CN113673587B - 一种家庭基础日用电量计算方法 - Google Patents

Abstract

本发明提供一种家庭基础日用电量计算方法，包括以下步骤：A、从用电信息采集***中获取用户用电量数据，包括用户编号、用电日期、日用电量及用户离家情况；B、根据步骤A获取的用户用电量数据，计算用电量特征指标；C、根据步骤B计算的用电量特征指标，形成训练数据，训练并得到决策树分类模型；D、根据步骤C训练得到的决策树分析模型，输入用户用电量特征指标，计算该用户的基础日用电量。本发明所提的家庭基础日用电量计算方法，可实现家庭基础日用电量的计算。

Description

一种家庭基础日用电量计算方法

技术领域

本发明涉及电力大数据应用技术领域，具体是一种家庭基础日用电量计算方法。

背景技术

家庭基础日用电量指的是家中无人状态下，家中机顶盒、光猫、路由器、冰箱等可能常开的设备一天的用电量。居家状态的改变，会反映在日用电量上。一般来说，在分析用户居家状态或房屋空置情况时，基础日用电量是一个非常重要的参考指标。

申请号为201510056866.9的中国发明专利“基于气温变化的电网日用电量预测方法”，构建了气温与日用电量之间的预测模型，根据气温和经济发展形势预测经济电量和气温电量。申请号为20170280878.9的中国发明专利“基于人体舒适度的台区日用电量的预测方法”，根据体感温度计算气温补偿量并对预测日用电量进行修正。申请号为201711108363.7的中国发明专利“基于用户行为学的家庭日负荷曲线精细预测方法”根据居民时间使用调查报告，计算家庭活动开始和其持续时长的概率矩阵，通过预测所有家用电器的日负荷曲线，得到家庭总的负荷曲线。

现有技术所涉及的日用电量的相关方法，申请号为201510056866.9和20170280878.9的发明专利针对的电网和台区总日用电量的预测，不涉及家庭用户基础日用电量的判断；申请号为201711108363.7的发明专利，主要预测家庭日负荷，并未区分基础负荷、降温负荷、取暖负荷等，因此无法用于计算基础日用电量。

发明内容

针对现有技术存在的上述不足，本发明提供一种家庭基础日用电量计算方法，通过计算日用电量的特征指标，训练并得到决策树模型，通过训练好的决策树模型判断家庭基础日用电量，可实现家庭基础日用电量的计算。

本发明采用的技术方案为：

一种家庭基础日用电量计算方法，包括以下步骤：

A、从用电信息采集***中获取用户用电量数据，所述用户用电量数据包括用户编号、用电日期、日用电量及用户离家情况；

B、根据步骤A获取的用户用电量数据，计算用电量特征指标；

C、根据步骤B计算的用电量特征指标，形成训练数据，训练并得到决策树分类模型；

D、根据步骤C训练得到的决策树分析模型，输入用户用电量特征指标，计算该用户的基础日用电量。

进一步的，步骤B对步骤A获取的用户用电量数据，计算用电量特征指标，具体包括：

步骤A获取N个用户T天的用电量数据，N个用户记为{1,2，...N}，用电数据的天数记为{1,2，...T}，则用户n在第t天的用电量记为W_n,t，1≤n≤N，1≤t≤T。

对于1<t≤T，计算用户n在第t天的第一特征指标：

对于1≤t<T，计算用户n在第t天的第二特征指标：

对于1<t<T，计算用户n在第t天的第三特征指标：

PT_n,t＝min(PF_n,t,PS_n,t)

对于1<t<T，计算用户n在第t天的第四特征指标：

若第t天用户家里无人，则PO_n,t＝1，反之PO_n,t＝0。

进一步的，步骤C中根据步骤B计算的用电量特征指标，形成训练数据，训练并得到决策树分类模型，具体为：

根据计算的特征指标，将W_n,t和PT_n,t作为模型的输入数据，PO_n,t作为输出数据，采用MATLAB决策树训练模块，导入输入数据和输出数据，训练得到决策树分类模型y＝F(x₁,x₂)，其中x₁和x₂分别代表用户的日用电量数据和用电量第三特征指标，y代表用户的第四特征指标，x₁＝W_n,t，x₂＝PT_n,t，y＝PO_n,t。

进一步的，步骤D中根据步骤C训练得到的决策树分析模型，输入用户用电量和第三特征指标，计算该用户的基础日用电量，具体为：

将用户n的日用电量数据W_n,t和第三特征指标PT_n,t输入决策树分类模型，可得到PO_n,t＝F(W_n,t,PT_n,t)。

若对于1<t<T，若则在该时段内无法计算出基础日用电量，需更换时间段重复上述步骤重新计算：

若对于1<t<T，若则用户n的基础日用电量为：

本发明提供一种家庭基础日用电量计算方法，可实现家庭基础日用电量的计算，通过实际数据验证了本发明的有效性。

附图说明

图1是本发明一种家庭基础日用电量计算方法其中一个实施例的流程示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。

请参阅图1，为本发明一种家庭基础日用电量计算方法其中一个实施例的流程示意图，所述方法包括以下步骤：

A、从用电信息采集***中获取用户用电量数据，所述用户用电量数据包括用户编号、用电日期、日用电量及用户离家情况；

B、对步骤A获取的用户用电量数据，计算用电量特征指标，具体包括：

步骤A获取N个用户T天的用电量数据，N个用户可记为{1,2，...N}，用电数据的天数可记为{1,2，...T}，则用户n在第t天的用电量记为W_n,t(1≤n≤N，1≤t≤T)。

