CN116244619A - 一种数据处理方法、装置、电子设备及存储介质 - Google Patents
一种数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116244619A CN116244619A CN202310305343.8A CN202310305343A CN116244619A CN 116244619 A CN116244619 A CN 116244619A CN 202310305343 A CN202310305343 A CN 202310305343A CN 116244619 A CN116244619 A CN 116244619A
- Authority
- CN
- China
- Prior art keywords
- curve data
- data
- load curve
- determining
- clustering
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 128
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据处理方法、装置、电子设备及存储介质。该方法包括：获取与目标终端相对应的待处理用电数据；确定与聚类中心数相同数量的初始化聚类中心的聚类用电数据；确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，根据动态时间规整距离，确定各负荷曲线数据的初始化聚类中心；根据各初始化聚类中心所关联的负荷曲线数据，更新初始化聚类中心，得到目标聚类中心和所关联的负荷曲线数据，以基于各目标聚类中心所关联的负荷曲线数据确定用电属性。解决了现有技术中基于欧氏距离对用电数据处理分析，导致处理成本高，分析效果差的问题，实现提高数据处理的效率和准确性，达到提高用电属性分析准确性的效果。
Description
技术领域
本发明涉及计算机处理技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
随着大数据、物联网、通信技术的不断发展，电力行业信息化进程不断加快。为了更好地进行电力服务和管理，通常会基于用户的用电数据进行用电特性分析。
目前的用电特性分析方法，通常是使用基于欧式距离的聚类算法，对数据之间的欧式距离进行度量，此时需要两个数量对象之间的距离符合非负性、对称性和三角不等性等条件。但是在实际运算中，数据并不能完全满足这些条件，存在程序无法运算的问题，进而会导致用电特性分析准确性差的问题。
发明内容
本发明提供了一种数据处理方法、装置、电子设备及存储介质，以实现提高数据处理的效率和准确性，进而达到提高用电属性分析的准确性。
根据本发明的一方面，提供了一种数据处理方法，该方法包括：
获取与目标终端相对应的待处理用电数据，其中，所述待处理用电数据中包括多个负荷曲线数据；
从所述多个负荷曲线数据中确定出与预先确定的聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据；其中，所述聚类中心数是基于Canopy算法对所述多个负荷曲线数据进行分组处理得到的；
分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，并根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定各负荷曲线数据所隶属的初始化聚类中心；
根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及所述目标聚类中心所关联的至少一个负荷曲线数据，以基于各所述目标聚类中心所关联的至少一个负荷曲线数据确定所述目标终端对应用户的用电属性。
根据本发明的另一方面，提供了一种数据处理装置，该装置包括：
数据获取模块，用于获取与目标终端相对应的待处理用电数据，其中，所述待处理用电数据中包括多个负荷曲线数据；
聚类中心确定模块，用于从所述多个负荷曲线数据中确定出与预先确定的聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据；其中，所述聚类中心数是基于Canopy算法对所述多个负荷曲线数据进行分组处理得到的；
距离确定模块，用于分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，并根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定各负荷曲线数据所隶属的初始化聚类中心；
用电属性确定模块，用于根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及所述目标聚类中心所关联的至少一个负荷曲线数据，以基于各所述目标聚类中心所关联的至少一个负荷曲线数据确定所述目标终端对应用户的用电属性。
根据本发明的另一方面，提供了一种电子设备，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本发明任一实施例所述的数据处理方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的数据处理方法。
