【技术实现步骤摘要】
本专利技术涉及电力，尤其涉及一种基于需求侧响应的用户分类方法及装置。
技术介绍
1、需求侧资源具有单体容量小、数量众多、分布分散和响应随机性强的特点，通常会以微网、虚拟电厂和需求响应聚合商等聚合形态出现。需求侧响应是用户响应电网的号召，有计划地暂时调整自己的用电情况的行为，可以促进电力系统稳定，因此对用户进行准确的需求响应的分类是非常重要的。
2、相关技术中的分类方法主要是根据用户的用电负荷数据的用电特征进行分类，但是用电负荷数据具有规模大、维度高、来源类型多、时效特征强和价值密度低等典型特征，这些特征提取难度大，且很多用电特征与需求响应的关联性较弱，难以实现在需求侧响应方面对用户进行准确的分类。
技术实现思路
1、本专利技术实施例提供了一种基于需求侧响应的用户分类方法及装置，以提高在需求侧响应方面对用户分类的准确性。
2、第一方面，本专利技术实施例提供了一种基于需求侧响应的用户分类方法，包括：
3、获取多个已分类用户的用电负荷曲线和需求响应标签；
4、提取每个用电负荷曲线的时频域特征集，时频域特征集中包含多个特征指标和每个特征指标对应的特征数据；
5、基于各个时频域特征集和改进的遗传算法，对多个特征指标进行筛选，得到目标特征指标；
6、根据目标特征指标对应的特征数据和已分类用户的需求响应标签，对预设的分类器进行训练，得到用户分类模型；
7、基于用户分类模型对待分类用户进行分类。
8、在
9、设置改进的遗传算法的相关参数，相关参数包括染色体种群的种群大小、最大迭代次数和适应度阈值；
10、生成种群大小数量的染色体，得到染色体群体，每个染色体中包含预设数量的特征指标，预设数量小于特征指标的总数量；
11、对于染色体群体中每条染色体，根据该染色体包含的特征指标对应的特征数据，训练多个不同类型的分类器，得到每个分类器的准确率，并基于各个分类器的准确率得到该染色体的适应度值；
12、对染色体群体中的各条染色体进行遗传操作；
13、分别计算各条染色体的当前适应度值，并将当前迭代次数加1；
14、不断迭代，直至当前迭代次数达到最大迭代次数，或者当前染色体群体中最大的适应度值大于适应度阈值；
15、将适应度值最大的染色体包含的特征指标确定为目标特征指标。
16、在一种可能的实现方式中，对染色体群体中的各条染色体进行遗传操作，包括：
17、对染色体群体中的各条染色体进行交叉和变异，得到遗传后的染色体；
18、检测各条遗传后的染色体中是否存在重复的特征指标；
19、若存在，则对存在重复的特征指标的染色体重新进行交叉和变异，直至各条遗传后的染色体中均不存在重复的特征指标，则完成遗传操作。
20、在一种可能的实现方式中，在将适应度值最大的染色体包含的特征指标确定为目标特征指标之后，还包括：
21、将适应度值最大的染色体对应的准确率最大的分类器作为预设的分类器。
22、在一种可能的实现方式中，提取每个用电负荷曲线的时频域特征集，包括：
23、提取用电负荷曲线的不同时段的时域特征指标和每个时域特征指标对应的特征数据；
24、基于希尔伯特-黄变换提取用电负荷曲线的频域特征指标和每个频域特征指标对应的特征数据。
25、在一种可能的实现方式中，基于希尔伯特-黄变换提取用电负荷曲线的频域特征指标和每个频域特征指标对应的特征数据，包括：
26、对用电负荷曲线进行经验模态分解，得到多个经验模态分量；
27、对每个经验模态分量分别进行希尔伯特-黄变换，得到多个变换分量；
28、针对每个变换分量，计算瞬时频率的平均值；
29、基于各个变换分量的瞬时频率的平均值，得到用电负荷曲线的各个频域特征的特征数据。
30、在一种可能的实现方式中，时域特征指标包括用电功率消耗、用电功率比值和统计特征。
31、在一种可能的实现方式中，分类器包括以下的至少一种：决策树模型、支持向量机、k-近邻分类算法和人工神经网络模型。
32、第二方面，本专利技术实施例提供了一种基于需求侧响应的用户分类装置，包括：
33、获取模块，用于获取多个已分类用户的用电负荷曲线和需求响应标签；
34、提取模块，用于提取每个用电负荷曲线的时频域特征集，时频域特征集中包含多个特征指标和每个特征指标对应的特征数据；
