CN111160712B - 一种用户的用电参数调节方法及装置 - Google Patents
一种用户的用电参数调节方法及装置 Download PDFInfo
- Publication number
- CN111160712B CN111160712B CN201911243147.2A CN201911243147A CN111160712B CN 111160712 B CN111160712 B CN 111160712B CN 201911243147 A CN201911243147 A CN 201911243147A CN 111160712 B CN111160712 B CN 111160712B
- Authority
- CN
- China
- Prior art keywords
- power load
- load data
- users
- classified
- frequency domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003066 decision tree Methods 0.000 claims abstract description 101
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000008439 repair process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户的用电参数调节方法,包括如下步骤:获取待分类用户的电力负荷数据的频域特征;将待分类用户的电力负荷数据的频域特征输入分类决策树中,得到待分类用户的种类;依据待分类用户的种类调节其用电参数;分类决策树的建立过程包括:获取多个不同的已知种类用户的电力负荷数据的频域特征;建立决策树模型;依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树,本发明的用户的用电参数调节方法,使生成的分类决策树在获得待分类用户的电力负荷数据的频域特征后,能依据电力负荷数据中的更多数据进行判断,提高对用户分类的准确率,便于对分类后的用户进行用电参数的调节。
Description
技术领域
本发明涉及智能用电领域,特别是指一种用户的用电参数调节方法及装置。
背景技术
智能用电是构建坚强智能电网的重要支柱和主要环节,智能用电基于实时监测技术和大数据,让供电部门通过数据分析,更精确的分辨家庭用电高低峰情况,居民可通过查看自家的用电喜好,优化用电习惯,从而实现节约用电、省钱用电。
随着智能电表的大规模普及,电力部门可以获取更详细的用户用电负荷数据,为更进一步的了解用户用电行为提供良好的基础,同时也根据用户的种类对其进行用电参数调整。
发明人发现,传统的参数调节过程中,只能通过用户用电负荷数据中的单个时间点的用电负荷值来对用户进行分类,导致用户分类的准确率不高,不便于对用户的用电参数进行准确调节。
发明内容
有鉴于此,本发明的目的在于提出一种用户的用电参数调节方法及装置,以提高电力用户的分类准确率,从而便于对分类后的用户进行用电参数的调节。
基于上述目的本发明提供的用户的用电参数调节方法,包括如下步骤:
获取待分类用户的电力负荷数据的频域特征;
将待分类用户的电力负荷数据的频域特征输入分类决策树中,得到待分类用户的种类;
依据待分类用户的种类调节其用电参数;
所述分类决策树的建立过程包括:
获取多个不同的已知种类用户的电力负荷数据的频域特征;
建立决策树模型;
依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树。
可选的,所述获取多个不同的已知种类用户的电力负荷数据的频域特征包括:
采集多个不同的已知种类用户的第一预设时间段的电力负荷数据;
探测已知种类用户的电力负荷数据中的异常数据并修复;
将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取至少一个第一预设子时间段的电力负荷数据;
依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征。
可选的,所述依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征包括:
对已知种类用户的至少一个第一预设子时间段的电力负荷数据进行快速傅里叶变换,生成多个频率的振幅和相位角;
选取已知种类用户的电力负荷数据的多个关键频率的振幅和相位角;
获取已知种类用户的至少一个第一预设子时间段的电力负荷数据的原始振幅;
将已知种类用户的电力负荷数据的关键频率的振幅和相位角及原始振幅组成第一特征向量,将第一特征向量作为已知种类用户的电力负荷数据的频域特征。
可选的,所述依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树包括:
