CN114821143A - 一种基于K-Means模型的充电桩用户画像方法 - Google Patents

一种基于K-Means模型的充电桩用户画像方法 Download PDF

Info

Publication number
CN114821143A
CN114821143A CN202210514388.1A CN202210514388A CN114821143A CN 114821143 A CN114821143 A CN 114821143A CN 202210514388 A CN202210514388 A CN 202210514388A CN 114821143 A CN114821143 A CN 114821143A
Authority
CN
China
Prior art keywords
distribution information
data
charging pile
guest
sample
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
Application number
CN202210514388.1A
Other languages
English (en)
Other versions
CN114821143B (zh
Inventor
吴裔
李腾飞
邢旭
张翔
陈立峰
卞阳
方竞
田英杰
郭乃网
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Fudata Technology Co ltd
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Shanghai Fudata Technology Co ltd
State Grid Shanghai Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Fudata Technology Co ltd, State Grid Shanghai Electric Power Co Ltd filed Critical Shanghai Fudata Technology Co ltd
Priority to CN202210514388.1A priority Critical patent/CN114821143B/zh
Publication of CN114821143A publication Critical patent/CN114821143A/zh
Application granted granted Critical
Publication of CN114821143B publication Critical patent/CN114821143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于K‑Means模型的充电桩用户画像方法，包括：将电力公司计算节点记为Guest，气象局计算节点记为Host；采集充电桩负荷数据集，并进行预处理；将充电桩用户用电数据和气象数据分别输入Guest和Host，在Guest中根据充电桩用户用电数据通过训练好的第一K‑Means模型获取第一数据分布信息，在Host中根据气象数据通过训练好的第二K‑Means模型获取第二数据分布信息，并发送至Guest，在Guest中根据第一数据分布信息和第二数据分布信息计算整体数据分布信息，根据该信息获取充电桩用户用电数据画像。与现有技术相比，本发明具有安全性高、准确性高、效率高等优点。