35、筛选模块，用于基于各个时频域特征集和改进的遗传算法，对多个特征指标进行筛选，得到目标特征指标；
36、训练模块，用于根据目标特征指标对应的特征数据和已分类用户的需求响应标签，对预设的分类器进行训练，得到用户分类模型；
37、分类模块，用于基于用户分类模型对待分类用户进行分类。
38、在一种可能的实现方式中，筛选模块具体用于：
39、设置改进的遗传算法的相关参数，相关参数包括染色体种群的种群大小、最大迭代次数和适应度阈值；
40、生成种群大小数量的染色体，得到染色体群体，每个染色体中包含预设数量的特征指标，预设数量小于特征指标的总数量；
41、对于染色体群体中每条染色体，根据该染色体包含的特征指标对应的特征数据，训练多个不同类型的分类器，得到每个分类器的准确率，并基于各个分类器的准确率得到该染色体的适应度值；
42、对染色体群体中的各条染色体进行遗传操作；
43、分别计算各条染色体的当前适应度值，并将当前迭代次数加1；
44、不断迭代，直至当前迭代次数达到最大迭代次数，或者当前染色体群体中最大的适应度值大于适应度阈值；
45、将适应度值最大的染色体包含的特征指标确定为目标特征指标。
46、本专利技术实施例与现有技术相比存在的有益效果是：
47、本专利技术实施例通过获取多个已分类用户的用电负荷曲线，进行时频域特征集的提取，能够得到多个与用电负荷曲线相关的特征指标；基于各个时频域特征集和改进的遗传算法，对多个特征指标进行筛选，可以准确地从众多特征指标中筛选出与需求响应的关联性强的特征指标，以便根据关联性强的特征指标进行准确的用户分类；通过筛选得到的目标特征指标对应特征数据和已分类用户的需求响应标签，建立用户分类模型，可以准确地构建关联性强的目标特征指标与用户需求响应的关系，实现对用户的准确分类；通过用户分类模型对待分类用户进行分类，能够快速准确地得到待分类用户的需求响应标签，提高用户分类的准确性。
本文档来自技高网...【技术保护点】
1.一种基于需求侧响应的用户分类方法，其特征在于，包括：
2.根据权利要求1所述的基于需求侧响应的用户分类方法，其特征在于，所述基于各个时频域特征集和改进的遗传算法，对所述多个特征指标进行筛选，得到目标特征指标，包括：
3.根据权利要求2所述的基于需求侧响应的用户分类方法，其特征在于，所述对所述染色体群体中的各条染色体进行遗传操作，包括：
4.根据权利要求2所述的基于需求侧响应的用户分类方法，其特征在于，在所述将适应度值最大的染色体包含的特征指标确定为目标特征指标之后，还包括：
5.根据权利要求1-4任一项所述的基于需求侧响应的用户分类方法，其特征在于，所述提取每个用电负荷曲线的时频域特征集，包括：
6.根据权利要求5所述的基于需求侧响应的用户分类方法，其特征在于，所述基于希尔伯特-黄变换提取用电负荷曲线的频域特征指标和每个频域特征指标对应的特征数据，包括：
7.根据权利要求5所述的基于需求侧响应的用户分类方法，其特征在于，所述时域特征指标包括用电功率消耗、用电功率比值和统计特征。
8.根据权利要
9.一种基于需求侧响应的用户分类装置，其特征在于，包括：
10.根据权利要求9所述的基于需求侧响应的用户分类装置，其特征在于，筛选模块具体用于：
...【技术特征摘要】
1.一种基于需求侧响应的用户分类方法，其特征在于，包括：
2.根据权利要求1所述的基于需求侧响应的用户分类方法，其特征在于，所述基于各个时频域特征集和改进的遗传算法，对所述多个特征指标进行筛选，得到目标特征指标，包括：
3.根据权利要求2所述的基于需求侧响应的用户分类方法，其特征在于，所述对所述染色体群体中的各条染色体进行遗传操作，包括：
4.根据权利要求2所述的基于需求侧响应的用户分类方法，其特征在于，在所述将适应度值最大的染色体包含的特征指标确定为目标特征指标之后，还包括：
5.根据权利要求1-4任一项所述的基于需求侧响应的用户分类方法，其特征在于，所述提取每个用电负荷曲线的时频域特征集，包括：...
【专利技术属性】
技术研发人员：杨迪，吕云彤，王飞，李宏博，霍伟，张辰灏，林跻云，葛鑫鑫，
申请(专利权)人：国网河北省电力有限公司营销服务中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。