CN111597505A - 一种电力网络中用电用户的相关性分析方法和相关装置 - Google Patents
一种电力网络中用电用户的相关性分析方法和相关装置 Download PDFInfo
- Publication number
- CN111597505A CN111597505A CN202010554284.4A CN202010554284A CN111597505A CN 111597505 A CN111597505 A CN 111597505A CN 202010554284 A CN202010554284 A CN 202010554284A CN 111597505 A CN111597505 A CN 111597505A
- Authority
- CN
- China
- Prior art keywords
- power
- correlation
- power network
- users
- analyzed
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请公开了一种电力网络中用电用户的相关性分析方法和相关装置,其中方法包括:获取待分析用电用户及待分析用电用户对应的电力网络;在电力网络的可视化动态图中,获取待分析用电用户的相关用电用户,展开各相关用电用户对应的可视化静态图后,获取各相关用电用户与待分析用电用户之间的距离和连接线,比较所有距离的大小和连接线的粗细,确定对待分析用电用户具有影响作用的中心用电用户,解决了现有少有关注用电用户相关性分析,导致无法借助用电用户的相关性为电力网络中的电力调度、电力分配等提供依据的技术问题。
Description
技术领域
本申请涉及电力分析技术领域,尤其涉及一种电力网络中用电用户的相关性分析方法和相关装置。
背景技术
随着经济与电力网络的不断发展,用电用户与电能量呈现高速增长。现有的电力网络的研究分析主要为:电力需求主导行业推断、行业电能量波动特性分析、电能量市场结构分析。
分析用电用户之间的相关性,可以为电力网络中的电力调度、电力分配等提供依据,然而现有技术中少有关注用电用户相关性分析的工作。
因此,提供一种电力网络中用电用户的相关性分析方法是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本申请提供了一种电力网络中用电用户的相关性分析方法和相关装置,解决了现有少有关注用电用户相关性分析,导致无法借助用电用户的相关性为电力网络中的电力调度、电力分配等提供依据的技术问题。
本申请第一方面提供了一种电力网络中用电用户的相关性分析方法,包括:
获取待分析用电用户及所述待分析用电用户对应的电力网络;
在所述电力网络的可视化动态图中,获取所述待分析用电用户的相关用电用户,其中,所述可视化动态图为:所述电力网络中用电用户之间的相关性随时间变化的二维动态变化图;
展开各所述相关用电用户对应的可视化静态图后,获取各所述相关用电用户与所述待分析用电用户之间的距离和连接线,其中,所述可视化静态图为:预置时间段内,所述电力网络中用电用户之间相关性的三维连接图;
比较所有所述距离的大小和所述连接线的粗细,确定对所述待分析用电用户具有影响作用的中心用电用户。
优选地,所述可视化动态图的配置过程包括:
获取所述电力网络中各用电用户对应的电能量数据时间序列;
利用时间窗口离散化所述电能量数据时间序列,得到若干时间窗,其中,所述时间窗口的时间长度等于所述预置时间段的长度;
在各所述时间窗内,计算两两用电用户之间相关性的相关性参数,得到各所述时间窗对应的相关性矩阵;
将各所述相关性矩阵转换为高维向量后,通过预置投影方法对每一所述高维向量进行投影,得到二维投影点;
按照时间顺序连接所有所述二维投影点,得到所述电力网络中的可视化动态图。
优选地,所述可视化静态图的配置过程包括:
获取所述电力网络中各用电用户对应的电能量数据时间序列;
利用时间窗口离散化所述电能量数据时间序列,得到若干时间窗,其中,所述时间窗口的时间长度等于所述预置时间段的长度;
在各所述时间窗内,计算两两用电用户之间相关性的相关性参数,得到各所述时间窗对应的相关性矩阵;
在各所述时间窗内,基于所述相关性矩阵,根据力引导布局连接该时间窗内的用电用户,得到该时间窗对应的可视化静态图。
优选地,所述相关性参数包括:皮尔森相关系数、互信息和转移熵;
所述相关性矩阵包括:皮尔森相关系数矩阵、互信息矩阵和转移熵矩阵。
优选地,所述皮尔森相关系数的计算公式为:
其中,ρX,Y为电能量数据时间序列X和电能量数据时间序列Y之间的皮尔森相关系数,cov(X,Y)为电能量数据时间序列X和电能量数据时间序列Y的协方差,σX为电能量数据时间序列X的标准差,σY为电能量数据时间序列Y的标准差。
优选地,所述互信息的计算公式为:
其中,I(X;Y)为电能量数据时间序列X和电能量数据时间序列Y之间的互信息,p(x,y)为电能量数据时间序列X和电能量数据时间序列Y之间的联合密度函数,p(x)为电能量数据时间序列X的边际概率密度函数,p(y)为电能量数据时间序列Y的边际概率密度函数。
