一种基于聚类算法的三维度园区画像方法及系统技术方案

本发明专利技术涉及一种基于聚类算法的三维度园区画像方法及系统。该方法包括：采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；分别对用户用电行为、用户能源配置成熟度结果和用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；将上述特征进行拼接得到园区画像序列。本发明专利技术能够应用于用户群体层面的园区画像中，实现定量化描述特征的园区画像分析。

【技术实现步骤摘要】
一种基于聚类算法的三维度园区画像方法及系统
本专利技术涉及园区用电管理领域，特别是涉及一种基于聚类算法的三维度园区画像方法及系统。
技术介绍
2008年以来，中国经济转变过于依赖外需增长的经济发展方式，推动中国产业结构优化升级，成为关系国民经济全局紧迫而重大的战略任务。发展园区经济，打造主导产业集群，可以促进各地调整产业结构、改变经济增长方式，因此各地纷纷开展园区建设。园区用电水平较高，且不同园区的用电水平存在较大差异，这增加了园区用电管理的难度。为保证园区的供电质量，电网公司需要针对不同类型的园区提供差异化、个性化的供电服务。因此，需要进行园区画像，从而确定园区的类型，实现精准服务。用户画像是一种快速、精准分析用户行为模式、消费习惯等特征的数据分析工具，为企业精准营销、提升用户体验奠定了基础。借助聚类分析算法，可以基于用户特征对其进行分类，从而确定园区类型。然而，目前的聚类分析大多是基于无标签数据的分析，在分析过程中将数据看作整体并计算不同数据间的距离，难以体现数据内存在的差异性，不能提取局部特征。对于园区画像模型而言，需要处理96点数据，即需要考虑数据的局部特征及数据内存在的差异性，因此传统的聚类算法难以有效地执行园区画像模型中的聚类分析。总的来说，用户画像技术已经在图书、旅游等互联网推荐系统领域进行了较多的实践探索，仅是在用户层面的画像分析，尚未应用于用户群体层面的园区画像中。
技术实现思路
本专利技术的目的是提供一种基于聚类算法的三维度园区画像方法及系统，能够应用于用户群体层面的园区画像中，实现定量化描述特征的园区画像分析。为实现上述目的，本专利技术提供了如下方案：一种基于聚类算法的三维度园区画像方法，包括：获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录；根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。可选的，所述根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为，具体包括：对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵；对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组；根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组；根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。可选的，所述根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果，具体包括：分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果；将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重；根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最终预测结果；将所述最终预测结果与当前用电负荷规模进行比较，得到用户能源配置成熟度结果。可选的，所述根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果，具体包括：根据所述智能电表用电数据和所述电网用户业务往来记录，确定负荷模式、降负荷率、分时用电量变异系数和停电总时长；对所述负荷模式、所述降负荷率、所述分时用电量变异系数和所述停电总时长进行加权求和，得到用户需求响应能力评估结果。一种基于聚类算法的三维度园区画像系统，包括：数据获取模块，用于获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录；用户用电行为确定模块，用于根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；用户能源配置成熟度结果确定模块，用于根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；用户需求响应能力评估结果确定模块，用于根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；聚类模块，用于分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；园区画像序列确定模块，用于将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。可选的，所述用户用电行为确定模块，具体包括：归一化单元，用于对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵；奇异值分解单元，用于对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组；筛选单元，用于根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组；用户用电行为确定单元，用于根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。可选的，所述用户能源配置成熟度结果确定模块，具体包括：预测结果确定单元，用于分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果；权重单元，用于将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重；最终预测结果确定单元，用于根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最本文档来自技高网...

【技术保护点】
1.一种基于聚类算法的三维度园区画像方法，其特征在于，包括：/n获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录；/n根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；/n根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；/n根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；/n分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；/n将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。/n

【技术特征摘要】
1.一种基于聚类算法的三维度园区画像方法，其特征在于，包括：
获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录；
根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；
根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；
根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；
分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；
将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。


2.根据权利要求1所述的基于聚类算法的三维度园区画像方法，其特征在于，所述根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为，具体包括：
对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵；
对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组；
根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组；
根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。


3.根据权利要求1所述的基于聚类算法的三维度园区画像方法，其特征在于，所述根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果，具体包括：
分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果；
将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重；
根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最终预测结果；
将所述最终预测结果与当前用电负荷规模进行比较，得到用户能源配置成熟度结果。


4.根据权利要求1所述的基于聚类算法的三维度园区画像方法，其特征在于，所述根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果，具体包括：
根据所述智能电表用电数据和所述电网用户业务往来记录，确定负荷模式、降负荷率、分时用电量变异系数和停电总时长；
对所述负荷模式、所述降负荷率、所述分时用电量变异系数和所述停电总时长进行加权求和，得到用户需求响应能力评估结果。


5....

【专利技术属性】
技术研发人员：张琳娟，许长清，王利利，张平，卢丹，周楠，李晨希，
申请(专利权)人：国家电网有限公司，国网河南省电力公司经济技术研究院，华北电力大学，
类型：发明
国别省市：北京;11