CN118154362A - 电力用户分类方法、装置、电子设备和存储介质 - Google Patents

电力用户分类方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN118154362A
CN118154362A CN202410565163.8A CN202410565163A CN118154362A CN 118154362 A CN118154362 A CN 118154362A CN 202410565163 A CN202410565163 A CN 202410565163A CN 118154362 A CN118154362 A CN 118154362A
Authority
CN
China
Prior art keywords
user
power
classified
consumer
electricity consumption
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
CN202410565163.8A
Other languages
English (en)
Other versions
CN118154362B (zh
Inventor
钟健强
何冠华
温硕伟
李伟
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.)
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Dongguan Power Supply Bureau of Guangdong Power Grid 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 Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202410565163.8A priority Critical patent/CN118154362B/zh
Publication of CN118154362A publication Critical patent/CN118154362A/zh
Application granted granted Critical
Publication of CN118154362B publication Critical patent/CN118154362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (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

本发明公开了一种电力用户分类方法、装置、电子设备和存储介质，包括：获取已分类电力用户集合和待分类电力用户集合，获取待分类电力用户集合中提取的第二电力用户ID的历史用电量曲线输入到用户配对模型中，得到包括第一电力用户ID和第二电力用户ID的用户对和匹配度，在匹配度大于阈值时，将已分类电力用户集合中的第一电力用户ID的用户类别确定为第二电力用户ID的用户类别，将第二电力用户ID从待分类电力用户集合转移到已分类电力用户集合，在满足停止分类条件时停止分类，反之构建训练样本重训练用户配对模型，无需人工对电力用户分类，节省了人工成本和时间，且不依赖人工经验和重训练用户配对模型，提高了电力用户分类的准确度。

Description

电力用户分类方法、装置、电子设备和存储介质
技术领域
本发明涉及电力技术领域，尤其涉及一种电力用户分类方法、装置、电子设备和存储介质。
背景技术
在电力配电技术领域中，为了对不同类型的电力用户提供个性化的用电服务，需要对电力用户进行分类。
在现有技术中，主要是通过人工在电子表格中登记电力用户的用电地址、用电性质类型或者是用电量后，通过电子表格的筛选功能将用电用户较为粗略的区分为商业电力用户、民用电力用户、高电量用户、中电量用户、低电量用户、峰期用电用户、谷期用电用户等，当电力用户较为庞大时，需要耗费大量人员和时间对电力用户进行分类或者更新电子表格后分类，并且电力用户分类的准确度依赖人工经验。
发明内容
本发明提供了一种电力用户分类方法、装置、电子设备和存储介质，以解决通过人工对电力用户分类需要耗费大量人力和时间，以及准确度依赖人工经验导致分类不准确的问题。
第一方面，本发明提供了一种电力用户分类方法，包括：
获取已分类电力用户集合和待分类电力用户集合，所述已分类电力用户集合包括已分类的第一电力用户ID，所述待分类电力用户集合包括待分类的第二电力用户ID；
从所述待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线；
将所述历史用电量曲线输入预先训练的用户配对模型中得到用户对和匹配度，所述用户对包括第一电力用户ID和所提取的第二电力用户ID；
在所述匹配度大于阈值时，将所述用户对中所述第一电力用户ID的用户类别确定为所提取的第二电力用户ID的用户类别；
将所提取的第二电力用户ID从所述待分类电力用户集合中移除并添加到所述已分类电力用户集合中；
判断是否满足预置的停止分类条件；
若是，停止电力用户分类；
若否，从所述已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，并采用所述训练样本重训练所述用户配对模型，并返回从所述待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线的步骤。
第二方面，本发明提供了一种电力用户分类装置，包括：
用户集合获取模块，用于获取已分类电力用户集合和待分类电力用户集合，所述已分类电力用户集合包括已分类的第一电力用户ID，所述待分类电力用户集合包括待分类的第二电力用户ID；
用电量曲线获取模块，用于从所述待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线；
用户配对模块，用于将所述历史用电量曲线输入预先训练的用户配对模型中得到用户对和匹配度，所述用户对包括第一电力用户ID和所提取的第二电力用户ID；
用户类别确定模块，用于在所述匹配度大于阈值时，将所述用户对中所述第一电力用户ID的用户类别确定为所提取的第二电力用户ID的用户类别；
用户集合更新模块，用于将所提取的第二电力用户ID从所述待分类电力用户集合中移除并添加到所述已分类电力用户集合中；