本发明实施例的技术方案，通过获取与目标终端相对应的多个负荷曲线数据，并基于Canopy算法对多个负荷曲线数据进行分组处理得到聚类中心数。进一步的，从多个负荷曲线数据中确定出与聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据，分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，、根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定负荷曲线数据所隶属的初始化聚类中心。根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及关联的至少一个负荷曲线数据，以基于各目标聚类中心所关联的至少一个负荷曲线数据确定目标终端对应用户的用电属性，解决了现有技术中基于欧氏距离对用电数据进行处理分析，导致处理成本高，分析效果差的问题，实现了通过Canopy算法对多个负荷曲线数据进行分组处理得到聚类中心数，并将聚类中心数作为聚类的初始数值，减低聚类处理成本。进一步的，通过确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，以基于动态时间规整距离表征两个时间序列数据的相似度，进而根据各负荷曲线数据所对应的至少一个动态时间规整距离，实现对各负荷曲线数据的分配，确定负荷曲线数据所隶属的初始化聚类中心，提高聚类的准确性。还根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到最终的聚类结果，以基于最终的聚类结果分析得到目标终端对应用户的用电属性，提高用电属性分析的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种数据处理方法的流程图；
图2是根据本发明实施例二所提供的数据处理方法示意图；
图3是根据本发明实施例二所提供的用于表征距离矩阵的示意图；
图4是根据本发明实施例三提供的一种数据处理装置的结构示意图；
图5是实现本发明实施例的数据处理方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种数据处理方法的流程图，本实施例可适用于分析终端用户的用电属性的情况，该方法可以由数据处理装置来执行，该数据处理装置可以采用硬件和/或软件的形式实现，该数据处理装置可配置于计算设备中。如图1所示，该方法包括：
S110、获取与目标终端相对应的待处理用电数据。
其中，目标终端可以为电表，也可以为任意用电设备。待处理用电数据中包括多个负荷曲线数据，负荷曲线数据中包括随时间变化的用电负荷数据，用电负荷是指电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，可表征电量的使用情况。
在本实施例中，可以使用接口本地调用或者通过网络远程调用目标终端在预设时长内的负荷曲线数据作为待处理用电数据。
S120、从多个负荷曲线数据中确定出与预先确定的聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据。
其中，聚类中心数是基于Canopy算法对多个负荷曲线数据进行分组处理得到的。
在本实施例中，可以从多个负荷曲线数据中随机或者条件选取出与聚类中心数相同数量的负荷曲线数据，作为初始化聚类中心的聚类用电数据，此时选取出的聚类用电数据数量与聚类中心数相同，即确定出了初始化聚类中心，以使后续基于初始化聚类中心对负荷曲线数据进行聚类处理。
为了提高聚类的准确性和便捷性，可以通过Canopy算法对多个负荷曲线数据进行分组处理，确定聚类中心数。具体来说，确定聚类中心数的实现方式可以是：基于多个负荷曲线数据，确定待使用曲线数据集；其中，待使用曲线数据集包括多个待使用曲线数据；从多个待使用曲线数据中确定出基准曲线数据和区别于基准曲线数据的区别曲线数据，并将基准曲线数据从待使用曲线数据集中删除；分别确定各区别曲线数据与基准曲线数据的相对误差值；基于相对误差值、第一预设阈值和第二预设阈值，确定是否包含与基准曲线数据关联的关联曲线数据和/或不关联的无关曲线数据；若包含无关曲线数据，则将无关曲线数据作为新的基准曲线数据，更新基准曲线数据；和/或，若包含关联曲线数据，则将关联曲线数据从待使用曲线数据集中删除，更新待使用曲线数据集，以得到待使用曲线数据的数量；基于数量、预设数值以及基准曲线数据，确定聚类中心数。
其中，第二预设阈值是基于多个负荷曲线数据的平均距离确定的。两个负荷曲线数据的距离可以用余弦距离、欧氏距离、曼哈顿距离、马氏距离等进行表示，不做限定。该距离可表征两条曲线数据之间的相似程度。平均距离可以为两两负荷曲线数据的距离之和与负荷曲线数据的数量的商值。第二预设阈值可以为预设第一倍数的平均距离，预设第一倍数可以为2。第一预设阈值大于第二预设阈值，第一预设阈值可以为预设第二倍数的第二预设阈值，预设第二倍数可以为2。例如，假设平均距离为L，第二预设阈值T2＝2L，第一预设阈值T1＝2T2。预设数值可以为0。
在本实施例中，可以将多个负荷曲线数据组成一个集合，作为待使用曲线数据集，将待使用曲线数据集中的负荷曲线数据作为待使用曲线数据。可以从多个待使用曲线数据中任意选取出一个待使用曲线数据作为基准曲线数据，并将其他的待使用曲线数据作为区别于该基准曲线数据的区别曲线数据。进一步的，可以分别计算各区别曲线数据与基准曲线数据之间的距离，将该距离作为相对误差值。可以将每个相对误差值和第一预设阈值、第二预设阈值进行比较，判断基准曲线数据与各区别曲线数据之间的关联关系，确定是否包含与基准曲线数据关联的关联曲线数据和/或不关联的无关曲线数据。例如，可以相对误差值将小于第二预设阈值的区别曲线数据作为关联曲线数据，将大于第一预设阈值的区别曲线数据作为无关曲线数据。如果存在无关曲线数据，可以将该无关曲线数据作为新的基准曲线数据，更新基准曲线数据。如果包含关联曲线数据，则说明关联曲线数据存在与之距离很相近的基准曲线数据，后续无需在比较，此时可以将关联曲线数据从待使用曲线数据集中删除，更新待使用曲线数据集。进一步的，可以统计待使用曲线数据集中的待使用曲线数据的数量，进而将该数量和预设数值0进行比对，确定待使用曲线数据集中是否还存在未被分配的待使用曲线数据，如果待使用曲线数据集为空，可以将此时得到的基准曲线数据的数目作为聚类中心数，否则，可以继续基于更新后的基准曲线数据和待使用曲线数据重新确定聚类中心数。