优选地,所述转移熵的计算公式为:
其中,TY→X为从电能量数据时间序列Y传到电能量数据时间序列X的转移熵,为状态xt+1和序列同时出现的概率;为同时给定序列和情况下xt+1的条件概率,为给定序列情况下xt+1的条件概率,xt+1为t+1时刻电能量数据时间序列的状态,为k阶时滞子序列,为l阶时滞子序列。
本申请第二方面提供了一种电力网络中用电用户的相关性分析装置,包括:
第一获取单元,用于获取待分析用电用户及所述待分析用电用户对应的电力网络;
第二获取单元,用于在所述电力网络的可视化动态图中,获取所述待分析用电用户的相关用电用户,其中,所述可视化动态图为:所述电力网络中用电用户之间的相关性随时间变化的二维动态变化图;
第三获取单元,用于展开各所述相关用电用户对应的可视化静态图后,获取各所述相关用电用户与所述待分析用电用户之间的距离和连接线,其中,所述可视化静态图为:预置时间段内,所述电力网络中用电用户之间相关性的三维连接图;
比较单元,用于比较所有所述距离的大小和所述连接线的粗细,确定对所述待分析用电用户具有影响作用的中心用电用户。
本申请第三方面提供了一种电力网络中用电用户的相关性分析设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的电力网络中用电用户的相关性分析方法。
本申请第四方面提供了一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的电力网络中用电用户的相关性分析方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种电力网络中用电用户的相关性分析方法,包括:获取待分析用电用户及待分析用电用户对应的电力网络;在电力网络的可视化动态图中,获取待分析用电用户的相关用电用户,其中,可视化动态图为:电力网络中用电用户之间的相关性随时间变化的二维动态变化图;展开各相关用电用户对应的可视化静态图后,获取各相关用电用户与待分析用电用户之间的距离和连接线,其中,可视化静态图为:预置时间段内,电力网络中用电用户之间相关性的三维连接图;比较所有距离的大小和连接线的粗细,确定对待分析用电用户具有影响作用的中心用电用户。
本申请中,首先获取待分析用电用户及待分析用电用户对应的电力网络,由于电力网络的可视化动态图为该电力网络中用电用户之前的相关性随时间变化的二维动态变化图,故可以在该电力网络的可视化动态图中,获取待分析用电用户的相关用户,然后展开各相关用电用户对应的可视化静态图,获取各相关用电用户与该待分析用电用户之间的距离和连接线,最后比较所有距离的大小和连接线的粗细,确定对该分析用电用户具有影响作用的中心用电用户,通过分析用电用户之间的相关性,确定对待分析用电用户具有影响作用的中心用电用户,这样当对待分析用电用户进行调度和分配时,可以考虑或借鉴中心用电用户的作用,从而为电力网络中的电力调度、电力分配等提供依据,进而解决了现有少有关注用电用户相关性分析,导致无法借助用电用户的相关性为电力网络中的电力调度、电力分配等提供依据的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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为本申请实施例中一种电力网络中用电用户的相关性分析方法的第一实施例的流程示意图;
图2为本申请实施例中一种电力网络中用电用户的相关性分析方法的第二实施例的流程示意图;
图3为本申请实施例中可视化静态图的结构示意图;
图4为本申请实施例中可视化动态图的结构示意图;
图5为本申请实施例中相关性变化的示意图;
图6为本申请实施例中一种电力网络中用电用户的相关性分析装置的结构示意图。
具体实施方式
本申请实施例提供了一种电力网络中用电用户的相关性分析方法和相关装置,解决了现有少有关注用电用户相关性分析,导致无法借助用电用户的相关性为电力网络中的电力调度、电力分配等提供依据的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
本申请第一方面提供了一种电力网络中用电用户的相关性分析方法。
请参阅图1,本申请实施例中一种电力网络中用电用户的相关性分析方法的第一实施例的流程示意图,包括:
步骤101、获取待分析用电用户及待分析用电用户对应的电力网络。
要分析对待分析用电用户具有影响作用的用电用户,首先要获取待分析用电用户,及该待分析用电用户对应的电力网络。
待分析用电用户对应的电力网络即待分析用电用户所在的电力网络,对应后续分析也是在该电力网络中进行相关性分析。
步骤102、在电力网络的可视化动态图中,获取待分析用电用户的相关用电用户,其中,可视化动态图为:电力网络中用电用户之间的相关性随时间变化的二维动态变化图。
由于可视化动态图为电力网络中用电用户之间的相关性随时间变化的二维动态变化图,故可以在该可视化动态图中获取与该待分析用电用户对应的相关用电用户。
可以理解的是,相关用电用户即为可视化动态图中与待分析用电用户连接的用电用户。
