[发明专利]一种基于DAE网络特征的用电行为画像生成方法及系统

说明书

本发明公开了一种基于DAE网络特征的用电行为画像生成方法及系统，首先提取对总体样本的用户用电行为特征并进行特征预处理得到特征数据集；将特征数据集输入已构建好的DAE网络特征模型中压缩得到降维数据集；基于最佳聚类数K使用初始优化的MBKM算法对降维数据集聚类后进行聚类效果评估；基于互信息特征模型计算用户行为的关键特征，根据关键特征和聚类效果评估结果生成用户用电行为画像。本发明提供一种新的海量电力用户行为分析方法，采用初始优化的MBKM算法进行海量用电用户数据计算，克服了现有技术中存在海量电力用户数据挖掘效率低、特征降维非线性保留率低等问题。

技术领域

本发明涉及用电行数据处理技术领域，具体涉及一种基于DAE网络特征的用电行为画像生成方法及系统置。

背景技术

我国清洁能源的渗透率及新型负荷的增长速度不断提高，用户侧的用电监测与调控愈发重要。配电网的高级量测体系(advanced metering infrastructure,AMI)持续推进与建设，构建了用户用电信息测量、存储、分析与应用的完整体系，使得基于电力大数据分析，实现用户侧用电调控成为可能。准确进行用户用电特性聚类与行为分析，是开展用电调控的必要前提。

进行用户用电特性与行为分析的主要技术，包括非侵入式负荷监测技术(NILM)、大数据驱动的负荷聚类技术等。前者通过对用户总线数据的监测与分解，实现对用户各用电设备投切与运行的监测，实时分析用户的用电行为。该技术的研究较为成熟，属于设备级的监测，但受监测终端改进、用户隐私等问题局限，尚未广泛应用。后者是典型的无监督式机器学习的应用，根据聚类的输入数据不同，负荷聚类方法包括基于负荷曲线的聚类和基于用电特征聚类两大类，属于用户群的监测，适合进行分布广泛的海量用户的实时分析。

在实际工程中，用电行为画像获取过程中用电特性聚类的各项应用都面临着用户类型多样、体量庞大、数据通信制约等问题，如何高效地实现海量用户的分析与挖掘是当前面临的重要问题，当前在方法层面存在的问题：

1、特征降维技术是降低聚类算法时间复杂度的有效方法之一，但传统特征降维技术存在特征全局信息保留率低与重构能力弱等问题。

2、面对海量用户数据时，现有的聚类算法流程繁琐，耗费时间长、占用流量大及超参数优化复杂的问题。

发明内容

为解决用电行为画像获取过程中用电特性聚类的各项应用都面临着用户类型多样、体量庞大、数据通信制约等技术问题，本发明提供一种一种基于DAE网络特征的用电行为画像生成方法及系统，方法整体时空复杂度低、收敛速度快，并且DAE网络特征模型在泛化能力、全局特征保留率、数据传输时隐私保护等方面均有较好表现。

本发明通过下述技术方案实现：

本发明提供一种基于DAE网络特征降维的用电行为画像生成方法，包括步骤：

S1、提取对总体样本的用户用电行为特征并进行特征预处理得到特征数据集；

S2、将特征数据集输入已构建好的DAE网络特征模型中压缩得到降维数据集；

S3、基于最佳聚类数K使用初始优化的MBKM算法对降维数据集聚类后进行聚类效果评估；

S4、基于互信息特征模型计算用户行为的关键特征，根据关键特征和聚类效果评估结果生成用户用电行为画像。