CN105184479A - 基于智能水表的城市居民用水行为分类方法 - Google Patents

Abstract

本发明公开了一种基于智能水表的城市居民用水行为分类方法，以高精度智能水表采集的城市居民生活用水细节数据为基础，以日为时间尺度，采用模糊聚类分析方法对居民日用水行为进行聚类分析，采用经验值截矩阵的方法，根据用水特征对用户的家庭结构、工作性质等进行分类，取得较好效果。本方法可对城市居民生活用水细节数据进行分析与挖掘，对用水行为进行无先验样本的模糊聚类，从而对居民小区的管理以及城市居民用水的规划、供应以及研究应用提供决策支持，并为分析不同时空尺度中城市居民用水行为、模拟用水量奠定基础。

Description

基于智能水表的城市居民用水行为分类方法

技术领域

本发明涉及城市用水技术领域，具体涉及一种基于智能水表的城市居民用水行为分类方法。

背景技术

水是人们生活的必需品，城市居民的用水行为与其家庭结构、工作性质、生活习惯等因素密切相关。城市居民用水管理部门需要进行用水规划和供应，前提是掌握各类用户的用水习惯，从而进行精细化管理。然而，传统的居民生活用水数据的采集主要是通过人工抄表的方式来获取，一般每月一次，数据获取的效率和准确率都偏低，且没有合适的方法根据大量的用水数据确定各类用户的用水行为特征。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于智能水表的城市居民用水行为分类方法，以便为供水部门提供数据支持。

为了实现上述目的，本发明采取的技术方案是：

一种基于智能水表的城市居民日用水行为分类方法，包括步骤：

通过智能水表采集待分类区域内的用户两天以上的用水数据；

对用水数据进行预处理，预处理的过程包括：剔除全零用户的数据；将同一用户每天同一时段的用水数据相加求平均；计算同一用户各个时段的平均用水量占日均用水量的比例，以用户为行，各个时段的用水比例为列，构建用户日用水特征矩阵；

根据预处理后得到的用户日用水特征矩阵，对用户的用水行为进行基于模糊聚类的分类，过程如下：

计算用户日用水特征矩阵的相关系数矩阵；

将相关系数矩阵正值化，形成模糊矩阵；

将模糊矩阵改造成模糊等价矩阵；

计算模糊等价矩阵的截距阵，将最佳分类效果时的λ的经验值作为截距阵的取值，得到用户用水行为的分类结果。

与现有技术相比，本发明的有益效果在于：

本发明以高精度智能水表采集的城市居民生活用水细节数据为基础，以日为时间尺度，研究基于用水细节数据的城市居民生活用水特征非监督分类算法，按照用水特征对小区居民的生活习惯、家庭结构、工作性质等进行分类。通过用户的精细化分类，为物业管理公司以及供水企业提供决策依据，为供水管理部门科学规划、按需供水、节能降耗与精细化管理奠定基础。

附图说明

图1为本发明基于智能水表的城市居民用水行为分类方法的流程示意图；

图2为各时段日均用水比例图；

图3为λ＝0.9时第1类用户用水特征图；

图4为λ＝0.9时第2类用户用水特征图；

图5为λ＝0.9时其他7类用户用水特征图；

图6第3个和第7个用户用水特征图；

图7为λ＝0.8时第1类用户用水特征图；

图8为λ＝0.8时第3类用户用水特征图；

图9为λ＝0.8时第4类用户用水特征图；

图10为λ＝0.8时第5类用户用水特征图。

具体实施方式

随着物联网技术的发展，智能水表已逐步推广应用，使我们可以获得比过去更为精确的居民生活用水数据。传统的抄表方式获得的用水数据精度一般为0.1m³，采集周期一般为30-60天。而通过智能水表采集的数据精度高达0.001m³，采集频率为15分钟/次。如此高精度的用水数据，为研究居民的用水习惯、用水特征以及研究用水行为与家庭结构、工作性质、生活习惯之间的关系提供基础数据的支持，从而对居民小区的管理以及城市居民用水的规划、供应以及研究应用等带来深入的影响。因此，本发明将智能水表作为数据来源，下面结合具体实施方式对本发明作进一步的说明。

