[发明专利]大数据环境下用户用电关联因素辨识及用电量预测方法

权利要求书

1.一种大数据环境下用户用电关联因素辨识及用电量预测方法，其特征在于， 包含以下步骤：

步骤S1、建立多维评价指标体系对用户用电特性进行表征，并根据 不同用户的用电特性，在多维评价指标数据的各个子空间中分别开展模糊 C均值聚类，提取用户的多样化用电模式，从而实现基于用电模式判别的 用户精细化分类；

步骤S2、运用互信息理论对用户用电量数据与潜在关联因素数据进 行关联分析，辨识与用户用电行为存在强关联关系的因素；

步骤S3、根据各类用户的用电量数据及其强关联因素数据，面向各 数据样本开展基于随机森林算法的预测建模及参数寻优，对各用户群体的 用电量进行预测。

2.如权利要求1所述的大数据环境下用户用电关联因素辨识及用电量预测 方法，其特征在于，所述的步骤S1中，实现用户精细化分类包含以下步 骤：

步骤S1.1、针对不同用户使用包含时序与非时序数据的用户用电特 性多维评价指标：

Vj={αt1,αt2,...,αtu;βt1,βt2,...,βtv;γ1,γ2,...,γw}∈VDj=1,2,...,m---(1)]]>

其中：α_t1,α_t2,…,α_tu和β_t1,β_t2,…,β_tv是时序特征向量，分别代表用户年 用电量和月用电量时间序列数据；γ₁,γ₂,…,γ_w是非时序特征向量，包括年 最大负荷利用小时数γ₁、负荷密度γ₂、典型日平均负荷率γ₃、季不均衡 系数γ₄，以及峰谷电量比γ₅等负荷特性指标数据；

步骤S1.2、基于“自上而下”的子空间聚类搜索策略，建立用电特 性多维度解析模型，根据数据类型和指标含义的不同，将用电特性数据集 V_D划分为3个子空间L₁、L₂和L₃，并相应地将原特征向量V_C进行拆分， 在各子空间中，分别以年用电量时间序列V_α、月用电量时间序列V_β，以 及负荷特性数据V_γ作为特征向量，利用模糊C均值算法进行聚类；

步骤S1.3、在V_D的3个子空间L₁、L₂和L₃中，通过模糊C均值聚类 分别发现r、s和t个簇，从子空间L₁、L₂和L₃中分别取出1个簇进行 融合，所形成的全空间簇可以确定1种用户用电模式，在全空间中，根据 簇的不同，将全体用户的用电特性定义为r×s×t种用电模式，根据用电 模式的不同将用户进行分组，分为n＝r×s×t个群体，即G_i(i,＝1,…,n)，从 而实现了对用户的精细化分类。