CN108510165A - 一种用于用户用电行为的分析方法 - Google Patents

Abstract

本发明公开了一种用于用户用电行为的分析方法，通过对采集的稳态电流数据进行处理，建立特征数据库，再利用负荷分解算法进行分解，从而得到用户的用电行为序列，最后再使用关联关系分析算法挖掘用户用电规律；这样就将电力***的负荷分解引入到关联关系分析流程中，解决了传统关联分析方法在处理来源多样的电力设备数据时不能正确分析电力设备运行状态变化的问题，提升了用户用电行为分析的整体功效，使得电力数据的应用进一步扩展。

Description

一种用于用户用电行为的分析方法

技术领域

本发明属于电力大数据处理技术领域，更为具体地讲，涉及一种用于用户用电行为的分析方法。

背景技术

负荷分解是将智能电表、智能插座等其他智能采集装置收集到的数据经过数据处理、事件探测、特征提取以及结合特征库进行负荷识别的过程。数据处理主要包括去噪、相关电气量的计算和标幺化，以此来提高数据的质量。事件探测用来检测负荷用电设备的状态变化。负荷识别就是对给定的用电设备特征库及量测数据的负荷特征，辨识其总负荷成分，实现负荷分解。负荷分解的目的是深入分析用户内部负荷成分，突破负荷信息有限的瓶颈，来完善用电信息采集***与智能用电***、支持智能用电服务。

关联关系分析是从大量数据中发现项集的关联性和相关性，从而描述事物中某些属性同时出现的规律和模式的分析方法。关联关系分析主要包括用户数据处理，算法挖掘、关联规则生成三个过程。数据处理将用户的用电数据转化为用电行为序列，作为算法挖掘的输入。算法挖掘的目的是得到电力用户的频繁项，即习惯的行为序列。最后，依据频繁项数计算支持度和置信度，生成满足条件的强关联规则。关联分析的目的是通过对电力用户的历史行为数据处理，掌握用户的用电规律。

文献“郭晓利,于阳.基于云计算的家庭智能用电策略[J].电力***自动化,2015,39(17):114-119.”介绍了用户用电行为分析的研究现状及关联算法在用户分析中的应用方法。然而根据功率大小来判断用户使用的用电设备的类别，不能作为用户行为分析的基础。因为家庭用户电力设备种类繁多，而且功率大小参差不齐。同一功率的设备，可能种类不同。如功率为300w的用电设备可能是电视机，也可能是电冰箱。另外，该方法使用多个智能采集装置来收集同一用户的用电数据，会极大的增加智能电网的建设成本，该方法不能应用到电网的实际建设中。因此，该方法并不能直接适用于电力***的用户用电行为分析。

文献“张素香,刘建明,赵丙镇,等.基于云计算的居民用电行为分析模型研究[J].电网技术,2013,37(6):1542-1546.”提出基于云计算的居民用电行为分析方法。利用基于云计算平台的并行k-means聚类算法对海量居民用电数据分析，将居民用户分为多类。然后根据聚类曲线分析用户用电规律。该方法得到的用户用电规律有限，仅能得到某类用户在某时段的用电趋势。因此，为了进一步分析海量用电数据中隐藏的价值信息，需要提出新的方法来分析居民用电数据。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于用户用电行为的分析方法，将负荷分解融入到关联关系分析中，从而获取到有价值的用户用电规律，为电力双向互动服务以及智能用电服务奠定基础。

为实现上述发明目的，本发明一种用于用户用电行为的分析方法，其特征在于，包括以下步骤：

(1)、构建用户的用电行为序列

(1.1)、根据家庭用户智能家电的监测数据构建家庭用电设备特征库；

(1.1.1)、采集某一家庭用户中m个用电设备单独运行时的稳态电流数据，得到m组采集数据；

(1.1.2)、对m组采集数据进行去噪和标幺化处理，然后将处理后的数据通过快速傅里叶变换提取电流基波和电流奇次谐波的幅值，最后利用提取到的电流基波和电流奇次谐波的幅值构建家庭用电设备特征库；