Description

一种基于K-Means模型的充电桩用户画像方法
技术领域
本发明涉及信息处理技术领域，尤其是涉及一种基于K-Means模型的充电桩用户画像方法。
背景技术
城市电动汽车充电桩用户用电数据具有数据量大、涵盖范围广等特点，数据价值挖掘潜力巨大，相关负荷数据的聚类分析结果作为决策依据，对充电基础设施布局优化及电价电费周期性调节具备一定参考价值和指导意义。
但是，电力行业的特殊性又对用户充电数据的安全性提出了极高的要求，电力公司要求数据不出域，且充电数据涉及用户隐私，需要进一步按照法律要求保护个人隐私。
与此同时，仅从充电桩用户充电维度进行聚类分析，无法反映用户在不同天气状况下的充电行为；详细的气象数据虽然没有包含个人隐私，但由于由气象局集中掌握，从而也存在数据无法出域的问题，给联合聚类分析造成困难。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于K-Means模型的充电桩用户画像方法，安全性高，准确性高，效率高。
本发明的目的可以通过以下技术方案来实现：
一种基于K-Means模型的充电桩用户画像方法，其特征在于，包括：
将电力公司计算节点记为Guest，气象局计算节点记为Host；
采集包括相同日期的充电桩用户充电数据和气象数据的充电桩负荷数据集，并进行预处理；
将充电桩用户充电数据输入Guest，将气象数据输入Host，在Guest中根据充电桩用户用电数据通过训练好的第一K-Means模型获取第一数据分布信息，在Host中根据气象数据通过训练好的第二K-Means模型获取第二数据分布信息，并发送至Guest，在Guest中根据第一数据分布信息和第二数据分布信息计算整体数据分布信息，并根据整体数据分布信息获取充电桩用户用电数据画像；
所述的第一K-Means模型和第二K-Means模型的训练过程包括以下步骤：
S1、在Guest中采集充电桩负荷样本集XA，在Host中采集气象数据样本集XB；
S2、在Guest中生成XA的初始聚类中心及初始聚类中心对应的分类标签，在Host中生成XB的初始聚类中心及初始聚类中心对应的分类标签；
S3、在Guest中计算XA的第一样本分布信息，在Host中计算XB的第二样本分布信息，将第二样本分布信息发送至Guest，在Guest中根据第一样本分布信息和第二样本分布信息计算整体样本分布信息；
S4、在Guest中根据总体样本分布信息更新XA中各个样本的分类，获得最新分类信息，并发送至Host，在Host中根据最新分类信息更新XB中各个样本的分类；
S5、在Guest中更新XA的聚类中心的特征坐标，并计算新旧聚类中心坐标的第一偏移距离，在Host中更新XB的特征坐标，并计算新旧聚类中心坐标的第二偏移距离，将第二偏移距离发送至Guest，在Guest中根据第一偏移距离和第二偏移距离计算整体偏移距离；
S6、判断是否满足终止条件，若是则执行步骤S7，否则执行步骤S3；
S7、将Guest中第一K-Means模型的训练结果保存至本地，将Host中第二K-Means模型的训练结果保存至本地。
进一步地，所述的预处理的具体过程包括：
将XA和XB中具有相同日期的样本对齐，但不分享各自具体的样本特征值；
保留XA和XB中的连续型特征，并记录连续型特征名列表。
进一步地，所述的训练结果包括聚类数、聚类中心坐标以及连续型特征名列表。
进一步地，所述的步骤S2的具体过程包括：
接收电力公司计算节点生成的任务ID，根据任务ID的哈希值生成统一随机种子，根据随机种子生成XA和XB的初始聚类中心。
进一步地，所述的充电桩负荷样本集XA包括电力公司充电桩每日若干个时点的瞬时功率曲线；
所述的气象数据样本集XB包括每日若干个时点的气温变化曲线。
进一步地，所述的第一数据分布信息的计算过程包括：
在Guest中计算XA中每个样本特征值与每个聚类中心的距离，获得第一数据分布信息；
所述的XA中每个样本特征值与每个聚类中心的距离的计算过程包括：
假设XA中第i个样本的特征向量为：
Figure BDA0003638988470000031
其中，ma为XA的采样时点的数量；
所述的XA的第j个聚类中心坐标为：
Figure BDA0003638988470000032
计算XA中第i个样本与第j个聚类中心的距离平方，计算公式为：
Figure BDA0003638988470000033
其中，d_功率i,j为XA中第i个样本与第j个聚类中心的距离平方；
所述的第一数据分布信息和第一样本分布信息的计算方式相同。
进一步地，所述的第二数据分布信息的计算过程包括：
在Host中计算XB中每个样本特征值与每个聚类中心的距离，获得第二数据分布信息；
所述的XB中每个样本特征值与每个聚类中心的距离的计算过程包括：
假设XB中第i个样本的特征向量为：
Figure BDA0003638988470000034
其中，mb为XB的采样时点的数量；
所述的XB中第j个聚类中心坐标为：
Figure BDA0003638988470000035
计算第二距离信息，计算公式为：
Figure BDA0003638988470000036
其中，XB的第i个样本与第j个聚类中心的距离平方；
所述的第二数据分布信息和第二样本分布信息的计算方式相同。
进一步地，所述的整体数据分布信息的计算公式为：
Figure BDA0003638988470000041
所述的整体样本分布信息的计算方式与整体数据分布信息的计算方式相同。
进一步地，所述的第一偏移距离的计算公式为：
第一偏移距离＝[功率均值曲线j′-功率均值曲线j]2
所述的第二偏移距离的计算公式为：
第二偏移距离＝[气温均值曲线j′-气温均值曲线j]2。
进一步地，所述的终止条件包括：
满足以下至少一个条件：
总体偏移距离小于临界阈值tol；
到达最大迭代次数。
与现有技术相比，本发明具有如下有益效果：
(1)本发明基于纵向联邦学习技术为充电桩负荷数据的价值挖掘提供了一种基于K-Means模型的充电桩用户画像方法，将传统机器学习的K-Means聚类算法改造成一种适用于充电桩负荷曲线聚类分析模型训练的算法，实现充电桩负荷数据与气象数据的虚拟融合，能够在电力公司及气象局数据不出域的情况下，充分结合用户充电数据和气象数据进行联邦聚类分析，在保护充电桩用户隐私的前提下，通过联合聚类分析挖掘数据特征的潜在价值，对其充电行为随天气变化的变化进行精准的分类刻画，从而为充电基础设施布局优化及电价调节提供丰富的决策依据，提高了画像的准确度，并提高了充电桩负荷分析的建模效率。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
纵向联邦学习：参与方拥有相似的数据id(例如，同一组用户或相同的一组日期)，但拥有不同的特征(例如：参与方A拥有身高、体重、血压等特征，参与方B拥有消费水平、收入、信用等级等特征)。
聚类算法：一种典型的无监督机器学习算法，旨在在原始数据尚无分类标签/目标值的前提下，对数据类别进行自动划分的一种机器学习算法。
K-Means算法：经典聚类算法，在已明确需要划分的类别数的前提下，以距离为标准对数据进行类别划分，使得各聚类本身尽可能的紧凑(具有类似的特征)，而各聚类之间尽可能的分开(具有差异的特征)。
一种基于K-Means模型的充电桩用户画像方法，如图1所示，流程图符号解释：
K：分类数；
tol：用于判断算法收敛的阈值；
Guest：任务发起方，即拥有充电桩负荷数据的电力公司计算节点；
Host：任务参与方，即拥有气象数据的气象局计算节点；
XA：Guest方的数据，日期样本量n，特征数mA，例如：电力公司充电桩负荷数据每日96个时点的瞬时功率曲线；
XB：Host方的数据，日期样本量n，特征数mB，例如：气象局气象数据每日144个时点的气温变化曲线和降雨量曲线等等；
labels：样本被聚类算法分配的类别标签，例如：表示不同的用电行为模式，气温变化不同导致的用电行为变化等。
方法包括：
采集包括相同日期的充电桩用户充电数据和气象数据的充电桩负荷数据集，并进行预处理；
将充电桩用户充电数据输入Guest，将气象数据输入Host，在Guest中根据充电桩用户用电数据通过训练好的第一K-Means模型获取第一数据分布信息，在Host中根据充电桩用户用电数据通过训练好的第二K-Means模型获取第二数据分布信息，并发送至Guest，在Guest中根据第一数据分布信息和第二数据分布信息计算整体数据分布信息，并根据整体数据分布信息获取充电桩用户用电数据画像；
第一K-Means模型和第二K-Means模型的训练过程包括以下步骤：
S1、在Guest中采集充电桩负荷样本集XA，在Host中采集气象数据样本集XB；
S2、在Guest中生成XA的初始聚类中心及初始聚类中心对应的分类标签，在Host中生成XB的初始聚类中心及初始聚类中心对应的分类标签；
S3、在Guest中计算XA的第一样本分布信息，在Host中计算XB的第二样本分布信息，将第二样本分布信息发送至Guest，在Guest中根据第一样本分布信息和第二样本分布信息计算整体样本分布信息；
S4、在Guest中根据总体样本分布信息更新XA中各个样本的分类，获得最新分类信息，并发送至Host，在Host中根据最新分类信息更新XB中各个样本的分类；
S5、在Guest中更新XA的聚类中心的特征坐标，并计算新旧聚类中心坐标的第一偏移距离，在Host中更新XB的特征坐标，并计算新旧聚类中心坐标的第二偏移距离，将第二偏移距离发送至Guest，在Guest中根据第一偏移距离和第二偏移距离计算整体偏移距离；
S6、判断是否满足以下至少一个条件：
总体偏移距离小于临界阈值tol；
到达最大迭代次数；
若是则执行步骤S7，否则执行步骤S3；
S7、将Guest中第一K-Means模型的训练结果保存至本地，将Host中第二K-Means模型的训练结果保存至本地，训练结果包括聚类数、聚类中心坐标以及连续型特征名列表。
预处理的具体过程包括：
将XA和XB中具有相同日期的样本对齐，但不分享各自具体的样本特征值；
保留XA和XB中的连续型特征，并记录连续型特征名列表。
步骤S2的具体过程包括：
接收电力公司计算节点生成的任务ID，根据任务ID的哈希值生成统一随机种子，根据随机种子生成XA和XB的初始聚类中心。
充电桩负荷样本集XA包括电力公司充电桩每日若干个时点的瞬时功率曲线；
气象数据样本集XB包括每日若干个时点的气温变化曲线。
第一数据分布信息的计算过程包括：
在Guest中计算XA中每个样本特征值与每个聚类中心的距离，获得第一数据分布信息；
XA中每个样本特征值与每个聚类中心的距离的计算过程包括：
假设XA中第i个样本的特征向量为：
Figure BDA0003638988470000061
其中，ma为XA的采样时点的数量；
XA的第j个聚类中心坐标为：
Figure BDA0003638988470000071
计算XA中第i个样本与第j个聚类中心的距离平方，计算公式为：
Figure BDA0003638988470000072
其中，d_功率i,j为XA中第i个样本与第j个聚类中心的距离平方；
第一数据分布信息和第一样本分布信息的计算方式相同。
第二数据分布信息的计算过程包括：
在Host中计算XB中每个样本特征值与每个聚类中心的距离，获得第二数据分布信息；
XB中每个样本特征值与每个聚类中心的距离的计算过程包括：
假设XB中第i个样本的特征向量为：
Figure BDA0003638988470000073
其中，mb为XB的采样时点的数量；
XB中第j个聚类中心坐标为：
Figure BDA0003638988470000074
计算第二距离信息，计算公式为：
Figure BDA0003638988470000075
其中，XB的第i个样本与第j个聚类中心的距离平方；
第二数据分布信息和第二样本分布信息的计算方式相同。
整体数据分布信息的计算公式为：
Figure BDA0003638988470000076
整体样本分布信息的计算方式与整体数据分布信息的计算方式相同。
第一偏移距离的计算公式为：
第一偏移距离＝[功率均值曲线′j-功率均值曲线j]2
第二偏移距离的计算公式为：
第二偏移距离＝[气温均值曲线′j-气温均值曲线j]2。
本实施例提出了一种基于K-Means模型的充电桩用户画像方法，基于纵向联邦学习技术为充电桩负荷数据的价值挖掘提供了一个方法，将传统机器学习的K-Means聚类算法改造成一种适用于充电桩负荷曲线聚类分析模型训练的算法，实现充电桩负荷数据与气象数据的虚拟融合，能够在电力公司及气象局数据不出域的情况下，充分结合用户充电数据和气象数据进行联邦聚类分析，在保护用户隐私的同时对其充电行为随天气变化的变化进行精准的分类刻画，从而为充电基础设施布局优化及电价调节提供丰富的决策依据，并提高了充电桩负荷分析的建模效率。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于K-Means模型的充电桩用户画像方法，其特征在于，包括：
将电力公司计算节点记为Guest，气象局计算节点记为Host；
采集包括相同日期的充电桩用户充电数据和气象数据的充电桩负荷数据集，并进行预处理；
将充电桩用户充电数据输入Guest，将气象数据输入Host，在Guest中根据充电桩用户用电数据通过训练好的第一K-Means模型获取第一数据分布信息，在Host中根据气象数据通过训练好的第二K-Means模型获取第二数据分布信息，并发送至Guest，在Guest中根据第一数据分布信息和第二数据分布信息计算整体数据分布信息，并根据整体数据分布信息获取充电桩用户用电数据画像；
所述的第一K-Means模型和第二K-Means模型的训练过程包括以下步骤：
S1、在Guest中采集充电桩负荷样本集XA，在Host中采集气象数据样本集XB；
S2、在Guest中生成XA的初始聚类中心及初始聚类中心对应的分类标签，在Host中生成XB的初始聚类中心及初始聚类中心对应的分类标签；
S3、在Guest中计算XA的第一样本分布信息，在Host中计算XB的第二样本分布信息，将第二样本分布信息发送至Guest，在Guest中根据第一样本分布信息和第二样本分布信息计算整体样本分布信息；
S4、在Guest中根据总体样本分布信息更新XA中各个样本的分类，获得最新分类信息，并发送至Host，在Host中根据最新分类信息更新XB中各个样本的分类；
S5、在Guest中更新XA的聚类中心的特征坐标，并计算新旧聚类中心坐标的第一偏移距离，在Host中更新XB的特征坐标，并计算新旧聚类中心坐标的第二偏移距离，将第二偏移距离发送至Guest，在Guest中根据第一偏移距离和第二偏移距离计算整体偏移距离；