在本实施例中，基于相对误差值、第一预设阈值和第二预设阈值，确定是否包含与基准曲线数据关联的关联曲线数据和/或不关联的无关曲线数据，包括：若相对误差值未小于第一预设阈值，则将相对误差值对应的区别曲线数据作为无关曲线数据；若相对误差值未大于第二预设阈值，则将相对误差值对应的区别曲线数据作为关联曲线数据。
具体的，将相对误差值与第一预设阈值、第二预设阈值进行比对，如果相对误差值未小于第一预设阈值，则将此相对误差值对应的区别曲线数据作为无关曲线数据；如果相对误差值未大于第二预设阈值，则将此相对误差值对应的区别曲线数据作为关联曲线数据。
在本实施例中，基于数量、预设数值以及基准曲线数据，确定聚类中心数，包括：若数量大于预设数值，则基于更新后的基准曲线数据与待使用曲线数据集重新确定区别曲线数据，以得到相对误差值和待使用曲线数据的数量，确定聚类中心数；若数量未大于预设数值，则将基准曲线数据的数目作为聚类中心数。
具体的，可以将数量和预设数值0进行比对，如果数量大于0，则说明待使用曲线数据集中还存在未被分配的待使用曲线数据，可以基于更新后的基准曲线数据与待使用曲线数据集重新确定区别曲线数据。基于重新确定的区别曲线数据和更新后的基准曲线数据之间的，基于相对误差值，继续确定无关曲线数据和关联曲线数据，以得到待使用曲线数据的数量。可以在数量未大于预设数值0时，认为待使用曲线数据集为空，结束重复操作。可以将此时得到的基准曲线数据的数目作为聚类中心数。
示例性的，可利用Canopy算法确定初始聚类数目k值。例如，可以将用电数据集(即待处理用电数据)组成一个集合H(即待使用曲线数据集)。利用Canopy方法选取两个阈值(即第一预设阈值T1和第二预设阈值T2)，T2取所有负荷曲线数据平均距离的2倍，T1＝2T2(T1>T2)；然后，从数据集H中任取一条负荷曲线Ri，作为第1个Canopy(即基准曲线数据)，将作为Canopy的负荷曲线应从数据集H中删除；进而，计算数据集H中其他每条待使用曲线数据(称区别曲线数据)与所有Canopy(Rj)的距离(即相对误差值)Ui-j。若Ui-j≤T2，则将其归入此Rj类别，并将对应的待使用曲线数据删除；若与所有Canopy的距离满足Ui-j≥T1，则将该区别曲线数据当作一个新的Canopy；若该区别曲线数据到某个Canopy距离Ui-j≤T1，并在其与所有Canopy距离计算完成后依然未归入任何Canopy，则将其作为一个新的Canopy；最后，重复计算数据集H中其他每条待使用曲线数据(称区别曲线数据)与所有Canopy(Rj)的距离(即相对误差值)Ui-j。直至数据集为空结束，将将Canopy的数目作为聚类中心数。通过利用Canopy方法确定聚类中心数的方式，可实现聚类数目K值的自动选择，避免人工参与，在减少运算成本的同时，提高聚类效率。
S130、分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，并根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定各负荷曲线数据所隶属的初始化聚类中心。
需要说明的是，负荷曲线数据是时间序列数据，两个负荷曲线数据可能存在时间不同步、序列长短不一等情况。为了提高聚类准确性，可以使用DTW(Dynamic TimeWarping，动态时间规整)算法分别确定各负荷曲线数据与每一个聚类用电数据在时间序列维度上的相似性作为动态时间规整距离。以基于动态时间规整距离来衡量两个长度不同的时间序列的相似度。进一步的，可以根据各负荷曲线数据所对应的至少一个动态时间规整距离，将负荷曲线数据分配至动态时间规整距离最小的初始化聚类中心。
在本实施例中，为了提高数据处理的快捷性，确定负荷曲线数据与聚类用电数据的动态时间规整距离，包括：分别确定负荷曲线数据中至少一个时刻所对应的第一用电信息与聚类用电数据中至少一个时刻所对应的第二用电信息之间的距离信息，以基于各距离信息，得到距离矩阵；对距离矩阵进行搜索，确定从距离矩阵中第一位置到第二位置的最短路径；基于最短路径上的各距离值，确定负荷曲线数据与聚类用电数据之间的动态时间规整距离。
其中，第一位置上的距离值可以为负荷曲线数据中第一个时刻所对应的第一用电信息与聚类用电数据中第一个时刻所对应的第二用电信息之间的距离信息，例如，可以为距离矩阵左下角位置。第二位置上的距离值可以为负荷曲线数据中最后一个时刻所对应的第一用电信息与聚类用电数据中最后一个时刻所对应的第二用电信息之间的距离信息，例如，可以为距离矩阵右向角位置。
在本实施例中，可以计算负荷曲线数据中每一个时刻的第一用电信息与聚类用电数据中每一个时刻的第二用电信息之间的差值，作为距离信息。例如，假设负荷曲线数据中T1时刻的第一用电信息为6，聚类用电数据中T5时刻的第二用电信息为10，则差值4为距离信息。可以基于各距离信息生成距离矩阵。例如，负荷曲线数据中包括M个时刻的第一用电信息，聚类用电数据中N个时刻的第二用电信息，距离矩阵则为M×N的矩阵。如果距离矩阵中的左下角为两项数据中第一个时刻所对应的距离值，那么可以将左下角位置(T1，T1)作为第一位置，将右上角位置(TM，TN)作为第二位置。从距离矩阵中的第一位置开始向第二位置方向进行搜索，将第一位置作为最短路径的起始点，将第一位置周围位置的最小距离信息作为下一个路径点，逐次查找下一个路径点，直至查找到第二位置，将第二位置作为最短路径的终止点，得到从第一位置到第二位置的最短路径。可以统计该条最短路径上的各距离值，确定各距离值之和，可以将和值作为负荷曲线数据与聚类用电数据之间的动态时间规整距离。