为每个已知种类用户的电力负荷数据的频域特征标记对应的用户种类标签,将已知种类用户的电力负荷数据的频域特征与用户种类标签组成数据集;
将所有数据集按比例分割为训练集与测试集;
将训练集中的频域特征作为输入参数,训练集中的用户种类标签作为输出参数代入决策树模型中,求解决策树模型中的未知条件信息并生成分类决策树;
将测试集中的频域特征作为输入参数输入至分类决策树并输出分类结果,将分类结果与测试集中的用户种类标签对比,判断分类决策树的分类准确率是否高于预设值;
若不高于预设值,则返回将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取至少一个第一预设子时间段的电力负荷数据。
可选的,所述获取待分类用户的电力负荷数据的频域特征包括:
采集待分类用户的第二预设时间段的电力负荷数据;
探测待分类用户的电力负荷数据中的异常数据并修复;
将修复后的待分类用户的电力负荷数据按第二预设子时间段分割并选取至少一个第二预设子时间段的电力负荷数据;
依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征。
可选的,所述依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征包括:
对待分类用户的至少一个第二预设子时间段的电力负荷数据进行快速傅里叶变换,生成多个频率的振幅和相位角;
选取待分类用户的电力负荷数据的多个关键频率的振幅和相位角;
获取待分类用户的至少一个第二预设子时间段的电力负荷数据的原始振幅;
将待分类用户的电力负荷数据的关键频率的振幅和相位角及原始振幅组成第二特征向量,将第二特征向量作为待分类用户的电力负荷数据的频域特征。
一种用户的用电参数调节装置,包括:
第二获取模块,用于获取待分类用户的电力负荷数据的频域特征;
分类模块,用于将待分类用户的电力负荷数据的频域特征输入分类决策树中,得到待分类用户的种类;
调节模块,用于依据待分类用户的种类调节其用电参数;
第一获取模块,用于获取多个不同的已知种类用户的电力负荷数据的频域特征;
建模模块,用于建立决策树模型;
求解模块,用于依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树。
可选的,所述第一获取模块包括:
第一采集单元,用于采集多个不同的已知种类用户的第一预设时间段的电力负荷数据;
第一修复单元,用于探测已知种类用户的电力负荷数据中的异常数据并修复;
第一选取单元,用于将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取至少一个第一预设子时间段的电力负荷数据;
第一生成单元,用于依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征。
可选的,所述第二获取模块包括:
第二采集单元,用于采集待分类用户的第二预设时间段的电力负荷数据;
第二修复单元,用于探测待分类用户的电力负荷数据中的异常数据并修复;
第二选取单元,用于将修复后的待分类用户的电力负荷数据按第二预设子时间段分割并选取至少一个第二预设子时间段的电力负荷数据;
第二生成单元,用于依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征。
可选的,所述求解模块包括:
组成单元,用于为每个已知种类用户的电力负荷数据的频域特征标记对应的用户种类标签,将已知种类用户的电力负荷数据的频域特征与用户种类标签组成数据集;
分割单元,用于将所有数据集按比例分割为训练集与测试集;
求解单元,用于将训练集中的频域特征作为输入参数,训练集中的用户种类标签作为输出参数代入决策树模型中,求解决策树模型中的未知条件信息并生成分类决策树;
判断单元,用于将测试集中的频域特征作为输入参数输入至分类决策树并输出分类结果,将分类结果与测试集中的用户种类标签对比,判断分类决策树的分类准确率是否高于预设值,若不高于预设值则触发第一选取单元。
从上面所述可以看出,本发明提供的用户的用电参数调节方法及装置,通过将多个不同的已知种类用户的电力负荷数据的频域特征,输入决策树模型中并求解出其中的未知条件信息,使生成的分类决策树在获得待分类用户的电力负荷数据的频域特征后,能依据电力负荷数据中的更多数据进行判断,提高对用户分类的准确率,从而便于对分类后的用户进行用电参数的调节。
附图说明
图1为本发明的用电参数调节方法的流程示意图;
图2为本发明的分类决策树的建立流程示意图;
图3为本发明的获取多个不同的已知种类用户的电力负荷数据的频域特征的流程示意图;
图4为本发明的依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征的流程示意图;
