CN115809406B - 电力用户细粒度归类方法、装置、设备及存储介质 - Google Patents
电力用户细粒度归类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115809406B CN115809406B CN202310054048.XA CN202310054048A CN115809406B CN 115809406 B CN115809406 B CN 115809406B CN 202310054048 A CN202310054048 A CN 202310054048A CN 115809406 B CN115809406 B CN 115809406B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- behavior
- label
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000007621 cluster analysis Methods 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 82
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 2
- 238000007726 management method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力管理技术，揭露了一种电力用户细粒度归类方法、装置、设备及存储介质，包括：获取数据终端，根据所述数据终端进行数据采集，得到样本数据；对所述样本数据进行用户行为分析，得到行为数据；对所述样本数据进行用电特性分析，得到用电特性标签；对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别。本发明可以提高电力用户归类的准确性。
Description
技术领域
本发明涉及电力管理技术领域，尤其涉及一种电力用户细粒度归类方法、装置、设备及存储介质。
背景技术
随着我国电力工业的高速发展，电力系统已经成为日常生活中不可缺少的部分，智能电网是未来电网的发展方向，强调电网与用户的良好互动，才能提供更好的用电管理和服务。电力系统的运行质量在一定程度上决定着基础性产业的运行，而对于居民生活来说，电力系统的稳定性以及高效性又直接影响着人们的生活质量。由于电力产品不能贮存且要求生产的连续性， 即生产、销售、供应同时完成。为了保证居民的正常生活， 电力运营管理在实际生产中对电力用户进行准确归类具有十分重要的意义。传统的电力用户归类常是基于宏观的角度，对一定范围内用户总体的用电情况展开的， 比较用户个体用电行为差异，但是这种假设忽略了居民的用电行为是具有周期性变化趋势的，采用的是粗粒度数据的用户行为分析，导致行为分析颗粒度较大，多是年度用电特征，没有细化分析用户用电日历特性、时间的用电差异性，从而导致用户归类不够准确。
综上所述，现有电力用户的归类方法存在用户归类准确性较低的问题。
发明内容
本发明提供一种电力用户细粒度归类方法、装置、设备及存储介质，其主要目的在于解决电力用户归类准确性较低的问题。
为实现上述目的，本发明提供的一种电力用户细粒度归类方法，包括：
获取数据终端，根据所述数据终端进行数据采集，得到样本数据；
对所述样本数据进行用户行为分析，得到行为数据；
对所述样本数据进行用电特性分析，得到用电特性标签；
对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别。
可选地，所述根据所述数据终端进行数据采集，得到样本数据，包括：
将所述数据终端进行系统连接，得到用户数据；
对所述用户数据进行数据清洗，得到样本数据。
可选地，所述对所述用户数据进行数据清洗，得到样本数据，包括：
对所述用户数据进行缺失值计算，得到缺失值；
根据所述缺失值进行内容填充，得到补充数据；
对所述补充数据进行格式清洗，得到样本数据。
可选地，所述对所述样本数据进行用户行为分析，得到行为数据，包括：
对所述样本数据进行时间划分，得到用户作息时间；
根据所述用户作息时间对所述样本数据进行用户行为计算，得到行为数据。
可选地，所述根据所述用户作息时间对所述样本数据进行用户行为计算，得到行为数据，包括：
利用下式对所述样本数据进行用户行为计算：
其中，表示为所述行为数据中的用户行为类型；表示为所述用户作息时间中的起始时间；表示为所述用户作息时间中的终止时间；表示为所述样本数据中的电器负荷；表示为预设的时段；表示为所述样本数据中的电量消耗水平；表示为所述样本数据中的电器类型；表示为所述样本数据中的大功率可调负荷总容量。