示例性的，假设从待处理用电数据中提取一个时间序列Ri(即负荷曲线数据)，序列Ri＝{1,2,2,3,4}，聚类用电数据Rj＝{2,2,4,5,6,8}。距离矩阵T可以为
从a11(即第一位置)到a56(即第二位置)搜索最短路径，在a11向a56方向的周围位置a12、a22、a22中最小距离值为0，在a22向a56方向的周围位置a23、a33、a32中最小距离值为0，a32向a56方向的周围位置a43、a33、a42中最小距离值为1，a43向a56方向的周围位置a44、a54、a53中最小距离值为0，后即为a54、a55、a56，最短路径为：a11、a22、a32、a43、a54、a55、a56，动态时间规整距离为1+0+0+1+0+1+2+4＝9。
在本实施例中，根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定各负荷曲线数据所隶属的初始化聚类中心，包括：对于各负荷曲线数据，确定当前负荷曲线数据的最小动态时间规整距离所对应的待使用聚类用电数据；将待使用聚类用电数据所对应的初始化聚类中心作为当前负荷曲线数据所隶属的初始化聚类中心。
具体的，可以选择当前负荷曲线数据所对应的各动态时间规整距离中的最小值作为最小动态时间规整距离，该最小动态时间规整距离所对应的聚类用电数据即为当前负荷曲线数据所隶属的初始化聚类中心的聚类用电数据，将当前负荷曲线数据划分至该初始化聚类中心，相应的，可以将每一个负荷曲线数据分配至与之对应的动态时间规整距离最小的初始化聚类中心。
S140、根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及目标聚类中心所关联的至少一个负荷曲线数据，以基于各目标聚类中心所关联的至少一个负荷曲线数据确定目标终端对应用户的用电属性。
其中，用电属性可以用于表征用电性质，例如，消费电能的行为特征、用电的时间特性、用电场所、环境、目的等等。
在本实施例中，在基于各负荷曲线数据的多个动态时间规整距离，确定出每个负荷曲线数据所隶属的初始化聚类中心之后，分成了与聚类中心数相同数量的簇，每个簇对应一个初始化聚类中心。可以选取每个簇中位置最中心的负荷曲线数据，将该中心的负荷曲线数据作为该簇新的初始化聚类中心的聚类用电数据，即更新初始化聚类中心。进一步的，可以继续确定各负荷曲线数据与更新后的聚类用电数据之间的动态时间规整距离，将各负荷曲线数据分配至动态时间规整距离最小的初始化聚类中心。可以迭代直到簇中数据分布不再变化时结束，得到最终的初始化聚类中心作为目标聚类中心。相应的，得到每个目标聚类中心所关联的至少一个负荷曲线数据。可以通过评估各目标聚类中心所关联的至少一个负荷曲线数据，分析出目标终端对应用户的用电属性，以依据用电属性改善供电质量、提供服务水平。
在本实施例中，选取簇中心点的方式可以是：对于各簇，依据当前簇中所有其他点到中心点的距离之和最小的准则函数，确定当前簇的中心点，也就是说，在每一个簇中，选取准则函数最小时对应的点可作为新的medoids(即初始化聚类中心)。
在本实施例中，根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及目标聚类中心所关联的至少一个负荷曲线数据，包括：对于各初始化聚类中心，基于当前初始化聚类中心所关联的至少一个负荷曲线数据，确定中心点用电数据；基于中心点用电数据更新当前初始化聚类中心的聚类用电数据，以基于更新后的各初始化聚类中心和相应的聚类用电数据，确定至少一个目标聚类中心和关联的至少一个负荷曲线数据。
具体的，可以将当前初始化聚类中心所关联的各聚类用电数据作为一个簇，随机或条件选取该簇内的一聚类用电数据作为中心点数据，确定其他各聚类用电数据到该中心点数据的距离信息(如动态时间规整距离)，得到距离之和，相应的，可以将该簇内的每一个聚类用电数据均作为一次中心点数据，得到多个中心点数据对应的距离之和。可以将距离之和最小的中心点数据作为中心点用电数据。将该中心点用电数据作为当前簇的中心点，即作为新的初始化聚类中心的聚类用电数据。可迭代执行S140步骤中根据各初始化聚类中心所关联的至少一个聚类用电数据，更新相应初始化聚类中心的操作。可以在迭代次数达到预设阈值，或者簇中数据分布不再变化，又或者是簇中初始化聚类中心不再发生变化时迭代结束，得到至少一个目标聚类中心以及目标聚类中心所关联的至少一个负荷曲线数据。
本实施例的技术方案，通过获取与目标终端相对应的多个负荷曲线数据，并基于Canopy算法对多个负荷曲线数据进行分组处理得到聚类中心数。进一步的，从多个负荷曲线数据中确定出与聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据，分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，、根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定负荷曲线数据所隶属的初始化聚类中心。根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及关联的至少一个负荷曲线数据，以基于各目标聚类中心所关联的至少一个负荷曲线数据确定目标终端对应用户的用电属性，解决了现有技术中基于欧氏距离对用电数据进行处理分析，导致处理成本高，分析效果差的问题，实现了通过Canopy算法对多个负荷曲线数据进行分组处理得到聚类中心数，并将聚类中心数作为聚类的初始数值，减低聚类处理成本。进一步的，通过确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，以基于动态时间规整距离表征两个时间序列数据的相似度，进而根据各负荷曲线数据所对应的至少一个动态时间规整距离，实现对各负荷曲线数据的分配，确定负荷曲线数据所隶属的初始化聚类中心，提高聚类的准确性。还根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到最终的聚类结果，以基于最终的聚类结果分析得到目标终端对应用户的用电属性，提高用电属性分析的准确性。
实施例二
作为上述实施例的一可选实施例，为了使本领域技术人员进一步清楚本发明实施例的技术方案，给出具体的应用场景实例。具体的，可以参见下述具体内容。
示例性的，参见图2，首先，可以获取终端用户的用电数据(即待处理用电数据)，进而对用电数据进行规范化处理，例如，可以对用电数据中异常值进行清洗处理，或者也可以是将用电数据整理成预设格式(如表格格式或XML格式)，提高数据处理的效率，得到处理后的用电数据。进一步的，可以利用Canopy算法确定后续k-medoids初始聚类数目的k值(即聚类中心数)。聚类中心数确定的方式可以是：1、将所有用电数据组成一个集合H(即待使用曲线数据集)，利用Canopy方法假设两个阈值，T1(即第一预设阈值)与T2(即第二预设阈值)，例如，T2取所有用电数据的平均距离的2倍，T1＝2T2，T1>T2；2、从数据集中任取一个负荷曲线数据Ri，作为第1个Canopy(即基准曲线数据)，将作为Canopy的负荷曲线数据从数据集中去除；3、计算数据集H中其他每条负荷曲线数据与所有Canopy(Rj)的距离Ui-j。若Ui-j≤T2，则将负荷曲线数据归入此Rj类别；若负荷曲线数据与所有Canopy的距离均满足Ui-j≥T1，则将该负荷曲线数据当作一个新的Canopy；若该负荷曲线数据到某个Canopy距离Ui-j≤T1，并在其与所有Canopy距离计算完成后依然未归入任何Canopy，则将其作为一个新的Canopy；4、重复第3步，直至数据集为空，将Canopy的数量作为待划分的聚类数K(即聚类中心数)。通过此过程，可以实现k-medoids方法中聚类数目K值的自动选择，避免人工参与，减少运算时间。
在上述方案的基础上，可以从用电数据(包括多个负荷曲线数据)中随机或条件选取与K值数量相同的负荷曲线数据，作为初始化聚类中心的聚类用电数据。可确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离(DTW距离)。例如，从用电数据中提取两个负荷曲线数据，负荷曲线数据为时间序列，如，序列Ri＝{t1,t2,…,tm}和Rj＝{r1,r2,…,rn}，m和n分别表示序列中数据的个数。如图3所示，由黑色正方形组成的路径表示序列Ri和Rj的最短路径。可以通过对路径作约束，确定最短路径，例如，约束条件为：1)起点为(1,1)，终点为(m,n)；2)路径曲线连续且单调不减。路径可以表示成Q＝{q1,q2,…,qs,…,qm}，路径中元素(如图中黑色正方形)可以为z个。元素qs是路径上第s个点的坐标，即qs＝(i,j)，表示序列Ri中ti和序列Rj中rj相对应，ti和rj之间的距离为d(qs)＝d(i,j)＝|ti-rj|。此时，序列Ri和Rj中的元素不仅仅是一一对应关系，还可以是“一对多”或“多对一”。可将Q的所有可能性组成路径空间W。在W中存在一条最优路径使
最小。Ri和Rj的DTW距离为/>
可以基于DTW距离将负荷曲线数据划分到DTW距离最小的聚类中心内。可继续确定每个簇内的中心点更新聚类中心，基于更新后的聚类中心重新对负荷曲线数据划分，可迭代至聚类中心不发生变化时结束，得到最终的聚类中心作为目标聚类中心。最终将用电信息数据合理的划分为k个聚类，实现对用电数据的特性分析。
本实施例的技术方案，通过采用Canopy算法对数据进行粗处理，并确定初始聚类数目K。进而通过对每类聚类中心曲线进行基于DTW距离的相似度计算，不仅通过弯曲时间达到时间序列数据点“一对多”的匹配，消除欧氏距离等“点对点”的匹配缺陷，实现不等长距离的度量，还可针对时间序列的偏移、振幅变化等情况具有较强的鲁棒性，能更充分地反映序列的整体动态特性，提高用电分析的准确性，使得可以完整细致地展现了各类用户的用电特性，能够为配网运行和供电方提供供电指导。
实施例三
图4是根据本发明实施例三提供的一种数据处理装置的结构示意图。如图4所示，该装置包括：数据获取模块210、聚类中心确定模块220、距离确定模块230和用电属性确定模块240。
其中，数据获取模块210，用于获取与目标终端相对应的待处理用电数据，其中，所述待处理用电数据中包括多个负荷曲线数据；聚类中心确定模块220，用于从所述多个负荷曲线数据中确定出与预先确定的聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据；其中，所述聚类中心数是基于Canopy算法对所述多个负荷曲线数据进行分组处理得到的；距离确定模块230，用于分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，并根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定各负荷曲线数据所隶属的初始化聚类中心；用电属性确定模块240，用于根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及所述目标聚类中心所关联的至少一个负荷曲线数据，以基于各所述目标聚类中心所关联的至少一个负荷曲线数据确定所述目标终端对应用户的用电属性。
