[发明专利]居民海量细粒度用电数据融合挖掘与多元应用方法

权利要求书

1.一种居民海量细粒度用电数据融合挖掘与多元应用方法，其特征在于：包括

步骤1：从前置采集功能模块获得细粒度电量数据，包括电器类型、用电量和时间特征，获得设备运行状态数据和停电事件数据；

步骤2：步骤1中采集的各项数据进入到基础支撑功能进行数据处理；

步骤3：步骤1中采集的各项数据进入到基础应用功能进行负荷辨识；

步骤4：步骤1中采集的各项数据进入到高级应用功能，获得用户行为画像、共用应用服务和商业应用服务；

步骤5：对步骤4中的用户行为画像进行聚合和提炼，构建六维标签；基于所述六维标签，进行建模，形成居民用户、公共用户和商业用户的增值服务模型。

2.根据权利要求1所述的居民海量细粒度用电数据融合挖掘与多元应用方法，其特征在于：所述数据处理包括数据清洗模块、云端协同模块和数据存储模块，所述数据清洗模块，用于检查数据一致性，处理无效值和缺失值，是发现并纠正数据文件中可识别的错误的最后一道程序；

所述云端协同模块，用于对细粒度数据在云端通过人工智能算法实现精细化辨识；

所述数据存储，用于对数据分类别、分业务方向的存储。

3.根据权利要求1所述的居民海量细粒度用电数据融合挖掘与多元应用方法，其特征在于：所述负荷辨识模块从用户、区域两个维度，以及日、月、年时间维度展示用户实时用能监测、用能统计分析结果，用于直观展示电器电量占比、峰谷用电占比和用电趋势；所述档案管理，包含用户档案、终端档案、设备管理、合同管理，用户档案即为终端监测对象信息、终端档案为细粒度数据采集设备信息、设备管理为对用户家用电器的管理、合同管理则面向高级互动业务中与用户建立的合约关系管理。

4.根据权利要求3所述的居民海量细粒度用电数据融合挖掘与多元应用方法，其特征在于：所述用户行为画像包括居民用户和区域用户，居民用户包括能耗数据、能耗水平、负荷特性和负荷构成；所述区域用户包括能耗/效水平、用户性质、负荷占比和负荷特性。

5.根据权利要求1所述的居民海量细粒度用电数据融合挖掘与多元应用方法，其特征在于：所述六维标签包括；

用户能耗特性标签，包含日/月/年电器用电量占比、日峰(谷)用电量占比、阶梯电价负荷占比。

日/月/年电器用电量占比，是指负荷数据记录中，各电器类用电量占总用电量比值。

日峰(谷)用电量占比，指当日各类负荷在峰(谷)值负荷中的占比。

日负荷曲线，将客户在空调、电热、厨房电器等方面按时间顺序以15min用电量绘

阶梯电价负荷占比，指各类负荷在阶梯电价各阶段中的占比；

用户能效特性标签分别计算用户的活跃时段待机功耗以及非活跃时段的待机功耗；活跃时段定义为：

ActiveT_A＝{t|W_t≥W_min+0.3×(W_max-W_min)} (4)

AtciveTA为活跃时段的集合，Wmin为当天15min最小耗电量；Wmax为当天15min最大耗电量。

电价敏感特性标签通过峰谷比例反映了客户对电价的敏感程度，利用当前的峰谷电价进行客户电费敏感性估计，从两个方面构建敏感性估计模型，一是年度峰谷电费比；

负荷形状特性标签考虑日历因素影响下的客户作息行为习惯分析，寻找客户用电的在时间上的规律性。

L_group＝{(T_s,T_e)P(T_i)W(av)m(L_dif)C(L_reg)} (6)

式中，(T_s,T_e)为用客户的起居时间，基于春秋天的多日的用电负荷曲线，截取早晚电器启停时刻综合判断客户作息时间；P(T_i)为负荷曲线特征，利用负荷数量及出现的时段判断；W(av)为电量消耗水平，利用客户年用电量的所处阶梯；m(L_dif)表示电器类型数量，通过一年的辨识数据求合集；C(L_reg)大功率可调负荷总容量，通过一年的辨识数据综合推算。

安全特性标签考虑正常运行电器电量阈值、运行时长阈值，通过阈值比较定义电器异常运行情况。

6.根据权利要求1所述的居民海量细粒度用电数据融合挖掘与多元应用方法，其特征在于：所述面向居民用户标签模型，包括用户家用电器用电量排名、待机电器用电量、保温电器用电量、区域用电量排名、峰谷段用电量占比；所述面向公共用户标签模型，包括面向住建部门公共服务价值挖掘，电能流向评估，温度敏感性电器分布，经济敏感性电器评估；面向公安部门公共服务价值挖掘，违禁电器活动监测模型和活动人口评估模型；所述面向商业用户标签模型，包括面向家电企业的居民家电购买潜力挖掘模型，包含分项家用电器占有率，分项电器电能占比，电器替代潜力，区域活动人口属性；面向能源服务商的居民互动潜力挖掘模型，包含价格敏感性分析，消费周期分析，消费内容分析，需求响应选择综合指标；面向小工商业客户的居民消费潜力挖掘模型，包含区域活动人口属性。