步骤103、展开各相关用电用户对应的可视化静态图后,获取各相关用电用户与待分析用电用户之间的距离和连接线,其中,可视化静态图为:预置时间段内,电力网络中用电用户之间相关性的三维连接图。
由于可视化静态图为内容更为详细的连接图,故在获取到相关用电用户后,展开各相关用电用户对应的可视化静态图后,获取各相关用电用户与待分析用电用户之间的距离和连接线。
步骤104、比较所有距离的大小和连接线的粗细,确定对待分析用电用户具有影响作用的中心用电用户。
通过比较距离的大小和连接线的粗细可以确定对待分析用电用户具有影响作用的中心用电用户,在比较时,距离越小说明与待分析用电用户越相关,连接线越粗说明与待分析用电用户之间的也越相关。
本实施例中,首先获取待分析用电用户及待分析用电用户对应的电力网络,由于电力网络的可视化动态图为该电力网络中用电用户之前的相关性随时间变化的二维动态变化图,故可以在该电力网络的可视化动态图中,获取待分析用电用户的相关用户,然后展开各相关用电用户对应的可视化静态图,获取各相关用电用户与该待分析用电用户之间的距离和连接线,最后比较所有距离的大小和连接线的粗细,确定对该分析用电用户具有影响作用的中心用电用户,通过分析用电用户之间的相关性,确定对待分析用电用户具有影响作用的中心用电用户,这样当对待分析用电用户进行调度和分配时,可以考虑或借鉴中心用电用户的作用,从而为电力网络中的电力调度、电力分配等提供依据,进而解决了现有少有关注用电用户相关性分析,导致无法借助用电用户的相关性为电力网络中的电力调度、电力分配等提供依据的技术问题。
以上为本申请实施例提供的一种电力网络中用电用户的相关性分析方法的第一实施例,以下为本申请实施例提供的一种电力网络中用电用户的相关性分析方法的第二实施例。
请参阅图2,本申请实施例中一种电力网络中用电用户的相关性分析方法的第二实施例的流程示意图,包括:
步骤201、获取待分析用电用户及待分析用电用户对应的电力网络。
需要说明的是,步骤201与第一实施例中步骤101的内容相同,具体可以参见上述步骤101中的描述,在此不再赘述。
步骤202、在电力网络的可视化动态图中,获取待分析用电用户的相关用电用户,其中,可视化动态图为:电力网络中用电用户之间的相关性随时间变化的二维动态变化图。
需要说明的是,可视化动态图的配置过程包括:
获取电力网络中各用电用户对应的电能量数据时间序列;
利用时间窗口离散化电能量数据时间序列,得到若干时间窗,其中,时间窗口的时间长度等于预置时间段的长度;
在各时间窗内,计算两两用电用户之间相关性的相关性参数,得到各时间窗对应的相关性矩阵;
将各相关性矩阵转换为高维向量后,通过预置投影方法对每一高维向量进行投影,得到二维投影点;
按照时间顺序连接所有二维投影点,得到电力网络中的可视化动态图。
其中,相关性参数包括:皮尔森相关系数、互信息和转移熵;
相关性矩阵包括:皮尔森相关系数矩阵、互信息矩阵和转移熵矩阵。
对应的,皮尔森相关系数的计算公式为:
其中,ρX,Y为电能量数据时间序列X和电能量数据时间序列Y之间的皮尔森相关系数,cov(X,Y)为电能量数据时间序列X和电能量数据时间序列Y的协方差,σX为电能量数据时间序列X的标准差,σY为电能量数据时间序列Y的标准差。
互信息的计算公式为:
其中,I(X;Y)为电能量数据时间序列X和电能量数据时间序列Y之间的互信息,p(x,y)为电能量数据时间序列X和电能量数据时间序列Y之间的联合密度函数,p(x)为电能量数据时间序列X的边际概率密度函数,p(y)为电能量数据时间序列Y的边际概率密度函数。
转移熵的计算公式为:
其中,TY→X为从电能量数据时间序列Y传到电能量数据时间序列X的转移熵,为状态xt+1和序列同时出现的概率;为同时给定序列和情况下xt+1的条件概率,为给定序列情况下xt+1的条件概率,xt+1为t+1时刻电能量数据时间序列的状态,为k阶时滞子序列,为l阶时滞子序列。
可以理解的是,本实施例中的预置投影方法可以是线性投影方法(PCA)或非线性投影方法(MDS和t-SNE),本领域技术人员可以根据需要进行选择,在此不做具体限定和赘述。
步骤203、展开各相关用电用户对应的可视化静态图后,获取各相关用电用户与待分析用电用户之间的距离和连接线,其中,可视化静态图为:预置时间段内,电力网络中用电用户之间相关性的三维连接图。
可视化静态图的配置过程包括:
获取电力网络中各用电用户对应的电能量数据时间序列;
利用时间窗口离散化电能量数据时间序列,得到若干时间窗,其中,时间窗口的时间长度等于预置时间段的长度;
在各时间窗内,计算两两用电用户之间相关性的相关性参数,得到各时间窗对应的相关性矩阵;
在各时间窗内,基于相关性矩阵,根据力引导布局连接该时间窗内的用电用户,得到该时间窗对应的可视化静态图。
需要说明的是,步骤203中相关性参数和相关性矩阵的描述可以参见上述步骤202中的描述,在此不再赘述。
步骤204、比较所有距离的大小和连接线的粗细,确定对待分析用电用户具有影响作用的中心用电用户。