图5为本发明的依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树的流程示意图;
图6为本发明的获取待分类用户的电力负荷数据的频域特征的流程示意图;
图7为本发明的依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征的流程示意图;
图8为本发明的用电参数调节装置的结构示意图;
图9为本发明的第一获取模块的结构示意图;
图10为本发明的第二获取模块的结构示意图;
图11为本发明的求解模块的结构示意图。
其中 1-第二获取模块,11-第二采集单元,12-第二修复单元,13-第二选取单元,14-第二生成单元,2-分类模块,3-调节模块,4-第一获取模块,41-第一采集单元,42-第一修复单元,43-第一选取单元,44-第一生成单元;5-建模模块,6-求解模块,61-组成单元,62-分割单元,63-求解单元,64-判断单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,此外本发明所提到的方向和位置用语,例如「上」、「中」、「下」、「前」、「后」、「左」、「右」、「内」、「外」、「侧面」等,仅是参考附加图式的方向和位置,因此,使用的方向和位置用语是用以说明及理解本发明,而非用以限制本发明后续实施例对此不再一一说明。
基于上述目的提供的一种用户的用电参数调节方法及装置,该方法与装置可以应用于计算机或者其他电子设备,具体不做限定。下面首先对用户的用电参数调节方法进行详细说明。
参照图1所示,作为一个实施例,本发明的用户的用电参数调节方法,包括如下步骤:
S1,获取待分类用户的电力负荷数据的频域特征。
举例来说,通过智能电表采集待分类用户的一定时间段的电力负荷数据,可以为若干个自然年或者若干个季度的电力负荷数据,更具体的是,这里的电力负荷数据为电力负荷曲线,依据采集的电力负荷数据生成对应的频域特征。
S2,将待分类用户的电力负荷数据的频域特征输入分类决策树中,得到待分类用户的种类。
将获取的待分类用户的电力负荷数据的频域特征作为输入参数输入至分类决策树中,通过若干个判断条件对分类用户的种类进行判断,最终确定其种类。
S3,依据待分类用户的种类调节其用电参数。
依据待分类用户的种类对其用电参数进行相对于的调节,举例来说,用电参数的调节包括但不局限于调整用电费率政策、调整需求响应策略、调整服务响应级别等。
一种实施方式中,如图2所示,分类决策树的建立过程包括:
S10,获取多个不同的已知种类用户的电力负荷数据的频域特征。
举例来说,获取多个如工厂、学校、办公楼和学校等种类的用电负荷数据的频域特征。
S20,建立决策树模型。
S30,依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树。
将频域特征作为输入参数,用户种类作为输出参数,带入决策树模型中,在已知输入参数和输出参数的前提下,可对决策树模型中的未知条件信息进行求解,求解后则使决策树模型成为可进行分类判断的分类决策树。
本实施例中,通过将多个不同的已知种类用户的电力负荷数据的频域特征,输入决策树模型中并求解出其中的未知条件信息,使生成的分类决策树在获得待分类用户的电力负荷数据的频域特征后,能依据电力负荷数据中的更多数据进行判断,提高对用户分类的准确率,从而便于对分类后的用户进行用电参数的调节。
在一些可选实施例中,如图3所示,所述步骤S10包括如下步骤:
S101,采集多个不同的已知种类用户的第一预设时间段的电力负荷数据。
举例来说,可采集已知种类如学校、小区、工厂或办公楼等电力负荷数据,第一预设时间段可以为多个自然年或多个季度,将第一预设时间段内的电力负荷数据进行采集。
S102,探测已知种类用户的电力负荷数据中的异常数据并修复。
举例来说,对电力负荷数据中的异常数据修复可包括:剔除冗余数据,填充缺失数据,更换反差较大的数据,通过对异常数据的修复,可提高采集的已知种类用户的电力负荷数据的准确性,从而提高决策树模型的分类准确性。
S103,将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取至少一个第一预设子时间段的电力负荷数据。
举例来说,第一预设子时间段可以为若干个自然年,也可以为若干个季度,或者若干个月等。
S104,依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征。
举例来说,在选取至少一个第一预设子时间段的电力负荷数据后,生成相对应的频域特征,如选取一个自然年的电力负荷数据,生成一个自然年的相对应的频域特征。
在一些可选实施例中,如图4所示,步骤S104包括如下步骤:
S1041,对已知种类用户的至少一个第一预设子时间段的电力负荷数据进行快速傅里叶变换,生成多个频率的振幅和相位角。
举例来说,电力负荷数据具体的是指电力负荷曲线,通过快速傅里叶变换的方法生成多个频率的振幅和相位角。
