[发明专利]一种基于K-Means模型的充电桩用户画像方法

权利要求书

1.一种基于K-Means模型的充电桩用户画像方法，其特征在于，包括：

将电力公司计算节点记为Guest，气象局计算节点记为Host；

采集包括相同日期的充电桩用户充电数据和气象数据的充电桩负荷数据集，并进行预处理；

将充电桩用户充电数据输入Guest，将气象数据输入Host，在Guest中根据充电桩用户用电数据通过训练好的第一K-Means模型获取第一数据分布信息，在Host中根据气象数据通过训练好的第二K-Means模型获取第二数据分布信息，并发送至Guest，在Guest中根据第一数据分布信息和第二数据分布信息计算整体数据分布信息，并根据整体数据分布信息获取充电桩用户用电数据画像；

所述的第一K-Means模型和第二K-Means模型的训练过程包括以下步骤：

S1、在Guest中采集充电桩负荷样本集X_A，在Host中采集气象数据样本集X_B；

S2、在Guest中生成X_A的初始聚类中心及初始聚类中心对应的分类标签，在Host中生成X_B的初始聚类中心及初始聚类中心对应的分类标签；

S3、在Guest中计算X_A的第一样本分布信息，在Host中计算X_B的第二样本分布信息，将第二样本分布信息发送至Guest，在Guest中根据第一样本分布信息和第二样本分布信息计算整体样本分布信息；

S4、在Guest中根据总体样本分布信息更新X_A中各个样本的分类，获得最新分类信息，并发送至Host，在Host中根据最新分类信息更新X_B中各个样本的分类；

S5、在Guest中更新X_A的聚类中心的特征坐标，并计算新旧聚类中心坐标的第一偏移距离，在Host中更新X_B的特征坐标，并计算新旧聚类中心坐标的第二偏移距离，将第二偏移距离发送至Guest，在Guest中根据第一偏移距离和第二偏移距离计算整体偏移距离；

S6、判断是否满足终止条件，若是则执行步骤S7，否则执行步骤S3；

S7、将Guest中第一K-Means模型的训练结果保存至本地，将Host中第二K-Means模型的训练结果保存至本地。

2.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的预处理的具体过程包括：

将X_A和X_B中具有相同日期的样本对齐，但不分享各自具体的样本特征值；

保留X_A和X_B中的连续型特征，并记录连续型特征名列表。

3.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的训练结果包括聚类数、聚类中心坐标以及连续型特征名列表。

4.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的步骤S2的具体过程包括：

接收电力公司计算节点生成的任务ID，根据任务ID的哈希值生成统一随机种子，根据随机种子生成X_A和X_B的初始聚类中心。

5.根据权利要求1所述的一种基于K-Means模型的充电桩用户画像方法，其特征在于，所述的充电桩负荷样本集X_A包括电力公司充电桩每日若干个时点的瞬时功率曲线；

所述的气象数据样本集X_B包括每日若干个时点的气温变化曲线。