，一般ε越小聚类数目越多，对不同的待聚类数据，调节参数，本例中采用，ε＝0.8。

与现有技术相比，本发明具有以下有益效果：

本发明采集电、水、气数据，能够充分地挖掘用户用能之间的相关性，结合根据现场多年运行经验设计的基于减法聚类模型的多表融合用能行为分析方法，使用大数据并行计算技术对每一个用户的用能情况进行分析，利用一年的用户用日用电量、用水量、用气量，通过构建电水气融合数据矢量，利用聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分，并在后续对离群用户进行研究是否出现窃电、漏水等用能异常，达到提高工作效率和减少供能企业损失的目的。

附图说明

图1为本发明流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，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。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

如图1所示，一种基于减法聚类模型的多表融合用能行为分析方法，包括以下步骤：

步骤1：根据采集的水、电、气示度计算每日用能量；

步骤2：对用户用能量进行处理，去除个别由于设备引起的异常用能数据。

步骤3：将用电量，用水量，用气量组成三维的用能数据作为该用户每日的用能数据。并根据聚类周期，构筑数据矢量，拼接的顺序要求每个用户一致。

如：水电气数据分别是xyz，构成数据矢量的顺序为x₁y₁z₁，x₂y₂z₂，x₃y₃z₃，...

步骤4：初始化聚类数目k＝0，然后根据公式(1)计算每个用户数据点处的密度指标，选取具有最高密度指标的数据点为第一个聚类中心。

这里r_a定义为领域半径，它表示半径以外的数据点对该点的密度指标贡献很小。

步骤5：k＝k+1，令x_ck为选中的用户数据点，D_ck为其密度指标。那么可以根据公式(2)更新每个用户数据点x_i的密度指标，选取具有最高密度指标的数据点为新的聚类中心。

这里r_b定义为一个密度指标函数显著减小的领域半径。常数r_b通常大于r_a，以避免出现相聚很近的聚类中心。一般取r_b＝1.5r_a。

步骤6：若D_ck+1/D_ck＜ε成立，算法结束，k为聚类数目，否则回到步骤5。参数ε＜1决定聚类数目，一般ε越小聚类数目越多，对不同的待聚类数据，调节参数，本例中采用，ε＝0.8。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于减法聚类模型的多表融合用能行为分析方法，其特征在于，

包括以下步骤：

步骤1、根据采集的水、电、气示度计算每日用能量；

步骤2、对用户用能量进行清洗，去除的明显异常用能数据；

步骤3、将用电量，用水量，用气量组成三维的用能数据作为该用户每日的用能数据；并根据聚类周期，构筑数据矢量，拼接的顺序要求每个用户一致；

步骤4、初始化聚类数目，计算每个用户数据点处的密度指标，选取具有最高密度指标的数据点为第一个聚类中心；

步骤5、增加聚类数目，对聚类中心选中的用户数据点，更新每个用户数据的密度指标，并选取具有最高密度指标的数据点为新的聚类中心；

步骤6、在未达到决定聚类数目之前重复步骤5，直到完成。

2.如权利要求1所述的一种基于减法聚类模型的多表融合用能行为分析方法，其特征在于，所述步骤4，初始化聚类数目k＝0，然后根据公式(1)计算每个用户数据点处的密度指标，不失一般性，考虑N维空间n个数据点{x₁，x₂，…，x_n}：

这里r_a定义为领域半径，它表示半径以外的数据点对该点的密度指标贡献很小。

3.如权利要求2所述的一种基于减法聚类模型的多表融合用能行为分析方法，其特征在于，所述步骤5：k＝k+1，令x_ck为选中的用户数据点，D_ck为其密度指标；那么可以根据公式(2)更新每个用户数据点x_i的密度指标，选取具有最高密度指标的数据点为新的聚类中心；

这里r_b定义为一个密度指标函数显著减小的领域半径；常数r_b通常大于r_a。

4.如权利要求3所述的一种基于减法聚类模型的多表融合用能行为分析方法，其特征在于，所述步骤6：若D_ck+1/D_ck＜ε成立，算法结束，k为聚类数目，否则回到步骤5；参数ε＜1决定聚类数目，一般ε越小聚类数目越多，对不同的待聚类数据，调节参数。