停止分类条件判断模块，用于判断是否满足预置的停止分类条件；若是，执行停止分类模块，若否，执行重训练模块；
停止分类模块，用于停止电力用户分类；
重训练模块，用于从所述已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，并采用所述训练样本重训练所述用户配对模型，并返回用电量曲线获取模块。
第三方面，本发明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第一方面所述的电力用户分类方法。
第四方面，本发明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第一方面所述的电力用户分类方法。
本发明在获取待分类电量用户集合中第二电力用户ID的历史用电量曲线后，输入到用户配对模型中得到用户对和匹配度，该用户对包括第二电力用户ID和已分类电力用户集合中的第一电力用户ID，在匹配度大于阈值时，将第一电力用户ID的用户类别确定为第二电力用户ID的用户类别，以及将该已分类的第二电力用户ID从待分类电力用户集合中移除并添加到已分类电力用户集合中，在满足电力用户分类条件时停止分类，否则构建训练样本重训练模型后继续对电力用户分类，通过用户对匹配模型生成用户对和匹配度，在匹配度大于阈值时将用户对中已分类的第一电力用户ID的用户类别确定为待分类的第二电力用户ID的用户类别，无需人工在电子表格登记后对电力用户分类，节省了电力用户分类的人工成本和时间，且不依赖人工经验，提高了电力用户分类的准确度，并且能够构建样本重训练用户配对模型，可以进一步提高电力用户分类的准确度。
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是本发明实施例一提供的一种电力用户分类方法的流程图；
图2是本发明实施例二提供的一种电力用户分类方法的流程图；
图3是本发明实施例三提供的一种电力用户分类装置的结构示意图；
图4是本发明实施例四提供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。
实施例一
图1为本发明实施例一提供的一种电力用户分类方法的流程图，本实施例可适用于对电力用户进行分类，以获得电力用户的用户类别的情况，该方法可以由电力用户分类装置来执行，该电力用户分类装置可以采用硬件和/或软件的形式实现并配置于电子设备中，如图1所示，该电力用户分类方法包括：
S101、获取已分类电力用户集合和待分类电力用户集合，已分类电力用户集合包括已分类的第一电力用户ID，待分类电力用户集合包括待分类的第二电力用户ID。
本实施例中，电力用户ID可以是电力用户的户号，已分类电力用户集合可以是已经确定了用户类别的电力用户的电力用户ID的集合，待分类电力用户集合可以是未确定用户类别的电力用户的电力用户ID的集合，在一个实施例中，在对大量的电力用户进行分类时，可以通过人工先选择各种用户类别的少量电力用户，比如需要分类的电力用户有10000户，用户类别包括5个类别，可以从10000户电力用户中为每个用户类别选择20-100户电力用户，并为所选择出的电力用户的电力用户ID添加类别标签后，将添加类别标签后的电力用户ID作为第一电力用户ID，并增加到已分类电力用户集合，未被选择的电力用户的电力用户ID作为第二电力用户ID，并添加到待分类电力用户集合中。
当然，已分类电力用户集合也可以是通过本发明实施例的电力用户分类方法所分类后得到的集合，还可以是现有的已分类电力用户集合。
在一个场景中，可以响应人工指令触发电力用户分类，以获取已分类电力用户集合和待分类电力用户集合，在另一个场景中，可以设置电力用户分类的目标时间，在系统时间到达该目标时间时触发电力用户分类，本发明实施例对触发电力用户分类的方式不做限制。
S102、从待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线。
历史用电量曲线可以是以时间为横坐标，以用电量为纵坐标的曲线，历史用电量曲线的电量采样时间单位可以是每天、每小时等，在一个示例中，当按年度重新对电力用户分类时，历史用电量曲线可以是电力用户一个年度中每天的用电量所拟合的曲线，也可以是一个年度中每个小时的用电量所拟合的曲线，当按月度重新对电力用户分类时，历史用电量曲线可以是电力用户一个月度中每天的用电量所拟合的曲线，也可以是一个月度中每个小时的用电量所拟合的曲线，当按天重新对电力用户分类时，历史用电量曲线可以是电力用户一天中每个小时的用电量所拟合的曲线。
电力用户的历史用电量曲线可以与电力用户ID关联存储在数据库中，可以通过第二电力用户ID从数据库中读取历史用电量曲线。
S103、将历史用电量曲线输入预先训练的用户配对模型中得到用户对和匹配度，用户对包括第一电力用户ID和所提取的第二电力用户ID。
本实施例的用户配对模型可以是用于输出用户类别相同或相似的用户对，以及用户对中两个电力用户ID的用户类别的匹配度，匹配度越大，用户对中两个电力用户ID的用户类别相同的可能性越高。
可以将第二电力用户ID的历史用电量曲线输入到用户配对模型中，得到一个包括第二电力用户ID和一个已分类的第一电力用户ID的用户对，以及该用户对的匹配度。
S104、在匹配度大于阈值时，将用户对中第一电力用户ID的用户类别确定为所提取的第二电力用户ID的用户类别。
若用户对的匹配度大于阈值，比如大于0.9，则确定用户对中第二电力用户ID与第一电力用户ID的用户类别相同的概率高，可以将用户对中第一电力用户ID的用户类别确定为第二电力用户ID的用户类别。
S105、将所提取的第二电力用户ID从待分类电力用户集合中移除并添加到已分类电力用户集合中。
从待分类电力用户集合所提取的第二电力用户ID确定用户类别后，可以将所提取的第二电力用户ID从待分类电力用户集合移除，并在添加类别标签后增加到已分类电力用户集合中，作为已分类的第一电力用户ID。
若用户对的匹配度小于或等于阈值，则不对所提取的第二电力用户ID分类，该第二电力用户ID仍然在待分类电力用户集合。
S106、判断是否满足预置的停止分类条件。
在一个实施例中，停止分类条件可以是待分类电力用户集合中第二电力用户ID的数量为0，即待分类的电力用户ID已全部分类，停止分类条件还可以是预置时长后或者提取预置次数第二电力用户ID后，待分类电力用户集合中第二电力用户ID的数量小于预设数量，比如小于100，表明剩下的第二电力用户ID有可能是难分类的电力用户，则可以通过人工对剩下的未分类的少量电力用户ID分类。若满足停止分类条件，可以执行S107，若未满足停止分类条件，可以执行S108。