需要说明的是,步骤204与第一实施例中步骤104的内容相同,具体可以参见上述步骤104中的描述,在此不再赘述。
步骤205、分析中心用电用户与其他用电用户的相关性折线图验证影响关系,其中,其他用电用户为电力网络中除待分析用电用户和中心用电用户以外的用电用户。
本实施例中,首先获取待分析用电用户及待分析用电用户对应的电力网络,由于电力网络的可视化动态图为该电力网络中用电用户之前的相关性随时间变化的二维动态变化图,故可以在该电力网络的可视化动态图中,获取待分析用电用户的相关用户,然后展开各相关用电用户对应的可视化静态图,获取各相关用电用户与该待分析用电用户之间的距离和连接线,最后比较所有距离的大小和连接线的粗细,确定对该分析用电用户具有影响作用的中心用电用户,通过分析用电用户之间的相关性,确定对待分析用电用户具有影响作用的中心用电用户,这样当对待分析用电用户进行调度和分配时,可以考虑或借鉴中心用电用户的作用,从而为电力网络中的电力调度、电力分配等提供依据,进而解决了现有少有关注用电用户相关性分析,导致无法借助用电用户的相关性为电力网络中的电力调度、电力分配等提供依据的技术问题。
以上为本申请实施例提供的一种电力网络中用电用户的相关性分析方法的第二实施例,以下为本申请实施例提供的一种电力网络中用电用户的相关性分析方法的流程详细说明,具体包括:
步骤1:获取并清洗电力网络中用电用户对应的电能量数据时间序列。
为了提高数据质量,便于相关性计算,步骤1中,对电能量数据时间序列进行筛选、异常值处理与插值计算。
数据过滤:将用电量缺失或为零天数过多的用电用户进行过滤。
异常值处理:将部分用电量异常高的值,进行删除处理。
缺失值处理:对用电量缺失的日期采用线性插值的方法进行缺失值补齐。
步骤2:计算步骤1中的电能量数据时间序列之间的相关性系数后,得到相关性矩阵。
为了比较不同相关性指标的效果,表示相关性的相关性参数有多个,分别为:皮尔森相关系数、互信息和转移熵,具体的计算相关性的步骤为:
步骤2-1、离散化。采用时间窗口在电能量数据时间序列上滑动,生成一系列的时间窗;
步骤2-2、针对步骤2-1得到的每个时间窗,分别计算两两客户之间的皮尔森相关系数、互信息和转移熵,得到各时间窗对应的n*n皮尔森相关系数矩阵、n*n互信息矩阵和n*n转移熵矩阵,其中n为时间窗中的用电用户数。
计算皮尔森相关系数的公式如下:
其中,ρX,Y为电能量数据时间序列X和电能量数据时间序列Y之间的皮尔森相关系数,cov(X,Y)为电能量数据时间序列X和电能量数据时间序列Y的协方差,σX为电能量数据时间序列X的标准差,σY为电能量数据时间序列Y的标准差。
计算互信息的公式如下:
其中,I(X;Y)为电能量数据时间序列X和电能量数据时间序列Y之间的互信息,p(x,y)为电能量数据时间序列X和电能量数据时间序列Y之间的联合密度函数,p(x)为电能量数据时间序列X的边际概率密度函数,p(y)为电能量数据时间序列Y的边际概率密度函数。
计算转移熵的公式如下:
其中,TY→X为从电能量数据时间序列Y传到电能量数据时间序列X的转移熵,为状态xt+1和序列同时出现的概率;为同时给定序列和情况下xt+1的条件概率,为给定序列情况下xt+1的条件概率,xt+1为t+1时刻电能量数据时间序列的状态,为k阶时滞子序列,为l阶时滞子序列。
步骤3:利用步骤2处理的数据,将电力网络构建成可视化静态图。
为了布局美观,步骤3中,使用力引导布局构建可视化静态图,具体如图3所示。图3中,一个节点表示一个用户,节点之间存在连接表示两个用户之间的相关性较大,连接线的粗细表示相关性的大小。
步骤4:利用步骤2处理的数据,将电力网络构建成可视化动态图。
为了分析相关性变化模式,将电力网络构建成可视化动态图,构建动态图的步骤如下:
步骤4-1、将步骤2得到的每个n*n相关性矩阵转化为1*n高维向量;
步骤4-2、对步骤4-1得到的1*n高维向量采用线性投影方法(PCA)或非线性投影方法(MDS和t-SNE)进行投影,得到二维投影点;
步骤4-3、对步骤4-2得到的投影点,按时间顺序连接,表示相关性随时间的变化趋势,得到可视化动态图,具体如图4所示。
步骤5:获取电力网络中的待分析用电用户。
步骤6:根据步骤4构造的可视化动态图分析待分析用电用户的相关性变化模式,找到对待分析用电用户具有影响作用的中心用户;
具体步骤如下:
步骤6-1、对步骤(4)得到的可视化动态图,点击与待分析用电用户的节点连接的用电用户节点,展开观察其对应的可视化静态图;
步骤6-2、比较节点距离远近、节点连线粗细等特征;
步骤6-3、得到对待分析用电用户具有影响作用的中心用户。
步骤7:对步骤6得到的中心用户,通过分析观察该用户与其他用户相关性随时间变化的折线图,验证相关性影响关系,其中,折线图如图5所示。
通过上述的流程,将复杂并难以实现关系分析的时空数据构建为具有直接联系的图结构,并通过可视交互实现决策与分析,对用户用电量规律发现与相互影响关系分析等问题起到了决定性作用。
本申请第二方面提供了一种电力网络中用电用户的相关性分析装置。
请参阅图6,本申请实施例中一种电力网络中用电用户的相关性分析装置的结构示意图,包括:
第一获取单元601,用于获取待分析用电用户及待分析用电用户对应的电力网络;
第二获取单元602,用于在电力网络的可视化动态图中,获取待分析用电用户的相关用电用户,其中,可视化动态图为:电力网络中用电用户之间的相关性随时间变化的二维动态变化图;
第三获取单元603,用于展开各相关用电用户对应的可视化静态图后,获取各相关用电用户与待分析用电用户之间的距离和连接线,其中,可视化静态图为:预置时间段内,电力网络中用电用户之间相关性的三维连接图;
比较单元604,用于比较所有距离的大小和连接线的粗细,确定对待分析用电用户具有影响作用的中心用电用户。
本实施例中,首先获取待分析用电用户及待分析用电用户对应的电力网络,由于电力网络的可视化动态图为该电力网络中用电用户之前的相关性随时间变化的二维动态变化图,故可以在该电力网络的可视化动态图中,获取待分析用电用户的相关用户,然后展开各相关用电用户对应的可视化静态图,获取各相关用电用户与该待分析用电用户之间的距离和连接线,最后比较所有距离的大小和连接线的粗细,确定对该分析用电用户具有影响作用的中心用电用户,通过分析用电用户之间的相关性,确定对待分析用电用户具有影响作用的中心用电用户,这样当对待分析用电用户进行调度和分配时,可以考虑或借鉴中心用电用户的作用,从而为电力网络中的电力调度、电力分配等提供依据,进而解决了现有少有关注用电用户相关性分析,导致无法借助用电用户的相关性为电力网络中的电力调度、电力分配等提供依据的技术问题。
本申请第三方面提供了一种电力网络中用电用户的相关性分析设备,设备包括处理器以及存储器,存储器用于存储程序代码,并将程序代码传输给处理器,处理器用于根据程序代码中的指令执行如第一方面所描述的电力网络中用电用户的相关性分析方法。
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。
本申请第四方面提供了一种存储介质,存储介质用于存储程序代码,程序代码用于执行如第一方面所描述的电力网络中用电用户的相关性分析方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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待安装电网网络,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,在本申请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,本申请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申请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,RandomAccessMemory、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申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电力网络中用电用户的相关性分析方法,其特征在于,包括:
获取待分析用电用户及所述待分析用电用户对应的电力网络;
在所述电力网络的可视化动态图中,获取所述待分析用电用户的相关用电用户,其中,所述可视化动态图为:所述电力网络中用电用户之间的相关性随时间变化的二维动态变化图;
展开各所述相关用电用户对应的可视化静态图后,获取各所述相关用电用户与所述待分析用电用户之间的距离和连接线,其中,所述可视化静态图为:预置时间段内,所述电力网络中用电用户之间相关性的三维连接图;
比较所有所述距离的大小和所述连接线的粗细,确定对所述待分析用电用户具有影响作用的中心用电用户。
2.根据权利要求1所述的电力网络中用电用户的相关性分析方法,其特征在于,所述可视化动态图的配置过程包括:
获取所述电力网络中各用电用户对应的电能量数据时间序列;
利用时间窗口离散化所述电能量数据时间序列,得到若干时间窗,其中,所述时间窗口的时间长度等于所述预置时间段的长度;
在各所述时间窗内,计算两两用电用户之间相关性的相关性参数,得到各所述时间窗对应的相关性矩阵;
将各所述相关性矩阵转换为高维向量后,通过预置投影方法对每一所述高维向量进行投影,得到二维投影点;
按照时间顺序连接所有所述二维投影点,得到所述电力网络中的可视化动态图。
3.根据权利要求1所述的电力网络中用电用户的相关性分析方法,其特征在于,所述可视化静态图的配置过程包括:
获取所述电力网络中各用电用户对应的电能量数据时间序列;
利用时间窗口离散化所述电能量数据时间序列,得到若干时间窗,其中,所述时间窗口的时间长度等于所述预置时间段的长度;
在各所述时间窗内,计算两两用电用户之间相关性的相关性参数,得到各所述时间窗对应的相关性矩阵;
在各所述时间窗内,基于所述相关性矩阵,根据力引导布局连接该时间窗内的用电用户,得到该时间窗对应的可视化静态图。
4.根据权利要求2或3所述的电力网络中用电用户的相关性分析方法,其特征在于,所述相关性参数包括:皮尔森相关系数、互信息和转移熵;