本发明基于智能水表的城市居民日用水行为分类方法，如图1所示，包括以下步骤：

步骤s101、通过智能水表采集待分类区域内的用户两天以上的用水数据。

步骤s102、对用水数据进行预处理，预处理的过程包括：剔除全零用户的数据；将同一用户每天同一时段的用水数据相加求平均；计算同一用户各个时段的平均用水量占日均用水量的比例，以用户为行，各个时段的用水比例为列，构建用户日用水特征矩阵。

步骤s103、根据预处理后得到的用户日用水特征矩阵，对用户的用水行为进行基于模糊聚类的分类，过程如下：

计算用户日用水特征矩阵的相关系数矩阵；

将相关系数矩阵正值化，形成模糊矩阵；

将模糊矩阵改造成模糊等价矩阵；

计算模糊等价矩阵的截距阵，将最佳分类效果时的λ的经验值作为截距阵的取值，得到用户用水行为的分类结果。

下面详细解释上述预处理和模糊聚类的具体过程。

(1)剔除无效数据

由于无用水数据的用户(各时段用水数据都为零的用户)会使得模型后续运算出现无效值，因此，首先排除全为零值的用户数据，即房屋空置用户。然后，取一段时间内各用户在每日96个时间段内的用水量平均数(每15分钟采集数据一次，每日采集96次用水数据)，得到原始数据矩阵，其中行数即为用户数，列数为96，代表96个时段用水平均值。

(2)数据合并

为在保证数据代表性的同时，减少数据量。本模型将相邻时间段的用水量合并，将用水时间分为23:00-2:00、2:00-5:00、5:00-8:00、8:00-11:00、11:00-14:00、14:00-17:00、17:00-20:00、20:00-23:00共8个时间段进行分析。表1为各时间段代表的时间类型。

表1时间段类型表

时间段	类型
		23:00-2:00	深夜
2:00-5:00	凌晨
		5:00-8:00	早晨
8:00-11:00	工作
		11:00-14:00	午餐
14:00-17:00	工作
		17:00-20:00	晚餐
20:00-23:00	夜间

(3)数据标准化

为排除原始用水数据之间的不同度量对分类的影响，应对原始数据进行标准化处理，将原始用水数据变换为各时段所占的日用水比例数据，实现数据的标准化(所有数据分布在0与1之间)，通过标准化变换得到用水比例数据矩阵，使其以相同的量级参与分类。计算方式如下：

$x_{ij}=\frac{{x^{\′}}_{ij}}{\underset{j=1}{\overset{8}{\Σ}}{x^{\′}}_{ij}}---\left(1\right)$

x_ij代表第i个用户在j时刻的日用水比例。x'_ij代表第i个用户在j时刻的真实用水量。以此得到标准化后的用户用水特征矩阵x_ij。矩阵中行代表用户，列代表用水比例。

(4)计算相关系数矩阵

相关系数矩阵是由矩阵各列间的相关系数构成的，相关矩阵第i行第j列的元素是原矩阵第i列和第j列的相关系数。相关系数r_ij计算公式如下：

$r_{ij}=\frac{\mathrm{cov}(x_i,x_j)}{\sqrt{{\mathrm{Dx}}_i}\sqrt{{\mathrm{Dx}}_j}}---\left(2\right)$

cov(x_i,x_j)＝E((x_i-E(x_i))·(x_j-E(x_j)))(3)

其中x_ij为标准化后的原始矩阵，Dx_i为方差，cov(x_i,x_j)为协方差。观测数据矩阵计算变量间的相关系数r_ij(1≤i、j≤s)，m，n为原始矩阵行列数，s＝max(m,n)，形成相关系数矩阵r'＝(r_ij)_s×s。

(5)计算模糊矩阵

相似系数矩阵r'中的元素压缩到0与1之间，形成模糊矩阵R。

$\begin{array}{cc}{R}_{ij}=\frac{1}{2}(1+{r^{\′}}_{ij})& (1\≤i,j\≤s)\end{array}---\left(4\right)$

(6)模糊矩阵R改造成为模糊等价矩阵

上述模糊矩阵不具有等价性，因此需将其转化为模糊等价阵。具体步骤是：R→R²→R⁴→…→R^2k→R^k，将R自乘R·R＝R²，再自乘R²·R²＝R⁴，…直到R^2k＝R^k为止，R^k即为模糊等价矩阵。