本实施例的技术方案，通过获取与目标终端相对应的多个负荷曲线数据，并基于Canopy算法对多个负荷曲线数据进行分组处理得到聚类中心数。进一步的，从多个负荷曲线数据中确定出与聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据，分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，、根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定负荷曲线数据所隶属的初始化聚类中心。根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及关联的至少一个负荷曲线数据，以基于各目标聚类中心所关联的至少一个负荷曲线数据确定目标终端对应用户的用电属性，解决了现有技术中基于欧氏距离对用电数据进行处理分析，导致处理成本高，分析效果差的问题，实现了通过Canopy算法对多个负荷曲线数据进行分组处理得到聚类中心数，并将聚类中心数作为聚类的初始数值，减低聚类处理成本。进一步的，通过确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，以基于动态时间规整距离表征两个时间序列数据的相似度，进而根据各负荷曲线数据所对应的至少一个动态时间规整距离，实现对各负荷曲线数据的分配，确定负荷曲线数据所隶属的初始化聚类中心，提高聚类的准确性。还根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到最终的聚类结果，以基于最终的聚类结果分析得到目标终端对应用户的用电属性，提高用电属性分析的准确性。
在上述装置的基础上，可选的，所述装置还包括：聚类中心数确定模块，所述聚类中心数确定模块包括数据集确定单元、基准曲线数据确定单元、相对误差值确定单元、判断单元、更新单元和聚类中心数确定单元。
数据集确定单元，用于基于所述多个负荷曲线数据，确定待使用曲线数据集；其中，所述待使用曲线数据集包括多个待使用曲线数据；
基准曲线数据确定单元，用于从所述多个待使用曲线数据中确定出基准曲线数据和区别于所述基准曲线数据的区别曲线数据，并将所述基准曲线数据从所述待使用曲线数据集中删除；
相对误差值确定单元，用于分别确定各所述区别曲线数据与所述基准曲线数据的相对误差值；
判断单元，用于基于所述相对误差值、第一预设阈值和第二预设阈值，确定是否包含与所述基准曲线数据关联的关联曲线数据和/或不关联的无关曲线数据；其中，所述第二预设阈值是基于所述多个负荷曲线数据的平均距离确定的，所述第一预设阈值大于所述第二预设阈值；
更新单元，用于若包含所述无关曲线数据，则将所述无关曲线数据作为新的基准曲线数据，更新所述基准曲线数据；和/或，若包含所述关联曲线数据，则将所述关联曲线数据从所述待使用曲线数据集中删除，更新所述待使用曲线数据集，以得到所述待使用曲线数据的数量；
聚类中心数确定单元，用于基于所述数量、预设数值以及所述基准曲线数据，确定所述聚类中心数。
在上述装置的基础上，可选的，所述判断单元包括第一判断子单元和第二判断子单元。
第一判断子单元，用于若所述相对误差值未小于所述第一预设阈值，则将所述相对误差值对应的区别曲线数据作为无关曲线数据；
第二判断子单元，用于若所述相对误差值未大于所述第二预设阈值，则将所述相对误差值对应的区别曲线数据作为关联曲线数据。
在上述装置的基础上，可选的，所述聚类中心数确定单元包括第一确定子单元和第二确定子单元。
第一确定子单元，用于若所述数量大于所述预设数值，则基于更新后的基准曲线数据与待使用曲线数据集重新确定区别曲线数据，以得到相对误差值和待使用曲线数据的数量，确定聚类中心数；
第二确定子单元，用于若所述数量未大于所述预设数值，则将所述基准曲线数据的数目作为所述聚类中心数。
在上述装置的基础上，可选的，所述距离确定模块230包括距离矩阵确定单元、最短路径确定单元和距离确定单元。
距离矩阵确定单元，用于分别确定所述负荷曲线数据中至少一个时刻所对应的第一用电信息与所述聚类用电数据中至少一个时刻所对应的第二用电信息之间的距离信息，以基于各所述距离信息，得到距离矩阵；
最短路径确定单元，用于对所述距离矩阵进行搜索，确定从所述距离矩阵中第一位置到第二位置的最短路径；
距离确定单元，用于基于所述最短路径上的各距离值，确定所述负荷曲线数据与所述聚类用电数据之间的动态时间规整距离。
在上述装置的基础上，可选的，所述距离确定模块230还包括待使用聚类用电数据确定单元和初始化聚类中心确定单元。
待使用聚类用电数据确定单元，用于对于各负荷曲线数据，确定当前负荷曲线数据的最小动态时间规整距离所对应的待使用聚类用电数据；
初始化聚类中心确定单元，用于将所述待使用聚类用电数据所对应的初始化聚类中心作为所述当前负荷曲线数据所隶属的初始化聚类中心。
在上述装置的基础上，可选的，所述用电属性确定模块240包括中心点用电数据确定单元和目标聚类中心确定单元。
中心点用电数据确定单元，用于对于各初始化聚类中心，基于当前初始化聚类中心所关联的至少一个负荷曲线数据，确定中心点用电数据；
目标聚类中心确定单元，用于基于所述中心点用电数据更新所述当前初始化聚类中心的聚类用电数据，以基于更新后的各初始化聚类中心和相应的聚类用电数据，确定至少一个目标聚类中心和关联的至少一个负荷曲线数据。