S1042,选取已知种类用户的电力负荷数据的多个关键频率的振幅和相位角。
选取其中多个关键频率的振幅和相位角,关键频率可以为1、2、4、12,分别对应了年周期、半年周期、季度周期和月周期。
S1043,获取已知种类用户的至少一个第一预设子时间段的电力负荷数据的原始振幅。
S1044,将已知种类用户的电力负荷数据的关键频率的振幅和相位角及原始振幅组成第一特征向量,将第一特征向量作为已知种类用户的电力负荷数据的频域特征。
对于一个已知种类用户的频域特征,其组成包括电力负荷数据的关键频率的振幅和相位角以及原始振幅。
在一些可选实施例中,如图5所示,步骤S30包括如下步骤:
S301,为每个已知种类用户的电力负荷数据的频域特征标记对应的用户种类标签,将已知种类用户的电力负荷数据的频域特征与用户种类标签组成数据集。
举例来说,可以将工厂、学校、小区和办公楼分别编号0、1、2、3,可以为工厂的电力负荷数据的频域特征标记为用户种类标签0,为学校的电力负荷数据的频域特征标记为用户种类标签1,为小区的电力负荷数据的频域特征标记为用户种类标签2,为办公楼的电力负荷数据的频域特征标记为用户种类标签3,用数字作为用户种类标签,可方便计算,将频域特征与用户种类标签组成数据集。
S302,将所有数据集按比例分割为训练集与测试集。
举例来说,分割比例可根据需求进行设定,本发明的实施例中,优选的按照4:1的比例进行分割。
S303,将训练集中的频域特征作为输入参数,训练集中的用户种类标签作为输出参数代入决策树模型中,求解决策树模型中的未知条件信息并生成分类决策树。
在决策树模型中,具有若干个未知条件信息,通过将训练集中的频域特征作为输入参数,用户种类标签作为输出参数,在已知输入参数和输出参数的前提下,可求解出分类树模型中的未知条件信息,从而使决策树模型转换为可进行实际应用的分类决策树,举例来说,本发明的决策树模型在建立的过程中,可采用如下基准:采用熵增益作为***质量的标准,使用最佳分割策越,不限制最大深度,叶子节点最小样本数为2,最大特征数量选择为5,不限制叶子节点最大样本数,不设置类别权重。
S304,将测试集中的频域特征作为输入参数输入至分类决策树并输出分类结果,将分类结果与测试集中的用户种类标签对比,判断分类决策树的分类准确率是否高于预设值。
举例来说,分割出的测试集用于验证建立的分类决策树的分类精度,将测试集的频域特征输入分类决策树中,分类决策树输出一个用户种类信息,将输出的用户种类信息与测试集中的实际种类进行对比可判断出分类是否准确,将测试集中的所有频域特征都输入至分类决策树中,依据分类结果计算中分类决策树分类成功的比例,即分类准确率,判断分类准确率与预设值的大小关系,举例来说,预设值可以为90%以上。
若不高于预设值,则返回步骤S103。
若测试集测试分类决策树的分类准确率无法达到预设值时,说明该分类决策树的分类准确率无法满足实际分类需求,因此返回到步骤S103,重新将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取其他至少一个第一预设子时间段的电力负荷数据。
若高于预设值,则说明该分类决策树的分类准确率满足实际分类需求,可以采用并进行实际分类应用。
在一些可选实施例中,如图6所示,步骤S1包括如下步骤:
S11,采集待分类用户的第二预设时间段的电力负荷数据。
举例来说,第二预设时间段可为若干个自然年,若干个季度或若干个月。
S12,探测待分类用户的电力负荷数据中的异常数据并修复。
举例来说,异常数据的修复包括但不局限于剔除冗余数据,填充缺失数据,更换反差较大的数据,对异常数据进行修复,可提高采集的电力负荷数据的准确性,以提高对待分类用户的分类准确性。
S13,将修复后的待分类用户的电力负荷数据按第二预设子时间段分割并选取至少一个第二预设子时间段的电力负荷数据。
举例来说,第二预设子时间段可以为若干个自然年,若干个季度或若干个月,本发明中,优选的选取一个自然年的电力负荷数据。
S14,依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征。
举例来说,本发明优选一个自然年的电力负荷数据并生成对应一个自然年的频域特征。
在一些可选实施例中,如图7所示,所述步骤S14包括如下步骤:
S141,对待分类用户的至少一个第二预设子时间段的电力负荷数据进行快速傅里叶变换,生成多个频率的振幅和相位角。
举例来说,待分类用户的电力负荷数据是电力负荷曲线,至少一个第二预设子时间段可优选为一个自然年。
S142,选取待分类用户的电力负荷数据的多个关键频率的振幅和相位角。
举例来说,关键频率可以为1、2、4、12.分别对应了年周期、半年周期、季度周期和月周期。
S143,获取待分类用户的至少一个第二预设子时间段的电力负荷数据的原始振幅。
举例来说,本发明优选获取待分类用户的一个自然年的电力负荷数据的原始振幅。
