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
一种基于减法聚类模型的多表融合用能行为分析方法 Download PDFInfo
- Publication number
- CN109919173A CN109919173A CN201910029623.4A CN201910029623A CN109919173A CN 109919173 A CN109919173 A CN 109919173A CN 201910029623 A CN201910029623 A CN 201910029623A CN 109919173 A CN109919173 A CN 109919173A
- Authority
- CN
- China
- Prior art keywords
- user
- energy
- data
- analysis method
- multilist
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 230000005611 electricity Effects 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- -1 electricity Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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,…,xn}:
这里ra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xck为选中的用户数据点,Dck为其密度指标;那么可以根据公式(2)更新每个用户数据点xi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rb定义为一个密度指标函数显著减小的领域半径;常数rb通常大于ra,以避免出现相聚很近的聚类中心;一般取rb=1.5*ra。
作为优选技术措施,所述步骤6:若Dck+1/Dck<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ra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xck为选中的用户数据点,Dck为其密度指标。那么可以根据公式(2)更新每个用户数据点xi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rb定义为一个密度指标函数显著减小的领域半径。常数rb通常大于ra,以避免出现相聚很近的聚类中心。一般取rb=1.5ra。
步骤6:若Dck+1/Dck<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,…,xn}:
这里ra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xck为选中的用户数据点,Dck为其密度指标;那么可以根据公式(2)更新每个用户数据点xi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rb定义为一个密度指标函数显著减小的领域半径;常数rb通常大于ra。
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Dck+1/Dck<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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910029623.4A CN109919173A (zh) | 2019-01-11 | 2019-01-11 | 一种基于减法聚类模型的多表融合用能行为分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910029623.4A CN109919173A (zh) | 2019-01-11 | 2019-01-11 | 一种基于减法聚类模型的多表融合用能行为分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919173A true CN109919173A (zh) | 2019-06-21 |
Family
ID=66960281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910029623.4A Pending CN109919173A (zh) | 2019-01-11 | 2019-01-11 | 一种基于减法聚类模型的多表融合用能行为分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919173A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851892A (zh) * | 2019-11-07 | 2020-02-28 | 山东大学 | 一种园区级综合能源系统辅助设计方法及系统 |
CN111914942A (zh) * | 2020-08-12 | 2020-11-10 | 烟台海颐软件股份有限公司 | 一种多表合一用能异常分析方法 |
CN113326983A (zh) * | 2021-05-28 | 2021-08-31 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测系统及方法 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN114841474A (zh) * | 2022-07-01 | 2022-08-02 | 南京匠拓电力科技有限公司 | 适用于智能水电气采控终端的数据处理方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688958A (zh) * | 2017-07-14 | 2018-02-13 | 国网浙江省电力公司 | 一种基于多表集抄数据的用户用能异常分析方法 |
-
2019
- 2019-01-11 CN CN201910029623.4A patent/CN109919173A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688958A (zh) * | 2017-07-14 | 2018-02-13 | 国网浙江省电力公司 | 一种基于多表集抄数据的用户用能异常分析方法 |
Non-Patent Citations (1)
Title |
---|
郑国和 等: "居民用电策略引导潜力分析", 《计算机应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851892A (zh) * | 2019-11-07 | 2020-02-28 | 山东大学 | 一种园区级综合能源系统辅助设计方法及系统 |
CN110851892B (zh) * | 2019-11-07 | 2021-09-03 | 山东大学 | 一种园区级综合能源系统辅助设计方法及系统 |
CN111914942A (zh) * | 2020-08-12 | 2020-11-10 | 烟台海颐软件股份有限公司 | 一种多表合一用能异常分析方法 |
CN113326983A (zh) * | 2021-05-28 | 2021-08-31 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测系统及方法 |
CN113326983B (zh) * | 2021-05-28 | 2022-08-26 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测的数据处理系统及方法 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN114841474A (zh) * | 2022-07-01 | 2022-08-02 | 南京匠拓电力科技有限公司 | 适用于智能水电气采控终端的数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919173A (zh) | 一种基于减法聚类模型的多表融合用能行为分析方法 | |
CN109902915A (zh) | 一种基于模糊c均值模型的电水气用能行为分析方法 | |
CN103428282B (zh) | 一种云计算数据中心的在线节能控制方法及装置 | |
CN105069469B (zh) | 一种基于模糊c均值聚类算法和熵理论的数据流检测方法 | |
Yeckle et al. | Detection of electricity theft in customer consumption using outlier detection algorithms | |
CN111263324B (zh) | 一种基于K-medoids分簇的无线传感网压缩感知处理方法 | |
CN112801411A (zh) | 一种基于生成对抗网络的网络流量预测方法 | |
Zhan et al. | Cell Traffic Prediction Based on Convolutional Neural Network for Software‐Defined Ultra‐Dense Visible Light Communication Networks | |
CN101019446A (zh) | 选择通信网络中的操作参数的方法 | |
Sheik Mohideen Shah et al. | Machine learning approach for power consumption model based on monsoon data for smart cities applications | |
CN114185651A (zh) | 一种融合多模态信息的移动群智感知任务推荐方法 | |
Lan | Big data network security index correlation measure based on the fusion of modified two order cone programming model | |
Cannas et al. | Manifold learning to interpret JET high-dimensional operational space | |
Cai et al. | Multi-granularity weighted federated learning in heterogeneous mobile edge computing systems | |
CN113283043B (zh) | 一种适用于高维大规模场景的场景约简求解方法 | |
Zhao et al. | Retracted article: a wireless network remote monitoring method driven by artificial intelligence | |
He et al. | Iot for the power industry: recent advances and future directions with pavatar | |
Kou et al. | Improved sparrow search algorithm optimized DV-hop for wireless sensor network coverage | |
Sudhakar et al. | Effective image clustering with differential evolution technique | |
CN110348716A (zh) | 一种配电设备的后台管控平台及方法 | |
Yang et al. | Data resolution improvement for ocean of things based on improved FCM | |
Zheng et al. | Application of pattern recognition based on rough set and optimized BP neural network | |
Wang et al. | Unsupervised Data Anomaly Detection Based on Graph Neural Network | |
Li et al. | Intelligent Computing for Sustainable Energy and Environment | |
Zhou et al. | Efficient discovering and maintenance algorithm of subspaceclustering over high dimensional data streams. |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |