[发明专利]用户用电行为聚类分析方法、系统及存储介质

说明书

本发明公开了一种用户用电行为聚类分析方法、系统及存储介质，对标准mRMR方法进行改进，在标准mRMR准则中引入一个权重因子以细化对特征相关性和冗余性的度量，并对k‑means聚类算法进行改进，采用最大最小距离算法来选取聚类中心。然后，基于改进准则提出一种用电特征选择方法，选出独立、有效的用电特征构建特征集，并采用改进的k‑means聚类算法进行用户用电行为分析，实现对用户用电数据的降维。本发明的方法准确率高，极大地提高了计算效率。

技术领域

本发明涉及电力用户用电行为分析技术，特别是一种用户用电行为聚类分析方法。

背景技术

用户用电行为分析是用户负荷管理调度、电力用户能效提升改造、电网侧需求响应策略实施等许多工作的基础。用户侧大数据是用户用电行为的数据体现，因而采用合适的数据挖掘方法能够从大量的用户侧数据中挖掘出有价值的用户用电行为信息。k-means聚类算法因其数据相似性度量划分效果明显且易于实现等优势，在智能用电领域的用电数据挖掘分析方面获得广泛的应用，但传统的k-means聚类算法具有初始聚类中心选取随机、聚类数目需预先给定等缺点，会导致聚类结果准确性较差的情况出现。

近年来利用负荷特性指标作为用电特征来进行用户用电行为聚类分析的研究较多。在当前复杂的用电环境之下，各种电力设备普及程度及利用程度增大，电力用户的用电行为具有多样性与复杂性，固定的特征集并不能适用于所有电力用户用电行为分析的目标，不具有用电分析的通用性；同时，因为用电行为特征与用户用电习惯关联紧密，所以在利用特征集分析用电行为时，特征集中必然会存在大量的冗余性与无关性特征，而这些特征无疑会增加算法的复杂度和运行时间，带来“维数灾难”的问题，降低模型的准确性。目前在利用负荷特性指标替代原始负荷曲线数据进行聚类分析时，都只是引用常见的负荷特性指标(负荷率、日峰谷差率、峰期负载率、平期负载率、谷期负载率)作为用电特征，对这些特征并没有经过数据分析和优化选择，所以具有分析的局限性，即不具有用户用电行为分析的通用性。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种用户用电行为聚类分析方法、系统及存储介质，提高用户用电特征集的相关性，降低冗余性，提高聚类结果的准确度。

为解决上述技术问题，本发明所采用的技术方案是：一种用户用电行为聚类分析方法，包括以下步骤：

S1、对用户原始负荷数据进行聚类，得到原始用户聚类分组信息；对根据候选特征子集所计算的用户数据进行聚类，得到候选用户聚类分组信息；

S2、将用户聚类分组信息与原始用户聚类分组信息进行对比分析，得到聚类分组正确的用户数，根据公式计算聚类准确率

S3、取下一个候选特征子集返回步骤2)，直至得到所有候选特征子集的聚类准确率；

S4、记录所有候选特征子集的聚类准确率中的最大值，以及该最大值所对应的候选特征子集，该候选特征子集即为精简特征子集。

本发明能够快速准确地从众多候选特征子集中得到需要的精简特征子集，使聚类结果更加准确。通过引入真实的聚类结果指标即聚类准确率来衡量每一候选特征子集的聚类结果优劣，聚类准确率最大者所对应的候选特征子集即为精简特征子集。计算聚类准确率中用到的聚类分组正确的用户数是通过用户聚类分组信息与原始用户聚类分组信息进行对比得到，操作简单，结果清晰。精简特征子集中的特征不存在冗余性和无关性。

步骤S1中，原始用户聚类分组信息的具体获取过程包括：

1)给定用户原始负荷数据；

给定用户典型用电行为类别数k的最大值k_max、最小值k_min，k_min＝2，n为用户原始负荷数据样本总数；