S144,将待分类用户的电力负荷数据的关键频率的振幅和相位角及原始振幅组成第二特征向量,将第二特征向量作为待分类用户的电力负荷数据的频域特征。
对于待分类用户的频域特征,其组成包括电力负荷数据的多个关键频率的振幅和相位角以及原始振幅。
另外,本发明还提供了一个具体案例,如下:
选取200个已知种类用户进行数据采集,其中包括50个工厂、50个学校、50个小区和50个办公楼,通过智能电表采集所有用户3个自然年的电力负荷数据即电力负荷曲线,并选取其中一个完整自然年的电力负荷数据,同时去除最后一天,共有52周/364天,发现其中有23个用户的数据反差过大,超过全年平均负荷5个标准差,用平均负荷加3个标准差代替反差过大的数据,电力负荷为负值的采用0代替,有17个用户出现冗余数据和缺失数据,将冗余数据剔除,用平均负荷填充缺失数据,然后对电力负荷数据进行快速傅里叶变换生成多个频率的振幅和相位角,本案例中选择频率为1、2、4、12、52、364作为关键频率,分别对应年周期、半年周期、季度周期、月周期、周周期和日周期,用α和θ表示振幅和相位角,则关键频率的振幅和相位角可表示为:
α1,θ1,α2,θ2,α4,θ4,α12,θ12,α52,θ52,α364,θ364。
获取一个自然年的电力负荷数据的原始振幅,用αo表示,将已知种类用户的电力负荷数据的关键频率的振幅和相位角以及原始振幅形成第一特征向量C:
C=[αo,α1,θ1,α2,θ2,α4,θ4,α12,θ12,α52,θ52,α364,θ364]。
将第一特征向量C作为已知种类用户的频域特征,为每个已知种类用户的频域特征标记对应的用户种类标签,这里用0、1、2、3分别作为工厂、学校、小区和办公楼的用户种类标签,将频域特征与用户种类标签组成数据集,一共有200个数据集,按照4:1的比例分割成训练集和测试集,训练集与测试集中的每个种类的用户数量相同,即训练集中分别有40个工厂、学校、小区和办公楼用户,测试集中分别有10个工厂、学校、小区和办公楼用户,建立决策树模型,具体采用如下标准:采用熵增益作为***质量的标准,使用最佳分割策越,不限制最大深度,叶子节点最小样本数为2,最大特征数量选择为5,不限制叶子节点最大样本数,不设置类别权重,将训练集中的160个数据集输入至决策树模型中进行训练,求解并生成分类决策树,将测试集中的40个数据集输入至分类决策树中进行验证,本案例中,测试集所验证的分类决策树的分类准确率高达95%,因此生成的分类决策树满足分类要求,将待分类用户的频域特征输入分类决策树中,输出待分类用户的种类,依据其种类对其进行用电参数的调整。
与上述方法实施例相对于,如图8所示,本发明还提出了一种用户的用电参数调节装置,包括:
第二获取模块1,用于获取待分类用户的电力负荷数据的频域特征;
分类模块2,用于将待分类用户的电力负荷数据的频域特征输入分类决策树中,得到待分类用户的种类;
调节模块3,用于依据待分类用户的种类调节其用电参数;
第一获取模块4,用于获取多个不同的已知种类用户的电力负荷数据的频域特征;
建模模块5,用于建立决策树模型;
求解模块6,用于依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树。
在一些可选实施例中,如图9所示,所述第一获取模块4包括:
第一采集单元41,用于采集多个不同的已知种类用户的第一预设时间段的电力负荷数据;
第一修复单元42,用于探测已知种类用户的电力负荷数据中的异常数据并修复;
第一选取单元43,用于将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取至少一个第一预设子时间段的电力负荷数据;
第一生成单元44,用于依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征。
在一些可选实施例中,如图10所示,所述第二获取模块1包括:
第二采集单元11,用于采集待分类用户的第二预设时间段的电力负荷数据;
第二修复单元12,用于探测待分类用户的电力负荷数据中的异常数据并修复;
第二选取单元13,用于将修复后的待分类用户的电力负荷数据按第二预设子时间段分割并选取至少一个第二预设子时间段的电力负荷数据;
第二生成单元14,用于依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征。
在一些可选实施例中,如图11所示,所述求解模块6包括:
组成单元61,用于为每个已知种类用户的电力负荷数据的频域特征标记对应的用户种类标签,将已知种类用户的电力负荷数据的频域特征与用户种类标签组成数据集;
分割单元62,用于将所有数据集按比例分割为训练集与测试集;
求解单元63,用于将训练集中的频域特征作为输入参数,训练集中的用户种类标签作为输出参数代入决策树模型中,求解决策树模型中的未知条件信息并生成分类决策树;