(7)λ截矩阵完成模糊分类

R^λ为一个s×s的矩阵，当R^k _ij≥λ时，R^λ _ij＝1，当R^k _ij<λ时，R^λ _ij＝0，得到R^k相应的λ截阵R^λ，R^λ是一个值为0与1的矩阵，其中值完全相同的行归为一类。阈值λ的确定会对结果产生重要影响，阈值λ往往是根据实际的需要，其最佳值取决于经验。经过实验与比较，在λ＝0.8时取得最佳分类效果。

截矩阵的最佳取值取决于经验。本次实验的模糊等价矩阵数值分布于[0.51，1]之间，因此本实验将在此取值区间内，按λ＝0.7/0.8/0.9共进行3次截矩阵分析实验，根据经验值确定最佳分类截值。在以下的分析中，用u₁，u₂，…u₁₈，代表18个有效用户用水数据，另外2户无用水的用户数据为无效数据(见表2)。

表2时段合并后用水数据表

当λ＝0.9时，分为10类，(u₁，u₅，u₈，u₉，u₁₃，u₁₄，u₁₆)；(u₂)；(u₃)(u₄)(u₆，u₁₁，u₁₂)(u₇)(u₁₀)(u₁₅)(u₁₇)(u₁₈)如图3-6所示。图3为第一类用户，其数量最多，且具有较明显的用水特征。该类7户用户的高峰用水时间集中于夜间时段，在早晨也有少量用水，与高峰时间段相比，其他时段用水较少。图4为第二类用户，包括3户家庭，其用水高峰集中在17:00-20:00这个时段，在5:00-8:00以及20:00-23:00也有少量用水。图5为其他8类用水特征，各包含一户家庭。通过分析，部分类别具有相同的用水特征，例如u₃与u₇，见图6。因此，λ＝0.9时的用水特征分类未将部分有相似特征的用户归纳为一类。

λ＝0.7时，分为两类。(u₃，u₇)为一类，其他为另一类。图6为第一类(u₃，u₇)，该类别是λ＝0.9时未划分出来的类别，具有较明显的用水特征，其用水高峰在11:00-14:00，14:00-17:00时间段，在8:00-11:00时间段也有少量用水。但第二类用水特征包含16户家庭，其中u₁₇与u₁₈的用水特征明显与其他用水不同，因此未达到用水特征详细分类的要求。

当λ＝0.8时，共分为以下五类：(u₁，u₂，u₄，u₅，u₆，u₈，u₉，u₁₁，u₁₂，u₁₃，u₁₄，u₅，u₁₆)(u₃，u₇)(u₁₀)(u₁₇)(u₁₈)，包括了上述分类中的(u₃，u₇)，同时将其余的用水特征进行细分，为最佳聚类效果。其各类用水特征如图7-10所示。

经现场验证，结果如下：图7为第一类，包含13户用户，特征为用水高峰位于夜晚时间段，次高峰位于早晨时间段。该类用户数量最多，用户基本为普通上班族家庭，所以高峰用水集中在早晨与夜晚。在家庭结构方面，两口之家在白天工作时段几乎无用水。两代或三代同堂的家庭在白天工作时段也有少量用水。经抽样调查验证，与所实验判定结果一致。第二类包含2户用户，见图6，其高峰用水时段集中在11:00-14:00，14:00-17:00时间段，在8:00-11:00时间段也有少量用水，而在晚间用水较少。该类用户为在小区办公的商业用户，因此高峰用水集中在白天工作时段以及中午。图8为第三类，包括1户用户，该用户的高峰用水时段为23:00-2:00，且在20:00-23:00以及5:00-8:00也有用水。该用户工作时段为下班时间较晚，因此高峰用水集中在凌晨。图9为第四类，包括1户用户，高峰用水集中在8:00-11:00，17:00-20:00以及23:00-2:00，该类特征与第一类特征相似，但其在深夜用水量较大，用户存在熬夜生活习惯。图10为第五类，包括1户用户，高峰用水集中在深夜与凌晨，白天用水较少，该用户作息时间为夜间工作、白天休息。