所述相关性矩阵包括:皮尔森相关系数矩阵、互信息矩阵和转移熵矩阵。
8.一种电力网络中用电用户的相关性分析装置,其特征在于,包括:
第一获取单元,用于获取待分析用电用户及所述待分析用电用户对应的电力网络;
第二获取单元,用于在所述电力网络的可视化动态图中,获取所述待分析用电用户的相关用电用户,其中,所述可视化动态图为:所述电力网络中用电用户之间的相关性随时间变化的二维动态变化图;
第三获取单元,用于展开各所述相关用电用户对应的可视化静态图后,获取各所述相关用电用户与所述待分析用电用户之间的距离和连接线,其中,所述可视化静态图为:预置时间段内,所述电力网络中用电用户之间相关性的三维连接图;
比较单元,用于比较所有所述距离的大小和所述连接线的粗细,确定对所述待分析用电用户具有影响作用的中心用电用户。
9.一种电力网络中用电用户的相关性分析设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至7中任一项所述的电力网络中用电用户的相关性分析方法。
10.一种存储介质,其特征在于,所述存储介质用于存储程序代码,所述程序代码用于执行权利要求1至7中任一项所述的电力网络中用电用户的相关性分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554284.4A CN111597505B (zh) | 2020-06-17 | 2020-06-17 | 一种电力网络中用电用户的相关性分析方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554284.4A CN111597505B (zh) | 2020-06-17 | 2020-06-17 | 一种电力网络中用电用户的相关性分析方法和相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597505A true CN111597505A (zh) | 2020-08-28 |
CN111597505B CN111597505B (zh) | 2023-05-26 |
Family
ID=72188095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010554284.4A Active CN111597505B (zh) | 2020-06-17 | 2020-06-17 | 一种电力网络中用电用户的相关性分析方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597505B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021664A (zh) * | 2017-12-04 | 2018-05-11 | 北京工商大学 | 一种基于维度投影的多维数据相关性可视分析方法及系统 |
CN108036941A (zh) * | 2017-12-26 | 2018-05-15 | 浙江大学 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
CN108460630A (zh) * | 2018-02-12 | 2018-08-28 | 广州虎牙信息科技有限公司 | 基于用户数据进行分类分析的方法和装置 |
CN110727662A (zh) * | 2019-09-10 | 2020-01-24 | 国网浙江省电力有限公司电力科学研究院 | 基于相关性分析的低压台区用户相位识别方法和系统 |
CN110990777A (zh) * | 2019-07-03 | 2020-04-10 | 北京市安全生产科学技术研究院 | 数据关联性分析方法及系统、可读存储介质 |
-
2020
- 2020-06-17 CN CN202010554284.4A patent/CN111597505B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021664A (zh) * | 2017-12-04 | 2018-05-11 | 北京工商大学 | 一种基于维度投影的多维数据相关性可视分析方法及系统 |
CN108036941A (zh) * | 2017-12-26 | 2018-05-15 | 浙江大学 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
CN108460630A (zh) * | 2018-02-12 | 2018-08-28 | 广州虎牙信息科技有限公司 | 基于用户数据进行分类分析的方法和装置 |
CN110990777A (zh) * | 2019-07-03 | 2020-04-10 | 北京市安全生产科学技术研究院 | 数据关联性分析方法及系统、可读存储介质 |