判断单元64,用于将测试集中的频域特征作为输入参数输入至分类决策树并输出分类结果,将分类结果与测试集中的用户种类标签对比,判断分类决策树的分类准确率是否高于预设值,若不高于预设值则触发第一选取单元43。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种用户的用电参数调节方法,其特征在于,包括如下步骤:
获取待分类用户的电力负荷数据的频域特征;
将待分类用户的电力负荷数据的频域特征输入分类决策树中,基于所述分类决策树根据所述待分类用户的电力负荷数据的频域特征进行分类,得到待分类用户的种类;
依据待分类用户的种类调节其用电参数;
所述分类决策树的建立过程包括:
获取多个不同的已知种类用户的电力负荷数据的频域特征;
建立决策树模型;
依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树;
所述获取多个不同的已知种类用户的电力负荷数据的频域特征包括:
采集多个不同的已知种类用户的第一预设时间段的电力负荷数据;
探测已知种类用户的电力负荷数据中的异常数据并修复,其中所述修复手段包括下列至少之一:剔除冗余数据、填充缺失数据及更换反差较大的数据;
将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取至少一个第一预设子时间段的电力负荷数据;
依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征;
所述获取待分类用户的电力负荷数据的频域特征包括:
采集待分类用户的第二预设时间段的电力负荷数据;
探测待分类用户的电力负荷数据中的异常数据并修复,其中所述修复手段包括下列至少之一:剔除冗余数据、填充缺失数据及更换反差较大的数据;
将修复后的待分类用户的电力负荷数据按第二预设子时间段分割并选取至少一个第二预设子时间段的电力负荷数据;
依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征;
所述依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征包括:
对待分类用户的至少一个第二预设子时间段的电力负荷数据进行快速傅里叶变换,生成多个频率的振幅和相位角,其中,所述电力负荷数据为电力负荷曲线;
选取待分类用户的电力负荷数据的多个关键频率的振幅和相位角;
获取待分类用户的至少一个第二预设子时间段的电力负荷数据的原始振幅;
将待分类用户的电力负荷数据的关键频率的振幅和相位角及原始振幅组成第二特征向量,将第二特征向量作为待分类用户的电力负荷数据的频域特征;
所述依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征包括:
对已知种类用户的至少一个第一预设子时间段的电力负荷数据进行快速傅里叶变换,生成多个频率的振幅和相位角,其中,所述电力负荷数据为电力负荷曲线;
选取已知种类用户的电力负荷数据的多个关键频率的振幅和相位角;
获取已知种类用户的至少一个第一预设子时间段的电力负荷数据的原始振幅;
将已知种类用户的电力负荷数据的关键频率的振幅和相位角及原始振幅组成第一特征向量,将第一特征向量作为已知种类用户的电力负荷数据的频域特征;
所述依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树包括:
为每个已知种类用户的电力负荷数据的频域特征标记对应的用户种类标签,将已知种类用户的电力负荷数据的频域特征与用户种类标签组成数据集;
将所有数据集按比例分割为训练集与测试集;
将训练集中的频域特征作为输入参数,训练集中的用户种类标签作为输出参数代入决策树模型中,求解决策树模型中的未知条件信息并生成分类决策树;
将测试集中的频域特征作为输入参数输入至分类决策树并输出分类结果,将分类结果与测试集中的用户种类标签对比,判断分类决策树的分类准确率是否高于预设值;
若不高于预设值,则返回将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取至少一个第一预设子时间段的电力负荷数据。
2.一种用户的用电参数调节装置,其特征在于,包括:
第二获取模块,用于获取待分类用户的电力负荷数据的频域特征;
分类模块,用于将待分类用户的电力负荷数据的频域特征输入分类决策树中,基于所述分类决策树根据所述待分类用户的电力负荷数据的频域特征进行分类,得到待分类用户的种类;
调节模块,用于依据待分类用户的种类调节其用电参数;
第一获取模块,用于获取多个不同的已知种类用户的电力负荷数据的频域特征;
建模模块,用于建立决策树模型;
求解模块,用于依据多个不同的已知种类用户的电力负荷数据的频域特征求出决策树模型中的未知条件参数并生成分类决策树;
所述第一获取模块包括:
第一采集单元,用于采集多个不同的已知种类用户的第一预设时间段的电力负荷数据;