S107、停止电力用户分类。
当满足停止分类条件时，停止电力用户分类，已分类电力用户集合中的第一电力用户ID即为添加了类别标签的电力用户ID。
S108、从已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，并采用训练样本重训练用户配对模型。
在一个实施例中，可以从已分类电力用户集合和待分类电力用户集合中选择电力用户ID构建负用户对和正用户对，其中，负用户对可以是用户类别不相同的两个电力用户ID，或者是分类多次后匹配度小于阈值后仍然在待分类电力用户集合中的两个电力用户ID，正用户对可以是已分类电力用户集合中用户类别相同的两个电力用户ID，在构建负用户对和正用户对后，可以采用负用户对和正用户对作为训练样本重新训练用户配对模型，其中训练方式可以参考现有技术中的有监督训练方式，在此不再详述。
本发明在获取待分类电量用户集合中第二电力用户ID的历史用电量曲线后，输入到用户配对模型中得到用户对和匹配度，该用户对包括第二电力用户ID和已分类电力用户集合中的第一电力用户ID，在匹配度大于阈值时，将第一电力用户ID的用户类别确定为第二电力用户ID的用户类别，以及将该已分类的第二电力用户ID从待分类电力用户集合中移除并添加到已分类电力用户集合中，在满足电力用户分类条件时停止分类，否则构建训练样本重训练模型后继续对电力用户分类，通过用户对匹配模型生成用户对和匹配度，在匹配度大于阈值时将用户对中已分类的第一电力用户ID的用户类别确定为待分类的第二电力用户ID的用户类别，无需人工通过电子表格登记后对电力用户分类，节省了电力用户分类的人工成本和时间，且不依赖人工经验，提高了电力用户分类的准确度，并且能够构建样本重训练用户配对模型，可以进一步提高电力用户分类的准确度。
实施例二
图2为本发明实施例二提供的一种电力用户分类方法的流程图，本发明实施例在上述实施例一的基础上进行优化，如图2所示，该电力用户分类方法包括：
S201、获取已分类电力用户集合和待分类电力用户集合，已分类电力用户集合包括已分类的第一电力用户ID，待分类电力用户集合包括待分类的第二电力用户ID。
S202、从待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线。
本实施例S201-S202与实施例一S101-S102基本相同，具体可以参考实施例一S101-S102，在此不再详述。
S203、将历史用电量曲线输入预先训练的用户配对模型，在特征提取子网络中提取历史用电量曲线的最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段，以作为第二用电特征。
在一个实施例中，历史用电量曲线可以是电力用户在一个周期内的用电量的变化曲线，比如，可以是一天内每个小时的用电量曲线，用户配对模型可以包括依次连接的特征提取子网络和特征匹配子网络，其中，特征提取子网络可以是从历史用电量曲线中提取电力用户的用电特征的神经网络，特征匹配子网络可以是将所提取的用电特征与特征库中的用电特征进行匹配的神经网络。
从待分类电力用户集合中提取第二电力用户ID，并从数据库中读取第二电力用户ID的历史用电量曲线后，可以将历史用电量曲线输入特征提取子网络，以通过特征提取子网络提取第二电力用户ID的最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段，以作为第二用电特征。
其中，最大用电量可以是历史用电量曲线中最高波峰对应的用电量，平均用电量可以是历史用电量曲线中多个电量采样时间点的电量的平均值，用电峰期时间段可以是历史用电量曲线中用电量持续大于第一电量阈值的时间段，示例性的，某个用户在一天内的18:00-20:00的用电量均大于第一电量阈值，则用电峰期时间段为18:00-20:00，用电谷期时间段可以是历史用电量曲线中，用电量持续小于第二电量阈值的时间段，示例性的，某个用户在一天内的00:00-07:00的用电量均小于第二电量阈值，则用电谷期时间段为00:00-07:00，各个电量区间的用电时间段可以是预先划分用电量区间，然后从历史用电量曲线中所确定的各个用电量区间的时间段。
当然，用电特征还可以是用电量波动率、最小用电量等等，本发明实施例对用电特征不作限制。
在另一个实施例中，历史用电力量曲线还可以是图像，还可以对历史用电力量曲线的图像提取图像特征，以作为用电特征。
S204、将第二用电特征输入特征匹配子网络，在特征匹配子网络中确定出特征库中平均用电量与第二用电特征中的平均用电量在预置差值范围内的候选第一用电特征。
本实施例的用户配对模型在训练之后，可以将已分类电力用户集合中第一电力用户ID的历史用电量曲线输入预先训练的用户配对模型中，以在特征提取子网络中提取第一电力用户ID的第一用电特征，并将该第一电力用户ID和第一用电特征关联存储在用户配对模型的特征库中，亦即特征库中包括多个已分类的第一电力用户ID的第一用电特征，比如包括第一电力用户ID的最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段。
在一个可选实施例中，在特征提取子网络将第二电力用户ID的第二用电特征输入特征匹配子网络后，特征匹配子网络中计算第二用电特征与特征库中各个第一用电特征中的平均用电量的差值，以确定出差值在预置差值范围内的第一用电特征作为候选第一用电特征。
在另一个实施例中，也可以进一步计算第二用电特征与特征库中各个第一用电特征中的最大用电量的差值，将平均用电量的差值和最大用电量的差值均在预置差值范围内的第一用电特征作为候选第一用电特征。
通过用电特征中的平均用电量计算差值后，将差值在预置差值范围内的第一用电特征作为候选第一用电特征，可以筛选出平均用电量相近的电力用户，比如居民用电量通常小于商业和工业用电量，避免将民用电力用户与商业用户、工业用户进行匹配，降低后续特征匹配的数量，提高生成用户对的效率。
S205、通过最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段计算候选第一用电特征与第二用电特征的匹配度。
第一用电特征和第二用电特征的匹配度可以是第一用电特征和第二用电特征的相似度，该相似度可以通过第一用电特征和第二用电特征中各个特征量的差异程度计算。
在一个实施例中，可以通过以下公式计算第一用电特征与第二用电特征的匹配度sim：
其中，TH1、TH2分别为第一用电特征、第二用电特征中的用电峰期时间段，|TH1－TH2|表示TH1与TH2的重合时间段的时长，max(TH1,TH2)表示取TH1和TH2中的最大时长，TL1、TL2分别为第一用电特征、第二用电特征中的用电谷期时间段，|TL1－TL2|表示TL1与TL2的重合时间段的时长，max(TL1,TL2)表示取TL1和TL2中的最大时长，Qmax1、Qmax2分别为第一用电特征、第二用电特征中的最大用电量，Qave1、Qave2分别为第一用电特征、第二用电特征中的平均用电量，i为用电时间段的重合率大于阈值的电量区间的数量，N为电量区间的总数量，用电时间段的重合率可以是两个用电时间段的重合部分的时间段的时长与最大用电时间段的时长的比值。
通过以上匹配度sim的计算公式可知，第一用电特征和第二用电特征中|TH1－TH2|和|TL1－TL2|越大，说明第一电力用户和第二电力用户的用电峰期时间段的重合部分越大、用电谷期时间段的重合部分也越大，第一电力用户和第二电力用户的最大用电量Qmax1、Qmax2越接近、平均用电量Qave1、Qave2也越接近，用电时间段的重合率大于阈值的用电量区间数量i越大，匹配度sim匹配度越大，第一电力用户和第二电力用户具有相同的用电习惯的可能性高，越有可能为同一类别的电力用户。
在另一个实施例中，也可以先计算第一用电特征和第二用电特征中最大用电量的差值的第一绝对值、平均用电量的差值的第二绝对值，计算第一用电特征和第二用电特征中用电峰期时间段的重合率得到峰期时间重合率、用电谷期时间段的重合率得到谷期时间重合率，计算第一用电特征和第二用电特征中同一个电量区间的用电时间段的重合率，最后计算第一绝对值的倒数、第二绝对值的倒数、峰期时间重合率、谷期时间重合率、各个电量区间的用电时间段的重合率的加权和作为匹配度。
本实施例从最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段多个维度的用电特征对候选第一用电特征与第二用电特征进行匹配，可以提高确定出相同类别的电力用户的准确度。
S206、将匹配度最大的候选第一用电特征确定为与第二用电特征匹配的第一用电特征。
在计算多个候选第一用电特征与第二用电特征匹配的匹配度之后，可以将多个候选第一用电特征按照匹配度从大到小进行排序，将排序在第一个的候选第一用电特征确定为与第二用电特征匹配的第一用电特征。
S207、采用所提取的第二电力用户ID、与第二用电特征匹配的第一用电特征所关联的第一电力用户ID生成用户对，输出用户对和匹配度。
在将匹配度最大的候选第一用电特征确定为与第二用电特征匹配的第一用电特征后，可以确定与该第一用电特征关联的第一电力用户ID，采用该第一电力用户ID和第二电力用户ID生成用户对，并输出匹配度，该匹配度为用户对中第一电力用户ID的第一用电特征和第二电力用户ID的第二用电特征的匹配度。
S208、在匹配度大于阈值时，将用户对中第一电力用户ID的用户类别确定为所提取的第二电力用户ID的用户类别。
若用户对的匹配度大于阈值，比如大于0.9，则确定用户对中第二电力用户ID与第一电力用户ID的用户类别相同的概率高，可以将用户对中第一电力用户ID的用户类别确定为第二电力用户ID的用户类别。
S209、将所提取的第二电力用户ID从待分类电力用户集合中移除并添加到已分类电力用户集合中。
从待分类电力用户集合所提取的第二电力用户ID确定用户类别后，可以将所提取的第二电力用户ID从待分类电力用户集合移除，并在添加类别标签后增加到已分类电力用户集合中，作为已分类的第一电力用户ID。
若用户对的匹配度小于或等于阈值，则不对所提取的第二电力用户ID分类，该第二电力用户ID仍然在待分类电力用户集合。
S210、判断是否满足预置的停止分类条件。
在一个实施例中，若匹配度小于阈值，第二电力用户ID仍然在待分类电力用户集合中，即对该第二电力用户ID的提取次数累加1，表示对该第二电力用户ID分类的次数累加1，可以统计待分类电力用户集合中第二电力用户ID的ID数量和已提取过的第二电力用户ID的提取次数，并采用提取次数计算待分类电力用户集合中已提取过的第二电力用户ID的平均提取次数，判断ID数量是否小于数量阈值，在ID数量小于数量阈值时，说明待分类电力用户集合中的第二电力用户ID数量较少，可以通过人工标注，确定满足停止分类条件，可以执行S212停止对待分类电力用户集合中的第二电力用户ID进行分类，若ID数量大于数量阈值时，说明待分类电力用户集合中的第二电力用户ID数量还比较多，人工分类需要耗费大量人力，确定未满足停止分类条件，需要继续分类，可以判断平均提取次数是否小于次数阈值，若是，确定用户配对模型的分类准确度高，可以返回S202继续对待分类电力用户集合中的第二电力用户ID进行分类，若平均提取次数大于次数阈值，确定用户配对模型的分类准确度降低，可以执行S211。
S211、从已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，并采用训练样本重训练用户配对模型。
在一个实施例中，可以从已分类电力用户集合中选择用户类别不同的两个电力用户ID构建第一等级负用户对，从已分类电力用户集合中选择一个电力用户ID以及从待分类用户集合中选择一个已提取过的电力用户ID构建第二等级负用户对，从已分类电力用户集合中选择用户类别相同的两个电力用户ID构建正用户对。
示例性的，可以从已分类电力用户集合中选择用户类别1的一个电力用户ID和选择用户类别2的一个电力用户ID构建第一等级负用户对，并且标注该第一等级负用户对属于同一用户类别的概率（可以通过两个电力用户ID的用电特征的匹配度表示概率），从已分类电力用户集合中随机选择一个电力用户ID和从待分类用户集合中选择一个已提取过两次的电力用户ID构建第二等级负用户对，然后从已分类电力用户集合中随机选择用户类别相同的两个电力用户ID构建正用户对，由此可知，以当前用户配对模型的能力，判断用户对中两个电力用户ID是否属于同一个用户类别的难度方面，正用户对最容易，第二等级负样本对最难，第一等级负样本对的难度次之。
在重训练用户配对模型时，可以提取一个批次用户对，一个批次的用户对包括数量相等的第一等级负用户对、第二等级负用户对以及正用户对，将所提取的用户对中两个电力用户ID关联的历史用电量曲线输入用户配对模型中，得到所提取的用户对中两个电力用户ID的用户类别属于同一个类别的概率，根据概率和用户对的类型计算损失率，用户对的类型包括用户对的等级（比如是正样本还是负样本，负样本的等级），判断损失率是否小于预置的损失率阈值，若是，确定用户配对模型完成重训练；将所提取的用户对中已分类的电力用户ID关联的历史用电量曲线输入用户配对模型中，得到已分类的电力用户ID关联的用电特征，并将用电特征存储在特征库中；若否，根据损失率调整用户配对模型的模型参数，并返回从负用户对和正用户对中随机提取用户对的步骤。
在一个实施例中，在计算损失率时，可以将每个用户对中两个电力用户ID的用户类别相同的概率和标注的概率输入预设的损失函数中，得到每个用户对的损失率，并根据用户对的类型确定用户对的权重，其中，正用户对的权重最小，第二等级负用户对的权重最大，第一等级负用户对的权重大小在正用户对和第二等级负用户对的权重之间，通过每个用户对的损失率、权重以及一批次提取的用户对的数量计算加权平均值，得到总损失率。其中，损失函数可以是二分类交叉熵损失函数、均方差损失函数等，本实施例对损失函数不作限制。
本实施例通过已分类电力用户集合和待分类电力用户集合中的电力用户ID构建第一等级负用户对、第二等级负用户对以及正用户对，并在计算损失率时设置第二等级负用户对的权重最大、第一等级负用户对的权重次之，正用户对的权重最小，使得重训练后的用户配对模型着重学习区分待分类用户集合中已经被提取过的第二电力用户ID的用户类别的能力，使得待分类电力用户集合中的已被提取过的第二电力用户ID被重新训练后的用户配对模型所分类，避免预置时长后或者是提取多个批次的第二电力用户ID输入用户配对模型后，待分类电力用户集合中提取过的第二电力用户ID的比例增加，可以提高电力用户分类的效率和准确度。
在重训练用户配对模型后，可以返回S202继续从待分类电力用户集合中提取第二电力用户ID输入重训练后的用户配对模型中，继续进行电力用户分类。
S212、停止电力用户分类。
在满足停止分类条件时，停止从待分类电力用户集合中提取第二电力用户ID，在已分类电力用户集合中的电力用户ID即为分类后的电力用户ID，已分类后的电力用户ID包括至少一个类别标签，比如一个电力用户ID可以包括标签1（居民用户）、标签2（中电量用户）、标签3（峰期用户）等等。
在完成电力用户分类后，接收用户客户端发送的电力用户筛选请求，电力用户筛选请求包括至少一个目标用户类别标签和标签运算规则，根据至少一个目标用户类别标签和标签运算规则从已分类电力用户集合中确定出目标电力用户ID，将目标电力用户ID发送给用户客户端。
当配电网营销人员需要筛选电力用户推送服务消息时，营销人员可以在客户端输入电力用户筛选条件以生成电力用户筛选请求发送到服务器，该电力用户筛选请求包括至少一个目标用户类别标签和标签运算规则，其中，标签运算规则可以是多个目标用户类别标签之间的“与”、“或”逻辑运算。
示例性的，用户所输入的目标用户类别标签和标签运算规则如下：
“居民 or 工业”and“高电量用户”and“峰期用户”；
即期望筛选出居民用户和工业用户中在用电峰期用电的高电量用户，则可以根据已分类电力用户集合中电力用户ID的类别标签，筛选出在用电峰期用电、高电量的工业用户或居民用户，在确定出目标电力用户ID后，可以将目标电力用户ID发送到用户客户端，以使得营销人员在用户客户端对目标电力用户ID推送营销消息，示例性的，目标电力用户ID为用电峰期用电、高电量的工业用户或居民用户的ID，可以推送用电谷期的电价，以鼓励用户在谷期用电，通过对分类后的电力用户ID设置类别标签，可以方面筛选出所需要的目标电力用户。
本实施例将待分类电力用户集合中的第二电力用户ID的历史用电量曲线输入到用户配对模型中得到用户对和匹配度，该用户对包括第二电力用户ID和已分类电力用户集合中的第一电力用户ID，在匹配度大于阈值时，将第一电力用户ID的用户类别确定为第二电力用户ID的用户类别，无需人工对电力用户分类，节省了电力用户分类的人工成本和时间，且不依赖人工经验，提高了电力用户分类的准确度，且从已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，并采用训练样本重训练用户配对模型，可以进一步提高电力用户分类的准确度。
实施例三
图3为本发明实施例三提供的一种电力用户分类装置的结构示意图。如图3所示，该电力用户分类装置包括：
用户集合获取模块301，用于获取已分类电力用户集合和待分类电力用户集合，所述已分类电力用户集合包括已分类的第一电力用户ID，所述待分类电力用户集合包括待分类的第二电力用户ID；
用电量曲线获取模块302，用于从所述待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线；
用户配对模块303，用于将所述历史用电量曲线输入预先训练的用户配对模型中得到用户对和匹配度，所述用户对包括第一电力用户ID和所提取的第二电力用户ID；
用户类别确定模块304，用于在所述匹配度大于阈值时，将所述用户对中所述第一电力用户ID的用户类别确定为所提取的第二电力用户ID的用户类别；
用户集合更新模块305，用于将所提取的第二电力用户ID从所述待分类电力用户集合中移除并添加到所述已分类电力用户集合中；
停止分类条件判断模块306，用于判断是否满足预置的停止分类条件；若是，执行停止分类模块307，若否，执行重训练模块308；
停止分类模块307，用于停止电力用户分类；
重训练模块308，用于从所述已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，并采用所述训练样本重训练所述用户配对模型，并返回用电量曲线获取模块302。
可选的，还包括：
曲线获取模块，用于获取所述已分类电力用户集合中所述第一电力用户ID的历史用电量曲线；
用电特征提取模块，用于将所述第一电力用户ID的历史用电量曲线输入预先训练的用户配对模型中，得到所述第一电力用户ID的第一用电特征；
用电特征存储模块，用于将所述第一电力用户ID和所述第一用电特征关联存储在所述用户配对模型的特征库中。
可选的，所述用户配对模型设置有特征库，所述特征库存储第一电力用户ID关联的第一用电特征，所述用户配对模型包括依次连接的特征提取子网络和特征匹配子网络；
用户配对模块303包括：
用电特征提取单元，用于将所述历史用电量曲线输入预先训练的用户配对模型，在所述特征提取子网络中提取所述历史用电量曲线的最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段，以作为第二用电特征；
第一用电特征筛选单元，用于将所述第二用电特征输入所述特征匹配子网络，在所述特征匹配子网络中确定出所述特征库中平均用电量与所述第二用电特征中的平均用电量在预置差值范围内的候选第一用电特征；
匹配度计算单元，用于通过最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段计算所述候选第一用电特征与所述第二用电特征的匹配度；
第一用电特征确定单元，用于将匹配度最大的候选第一用电特征确定为与所述第二用电特征匹配的第一用电特征；
用户对和匹配度输出单元，用于采用所提取的第二电力用户ID、与所述第二用电特征匹配的第一用电特征所关联的第一电力用户ID生成用户对，输出所述用户对和匹配度。
可选的，停止分类条件判断模块306包括：
统计单元，用于统计所述待分类电力用户集合中第二电力用户ID的ID数量和已提取过的第二电力用户ID的提取次数，并采用所述提取次数计算所述待分类电力用户集合中已提取过的第二电力用户ID的平均提取次数；
ID数量判断单元，用于判断所述ID数量是否小于数量阈值，若是，执行第一确定单元，若否，执行第二确定单元；
第一确定单元，用于在所述ID数量小于所述数量阈值时，确定满足停止分类条件；
第二确定单元，用于所述ID数量大于所述数量阈值时，确定未满足停止分类条件；
次数判断单元，用于判断所述平均提取次数是否小于次数阈值，若是，执行用电量曲线获取模块302，若否，执行重训练模块308；
可选的，重训练模块308包括：
第一等级负用户对构建单元，用于从所述已分类电力用户集合中选择用户类别不同的两个电力用户ID构建第一等级负用户对；
第二等级负用户对构建单元，用于从所述已分类电力用户集合中选择一个电力用户ID以及从所述待分类用户集合中选择一个已提取过的电力用户ID构建第二等级负用户对；
正用户对构建单元，用于从所述已分类电力用户集合中选择用户类别相同的两个电力用户ID构建正用户对。
可选的，重训练模块308包括：
样本提取单元，用于提取一个批次用户对，所述一个批次的用户对包括数量相等的第一等级负用户对、第二等级负用户对以及正用户对；
概率输出单元，用于将所提取的用户对中两个电力用户ID关联的历史用电量曲线输入用户配对模型中，得到所提取的用户对中两个电力用户ID的用户类别属于同一个类别的概率；
损失率计算单元，用于根据所述概率和用户对的类型计算损失率，用户对的类型包括用户对的等级；
判断单元，用于判断所述损失率是否小于预置的损失率阈值，若是，执行重训练完成确定单元，若否，执行参数调整单元；
重训练完成确定单元，用于确定所述用户配对模型完成重训练；
特征库更新单元，用于将所提取的用户对中已分类的电力用户ID关联的历史用电量曲线输入用户配对模型中，得到已分类的电力用户ID关联的用电特征，并将用电特征存储在特征库中；
参数调整单元，根据所述损失率调整用户配对模型的模型参数，并返回样本提取单元。
可选的，已分类电力用户集合中的每个电力用户ID关联有至少一个用户类别标签，还包括：
筛选请求接收模块，用于接收用户客户端发送的电力用户筛选请求，所述电力用户筛选请求包括至少一个目标用户类别标签和标签运算规则；
目标电力用户ID确定模块，用于根据至少一个目标用户类别标签和标签运算规则从所述已分类电力用户集合中确定出目标电力用户ID；
目标电力用户ID发送模块，用于将所述目标电力用户ID发送给用户客户端。
本发明实施例所提供的电力用户分类装置可执行本发明任意实施例所提供的电力用户分类方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备40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4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器（ROM）42、随机访问存储器（RAM）43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41可以根据存储在只读存储器（ROM）42中的计算机程序或者从存储单元48加载到随机访问存储器（RAM）43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出（I/O）接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40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41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41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41执行上文所描述的各个方法和处理，例如电力用户分类方法。
在一些实施例中，电力用户分类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48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的电力用户分类方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行电力用户分类方法。
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、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、复杂可编程逻辑设备（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)

1.一种电力用户分类方法，其特征在于，包括：
获取已分类电力用户集合和待分类电力用户集合，所述已分类电力用户集合包括已分类的第一电力用户ID，所述待分类电力用户集合包括待分类的第二电力用户ID；
从所述待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线；
将所述历史用电量曲线输入预先训练的用户配对模型中得到用户对和匹配度，所述用户对包括第一电力用户ID和所提取的第二电力用户ID；
在所述匹配度大于阈值时，将所述用户对中所述第一电力用户ID的用户类别确定为所提取的第二电力用户ID的用户类别；
将所提取的第二电力用户ID从所述待分类电力用户集合中移除并添加到所述已分类电力用户集合中；
判断是否满足预置的停止分类条件；
若是，停止电力用户分类；
若否，从所述已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，并采用所述训练样本重训练所述用户配对模型，并返回从所述待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线的步骤。
2.根据权利要求1所述的电力用户分类方法，其特征在于，从所述待分类电力用户集合中提取第二电力用户ID之前，还包括：
获取所述已分类电力用户集合中所述第一电力用户ID的历史用电量曲线；
将所述第一电力用户ID的历史用电量曲线输入预先训练的用户配对模型中，得到所述第一电力用户ID的第一用电特征；
将所述第一电力用户ID和所述第一用电特征关联存储在所述用户配对模型的特征库中。
3.根据权利要求1所述的电力用户分类方法，其特征在于，所述用户配对模型设置有特征库，所述特征库存储第一电力用户ID关联的第一用电特征，所述用户配对模型包括依次连接的特征提取子网络和特征匹配子网络；
将所述历史用电量曲线输入预先训练的用户配对模型中得到用户对，包括：
将所述历史用电量曲线输入预先训练的用户配对模型，在所述特征提取子网络中提取所述历史用电量曲线的最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段，以作为第二用电特征；
将所述第二用电特征输入所述特征匹配子网络，在所述特征匹配子网络中确定出所述特征库中平均用电量与所述第二用电特征中的平均用电量在预置差值范围内的候选第一用电特征；
通过最大用电量、平均用电量、用电峰期时间段、用电谷期时间段、各个电量区间的用电时间段计算所述候选第一用电特征与所述第二用电特征的匹配度；
将匹配度最大的候选第一用电特征确定为与所述第二用电特征匹配的第一用电特征；
采用所提取的第二电力用户ID、与所述第二用电特征匹配的第一用电特征所关联的第一电力用户ID生成用户对，输出所述用户对和匹配度。
4.根据权利要求1所述的电力用户分类方法，其特征在于，判断是否满足预置的停止分类条件，包括：
统计所述待分类电力用户集合中第二电力用户ID的ID数量和已提取过的第二电力用户ID的提取次数，并采用所述提取次数计算所述待分类电力用户集合中已提取过的第二电力用户ID的平均提取次数；
判断所述ID数量是否小于数量阈值；
在所述ID数量小于所述数量阈值时，确定满足停止分类条件；
所述ID数量大于所述数量阈值时，确定未满足停止分类条件；
判断所述平均提取次数是否小于次数阈值；
若是，返回从所述待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线的步骤；
若否，执行构建训练样本的步骤。
5.根据权利要求1-4任一项所述的电力用户分类方法，其特征在于，从所述已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，包括：
从所述已分类电力用户集合中选择用户类别不同的两个电力用户ID构建第一等级负用户对；
从所述已分类电力用户集合中选择一个电力用户ID以及从所述待分类用户集合中选择一个已提取过的电力用户ID构建第二等级负用户对；
从所述已分类电力用户集合中选择用户类别相同的两个电力用户ID构建正用户对。
6.根据权利要求5所述的电力用户分类方法，其特征在于，采用所述训练样本重训练所述用户配对模型，包括：
提取一个批次用户对，所述一个批次的用户对包括数量相等的第一等级负用户对、第二等级负用户对以及正用户对；
将所提取的用户对中两个电力用户ID关联的历史用电量曲线输入用户配对模型中，得到所提取的用户对中两个电力用户ID的用户类别属于同一个类别的概率；
根据所述概率和用户对的类型计算损失率，用户对的类型包括用户对的等级；
判断所述损失率是否小于预置的损失率阈值；
若是，确定所述用户配对模型完成重训练；
将所提取的用户对中已分类的电力用户ID关联的历史用电量曲线输入用户配对模型中，得到已分类的电力用户ID关联的用电特征，并将用电特征存储在特征库中；
若否，根据所述损失率调整用户配对模型的模型参数，并返回提取一个批次用户对的步骤。
7.根据权利要求1-4任一项所述的电力用户分类方法，其特征在于，已分类电力用户集合中的每个电力用户ID关联有至少一个用户类别标签，在停止电力用户分类后，还包括：
接收用户客户端发送的电力用户筛选请求，所述电力用户筛选请求包括至少一个目标用户类别标签和标签运算规则；
根据至少一个目标用户类别标签和标签运算规则从所述已分类电力用户集合中确定出目标电力用户ID；
将所述目标电力用户ID发送给用户客户端。
8.一种电力用户分类装置，其特征在于，包括：
用户集合获取模块，用于获取已分类电力用户集合和待分类电力用户集合，所述已分类电力用户集合包括已分类的第一电力用户ID，所述待分类电力用户集合包括待分类的第二电力用户ID；
用电量曲线获取模块，用于从所述待分类电力用户集合中提取第二电力用户ID，并获取所提取的第二电力用户ID的历史用电量曲线；
用户配对模块，用于将所述历史用电量曲线输入预先训练的用户配对模型中得到用户对和匹配度，所述用户对包括第一电力用户ID和所提取的第二电力用户ID；
用户类别确定模块，用于在所述匹配度大于阈值时，将所述用户对中所述第一电力用户ID的用户类别确定为所提取的第二电力用户ID的用户类别；
用户集合更新模块，用于将所提取的第二电力用户ID从所述待分类电力用户集合中移除并添加到所述已分类电力用户集合中；
停止分类条件判断模块，用于判断是否满足预置的停止分类条件；若是，执行停止分类模块，若否，执行重训练模块；
停止分类模块，用于停止电力用户分类；
重训练模块，用于从所述已分类电力用户集合和待分类电力用户集合提取电力用户ID构建训练样本，并采用所述训练样本重训练所述用户配对模型，并返回用电量曲线获取模块。
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中任一项所述的电力用户分类方法。
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中任一项所述的电力用户分类方法。
