[发明专利]一种用户用电行为模式识别方法

说明书

本发明公开一种用户用电行为模式识别方法，包括：采集日负荷曲线数据，对日负荷曲线数据进行预处理，随机划分为第一数据集和第二数据集，第一数据集用于负荷曲线类别标签数据的提取与筛选；筛选第一数据集，获取精准负荷曲线类别标签数据；提取精准负荷曲线类别标签数据中的Shapelet集合；利用Shapelet集合对第二数据集进行Shapelet转换获得时序轨迹特征矩阵，将时序轨迹特征矩阵随机划分为训练集和测试集；利用训练集构建并训练随机森林分类器；利用训练好的随机森林分类器对测试集进行分类，获得分类结果，识别用户用电行为模式。本发明充分利用提高负荷分类质量和分类效率、同时使分类结果具有较强可解释性。

技术领域

本发明涉及电力系统及自动化技术领域，特别是涉及一种用户用电行为模式识别方法。

背景技术

随着我国电力行业飞速发展，各行业电力用户在用电的过程中产生了海量负荷数据。电力系统数据具有高频度和高密度的特点，电网与用户之间的交互行为快速增长，导致电力系统产生体量庞大的用户侧负荷数据，这些数据涉及多个领域且数据质量参差不齐。用户用电过程中产生了大量电力相关数据，包括结构化数据以及非结构化数据。并且伴随着用户用电行为逐渐多样化，其用电数据所蕴含的潜在信息更加复杂。

目前，我国用户用电行为模式识别领域还存在以下几个问题：

随着用电模式的复杂化以及智能电表的普及，电力负荷数据的维度和体量显著攀升。如何高效且有效的挖掘分析电网积累的海量负荷数据，提升用户侧用电数据质量，是目前电力行业重点研究的内容之一。

用户用电特征识别研究依然存在需求侧响应分析不够充分的问题。随着社会经济快速发展，人们生活质量提升，对于电力能源的需求也日趋多元化，传统电力用户分类标准难以适用于当今用电行为模式。如果无法对电力用户行为分析做出正确判断，将会影响未来电网的发展方向和决策制定。

现有负荷数据挖掘方法常常仅将负荷分类结果作为唯一目标，虽然相关领域专家提供了诸多改进分类方法以获取高精度分类结果，但是忽略了分类结果的可解释性。所构建的负荷分类模型作为“黑盒子”难以解释，导致无法为电力企业的决策制定和市场分析等提供可解释的分类依据。

因此，有必要从提高负荷分类可解释性的角度出发，研究兼顾分类性能和分类解释性的“白盒子”分类模型。

发明内容

本发明的目的是提供一种用户用电行为模式识别方法，以解决上述现有技术存在的问题，充分利用提高负荷分类质量和分类效率、同时使分类结果具有较强可解释性。

为实现上述目的，本发明提供了如下方案：本发明提供一种用户用电行为模式识别方法，包括：

采集日负荷曲线数据，对所述日负荷曲线数据进行预处理，随机划分为第一数据集和第二数据集，所述第一数据集用于负荷曲线类别标签数据的筛选；

筛选所述第一数据集，获取精准负荷曲线类别标签数据；

提取所述精准负荷曲线类别标签数据中的Shapelet集合；

利用所述Shapelet集合对所述第二数据集进行Shapelet转换获得时序轨迹特征矩阵，将所述时序轨迹特征矩阵随机划分为训练集和测试集；

利用所述训练集构建并训练随机森林分类器；

利用训练好的所述随机森林分类器对所述测试集进行分类，获得分类结果，识别用户用电行为模式。

可选地，对所述日负荷曲线数据进行预处理包括：

清除或修正所述日负荷曲线数据中的异常数据，获取待分析日负荷曲线数据；

对所述待分析日负荷曲线数据进行归一化处理。

可选地，筛选所述训练集，获取精准负荷曲线类别标签数据包括：