[发明专利]一种用户用电实时测量方法

说明书

技术领域

本发明属于用电建模技术领域，具体涉及一种基于统计聚类的用电实时测量方法。

背景技术

作为国民经济和人民生活不可缺少的能源，电能广泛应用于工业、农业、企事业单位以及人们的日常生活中。然而，我们在享受着电能带给我们便利和光明的同时，也在时刻浪费着电能。很多用户为了节约生产成本，往往采用的是高能耗低效率的用电设备，这些设备因为设计的缺陷都存在严重浪费电能的情况。另外，在人们的日常学习生活中，很多的家电设备以及我们的生活习惯也都在浪费着电能。在经济可持续发展的今天，电能的浪费将带来一系列的能源损耗及环保问题。因此，有必要对用户用电进行实时预测，获取用户用电的行为模式，为进一步研究探讨用电的节能措施，从而实现我国电力行业的节能环保以及可持续发展提供参考。

发明内容

(一)要解决的技术问题

本发明所要解决的技术问题是基于从用户采集的用电实时数据，利用K-均值聚类算法以及概率统计方法构建用电模型，实现用电的准确实时测量。

(二)技术方案

本发明提出了一种基于统计聚类的用户用电实时测量方法，其包括步骤如下：

步骤S1：对采集用户的用电实时数据进行预处理，获得完整的用电数据；

步骤S2：对完整的用电数据参数进行初始化，获得计算所需的初始化聚类类别数、概率上界参数、概率下界参数；

步骤S3：采用K-均值聚类算法对用电数据的初始化聚类类别数、概率上界参数、概率下界参数进行聚类，获取不同类别的用电数据；

步骤S4：对不同类别的用电数据进行统计计算，得到并对各用电类别的均值及概率处理与计算，获得剔除低概率类、保留高概率类符合实际用户用电的实时预测结果。

(三)有益效果

本发明基于从用户采集的用电实时数据，采用K-均值聚类算法以及概率统计方法建立用电模型，实现用电的实时测量，所得测量结果表明，与简单取平均值的方法相比较，采用统计聚类方法获得的预测结果可以更加合理地反映用户的实际用电行为，具有较强的实际意义，具有较强的实时性和准确性，为进一步的节能优化奠定基础。

附图说明

图1是本发明中基于统计聚类的用户用电实时测量方法的流程图；

图2是本发明中K-均值聚类算法的流程图；

图3是本发明中房间一天内插座用电的预测结果实施例。

具体实施方式

为了更清楚地说明本发明的目的、技术方案和优点，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

图1示出发明提出的一种基于统计聚类的用电实时测量方法流程图，下面分别介绍基于统计聚类的办公用电实时测量方法的各个步骤如下：

步骤S1数据预处理：对从用户采集的办公用电实时数据进行预处理，所述预处理是包括数据筛选、剔除、补充的操作，用以改善数据质量，从而获得完整的用电数据，为方法的顺利运行提供数据基础。

本发明的基于统计聚类的办公用电实时预测方法从用户现场采集的办公用电数据，办公用电实时数据类型包括照明用电数据、插座用电数据以及空调用电数据，均为常见的办公用电类型并可完整代表办公用电。

在获取原始数据的基础上，根据一定的预测区间对原始数据进行筛选，获取该预测区间内各用电类型的用电数据。在此基础上，遍历全部数据，剔除其中的多余数据并补充缺失数据，从而改善数据质量，获取完整的整时用电数据，为接下来的数据计算提供完整而准确的数据。

步骤S2：对完整的用电数据参数参数进行初始化，获得计算所需的聚类类别数、概率上界参数、概率下界参数。

在该步骤中，根据用户的实际情况，经过不断测试和调整，最终确定数据计算所需的相关参数，包括聚类类别数、概率上界、概率下界等，满足不同的实际需求。

步骤S3数据聚类：采用K-均值聚类方法对用电数据的初始化聚类类别数、概率上界参数、概率下界参数进行聚类，获取不同类别的用电数据。图2示出本发明中K-均值聚类算法的流程图，在该步骤中，以获取的不同类型的用电数据作为样本，结合步骤S2中所定义的聚类类别数，对数据样本进行聚类，将数据分成若干类别。

其中，K-均值算法是典型的基于原型的目标函数聚类方法，以用电数据的数据点到K均值聚类算法中的聚类中心的样本x到第j个聚类中心的欧氏距离作为优化目标函数，利用函数求极值的方法对优化目标函数进行迭代运算调整，获得优化目标函数最小函数值；获得优化目标函数最小函数值流程如下：