S6、判断是否满足终止条件，若是则执行步骤S7，否则执行步骤S3；
S7、将Guest中第一K-Means模型的训练结果保存至本地，将Host中第二K-Means模型的训练结果保存至本地。
2.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的预处理的具体过程包括：
将XA和XB中具有相同日期的样本对齐，但不分享各自具体的样本特征值；
保留XA和XB中的连续型特征，并记录连续型特征名列表。
3.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的训练结果包括聚类数、聚类中心坐标以及连续型特征名列表。
4.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的步骤S2的具体过程包括：
接收电力公司计算节点生成的任务ID，根据任务ID的哈希值生成统一随机种子，根据随机种子生成XA和XB的初始聚类中心。
5.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的充电桩负荷样本集XA包括电力公司充电桩每日若干个时点的瞬时功率曲线；
所述的气象数据样本集XB包括每日若干个时点的气温变化曲线。
6.根据权利要求5所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的第一数据分布信息的计算过程包括：
在Guest中计算XA中每个样本特征值与每个聚类中心的距离，获得第一数据分布信息；
所述的XA中每个样本特征值与每个聚类中心的距离的计算过程包括：
假设XA中第i个样本的特征向量为：
Figure FDA0003638988460000021
其中，ma为XA的采样时点的数量；
所述的XA的第j个聚类中心坐标为：
Figure FDA0003638988460000022
计算XA中第i个样本与第j个聚类中心的距离平方，计算公式为：
Figure FDA0003638988460000023
其中，d_功率i,j为XA中第i个样本与第j个聚类中心的距离平方；
所述的第一数据分布信息和第一样本分布信息的计算方式相同。
7.根据权利要求6所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的第二数据分布信息的计算过程包括：
在Host中计算XB中每个样本特征值与每个聚类中心的距离，获得第二数据分布信息；
所述的XB中每个样本特征值与每个聚类中心的距离的计算过程包括：
假设XB中第i个样本的特征向量为：
Figure FDA0003638988460000031
其中，mb为XB的采样时点的数量；
所述的XB中第j个聚类中心坐标为：
Figure FDA0003638988460000032
计算第二距离信息，计算公式为：
Figure FDA0003638988460000033
其中，XB的第i个样本与第j个聚类中心的距离平方；
所述的第二数据分布信息和第二样本分布信息的计算方式相同。
8.根据权利要求7所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的整体数据分布信息的计算公式为：
Figure FDA0003638988460000034
所述的整体样本分布信息的计算方式与整体数据分布信息的计算方式相同。
9.根据权利要求8所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的第一偏移距离的计算公式为：
第一偏移距离＝[功率均值曲线′j-功率均值曲线j]2
所述的第二偏移距离的计算公式为：
第二偏移距离＝[气温均值曲线′j-气温均值曲线j]2。
10.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的终止条件包括：
满足以下至少一个条件：
总体偏移距离小于临界阈值；
到达最大迭代次数。
CN202210514388.1A 2022-05-11 2022-05-11 一种基于K-Means模型的充电桩用户画像方法 Active CN114821143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210514388.1A CN114821143B (zh) 2022-05-11 2022-05-11 一种基于K-Means模型的充电桩用户画像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210514388.1A CN114821143B (zh) 2022-05-11 2022-05-11 一种基于K-Means模型的充电桩用户画像方法