本发明基于居民生活用水细节数据，以日为时间尺度，采用模糊聚类分析方法对居民日用水行为进行聚类分析，采用经验值截矩阵的方法，根据用水特征对20户家庭(有效数据为18户)的家庭结构、工作性质等进行分类，分类结果可应用于供水企业辅助决策与居民服务等方面。例如，对于房屋长期空置用户，由于自来水长期滞留在管道内将导致水龄过长和部分水质指标超标，因此可为该用户提供用水提醒服务，在智能水表感知用户用水时，供水企业短信机***自动发送短信提醒用户将自来水龙头开启放水5分钟后再使用，保障用户用水安全；对于在小区住宅办公的用户，由于居民用水与商业用水的收费单价不同，因此可为供水企业的用水类型核查工作提供数据支持，挽回供水企业的经济损失；对于夜班用户与存在熬夜习惯的用户，小区管理部门可为其提供保养保健相关信息，为用户提供贴心服务。

综上，本方法对城市居民生活用水细节数据进行分析与挖掘，通过对用水行为进行无先验样本的模糊聚类，从而为居民小区的管理以及城市居民用水的规划、供应以及研究应用提供决策支持，并为分析不同时空尺度中城市居民用水行为、模拟用水量奠定基础。

上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

Claims (5)

1.一种基于智能水表的城市居民日用水行为分类方法，其特征在于，包括步骤：

通过智能水表采集待分类区域内的用户两天以上的用水数据；

对用水数据进行预处理，预处理的过程包括：剔除全零用户的数据；将同一用户每天同一时段的用水数据相加求平均；计算同一用户各个时段的平均用水量占日均用水量的比例，以用户为行，各个时段的用水比例为列，构建用户日用水特征矩阵；

根据预处理后得到的用户日用水特征矩阵，对用户的用水行为进行基于模糊聚类的分类，过程如下：

计算用户日用水特征矩阵的相关系数矩阵；

将相关系数矩阵正值化，形成模糊矩阵；

将模糊矩阵改造成模糊等价矩阵；

计算模糊等价矩阵的截距阵，将最佳分类效果时的λ的经验值作为截距阵的取值，得到用户用水行为的分类结果。

2.根据权利要求1所述的基于智能水表的城市居民日用水行为分类方法，其特征在于，

采集用水数据的采集频率为每15分钟一次，并在一个月内的每个工作日进行采集。

3.根据权利要求1或2所述的基于智能水表的城市居民日用水行为分类方法，其特征在于，

将一天24小时划分为8个时段，依次为：23:00-2:00、2:00-5:00、5:00-8:00、8:00-11:00、11:00-14:00、14:00-17:00、17:00-20:00、20:00-23:00。

4.根据权利要求1或2所述的基于智能水表的城市居民日用水行为分类方法，其特征在于，

最佳分类效果时的λ的经验值为0.8。

5.根据权利要求1或2所述的基于智能水表的城市居民日用水行为分类方法，其特征在于，

所述用户日用水特征矩阵中的元素表示为x_ij，且x_ij代表第i个用户在j时段的日用水比例，x'_ij代表第i个用户在j时段的真实用水量；

相关系数矩阵中的相关系数r_ij计算公式如下：

$r_{ij}=\frac{\mathrm{cov}(x_i,x_j)}{\sqrt{{\mathrm{Dx}}_i}\sqrt{{\mathrm{Dx}}_j}}$

cov(x_i,x_j)＝E((x_i-E(x_i))i(x_j-E(x_j)))

其中，x_i、x_j分别表示所述用户日用水特征矩阵第i行的元素和第j列的元素，Dx_i为方差，cov(x_i,x_j)为协方差，相关系数矩阵r'＝(r_ij)_s×s，s表示所述用户日用水特征矩阵行列数的最大值；

将相关系数矩阵r'中的元素压缩到0与1之间，形成模糊矩阵R：

$\begin{array}{cc}{R}_{ij}=\frac{1}{2}(1+{r^{\&prime;}}_{ij})& (1\&le;i,j\&le;s)\end{array}$

将模糊矩阵R改造成模糊等价矩阵的过程：R→R²→R⁴→…→R^2k→R^k，将R自乘R·R＝R²，再自乘R²·R²＝R⁴，…直到R^2k＝R^k为止，R^k即为模糊等价矩阵；

当R^k _ij≥λ时，R^λ _ij＝1，当R^k _ij<λ时，R^λ _ij＝0，得到R^k相应的截矩阵R^λ，R^λ是一个值为0与1的矩阵，其中值完全相同的行归为一类。