(1.2)、基于家庭用电设备特征库，利用负荷识别算法对该家庭用户每天采集的稳态电流数据进行负荷分解：

(1.2.1)、根据数据日期，将该家庭用户的总功率和总电流的历史数据进行区间划分，其中，将一天内的数据划分到同一区间，再对每一区间内的数据进行去噪和标幺化；

(1.2.2)、对同一区间的数据进行事件探测：在同一区间内，设定总功率阈值；然后监测一段时间内总功率的变化大小是否超过阈值，如果超过阈值，则判定该家庭用户中有用电设备投入使用，并提取事件发生后的周期性电流数据及事件发生时的时间；如果未超过阈值，则不处理；

(1.2.3)、将事件发生后的周期性电流数据进行快速傅里叶变换，提取出电流基波和电流奇次谐波的幅值，作为负荷识别的基础；

(1.2.4)、利用负荷识别算法，结合负荷识别的基础以及家庭用电设备特征库，将该事件分解为各用电设备的组成，从而判断该家庭用户在此时使用的用电设备类型；

(1.3)、基于事件负荷分解的结果构建用户行为序列

(1.3.1)、按照家庭用电设备特征库中各用电设备的顺序，用字母标记各用电设备；

(1.3.2)、将各个事件的分解结果按照家庭用电设备特征库中各用电设备标记字母进行标记，其中，如果步骤(1.2)中分解结果只有一个用电设备在使用，则用该用电设备的符号来标记该事件，如果步骤(1.2)中分解结果为多个用电设备同时使用，则用各个用电设备的符号按照家庭用电设备特征库中各用电设备的顺序组合标记该事件；

(1.3.3)、根据事件的发生时间，将同一区间的多个事件结果排序，得到用户一天的用电行为序列，再将所有区间按时间串联，得到该家庭用户的整个的用电行为序列；

(2)、根据用户的用电行为序列，使用关联关系分析算法挖掘用户用电规律

(2.1)、将家庭用户每天的用电行为序列当做一个事务，每天使用过的用电设备的标记符号为事务中的元素项，利用FPGrowth算法，构建FP树(FP：Frequent Pattern Tree，频繁模式树)，然后从FP树中挖掘频繁项集，从而找出该家庭用户用电行为序列中的频繁项集及频繁项集数；

(2.2)、计算关联规则的支持度Support和置信度Confidence；

其中，Pr(A∪B)表示频繁项集(A,B)的出现概率，Pr(B|A)表示频繁项集(B)在频繁项集(A,B)已经发生条件下的发生概率；

设定最小支持度和最小置信度；根据家庭用户数据的时间天数、频繁项集数、支持度和置信度，选择满足条件的关联规则，标记为该家庭用户的强关联规则；

(2.3)、根据强关联规则及该家庭用户的用电设备标记符号，分析出该家庭用户的用电规律。

本发明的发明目的是这样实现的：

本发明一种用于用户用电行为的分析方法，通过对采集的稳态电流数据进行处理，建立特征数据库，再利用负荷分解算法进行分解，从而得到用户的用电行为序列，最后再使用关联关系分析算法挖掘用户用电规律；这样就将电力***的负荷分解引入到关联关系分析流程中，解决了传统关联分析方法在处理来源多样的电力设备数据时不能正确分析电力设备运行状态变化的问题，提升了用户用电行为分析的整体功效，使得电力数据的应用进一步扩展。

同时，本发明一种用于用户用电行为分析的方法还具有以下有益效果：

(1)、与传统的关联分析算法方法相比，本发明通过负荷分解，使得只用监控用户的干路数据就可以进行行为分析，保护了用户的隐私，同时为应用层提供了有价值的用户用电规律；

(2)、本发明通过将负荷分解加入到传统的关联算法流程中，使得用户的真实数据能够被直接利用，该方法实用性强，经济投入小。

附图说明

图1是本发明一种用于用户用电行为分析的方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种用于用户用电行为分析的方法流程图。

在本实施例中，如图1所示，本发明一种用于用户用电行为的分析方法，包括以下步骤：

S1、数据采集

采集某一家庭用户中m个用电设备单独运行时的稳态电流数据，得到m组采集数据；

在本实施例中，如表1所示，采集某一家庭用户中常用的9种用电设备，各个用电设备的功耗参照表1。

表1

S2、负荷分解

S2.1、数据处理

对9组采集数据进行去噪和标幺化处理，然后将处理后的数据通过快速傅里叶变换提取电流基波和电流奇次谐波的幅值，如表2所示，最后利用提取到的电流基波和电流奇次谐波的幅值构建家庭用电设备特征库；