本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5是实现本发明实施例的数据处理方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如数据处理方法。
在一些实施例中，数据处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种数据处理方法，其特征在于，包括：
获取与目标终端相对应的待处理用电数据，其中，所述待处理用电数据中包括多个负荷曲线数据；
从所述多个负荷曲线数据中确定出与预先确定的聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据；其中，所述聚类中心数是基于Canopy算法对所述多个负荷曲线数据进行分组处理得到的；
分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，并根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定各负荷曲线数据所隶属的初始化聚类中心；
根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及所述目标聚类中心所关联的至少一个负荷曲线数据，以基于各所述目标聚类中心所关联的至少一个负荷曲线数据确定所述目标终端对应用户的用电属性。
2.根据权利要求1所述的方法，其特征在于，确定所述聚类中心数，包括：
基于所述多个负荷曲线数据，确定待使用曲线数据集；其中，所述待使用曲线数据集包括多个待使用曲线数据；
从所述多个待使用曲线数据中确定出基准曲线数据和区别于所述基准曲线数据的区别曲线数据，并将所述基准曲线数据从所述待使用曲线数据集中删除；
分别确定各所述区别曲线数据与所述基准曲线数据的相对误差值；
基于所述相对误差值、第一预设阈值和第二预设阈值，确定是否包含与所述基准曲线数据关联的关联曲线数据和/或不关联的无关曲线数据；其中，所述第二预设阈值是基于所述多个负荷曲线数据的平均距离确定的，所述第一预设阈值大于所述第二预设阈值；
若包含所述无关曲线数据，则将所述无关曲线数据作为新的基准曲线数据，更新所述基准曲线数据；和/或，若包含所述关联曲线数据，则将所述关联曲线数据从所述待使用曲线数据集中删除，更新所述待使用曲线数据集，以得到所述待使用曲线数据的数量；
基于所述数量、预设数值以及所述基准曲线数据，确定所述聚类中心数。
3.根据权利要求2所述的方法，其特征在于，所述基于所述相对误差值、第一预设阈值和第二预设阈值，确定是否包含与所述基准曲线数据关联的关联曲线数据和/或不关联的无关曲线数据，包括：
若所述相对误差值未小于所述第一预设阈值，则将所述相对误差值对应的区别曲线数据作为无关曲线数据；
若所述相对误差值未大于所述第二预设阈值，则将所述相对误差值对应的区别曲线数据作为关联曲线数据。
4.根据权利要求2所述的方法，其特征在于，所述基于所述数量、预设数值以及所述基准曲线数据，确定所述聚类中心数，包括：
若所述数量大于所述预设数值，则基于更新后的基准曲线数据与待使用曲线数据集重新确定区别曲线数据，以得到相对误差值和待使用曲线数据的数量，确定聚类中心数；
若所述数量未大于所述预设数值，则将所述基准曲线数据的数目作为所述聚类中心数。
5.根据权利要求1所述的方法，其特征在于，确定负荷曲线数据与聚类用电数据的动态时间规整距离，包括：
分别确定所述负荷曲线数据中至少一个时刻所对应的第一用电信息与所述聚类用电数据中至少一个时刻所对应的第二用电信息之间的距离信息，以基于各所述距离信息，得到距离矩阵；
对所述距离矩阵进行搜索，确定从所述距离矩阵中第一位置到第二位置的最短路径；
基于所述最短路径上的各距离值，确定所述负荷曲线数据与所述聚类用电数据之间的动态时间规整距离。
6.根据权利要求1所述的方法，其特征在于，所述根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定各负荷曲线数据所隶属的初始化聚类中心，包括：
对于各负荷曲线数据，确定当前负荷曲线数据的最小动态时间规整距离所对应的待使用聚类用电数据；
将所述待使用聚类用电数据所对应的初始化聚类中心作为所述当前负荷曲线数据所隶属的初始化聚类中心。
7.根据权利要求1所述的方法，其特征在于，所述根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及所述目标聚类中心所关联的至少一个负荷曲线数据，包括：
对于各初始化聚类中心，基于当前初始化聚类中心所关联的至少一个负荷曲线数据，确定中心点用电数据；
基于所述中心点用电数据更新所述当前初始化聚类中心的聚类用电数据，以基于更新后的各初始化聚类中心和相应的聚类用电数据，确定至少一个目标聚类中心和关联的至少一个负荷曲线数据。
8.一种数据处理装置，其特征在于，包括：
数据获取模块，用于获取与目标终端相对应的待处理用电数据，其中，所述待处理用电数据中包括多个负荷曲线数据；
聚类中心确定模块，用于从所述多个负荷曲线数据中确定出与预先确定的聚类中心数相同数量的初始化聚类中心所对应的聚类用电数据；其中，所述聚类中心数是基于Canopy算法对所述多个负荷曲线数据进行分组处理得到的；
距离确定模块，用于分别确定各负荷曲线数据与每一个聚类用电数据的动态时间规整距离，并根据各负荷曲线数据所对应的至少一个动态时间规整距离，确定各负荷曲线数据所隶属的初始化聚类中心；
用电属性确定模块，用于根据各初始化聚类中心所关联的至少一个负荷曲线数据，更新相应初始化聚类中心，得到至少一个目标聚类中心以及所述目标聚类中心所关联的至少一个负荷曲线数据，以基于各所述目标聚类中心所关联的至少一个负荷曲线数据确定所述目标终端对应用户的用电属性。