对于1<t≤T，计算用户n在第t天的第一特征指标_PFn,t：

对于1≤t<T，计算用户n在第t天的第二特征指标PS_n,t：

对于1<t<T，计算用户n在第t天的第三特征指标_PTn,t：

PT_n,t＝min(PF_n,t,PS_n,t)

对于1<t<T，计算用户n在第t天的第四特征指标_POn,t：

若第t天用户家里无人，则PO_n,t＝1，反之PO_n,t＝0。

C、根据步骤B计算的用电量特征指标，形成训练数据，训练并得到决策树分类模型，具体为：

根据步骤B计算的特征指标，将W_n,t和第三特征指标PT_n,t作为模型的输入数据，第四特征指标PO_n,t作为输出数据，采用MATLAB决策树训练模块，导入输入数据和输出数据，训练得到决策树分类模型y＝F(x₁,x₂)，其中x₁和x₂分别代表用户的日用电量数据和用电量第三特征指标，即x₁＝W_n,t，x₂＝PT_n,t，y代表用户的第四特征指标PO_n,t，即y＝PO_n,t。

D、根据步骤C训练得到的决策树分析模型，输入用户用电量和第三特征指标，计算该用户的基础日用电量，具体为：

将用户n的日用电量数据和第三特征指标输入决策树分类模型y＝F(x₁,x₂)，可得到PO_n,t＝F(W_n,t,PT_n,t)。

若对于1<t<T，若则在该时段内无法计算出基础日用电量，需更换时间段重复上述步骤重新计算：

若对于1<t<T，若则用户n的基础日用电量为：

下面以一个具体实施例对本发明的技术方案和效果进行详细说明：

步骤A，从用电信息采集***中获取用户用电量数据，如表1所示，所述用户用电量数据包括用户编号、日期、日用电量及用户家中是否有人等信息，其中可通过流调数据获取用户家中是否有人。

步骤B，根据用户用电量数据，计算用电量特征指标，如表1所示：

表1用户用电量数据及特征指标计算

步骤C，根据步骤B计算的特征指标及日用电量数据，采用MATLAB决策树训练模块，导入输入数据和输出数据，训练得到决策树分类模型y＝F(x₁,x₂)，其中x₁和x₂分别代表用户的日用电量数据和用电量第三特征指标，y代表用户的第四特征指标。

步骤D，根据训练得到的决策树分析模型，输入用户日用电量和第三特征指标，计算得到该用户的第四特征指标，如下表所示。

表2基础日用电量计算

根据用户日用电量和计算出的第四特征指标，计算该用户的基础日用电量为：

经社区核实，该用户7月10-16日及28日和29日确实家中无人，验证了第四特征指标计算的正确性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种家庭基础日用电量计算方法，其特征在于包括以下步骤：

A、从用电信息采集***中获取用户用电量数据，包括用户编号、用电日期、日用电量及用户离家情况；

B、根据步骤A获取的用户用电量数据，计算用电量特征指标；

C、根据步骤B计算的用电量特征指标，形成训练数据，训练并得到决策树分类模型；

D、根据步骤C训练得到的决策树分析模型，输入用户用电量特征指标，计算该用户的基础日用电量；

步骤B对步骤A获取的用户用电量数据，计算用电量特征指标，具体包括：

步骤A获取N个用户T天的用电量数据，N个用户可记为{1,2，…N}，用电数据的天数可记为{1,2，…T}，则用户n在第t天的用电量记为W_n,t，1≤n≤N，1≤t≤T；

对于1<t≤T，计算用户n在第t天的第一特征指标PF_n,t：

对于1≤t<T，计算用户n在第t天的第二特征指标PS_n,t：

对于1<t<T，计算用户n在第t天的第三特征指标PT_n,t：

PT_n,t＝min(PF_n,t,PS_n,t)

对于1<t<T，计算用户n在第t天的第四特征指标PO_n,t：

若第t天用户家里无人，则PO_n,t＝1，反之PO_n,t＝0；

步骤C中根据步骤B计算的用电量特征指标，形成训练数据，训练并得到决策树分类模型，具体为：

根据计算的特征指标，将W_n,t和第三特征指标PT_n,t作为模型的输入数据，第四特征指标PO_n,t作为输出数据，采用MATLAB决策树训练模块，导入输入数据和输出数据，训练得到决策树分类模型y＝F(x₁,x₂)，其中x₁和x₂分别代表用户的日用电量数据和用电量第三特征指标，y代表用户的第四特征指标，即x₁＝W_n,t，x₂＝PT_n,t，y＝PO_n,t；

步骤D中根据步骤C训练得到的决策树分析模型，输入用户用电量特征指标，计算该用户的基础日用电量，具体为：

将用户n的日用电量数据W_n,t和第三特征指标PT_n,t输入决策树分类模型，得到第四特征指标PO_n,t＝F(W_n,t,PT_n,t)；

若对于1<t<T，若则在该时段内无法计算出基础日用电量，需更换时间段重复上述步骤重新计算：

若对于1<t<T，若则用户n的基础日用电量为：