第一修复单元,用于探测已知种类用户的电力负荷数据中的异常数据并修复,其中所述修复手段包括下列至少之一:剔除冗余数据、填充缺失数据及更换反差较大的数据;
第一选取单元,用于将修复后的已知种类用户的电力负荷数据按第一预设子时间段分割并选取至少一个第一预设子时间段的电力负荷数据;
第一生成单元,用于依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征;
所述第二获取模块包括:
第二采集单元,用于采集待分类用户的第二预设时间段的电力负荷数据;
第二修复单元,用于探测待分类用户的电力负荷数据中的异常数据并修复,其中所述修复手段包括下列至少之一:剔除冗余数据、填充缺失数据及更换反差较大的数据;
第二选取单元,用于将修复后的待分类用户的电力负荷数据按第二预设子时间段分割并选取至少一个第二预设子时间段的电力负荷数据;
第二生成单元,用于依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征;
所述依据待分类用户的至少一个第二预设子时间段的电力负荷数据生成相对应的频域特征包括:
对待分类用户的至少一个第二预设子时间段的电力负荷数据进行快速傅里叶变换,生成多个频率的振幅和相位角;
选取待分类用户的电力负荷数据的多个关键频率的振幅和相位角;
获取待分类用户的至少一个第二预设子时间段的电力负荷数据的原始振幅;
将待分类用户的电力负荷数据的关键频率的振幅和相位角及原始振幅组成第二特征向量,将第二特征向量作为待分类用户的电力负荷数据的频域特征;
所述依据已知种类用户的至少一个第一预设子时间段的电力负荷数据生成相对应的频域特征包括:
对已知种类用户的至少一个第一预设子时间段的电力负荷数据进行快速傅里叶变换,生成多个频率的振幅和相位角;
选取已知种类用户的电力负荷数据的多个关键频率的振幅和相位角;
获取已知种类用户的至少一个第一预设子时间段的电力负荷数据的原始振幅;
将已知种类用户的电力负荷数据的关键频率的振幅和相位角及原始振幅组成第一特征向量,将第一特征向量作为已知种类用户的电力负荷数据的频域特征;
所述求解模块包括:
组成单元,用于为每个已知种类用户的电力负荷数据的频域特征标记对应的用户种类标签,将已知种类用户的电力负荷数据的频域特征与用户种类标签组成数据集;
分割单元,用于将所有数据集按比例分割为训练集与测试集;
求解单元,用于将训练集中的频域特征作为输入参数,训练集中的用户种类标签作为输出参数代入决策树模型中,求解决策树模型中的未知条件信息并生成分类决策树;
判断单元,用于将测试集中的频域特征作为输入参数输入至分类决策树并输出分类结果,将分类结果与测试集中的用户种类标签对比,判断分类决策树的分类准确率是否高于预设值,若不高于预设值则触发第一选取单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243147.2A CN111160712B (zh) | 2019-12-06 | 2019-12-06 | 一种用户的用电参数调节方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243147.2A CN111160712B (zh) | 2019-12-06 | 2019-12-06 | 一种用户的用电参数调节方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160712A CN111160712A (zh) | 2020-05-15 |
CN111160712B true CN111160712B (zh) | 2023-09-22 |
Family
ID=70556388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243147.2A Active CN111160712B (zh) | 2019-12-06 | 2019-12-06 | 一种用户的用电参数调节方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160712B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183634A (zh) * | 2020-09-29 | 2021-01-05 | 国网山东省电力公司冠县供电公司 | 一种用户需求响应方法、装置、终端及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108011367A (zh) * | 2017-12-04 | 2018-05-08 | 贵州电网有限责任公司电力科学研究院 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