可选地，所述对所述样本数据进行用电特性分析，得到用电特性标签，包括；
对所述样本数据中进行分类，得到电器类型；
根据所述电器类型定义用电特性标签。
可选地，所述对所述用电特性标签及所述行为数据进行聚类分析，包括：
对所述行为数据进行随机选取，得到初始中心点以及参考数据点；
计算所述参考数据点到初始中心点的目标距离；
计算每个所述目标距离对应的行为数据的距离平方和；
对所述距离平方和进行筛选，根据筛选的结果生成聚类分析结果。
为了解决上述问题，本发明还提供一种电力用户细粒度归类装置，所述装置包括：
数据采集模块，用于获取数据终端，根据所述数据终端进行数据采集，得到样本数据；
用户行为分析模块，用于对所述样本数据进行用户行为分析，得到行为数据；
用电特性标签生成模块，用于对所述样本数据进行用电特性分析，得到用电特性标签；
聚类分析模块，用于对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的电力用户细粒度归类方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的电力用户细粒度归类方法。
本发明实施例通过根据数据终端进行数据采集，得到样本数据，在基于网络数据采集技术，得到的样本数据更加精确，同时在进行数据处理时可以节省处理时间，提高数据采集效率；通过对样本数据进行用电特性分析，得到用电特性标签，利用电力用户的电量使用习惯以及电力消费情况数据分析得到电量特性数据，有利于对电力用户进行细粒度归类，降低了用户调查成本；通过对行为数据及用电特性标签进行聚类分析，将不同的电力用户生成对应的类别，同时采用聚类分析法可以准确分析大量用电力数据，提高了用户归类的准确性。因此本发明提出的电力用户细粒度归类方法、装置、设备及存储介质，可以解决进行电力用户归类准确性较低的问题。
附图说明
图1为本发明一实施例提供的电力用户细粒度归类方法的流程示意图；
图2为本发明一实施例提供的所述根据所述数据终端进行数据采集，得到样本数据的流程示意图；
图3为本发明一实施例提供的所述对所述用电特性标签及所述行为数据进行聚类分析的流程示意图；
图4为本发明一实施例提供的电力用户细粒度归类装置的功能模块图；
图5为本发明一实施例提供的实现所述电力用户细粒度归类方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
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。
本申请实施例提供一种电力用户细粒度归类方法。所述电力用户细粒度归类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述电力用户细粒度归类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN)，以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的电力用户细粒度归类方法的流程示意图。在本实施例中，所述电力用户细粒度归类方法包括：
S1、获取数据终端，根据所述数据终端进行数据采集，得到样本数据。
请参阅图2所示，本发明实施例中，所述数据终端是对各电力用户用电信息进行采集的设备，也可以称为采集终端；所述样本数据包括家庭人口数、电力用户消费额、用电量等。
本发明实施例中，所述根据所述数据终端进行数据采集，得到样本数据，包括：
S21、将所述数据终端进行系统连接，得到用户数据；
S22、对所述用户数据进行数据清洗，得到样本数据。
本发明实施例中，系统连接是将所述用户终端连接至用户电表及网络客户端，从而获取细粒度电力用户的用电行为量测数据以及所述网络客户端包含的用户电费数据，例如，可以通过网上营业厅和电网客服电话获取用户网络行为统计数据；所述用户数据包含电力属性数据以及家庭属性数据，其中，所述电力属性数据以时间维度间隔为15分钟，获取用户一天九点至六点的用电数据，在空间维度上获取各类电器的九点至六点的用电数据；所述用电数据可以以年为单位，包括用户总电费、峰谷电费，阶梯电费等；所述网络行为统计数据可以以年为单位，包括所述电力用户登录手机客户端中网上营业厅的次数、登录网页版网上营业厅次数及拨打电网客服电话的次数等；所述家庭属性数据可以包含家庭人口数、职业、电力用户的年龄、房屋面积和主要收入者退休情况等。
本发明实施例中，所述对所述用户数据进行数据清洗，得到样本数据，包括：
对所述用户数据进行缺失值计算，得到缺失值；
根据所述缺失值进行内容填充，得到补充数据；
对所述补充数据进行格式清洗，得到样本数据。