用电设备	基波幅值	三次谐波幅值	五次谐波幅值	七次谐波幅值
					洗衣机(A)	5.9058	0.2918	0.1264	0.0271
烘干机(B)	26.4414	0.4510	0.2494	0.0507
					微波炉(C)	20.1829	7.1787	2.7861	0.9060
油烟机(D)	12.7336	0.1282	0.1878	0.0722
					空调器(E)	15.7479	1.2237	0.4678	0.0975
电热水壶(F)	11.7311	1.2559	0.2188	0.2357
					甩干机(G)	19.5683	0.2684	0.3217	0.1388
洗碗机(H)	4.3258	0.0594	0.0376	0.0195
					电热水器(I)	14.5006	0.1708	0.1734	0.0736

表2

S2.2、事件探测

根据数据日期，将该家庭用户的总功率和总电流的历史数据进行区间划分，其中，将一天内的数据划分到同一区间，再对每一区间内的数据进行去噪和标幺化；

对同一区间的数据进行事件探测：在同一区间内，设定总功率阈值；然后监测一段时间内总功率的变化大小是否超过阈值，如果超过阈值，则判定该家庭用户中有用电设备投入使用，并提取事件发生后的周期性电流数据及事件发生时的时间；如果未超过阈值，则不处理；

S2.3、特征提取

将事件发生后的周期性电流数据进行快速傅里叶变换，提取出电流基波和电流奇次谐波的幅值，作为负荷识别的基础；

S2.4、负荷识别

利用负荷识别算法，结合负荷识别的基础以及家庭用电设备特征库，将该事件分解为各用电设备的组成，从而判断该家庭用户在此时使用的用电设备类型。

S3、数据挖掘

S3.1、用户行为序列提取

按照家庭用电设备特征库中各用电设备的顺序，用字母标记各用电设备，如表2所示，洗衣机标记为A，烘干机标记为B等等；

将各个事件的分解结果按照家庭用电设备特征库中各用电设备标记字母进行标记，其中，如果分解结果只有一个用电设备在使用，则用该用电设备的符号来标记该事件，如果分解结果为多个用电设备同时使用，则用各个用电设备的符号按照家庭用电设备特征库中各用电设备的顺序组合标记该事件；例如：如分解结果仅为电热水壶在使用，则该事件标记为F，若分解结果为洗衣机、烘干机、甩干机同时使用，则该事件标记为ABG；

最后根据事件的发生时间，将同一区间的多个事件结果排序，得到用户一天的用电行为序列，如表3所示，再将所有区间按时间串联，得到该家庭用户的整个的用电行为序列；其中，在表3中，E2表示该用电设备在一天之内使用了2次。

表3

S3.2、利用FPGrowth算法进行数据挖掘

将家庭用户每天的用电行为序列当做一个事务，每天使用过的用电设备的标记符号为事务中的元素项，利用FPGrowth算法，构建FP树，然后从FP树中挖掘频繁项集，从而找出该家庭用户用电行为序列中的频繁项集及频繁项集数；

在本实施例中，以表3为例，该用户在七天内，通过FPGrowth算法选择频繁项集数不小于6有：[{'E'},{'C','E'},{'H','E'},{'H','E','C'},{'I'},{'C','I'},{'H','I'},{'H','I','C'}]，这些项集频繁数为6；[{'C'},{'H'},{'H','C'}]这些项集频繁数为7。

S3.3、选择强关联规则

计算关联规则的支持度Support和置信度Confidence；

其中，Pr(A∪B)表示频繁项集(A,B)的出现概率，Pr(B|A)表示频繁项集(B)在频繁项集(A,B)已经发生条件下的发生概率；如表2所示，频繁项集A是洗衣机，频繁项集B是烘干机，那么用户使用了洗衣机后一定会使用烘干机的支持度和置信度就可以计算出来；