CN110727662A (zh) * | 2019-09-10 | 2020-01-24 | 国网浙江省电力有限公司电力科学研究院 | 基于相关性分析的低压台区用户相位识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111597505B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Self-attention with functional time representation learning | |
Zhao et al. | Data mining applications with R | |
CN103377242B (zh) | 用户行为分析方法、分析预测方法及电视节目推送系统 | |
Zhao et al. | A machine learning based trust evaluation framework for online social networks | |
Cho et al. | Collaborative filtering using dual information sources | |
CN104053023B (zh) | 一种确定视频相似度的方法及装置 | |
Zhang et al. | Model selection procedure for high‐dimensional data | |
US20160063081A1 (en) | Multidimensional Graph Analytics | |
Zhang et al. | A dynamic trust based two-layer neighbor selection scheme towards online recommender systems | |
CN110019420A (zh) | 一种数据序列预测方法及计算设备 | |
Qian et al. | Community-based user domain model collaborative recommendation algorithm | |
Romeijnders et al. | Approximation in two-stage stochastic integer programming | |
WO2023163774A1 (en) | Individual treatment effect estimation under high-order interference in hypergraphs taking into account spillover effects | |
Bahl et al. | A novel hybrid approach towards movie recommender systems | |
Madbhavi et al. | Graph neural network-based distribution system state estimators | |
Trueman et al. | A graph-based method for ranking of cloud service providers | |
Liang et al. | Measure prediction capability of data for collaborative filtering | |
Lin et al. | Disentangled deep multivariate hawkes process for learning event sequences | |
CN111597505A (zh) | 一种电力网络中用电用户的相关性分析方法和相关装置 | |
Min et al. | A collaborative filtering recommender algorithm based on the user interest model | |
Kracík et al. | Fluctuation analysis of high frequency electric power load in the Czech Republic | |
Saha et al. | Crpp: Competing recurrent point process for modeling visibility dynamics in information diffusion | |
Akhtarzada et al. | A multi-criteria metric algorithm for recommender systems | |
CN117076962B (zh) | 应用于人工智能领域的数据分析方法、装置及设备 | |
CN117539948B (zh) | 基于深度神经网络的业务数据检索方法及装置 |
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 |