本发明实施例中，缺失值计算是计算所述用户数中的数据缺失值比例，然后按照缺失比例和数据重要性，确定所述用户数据中的缺失值，根据所述缺失值的缺失比例和数据重要性分别设置修订策略；所述修订策略包括：对数据缺失值比例低、数据重要性高的用户数据可以通过计算进行填充，例如，某一用户的年度用电总量值缺失，可以对各月份用电量加总得到所述用电总量值；通过使用预设的替代字段对数据缺失值高、数据重要性高的用户数据进行数据补全或者去除该缺失字段并在结果中进行缺失标注；对数据缺失值比例低、数据重要性低的用户数据可以不用做处理或者进行简单数据填充；对数据缺失值比例高、重要性低的用户数据可以对该用户数据进行字段去除。
进一步地，本发明实施例中，内容填充可以采用所述用户数据的同一指标计算结果进行数据填充，所述同一指标可以为均值、中位数、众数等；格式清洗包含以下几种情况有：第一种情况，时间、日期、数值、全半角等显示格式不一致，上述问题通常与输入端有关，在整合多来源数据时也有可能出现；第二种情况，内容中有不该存在的字符，或者所述用户数据中可能只包括一部分字符，比如电力用户的身份证号是数字+字母，可能会出现身份证号中存在中间空格，也可能出现电力用户的姓名中存在数字符号、身份证号中出现汉字等问题；第三种情况，用户数据中数据栏的内容不符合该字段的内容，例如，姓名数据栏中出现性别，身份证号中含有手机号等。
S2、对所述样本数据进行用户行为分析，得到行为数据。
本发明实施例中，所述对所述样本数据进行用户行为分析，得到行为数据，包括：
对所述样本数据进行时间划分，得到用户作息时间；
根据所述用户作息时间对所述样本数据进行用户行为计算，得到行为数据。
本发明实施例中，时间划分可以根据所述样本数据中的用电量峰值进行划分，例如，将用电量大幅上升的时刻作为电力用户的起始时间；所述行为数据可以包括四种类型，早睡早起、晚睡晚起、晚起晚睡、早睡晚起、晚睡早起，将所述用户作息时间作为主要因素进行类型划分，可以更好地反映用户行为，例如，用户大部分为上班族的，因为受上班时间约束，工作日用电规律性极强，休息日居家全天用电且电器类型多；老人居家早睡早起，电量小；合租用户则会出现早期晚睡，整日持续用电的情况。
本发明实施例中，利用下式对所述样本数据进行用户行为计算：
其中，表示为所述行为数据中的用户行为类型；表示为所述用户作息时间中的起始时间；表示为所述用户作息时间中的终止时间；表示为所述样本数据中的电器负荷；表示为预设的时段；表示为所述样本数据中的电量消耗水平；表示为所述样本数据中的电器类型；表示为所述样本数据中的大功率可调负荷总容量。
具体地，本发明实施例中，所述用户作息时间是基于春秋两季的平均用电负荷曲线，截取早晚电器启停时刻作为用户的作息时间；所述电量消耗水平可以根据所述样本数据中的所述用户年用电量求得；所述电器类型可以根据用电系统中一年的用电数据求合集生成；所述大功率可调负荷总容量可以根据电器类型进行综合推算获取。
S3、对所述样本数据进行用电特性分析，得到用电特性标签。
本发明实施例中，所述对所述样本数据进行用电特性分析，得到用电特性标签，包括；
对所述样本数据中进行分类，得到电器类型；
根据所述电器类型定义用电特性标签。
本发明实施例中，所述电器类型包括可调节负荷电器、可中断负荷电器以及不可调节负荷电器；其中，所述可调节负荷电器表示为负荷不停止运行但是功率可以调节的电器，例如，空调、电暖以及电动汽车等，用户对该类电器的使用感受取决于室温舒适度及个人使用习惯，由于同一区域的温度、气候等情况类似，居民对室内温度的舒适度接受程度类似，因此一般将同一区域的该类电器的平均功率作为电力用户消费内容的第一数据，例如，将可调节负荷电量与总电量的比值作为消费内容优选指标；所述可中断负荷电器表示为负荷可停止运行并可以转移至其他时段，例如，电热水器、空调等；所述不可调节负荷电器表示为负荷不停止运动且功率不可以调节的电器，例如，普通厨电、室内照明灯以及冰箱等；所述电量特性数据表示为所述电力用户的耗电量情况，可以准确反映电力用户是否具备调控潜力的直接表现。
本发明实施例中，所述用电特性标签可以为电器构成特性标签以及电器负荷特性标签两种，其中，所述电器负荷特性标签包含所述电器类型；根据所述用电特性标签可以反映电力用户的用电习惯，从而对其进行类别划分，提高细粒度归类的准确率。
S4、对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别。
请参阅图3所示，本发明实施例中，所述对所述用电特性标签及所述行为数据进行聚类分析，包括：
S31、对所述行为数据进行随机选取，得到初始中心点以及参考数据点；
S32、计算所述参考数据点到初始中心点的目标距离；
S33、计算每个所述目标距离对应的行为数据的距离平方和；