设定最小支持度和最小置信度；根据家庭用户数据的时间天数、频繁项集数、支持度和置信度，选择满足条件的关联规则，标记为该家庭用户的强关联规则；在本实施例中，设置的最小支持度为1，最小置信度为1，那么得到一个强关联规则为而强关联规则就是指，用户当天使用了微波炉一定会使用洗碗机。

S4、电力应用，得到用户的用电规律

根据强关联规则及该家庭用户的用电设备标记符号，分析出该家庭用户的用电规律。

综上，以用户用电行为分析为例，通过发明设计的基于负荷分解的智能用户关联规则挖掘方法，解决了传统关联分析方法在处理来源多样的电力设备数据时不能正确分析电力设备运行状态变化的问题，提升了用户用电行为分析的整体功效，使得电力数据的应用进一步扩展。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种用于用户用电行为的分析方法，其特征在于，包括以下步骤：

(1)、构建用户的用电行为序列

(1.1)、根据家庭用户智能家电的监测数据构建家庭用电设备特征库；

(1.1.1)、采集某一家庭用户中m个用电设备单独运行时的稳态电流数据，得到m组采集数据；

(1.1.2)、对m组采集数据进行去噪和标幺化处理，然后将处理后的数据通过快速傅里叶变换提取电流基波和电流奇次谐波的幅值，最后利用提取到的电流基波和电流奇次谐波的幅值及相位构建家庭用电设备特征库；

(1.2)、基于家庭用电设备特征库，利用负荷识别算法对该家庭用户每天采集的稳态电流数据进行负荷分解：

(1.2.1)、根据数据日期，将该家庭用户的总功率和总电流的历史数据进行区间划分，其中，将一天内的数据划分到同一区间，再对每一区间内的数据进行去噪和标幺化；

(1.2.2)、对同一区间的数据进行事件探测：在同一区间内，设定总功率阈值；然后监测一段时间内总功率的变化大小是否超过阈值，如果超过阈值，则判定该家庭用户中有用电设备投入使用，并提取事件发生后的周期性电流数据及事件发生时的时间；如果未超过阈值，则不处理；

(1.2.3)、将事件发生后的周期性电流数据进行快速傅里叶变换，提取出电流基波和电流奇次次谐波的幅值，作为负荷识别的基础；

(1.2.4)、利用负荷识别算法，结合负荷识别的基础以及家庭用电设备特征库，将该事件分解为各用电设备的组成，从而判断该家庭用户在此时使用的用电设备类型；

(1.3)、基于事件负荷分解的结果构建用户行为序列

(1.3.1)、按照家庭用电设备特征库中各用电设备的顺序，用字母标记各用电设备；

(1.3.2)、将各个事件的分解结果按照家庭用电设备特征库中各用电设备标记字母进行标记，其中，如果步骤(1.2)中分解结果只有一个用电设备在使用，则用该用电设备的符号来标记该事件，如果步骤(1.2)中分解结果为多个用电设备同时使用，则用各个用电设备的符号按照家庭用电设备特征库中各用电设备的顺序组合标记该事件；

(1.3.3)、根据事件的发生时间，将同一区间的多个事件结果排序，得到用户一天的用电行为序列，再将所有区间按时间串联，得到该家庭用户的整个的用电行为序列；

(2)、根据用户的用电行为序列，使用FPGrowth算法挖掘用户用电规律

(2.1)、将家庭用户每天的用电行为序列当做一一个事务，每天使用过的用电设备的标记符号为事务中的元素项，利用FPGrowth算法，构建FP树，然后从FP树中挖掘频繁项集，从而找出该家庭用户用电行为序列中的频繁项集及频繁项集数；

(2.2)、计算关联规则的支持度Support和置信度Confidence；

其中，Pr(A∪B)表示频繁项集(A,B)的出现概率，Pr(B|A)表示频繁项集(B)在频繁项集(A,B)已经发生条件下的发生概率；

设定最小支持度和最小置信度；根据家庭用户数据的时间天数、频繁项集数、支持度和置信度，选择满足条件的关联规则，标记为该家庭用户的强关联规则；

(2.3)、根据强关联规则及该家庭用户的用电设备标记符号，分析出该家庭用户的用电规律。