9.一种电子设备，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权利要求1-7中任一项所述的数据处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310305343.8A CN116244619A (zh) | 2023-03-24 | 2023-03-24 | 一种数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310305343.8A CN116244619A (zh) | 2023-03-24 | 2023-03-24 | 一种数据处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116244619A true CN116244619A (zh) | 2023-06-09 |
Family
ID=86631392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310305343.8A Pending CN116244619A (zh) | 2023-03-24 | 2023-03-24 | 一种数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116244619A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117792404A (zh) * | 2024-02-28 | 2024-03-29 | 福建省金瑞高科有限公司 | 一种用于铝合金压铸零件的数据管理方法 |
-
2023
- 2023-03-24 CN CN202310305343.8A patent/CN116244619A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117792404A (zh) * | 2024-02-28 | 2024-03-29 | 福建省金瑞高科有限公司 | 一种用于铝合金压铸零件的数据管理方法 |
| CN117792404B (zh) * | 2024-02-28 | 2024-05-10 | 福建省金瑞高科有限公司 | 一种用于铝合金压铸零件的数据管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116244619A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN113642727B (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
| CN112528159B (zh) | 一种特征质量评估方法、装置、电子设备及存储介质 | |
| CN113052325A (zh) | 在线模型的优化方法、装置、设备、存储介质及程序产品 | |
| CN117455067A (zh) | 一种电量消耗预测方法、装置、电子设备及存储介质 | |
| CN116204522A (zh) | 一种数据稽核方法、装置、电子设备及存储介质 | |
| CN116226628A (zh) | 一种特征优化方法、装置、设备及介质 | |
| CN113361402B (zh) | 识别模型的训练方法、确定准确率的方法、装置和设备 | |
| CN114866437A (zh) | 一种节点检测方法、装置、设备及介质 | |
| CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
| CN114398558B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
| CN115497633B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
| CN115329940A (zh) | 一种卷积算法的推荐方法、装置、设备及存储介质 | |
| CN117611324A (zh) | 信用评级方法、装置、电子设备和存储介质 | |
| CN116597209A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
| CN117197051A (zh) | 一种缺陷分级方法、装置、电子设备及存储介质 | |
| CN116090704A (zh) | 一种商业租户的用能管理方法、装置、设备及介质 | |
| CN117235500A (zh) | 物资类别的识别方法、装置、电子设备及存储介质 | |
| CN117635272A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
| CN117668351A (zh) | 推荐方法、模型的训练方法、装置、电子设备及存储介质 | |
| CN115580010A (zh) | 低压配电台区的拓扑识别方法、装置、设备及存储介质 | |
| CN113420781A (zh) | 品牌识别方法、装置、设备、存储介质和程序产品 | |
| CN116502841A (zh) | 一种事件的处理方法、装置、电子设备以及介质 | |
| CN115455019A (zh) | 一种基于用户行为分析的搜索意图识别方法、装置及设备 |
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 |