CN202410565163.8A 2024-05-09 2024-05-09 电力用户分类方法、装置、电子设备和存储介质 Active CN118154362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410565163.8A CN118154362B (zh) 2024-05-09 2024-05-09 电力用户分类方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410565163.8A CN118154362B (zh) 2024-05-09 2024-05-09 电力用户分类方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN118154362A true CN118154362A (zh) 2024-06-07
CN118154362B CN118154362B (zh) 2024-08-30

Family

ID=91287016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410565163.8A Active CN118154362B (zh) 2024-05-09 2024-05-09 电力用户分类方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN118154362B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558467A (zh) * 2018-12-07 2019-04-02 国网江苏省电力有限公司常州供电分公司 用电用户类别识别方法及系统
CN114611272A (zh) * 2022-02-25 2022-06-10 国网上海市电力公司 一种基于最小间隔动态分布的用电负荷曲线数据拟合方法
CN115130536A (zh) * 2022-04-08 2022-09-30 腾讯科技（深圳）有限公司 特征提取模型的训练方法、数据处理方法、装置及设备
CN117078283A (zh) * 2022-05-06 2023-11-17 青岛胶南海尔洗衣机有限公司 洗衣机用户分群的方法、装置、设备及介质
CN117113159A (zh) * 2023-10-23 2023-11-24 国网山西省电力公司营销服务中心 基于深度学习的电力用户侧负荷分类方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558467A (zh) * 2018-12-07 2019-04-02 国网江苏省电力有限公司常州供电分公司 用电用户类别识别方法及系统
CN114611272A (zh) * 2022-02-25 2022-06-10 国网上海市电力公司 一种基于最小间隔动态分布的用电负荷曲线数据拟合方法
CN115130536A (zh) * 2022-04-08 2022-09-30 腾讯科技（深圳）有限公司 特征提取模型的训练方法、数据处理方法、装置及设备
CN117078283A (zh) * 2022-05-06 2023-11-17 青岛胶南海尔洗衣机有限公司 洗衣机用户分群的方法、装置、设备及介质
CN117113159A (zh) * 2023-10-23 2023-11-24 国网山西省电力公司营销服务中心 基于深度学习的电力用户侧负荷分类方法及系统

Also Published As

Publication number Publication date
CN118154362B (zh) 2024-08-30

Similar Documents

Publication Publication Date Title
CN110119948B (zh) 基于时变权重动态组合的电力用户信用评价方法及系统
CN115907926A (zh) 商品的推荐方法、装置、电子设备及存储介质
CN116523140A (zh) 窃电检测方法、装置、电子设备和存储介质
CN115632874A (zh) 一种实体对象的威胁检测方法、装置、设备及存储介质
CN117235608B (zh) 风险检测方法、装置、电子设备及存储介质
CN117649115A (zh) 一种风险评估方法、装置、电子设备和存储介质
CN118154362B (zh) 电力用户分类方法、装置、电子设备和存储介质
CN116703109A (zh) 一种配电网项目选取方法、装置、设备及存储介质
CN116017401A (zh) 一种驻留点确定方法、装置、电子设备及存储介质
CN114943608A (zh) 一种欺诈风险评估方法、装置、设备及存储介质
CN114996930A (zh) 一种建模方法、装置、电子设备及存储介质
CN111429257A (zh) 一种交易监控方法和装置
CN115392403B (zh) 一种异常变更检测方法、装置、设备及存储介质
CN117574146B (zh) 文本分类标注方法、装置、电子设备和存储介质
CN115600127A (zh) 一种用户类型识别方法、装置、电子设备及介质
CN117611324A (zh) 信用评级方法、装置、电子设备和存储介质
CN117609311A (zh) 一种服务降级方法、装置、设备以及存储介质
CN116777674A (zh) 配电网数据处理方法、装置、电子设备及存储介质
CN116455999A (zh) 一种应用状态管理方法、装置、电子设备及存储介质
CN118364120A (zh) 基于知识图谱的配电网可靠性评估方法、系统和电子设备
CN117056436A (zh) 一种社区发现方法、装置、存储介质及电子设备
CN117195118A (zh) 一种数据的异常检测方法、装置、设备及介质
CN114861831A (zh) 一种基于指标集合的新型嫌疑分类模型训练方法和设备
CN117291640A (zh) 消费行为识别的方法及装置、电子设备和存储介质
CN116431809A (zh) 基于银行客服场景下的文本标注方法、装置和存储介质

Legal Events

Date Code Title Description
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