S34、对所述距离平方和进行筛选，根据筛选的结果生成聚类分析结果。
本发明实施例中，聚类分析可以采用K均值聚类算法分析确定所述电力用户所对应的用户类别；计算初始中心点的距离可以采用欧氏距离算法，在二维空间中根据预设的距离公式计算所述初始中心点与所述行为数据中的剩余数据之间的距离；对所述距离平方和进行筛选是筛选出距离平方和计算结果最小的数据，将该最小的数据作为新的聚类中心继续与所述行为数据中剩余的数据进行距离计算，最终将每一个聚类中的所述行为数据划分为一个类别，该类别的行为数据对应的电力用户行为是相似的。
本发明实施例中，所述根据聚类分析的结果生成用户类别即为每个类别中的数据添加标签，该标签包括用电消费内容标签、用电消费周期电量标签以及用户类别标签，其中，将所述用户类别标签设置为主标签；对所述标签进行特征提取，得到最优特征集，利用预设的标签分类器对所述最优特征集进行数据训练，所述标签分类器包含多个子分类器，在进行数据训练时每个子分类器都会对聚类分析后的数据对应的用户类别进行分类，并且对分类结果进行投票计数，最终统计的每一类数据对应的票数，票数最多的类为该样本所属类别；所述用户类别包括独居老人、群租房、空置房、独居青年、普通家庭等类。
本发明提出了一种电力用户细粒度归类方法，通过根据数据终端进行数据采集，得到样本数据，在基于网络数据采集技术，得到的样本数据更加精确，同时在进行数据处理时可以节省处理时间，提高数据采集效率；通过对样本数据进行用电特性分析，得到用电特性标签，利用电力用户的电量使用习惯以及电力消费情况数据分析得到电量特性数据，有利于对电力用户进行细粒度归类，降低了用户调查成本；通过对行为数据及用电特性标签进行聚类分析，将不同的电力用户生成对应的类别，同时采用聚类分析法可以准确分析大量用电力数据，提高了用户归类的准确性。因此本发明提出的电力用户细粒度归类方法，可以解决电力用户归类准确率低的问题。
如图4所示，是本发明一实施例提供的电力用户细粒度归类装置的功能模块图。
本发明所述电力用户细粒度归类装置100可以安装于电子设备中。根据实现的功能，所述电力用户细粒度归类装置100可以包括数据采集模块101、用户行为分析模块102、用电特性标签生成模块103以及聚类分析模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据采集模块101，用于获取数据终端，根据所述数据终端进行数据采集，得到样本数据；
所述用户行为分析模块102，用于对所述样本数据进行用户行为分析，得到行为数据；
所述用电特性标签生成模块103，用于对所述样本数据进行用电特性分析，得到用电特性标签；
所述聚类分析模块104，用于对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别。
详细地，本发明实施例中所述电力用户细粒度归类装置100中所述的各模块在使用时采用与附图中所述的电力用户细粒度归类方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现电力用户细粒度归类方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如电力用户细粒度归类程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行电力用户细粒度归类程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如电力用户细粒度归类程序的代码等，还可以用于暂时的存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选的，用户接口还可以是标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当地称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理，以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的电力用户细粒度归类程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取数据终端，根据所述数据终端进行数据采集，得到样本数据；
对所述样本数据进行用户行为分析，得到行为数据；
对所述样本数据进行用电特性分析，得到用电特性标签；
对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取数据终端，根据所述数据终端进行数据采集，得到样本数据；
对所述样本数据进行用户行为分析，得到行为数据；
