[发明专利]考虑典型因素综合能源系统用能行为数据挖掘方法及装置

说明书

本发明公开了一种考虑典型因素综合能源系统用能行为数据挖掘方法及装置，所述方法包括K‑means算法用于对损坏的数据进行校正，并对数据中部分受干扰的数据进行挖掘和边缘化。因此，采用标准化的处理方法对数据进行量化。过滤后，可以准确提取用户的用电行为特征。实验结果表明，传统的数据挖掘方法容易受到自然等典型因素的影响，数据挖掘的精度不理想，本发明能够有效地提取出正确的行为数据，且准确率高于传统方法。

技术领域

本发明涉及数据挖掘的技术领域，尤其涉及一种考虑典型因素综合能源系统用能行为数据挖掘方法及装置。

背景技术

随着大数据时代的到来，在智能电网的背景下，电网信息采集系统和客户服务信息系统中积累了大量的用电数据，隐藏了大量的用电信息。而工业负荷作为用电大户，如何有序高效，节能环保用电意义重大。因此，未来的智能电网应在确保用电安全可靠的同时，为不同用户提供更高质量、更有针对性的服务和科学建议。因此，分析用户和供电企业用电量的增长规律和特征具有重要意义。

用电信息采集系统中积累的海量用户历史负荷数据，包含了用户的用电行为和习惯。它不仅可以提高负荷预测的准确性和调度管理水平，还可以为电价设定、经济调度和需求响应提供支持。随着新一轮电力体制改革，用电量大、用电稳定的工商业用户将直接参与双边交易、电力现货市场和需求侧响应，承担清洁能源配额，将对发电调度方案、电网运行方式、电网调峰能力、新能源消纳等产生重大影响。

目前对能源使用行为的分析方法有很多，如使用时长算法、根据社区特征分析能源使用异常、使用模糊聚类算法研究电力客户的行为模式等。但目前使用能量的用户行为数据难以定量估计，用户行为数据的挖掘精度有待进一步提高。为了进一步提高数据挖掘的准确性，本文提出了一种考虑典型因素的综合能源系统能耗行为数据挖掘方法。

发明内容

电力改革下，售电端的开放使得电力公司、消费者和整个电力市场获得不同用户的用电行为变得非常重要，不同生活习惯和背景的用户有不同的用电行为。从电力公司的角度来看，对用户行为的分析可以帮助电力零售商制定更高效、更令人满意的营销和需求方案，有助于积累大量客户。对于居民用电用户，通过与电力公司的互动，可以更好地了解他们的消费模式，甚至可以调整和优化他们的用电习惯，在电包激励下削峰填谷，降低家庭用电成本也有助于电网的整体稳定性。

单用户负荷模式提取是研究用户分类的基础，有助于实现需求响应，使电力供应商实现基于负荷模式和消费类别的有效能源控制、灵活定价和需求管理，使电力用户了解他们的负载模式，并应对波动的价格，从而减少电费。从日负荷曲线聚类中提取负荷模式有两个挑战，一是降维减少信息丢失，二是提高日负荷曲线聚类的性能。

为实现上述目的，本发明提供如下技术方案：

一种考虑典型因素综合能源系统用能行为数据挖掘方法，所述方法按照以下步骤进行，

通过K-means算法获取行为数据的负载特征曲线；

对所述负载特征曲线上的不良数据进行修正，得到用电修正曲线；

采用标准化处理对所述修正曲线进行统一量化,得到用电数据的归一化值；

将所述用电量数据归一化值形成用户用电行为特征序列；

根据协方差计算所述特征序列中相邻周期的数值关系之间的相关性，得到相关性数值关系；

根据所述相关性数值关系，提取特征指标，以实现数据挖掘。

优选的，所述不良数据包括在数据采集系统和其他外部因素的影响下，数据丢失或损坏；所述不良数据会影响负荷分析的准确性。

优选的，所述通过K-means算法获取行为数据的负载特征曲线包括，采用K-means算法对每个用户的日负荷曲线进行聚类，其中，用户工作日、周末和节假日负荷曲线各用户之间差异较大，用户工作日、周末和节假日进行单独聚类。