Publications (2)

Publication Number Publication Date
CN114821143A true CN114821143A (zh) 2022-07-29
CN114821143B CN114821143B (zh) 2024-05-03

Family

ID=82513772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210514388.1A Active CN114821143B (zh) 2022-05-11 2022-05-11 一种基于K-Means模型的充电桩用户画像方法

Country Status (1)

Country Link
CN (1) CN114821143B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011205675A (ja) * 2011-05-24 2011-10-13 Taruno Kazuo 多機能携帯電話装置原本
CN111126880A (zh) * 2020-01-02 2020-05-08 浙江吉利新能源商用车集团有限公司 一种用户画像生成方法、装置及设备
CN113191453A (zh) * 2021-05-24 2021-07-30 国网四川省电力公司经济技术研究院 一种基于dae网络特征的用电行为画像生成方法及系统
CN113240509A (zh) * 2021-05-18 2021-08-10 重庆邮电大学 一种基于多源数据联邦学习的贷款风险评估方法
CN113344220A (zh) * 2021-06-18 2021-09-03 山东大学 一种联邦学习中基于局部模型梯度的用户筛选方法、系统、设备及存储介质
CN113672684A (zh) * 2021-08-20 2021-11-19 电子科技大学 一种面向非独立同分布数据的分层用户训练管理系统及方法
CN113706220A (zh) * 2021-09-15 2021-11-26 华人运通(上海)自动驾驶科技有限公司 用户画像确定、用户需求预测方法以及数据处理系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011205675A (ja) * 2011-05-24 2011-10-13 Taruno Kazuo 多機能携帯電話装置原本
CN111126880A (zh) * 2020-01-02 2020-05-08 浙江吉利新能源商用车集团有限公司 一种用户画像生成方法、装置及设备
CN113240509A (zh) * 2021-05-18 2021-08-10 重庆邮电大学 一种基于多源数据联邦学习的贷款风险评估方法
CN113191453A (zh) * 2021-05-24 2021-07-30 国网四川省电力公司经济技术研究院 一种基于dae网络特征的用电行为画像生成方法及系统
CN113344220A (zh) * 2021-06-18 2021-09-03 山东大学 一种联邦学习中基于局部模型梯度的用户筛选方法、系统、设备及存储介质
CN113672684A (zh) * 2021-08-20 2021-11-19 电子科技大学 一种面向非独立同分布数据的分层用户训练管理系统及方法
CN113706220A (zh) * 2021-09-15 2021-11-26 华人运通(上海)自动驾驶科技有限公司 用户画像确定、用户需求预测方法以及数据处理系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MALANDRINO F等: "The role of its in charging opportunities for evs", 《16TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》, 30 January 2014 (2014-01-30), pages 1953 - 1958 *
方杜: "基于可拓距K-均值聚类的风储联合优化配置研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2022, 15 February 2022 (2022-02-15), pages 042 - 610 *
赵俊杰等: "基于聚类分析的横向联邦学习方案", 《现代信息科技》, vol. 06, no. 08, 25 April 2022 (2022-04-25), pages 060 - 13 *
陈德忠: "基于充电行为的电动出租车充电站选址优化及推荐算法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2022, 15 February 2022 (2022-02-15), pages 034 - 136 *

Also Published As

Publication number Publication date
CN114821143B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN108564129B (zh) 一种基于生成对抗网络的轨迹数据分类方法
Kang et al. A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence
CN110852856B (zh) 一种基于动态网络表征的发票虚开识别方法
CN108596443A (zh) 一种基于多维度数据的用电客户信用等级评价方法
CN107657284A (zh) 一种基于语义相似性扩展的商品名称分类方法及系统
CN111159533A (zh) 一种基于用户画像的智能充电服务推荐方法和系统
CN102324038A (zh) 一种基于数字图像的植物种类识别方法
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111667135B (zh) 一种基于典型特征提取的负荷结构解析方法
Tomita et al. An algorithm for locating logic design errors
CN111784204A (zh) 一种基于用户用电行为画像的优质用户挖掘方法及系统
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN112001441A (zh) 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法
CN108898273A (zh) 一种基于形态分析的用户侧负荷特征聚类评价方法
Qi et al. AGFSM: an new FSM based on adapted Gaussian membership in case retrieval model for customer-driven design
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN114970693A (zh) 一种基于联邦学习的充电桩用户画像方法
Wang et al. Contrastive GNN-based Traffic Anomaly Analysis Against Imbalanced Dataset in IoT-based ITS
CN114821143A (zh) 一种基于K-Means模型的充电桩用户画像方法
CN106203449A (zh) 移动云环境的近似空间聚类系统
CN116052416A (zh) 基于道路历史数据的车流量预测方法、系统及存储介质
CN107885806A (zh) 板块智能划分方法与装置、计算设备和存储介质
CN111105303B (zh) 基于增量式网络表征学习的网络借贷欺诈检测方法
CN113435494A (zh) 低压居民用户异常用电识别方法及仿真模拟系统

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