对所述样本数据进行用电特性分析，得到用电特性标签；
对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种电力用户细粒度归类方法，其特征在于，所述方法包括：
获取数据终端，根据所述数据终端进行数据采集，得到样本数据；
所述根据所述数据终端进行数据采集得到样本数据，包括：
将所述数据终端进行系统连接，得到用户数据；
对所述用户数据进行数据清洗，得到样本数据；
所述对所述用户数据进行数据清洗，得到样本数据，包括：
对所述用户数据进行缺失值计算得到缺失值；
根据所述缺失值进行内容填充得到补充数据；
对所述补充数据进行格式清洗得到样本数据；
计算所述用户数据的数据缺失值比例，然后按照数据缺失值比例和数据重要性确定用户数据的缺失值；根据所述缺失值的数据缺失值比例和数据重要性分别设置修订策略；所述修订策略包括：对数据缺失值比例低、数据重要性高的用户数据通过计算进行填充；通过使用预设的替代字段对数据缺失值比例高、数据重要性高的用户数据进行数据补全或者去除缺失字段并在结果中进行缺失标注；对数据缺失值比例低、数据重要性低的用户数据不做处理或者进行简单数据填充；对数据缺失值比例高、重要性低的用户数据进行字段去除；
对所述样本数据进行用户行为分析，得到行为数据；
对所述样本数据进行用电特性分析，得到用电特性标签；
对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别；
所述对所述用电特性标签及所述行为数据进行聚类分析，包括：
对所述行为数据进行随机选取，得到初始中心点以及参考数据点；
计算所述参考数据点到初始中心点的目标距离；
计算每个所述目标距离对应的行为数据的距离平方和；
对所述距离平方和进行筛选，根据筛选的结果生成聚类分析结果；
根据聚类分析结果为每个类别中的数据添加标签，该标签包括用电消费内容标签、用电消费周期电量标签以及用户类别标签，将所述用户类别标签设置为主标签；对所述主标签进行特征提取得到最优特征集，利用预设的标签分类器对所述最优特征集进行数据训练；所述标签分类器包含多个子分类器；在进行数据训练时每个子分类器对聚类分析后的数据对应的用户类别进行分类，并且对分类结果进行投票计数，最终统计的每一类数据对应的票数，票数最多的类为样本所属类别。
2.如权利要求1所述的电力用户细粒度归类方法，其特征在于，所述对所述样本数据进行用户行为分析，得到行为数据，包括：
对所述样本数据进行时间划分，得到用户作息时间；
根据所述用户作息时间对所述样本数据进行用户行为计算，得到行为数据。
3.如权利要求2所述的电力用户细粒度归类方法，其特征在于，所述根据所述用户作息时间对所述样本数据进行用户行为计算，得到行为数据，包括：
利用下式对所述样本数据进行用户行为计算：
其中，表示为所述行为数据中的用户行为类型；表示为所述用户作息时间中的起始时间；表示为所述用户作息时间中的终止时间；表示为所述样本数据中的电器负荷；表示为预设的时段；表示为所述样本数据中的电量消耗水平；表示为所述样本数据中的电器类型；表示为所述样本数据中的大功率可调负荷总容量。
4.如权利要求1所述的电力用户细粒度归类方法，其特征在于，所述对所述样本数据进行用电特性分析，得到用电特性标签，包括；
对所述样本数据中进行分类，得到电器类型；
根据所述电器类型定义用电特性标签。
5.一种电力用户细粒度归类装置，其特征在于，所述装置包括：
数据采集模块，用于获取数据终端，根据所述数据终端进行数据采集，得到样本数据；
所述根据所述数据终端进行数据采集得到样本数据，包括：
将所述数据终端进行系统连接，得到用户数据；
对所述用户数据进行数据清洗，得到样本数据；
所述对所述用户数据进行数据清洗，得到样本数据，包括：
对所述用户数据进行缺失值计算得到缺失值；
根据所述缺失值进行内容填充得到补充数据；
对所述补充数据进行格式清洗得到样本数据；
计算所述用户数据的数据缺失值比例，然后按照数据缺失值比例和数据重要性确定用户数据的缺失值；根据所述缺失值的数据缺失值比例和数据重要性分别设置修订策略；所述修订策略包括：对数据缺失值比例低、数据重要性高的用户数据通过计算进行填充；通过使用预设的替代字段对数据缺失值比例高、数据重要性高的用户数据进行数据补全或者去除缺失字段并在结果中进行缺失标注；对数据缺失值比例低、数据重要性低的用户数据不做处理或者进行简单数据填充；对数据缺失值比例高、重要性低的用户数据进行字段去除；
用户行为分析模块，用于对所述样本数据进行用户行为分析，得到行为数据；
用电特性标签生成模块，用于对所述样本数据进行用电特性分析，得到用电特性标签；
聚类分析模块，用于对所述用电特性标签及所述行为数据进行聚类分析，根据聚类分析的结果生成用户类别；
所述对所述用电特性标签及所述行为数据进行聚类分析，包括：
对所述行为数据进行随机选取，得到初始中心点以及参考数据点；
计算所述参考数据点到初始中心点的目标距离；
计算每个所述目标距离对应的行为数据的距离平方和；
对所述距离平方和进行筛选，根据筛选的结果生成聚类分析结果；
根据聚类分析结果为每个类别中的数据添加标签，该标签包括用电消费内容标签、用电消费周期电量标签以及用户类别标签，将所述用户类别标签设置为主标签；对所述主标签进行特征提取得到最优特征集，利用预设的标签分类器对所述最优特征集进行数据训练；所述标签分类器包含多个子分类器；在进行数据训练时每个子分类器对聚类分析后的数据对应的用户类别进行分类，并且对分类结果进行投票计数，最终统计的每一类数据对应的票数，票数最多的类为样本所属类别。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任意一项所述的电力用户细粒度归类方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的电力用户细粒度归类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310054048.XA CN115809406B (zh) | 2023-02-03 | 2023-02-03 | 电力用户细粒度归类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310054048.XA CN115809406B (zh) | 2023-02-03 | 2023-02-03 | 电力用户细粒度归类方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115809406A CN115809406A (zh) | 2023-03-17 |
| CN115809406B true CN115809406B (zh) | 2023-05-12 |
Family
ID=85487774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310054048.XA Active CN115809406B (zh) | 2023-02-03 | 2023-02-03 | 电力用户细粒度归类方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115809406B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543903A (zh) * | 2019-08-23 | 2019-12-06 | 国网江苏省电力有限公司电力科学研究院 | 一种gis局部放电大数据系统的数据清洗方法及系统 |
| CN114548315A (zh) * | 2022-03-02 | 2022-05-27 | 东南大学 | 基于改进半监督技术的电力居民用户画像建立方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162519A (zh) * | 2019-04-17 | 2019-08-23 | 苏宁易购集团股份有限公司 | 数据清理方法 |
| CN111144468B (zh) * | 2019-12-19 | 2023-07-18 | 国网冀北电力有限公司信息通信分公司 | 电力用户信息标签化方法和装置、电子设备以及存储介质 |
| CN111461761A (zh) * | 2020-02-29 | 2020-07-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维细粒度行为数据的居民用户画像方法 |
| CN111563071A (zh) * | 2020-04-03 | 2020-08-21 | 深圳价值在线信息科技股份有限公司 | 数据清洗方法、装置、终端设备及计算机可读存储介质 |
| CN112149879B (zh) * | 2020-09-02 | 2022-10-18 | 上海电力大学 | 一种计及宏观波动性分类的新能源中长期电量预测方法 |
| CN112732815A (zh) * | 2021-01-07 | 2021-04-30 | 永辉云金科技有限公司 | 一种外部数据管理方法、系统、设备和存储介质 |
| CN113837274A (zh) * | 2021-09-24 | 2021-12-24 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于用电特性分析的用户用电行为画像方法及装置 |
| CN114862140A (zh) * | 2022-04-20 | 2022-08-05 | 平安科技（深圳）有限公司 | 基于行为分析的潜力评估方法、装置、设备及存储介质 |
| CN115034285A (zh) * | 2022-04-22 | 2022-09-09 | 广西电网有限责任公司 | 一种基于svm-ws的智能电表故障预测方法 |
-
2023
- 2023-02-03 CN CN202310054048.XA patent/CN115809406B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543903A (zh) * | 2019-08-23 | 2019-12-06 | 国网江苏省电力有限公司电力科学研究院 | 一种gis局部放电大数据系统的数据清洗方法及系统 |
| CN114548315A (zh) * | 2022-03-02 | 2022-05-27 | 东南大学 | 基于改进半监督技术的电力居民用户画像建立方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115809406A (zh) | 2023-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144468B (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
| CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
| CN111932069A (zh) | 家庭电力用户用电能效分析方法、计算机设备、存储介质 | |
| CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
| CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
| WO2023050779A1 (zh) | 预约服务的数量分析方法、装置、设备及存储介质 | |
| CN111612228A (zh) | 一种基于用电信息的用户用电行为分析方法 | |
| CN113032403B (zh) | 数据洞察方法、装置、电子设备及存储介质 | |
| WO2021129531A1 (zh) | 一种资源分配方法、装置、设备、存储介质及计算机程序 | |
| CN113591899A (zh) | 电力客户画像识别方法、装置及终端设备 | |
| CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
| Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
| Hong et al. | Assessing users' performance to sustain off-grid renewable energy systems: The capacity and willingness approach | |
| CN114398560B (zh) | 基于web平台的营销界面设置方法、装置、设备及介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN115809406B (zh) | 电力用户细粒度归类方法、装置、设备及存储介质 | |
| CN114625975B (zh) | 一种基于知识图谱的客户行为分析系统 | |
| CN112132631A (zh) | 一种基于电力客户画像的标签用电管理方法 | |
| CN116226293A (zh) | 一种电力客户画像生成管理的方法及系统 | |
| CN116701965A (zh) | 一种基于birch聚类算法的企业用户全景碳画像方法 | |
| CN110175199A (zh) | 基于k均值聚类算法的能源企业关键用户识别分析方法 | |
| CN113435746B (zh) | 用户工作量的评分方法、装置、电子设备及存储介质 | |
| CN115081893A (zh) | 用户用电数据分析方法、装置、电子设备及可读存储介质 | |
| CN113449002A (zh) | 车辆推荐方法、装置、电子设备及存储介质 | |
| CN112529475B (zh) | 一种城乡协同发展分析的方法、装置及存储介质 |
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 |