[发明专利]一种基于用电特征和Mean Shift算法的用户类型分类方法

说明书

本发明公开了一种基于用电特征和Mean Shift算法的用户类型分类方法，涉及电力运维领域。目前，用户类型分类依靠经验，且准确性差。本发明包括步骤：获取各用户用电数据；对数据进行预处理；获取负荷P和电量W两类型数据，并分别抽取相应特征，包括负荷特征和电量特征，并计算对应的负荷变化特征量和电量变化特征量；接着对特征进行筛选和降维处理，最后利用mean shift进行分类。通过采用Mean Shift分类技术，使得在分类过程中既不需要事先准备训练样本和训练标签，也不需要事先准备人工标签和事先确认分类总数，无需事先要求人工经验判断，在提高客观性的同时，有效提高工作效率和准确性。分类可以跟随企业和社会环境的变化而变化，进一步提高分类的准确性和效率。

技术领域

本发明涉及电力运维领域，尤其涉及一种基于用电特征和Mean Shift算法的用户类型分类方法。

背景技术

用电数据分析为我国电力行业运营和服务优化奠定了必要的基础。用户的类型是实现用户用电情况精细化管理的基础数据。例如在电力资源紧张的时间段，鼓励错峰生产型企业进行加工。对于医院等电力持续性保障且用电负荷相对稳定的单位，对电力资源的消耗可以准确的预测与储备。对于突发高负荷生产型企业可以鼓励安排周末和夜间时间启动高负荷生产步骤。对于生产情况不佳的企业也可以早期介入沟通安排电费收取等。用户的精细化管理，能够帮助用电趋势分析预测，安排电能储备等诸多工作。

传统的用户管理，主要基于用户行业登记信息，时效性较弱，更新缓慢。而用户的用电情况是实时产生的数据。根据用户的用电情况，进行用户分类，保证了分类信息的准确无误。近年来也有采用人工设计特征，人工按阈值来划分用户类型的方法。随着机器学习的兴起，也有采用随机森林，SVM算法的用户分类，但这些方法都是有监督学习，需要事先准备训练样本和训练标签，仍旧需要事先准备人工标签。也有采用kmeans算法的分类方法，但是kmeans算法需要事先确认分类总数。这就要求人工事先经验判断。但是随着企业和社会环境的变化，类型是会变化的，这样固定的分类方式是有可能不准确的。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于用电特征和Mean Shift算法的用户类型分类方法，以达到提高用户分类的准确性目的。为此，本发明采取以下技术方案。

一种基于用电特征和Mean Shift算法的用户类型分类方法，包括以下步骤：

1)获取各用户用电数据；

2)数据预处理，包括对异常数据进行筛选、填充、对齐处理；

3)获取预处理后的负荷数据和电量数据；

4)在负荷数据和电量数据中抽取曲线技术指标特征得到对应的负荷特征和电量特征，负荷特征包括日负荷24点特征、负荷的日/周/月/季对应的K线特征、负荷峰谷特征，负荷峰谷特征包括日峰/日谷负荷、日/周/月/季均线特征；电量特征包括电量的日/周/月/季特征；

5)根据负荷特征和电量特征计算对应的负荷变化特征量和电量变化特征量；

6)将负荷特征、电量特征、负荷变化特征量、电量变化特征量拼接组装成向量；将多种类型特征拼接成完整向量是后续算法步骤的基础；

7)对向量进行降维和特征筛选；使用PCA算法对特征进行降维和特征筛选；

8)对降维后的向量使用Mean Shift算法进行用户分类，得到各用户的类别标签；

9)输出类别标签，并根据类别标签进行用电趋势分析预测，进行对应的电能储备。