CN109934418A (zh) * | 2018-10-17 | 2019-06-25 | 安徽大学 | 基于频域分解及人工智能算法的短期负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443297B (zh) * | 2016-09-07 | 2018-05-22 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
-
2019
- 2019-12-06 CN CN201911243147.2A patent/CN111160712B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108011367A (zh) * | 2017-12-04 | 2018-05-08 | 贵州电网有限责任公司电力科学研究院 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
CN109934418A (zh) * | 2018-10-17 | 2019-06-25 | 安徽大学 | 基于频域分解及人工智能算法的短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111160712A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512799B (zh) | 一种基于海量在线历史数据的电力***暂态稳定评估方法 | |
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
Bürger et al. | Downscaling extremes—An intercomparison of multiple statistical methods for present climate | |
CN106549813A (zh) | 一种网络性能的评估方法及*** | |
CN112990330B (zh) | 用户用能异常数据检测方法及设备 | |
CN101951617B (zh) | 基于层次分析法的移动网络通信质量评价方法 | |
CN108510147B (zh) | 一种基于残差波动模型的电能质量综合评价方法 | |
CN108345670B (zh) | 一种用于95598电力工单的服务热点发现方法 | |
CN109378823A (zh) | 一种电压暂降水平的综合评估方法 | |
CN111476296A (zh) | 样本生成方法、分类模型训练方法、识别方法及对应装置 | |
CN109447506B (zh) | 一种电能质量基准水平评价方法及*** | |
CN111160712B (zh) | 一种用户的用电参数调节方法及装置 | |
CN111798162A (zh) | 基于神经网络的风险监测方法及装置 | |
CN111524026A (zh) | 一种电力资源分配方法及装置 | |
CN111783696A (zh) | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 | |
CN112419124B (zh) | 一种低效工业用地的快速识别方法、装置及其存储介质 | |
Beaulieu et al. | A Bayesian normal homogeneity test for the detection of artificial discontinuities in climatic series | |
CN110913407A (zh) | 重叠覆盖的分析方法及装置 | |
Hovestadt et al. | Process and measurement errors of population size: their mutual effects on precision and bias of estimates for demographic parameters | |
CN112037191B (zh) | 一种局域漏电流密度阈值的确定方法、装置和计算机设备 | |
CN108647275A (zh) | 孤岛检测状态的识别方法及装置、存储介质、处理器 | |
CN115758659A (zh) | 一种水体修复方案的修复效果验证方法、装置及电子设备 | |
CN114155412A (zh) | 深度学习模型迭代方法、装置、设备及存储介质 | |
CN104572791A (zh) | 搜索提示***的评估方法及装置 | |
Feng et al. | A new mesh visual quality metric using saliency weighting-based pooling strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |