CN117909770B - 一种用于单相费控电能表的结算数据智能存储方法 - Google Patents
一种用于单相费控电能表的结算数据智能存储方法 Download PDFInfo
- Publication number
- CN117909770B CN117909770B CN202410315713.0A CN202410315713A CN117909770B CN 117909770 B CN117909770 B CN 117909770B CN 202410315713 A CN202410315713 A CN 202410315713A CN 117909770 B CN117909770 B CN 117909770B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- settlement
- data
- energy meter
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013500 data storage Methods 0.000 title claims description 5
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 55
- 238000005457 optimization Methods 0.000 claims description 37
- 230000005611 electricity Effects 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 33
- 238000007906 compression Methods 0.000 description 10
- 230000006835 compression Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电数据处理技术领域,尤其涉及一种用于单相费控电能表的结算数据智能存储方法,该方法分别获取任一区域总站中的所有单相费控电能表的结算时序数据,当每个单相费控电能表的新增结算数据的数量都达到预设数量时,将每个单相费控电能表的最后一个新增结算数据作为目标结算数据,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算数据进行动态聚类划分的分类结果,对分类结果进行智能压缩,通过对每个单相费控电能表的结算时序数据进行实时动态聚类划分,能够对同类结算数据进行压缩处理,以降低存储压力。
Description
技术领域
本发明涉及电数据处理技术领域,尤其涉及一种用于单相费控电能表的结算数据智能存储方法。
背景技术
在对单相费控电能表的结算数据进行智能存储的过程中,需要通过单相费控电能表与区域总站之间的通信过程进行数据的采集,并将采集的数据存储在区域总站中。在对单相费控电能表的结算数据进行存储的过程中,由于一个地理区域中会存在若干个单相费控电能表,因此,需要通过数据聚合过程将具有相似特征的单相费控电能表的结算数据进行特征提取,以通过数据拟合的方式进行数据压缩,从而降低数据存储的压力。其中,数据聚合过程是指对若干个单相费控电能表进行分类,并对于相同类别的单相费控电能表的结算数据,可根据分析需求进行所需数据特征的提取。
在上述的场景中,对于若干个单相费控电能表的分类过程,需要通过每一个单相费控电能表的结算时序数据作为数据基础进行基于聚类过程的电能表划分,从而将若干个单相费控电能表划分为不同的类别,从而对相同类别的单相费控电能表的结算时序数据进行相同的处理,从而达到智能存储的目的。
现有技术中,通过聚类过程进行单相费控电能表的类别划分的过程中,因为单相费控电能表对应的用户的用电状态会发生变化,呈现在单相费控电能表的结算数据中就是单相费控电能表对应的结算时序数据的长度会随着实时数据的增加而变长,如果仅通过单一的聚类过程进行单相费控电能表的用电模式划分,会导致单相费控电能表对应的用户在出现用电模式变化时,出现单相费控电能表的所属类别错误,从而导致后续的数据聚合过程中因为单相费控电能表的类别划分错误而将其判定为离群值。
因此,如何提高若干个单相费控电能表的类别划分精度,以降低对单相费控电能表的结算数据进行存储的压力成为亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种用于单相费控电能表的结算数据智能存储方法,以解决如何提高若干个单相费控电能表的类别划分精度,以降低对单相费控电能表的结算数据进行存储的压力的问题。
本发明实施例中提供了一种用于单相费控电能表的结算数据智能存储方法,该结算数据智能存储方法包括以下步骤:
分别获取任一区域总站中的所有单相费控电能表的结算时序数据,对所有结算时序数据进行聚类,得到对应的聚类结果;
当每个所述单相费控电能表的新增结算数据的数量都达到预设数量时,将每个所述单相费控电能表的最后一个新增结算数据作为目标结算数据,分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果;
针对任一单相费控电能表,根据所述单相费控电能表在每个所述新聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子;
根据每个所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个所述单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,其中,所述目标聚类结果包括所述聚类结果和所述新聚类结果;
根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算时序数据进行动态聚类划分的分类结果,对所述分类结果进行智能压缩。
优选的,所述聚类结果包括K个聚类簇,则所述分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果,包括:
当所有结算时序数据每次都增加一个新增结算数据时,分别获取每个时序长度增加后的结算时序数据作为第一结算时序数据;
利用所有第一结算时序数据替换所述K个聚类簇中的每个结算时序数据,得到K个聚类中心对应的替换中心时序数据,针对任一第一结算时序数据,分别计算所述第一结算时序数据与每个所述聚类中心对应的替换中心时序数据之间的DTW距离;
获取所有第一结算时序数据对应的DTW距离,根据所有DTW距离对所有第一结算时序数据进行聚类划分,得到对应的新聚类结果。
优选的所述根据所述单相费控电能表在每个所述新聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,包括:
在最后一个所述新聚类结果中,获取所述单相费控电能表对应的结算时序数据与K个聚类中心对应的替换中心时序数据之间的DTW距离均值;
针对最后一个所述新聚类结果中的任一聚类中心,在最后一个所述新聚类结果中获取所述聚类中心对应的替换中心时序数据与所述单相费控电能表的结算时序数据之间的第一DTW距离,根据所述聚类中心与所述单相费控电能表的结算时序数据在每个所述新聚类结果以及所述聚类结果中对应的DTW距离,获取所述单相费控电能表对应的距离连续变化数量;
对所述单相费控电能表对应的距离连续变化数量进行归一化处理,得到对应的归一化值,获取常数1与所述归一化值之间的加和结果,将所述加和结果与所述第一DTW距离之间的乘积作为所述单相费控电能表的结算时序数据相对于所述聚类中心的距离变化特征值;
根据所述单相费控电能表的结算时序数据相对于最后一个所述新聚类结果中的每个聚类中心的距离变化特征值,以及所述DTW距离均值,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子。
优选的,所述根据所述聚类中心与所述单相费控电能表的结算时序数据在每个所述新聚类结果以及所述聚类结果中对应的DTW距离,获取所述单相费控电能表对应的距离连续变化数量,包括:
以所述聚类中心和所述单相费控电能表的结算时序数据在所述聚类结果中对应的DTW距离作为起始值,根据所述单相费控电能表的新增结算数据的增加顺序,依次在每个所述新聚类结果中获取所述聚类中心和所述单相费控电能表的结算时序数据之间对应的DTW距离,并与所述起始值组成一个序列;
对所述序列进行一阶差分处理,得到对应的差值序列,统计所述差值序列中连续为正差值的第一数量和连续为负差值的第二数量,获取所述第一数量和所述第二数量之间的最大值作为所述单相费控电能表对应的距离连续变化数量。
优选的,所述根据所述单相费控电能表的结算时序数据相对于最后一个所述新聚类结果中的每个聚类中心的距离变化特征值,以及所述DTW距离均值,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,包括:
根据每个所述距离变化特征值与所述DTW距离均值之间的差值平方,获取差值平方均值,将对所述差值平方均值进行归一化处理的结果作为所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子。
优选的,所述根据每个所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个所述单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,包括:
取任一聚类中心为目标聚类中心,取任一单相费控电能表作为目标电能表,在每个目标聚类结果中,获取所述目标聚类中心与所述目标电能表对应的结算时序数据之间的DTW距离作为第二距离,根据所有目标聚类结果的获取顺序,对所有第二距离排序,得到第二距离序列,对所述第二距离序列进行一阶差分处理,得到对应的一阶差分序列,将所述一阶差分序列中的所有差值的和作为所述目标电能表相对于所述目标聚类中心的聚类变化指标;
根据所述目标电能表相对于每个所述聚类中心的聚类变化指标,获取聚类变化指标之和,将所述聚类变化指标之和与所述目标电能表在得到对应目标结算数据时的用电模式优化因子之间的乘积作为所述目标电能表的聚类更新特征值;
根据所有单相费控电能表的聚类更新特征值,获取聚类更新特征值之和,将所述聚类更新特征值之和的相反数代入以自然常数e为底数的指数函数中,得到对应的指数函数结果,将常数1与所述指数函数结果之间的差值作为所有单相费控电能表在得到对应目标结算数据时的聚类更新因子。
优选的,所述根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算时序数据进行动态聚类划分的分类结果,包括:
获取预设的聚类更新因子阈值,若所述聚类更新因子大于所述聚类更新因子阈值,则对于最后一个所述新聚类结果中的任一聚类簇,分别将所述聚类簇中的每个单相费控电能表的结算时序数据中除所述目标结算数据之外的所有结算数据作为一个结算数据子序列,得到所述聚类簇中的所有结算数据子序列。
优选的,所述根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算数据进行动态聚类划分的分类结果,包括:
若所述聚类更新因子小于或等于所述聚类更新因子阈值,则继续获取每个所述单相费控电能表的新增结算数据,直至所述聚类结果中的每个聚类簇所包含的每个单相费控电能表的结算时序数据的长度达到预设长度,得到所述聚类结果中的每个聚类簇所包含的每个单相费控电能表的结算数据子序列。
本发明实施例与现有技术相比存在的有益效果是:
本发明分别获取任一区域总站中的所有单相费控电能表的结算时序数据,对所有结算时序数据进行聚类,得到对应的聚类结果;当每个所述单相费控电能表的新增结算数据的数量都达到预设数量时,将每个所述单相费控电能表的最后一个新增结算数据作为目标结算数据,分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果;针对任一单相费控电能表,根据所述单相费控电能表在每个所述新聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子;根据每个所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个所述单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,其中,所述目标聚类结果包括所述聚类结果和所述新聚类结果;根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算时序数据进行动态聚类划分的分类结果,对所述分类结果进行智能压缩。其中,通过获取若干个单相费控电能表的结算时序数据,对所有结算时序数据进行初始聚类结果的获取,并根据每个单相费控电能表在结算时序数据之后实时新增的结算数据进行初始聚类结果进行实时更新,进而根据实时新增的结算数据对初始聚类结果中的每个结算时序数据的影响,获取聚类更新因子,从而对每个单相费控电能表的结算时序数据进行实时动态聚类划分,并对划分后的同类结算时序数据进行拟合压缩,在提高分类精度的同时也保留了压缩后的结算数据带有结算数据的有效数据特征,不但能够降低对单相费控电能表的结算数据进行存储的压力,而且保证了压缩数据的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种用于单相费控电能表的结算数据智能存储方法的方法流程图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
需要说明的是,本公开的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与本公开的一些方面相一致的装置和方法的例子。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明所针对的具体场景为:在区域性电能表总站对该区域中的全部单相费控电能表的结算数据进行汇总并存储的过程,在该区域性电能表总站获取到每个单相费控电能表的结算数据之后,考虑到单相费控电能表的数据量十分巨大,需要将数据压缩之后再进行存储,但是因为单相费控电能表的结算数据还需要用于后续数据分析过程,所以需要保证压缩后的数据带有结算数据的有效数据特征,因此需要在结算数据的压缩过程中,先进行结算数据的分类,然后将同类数据进行特征提取并对同类数据进行拟合压缩,以此达到智能压缩的目的。
参见图1,是本发明实施例一提供的一种用于单相费控电能表的结算数据智能存储方法的方法流程图,如图1所示,该结算数据智能存储方法可以包括:
步骤S101,分别获取任一区域总站中的所有单相费控电能表的结算时序数据,对所有结算时序数据进行聚类,得到对应的聚类结果。
电网的区域总站可以与该区域中所有的单相费控电能表进行数据采集,通过单相费控电能表与其所属区域总站的数据通信过程进行数据采集,并在该区域总站中对于每一个单相费控电能表的实时结算数据以时序数据的方式进行记录,并在完成数据采集之后通过后续的步骤进行数据智能存储。
以任一区域总站为例,根据预设的采样频率获取该区域总站中的每个单相费控电能表的结算时序数据,由于本发明实施例中的目的是在对该区域总站中的每个单相费控电能表进行结算数据的实时采集过程中,对每个单相费控电能表的结算时序数据进行动态聚类划分,因此,本发明实施例中设定当所有单相费控电能表的结算时序数据达到100个数据点时,即可对所有单相费控电能表的结算时序数据进行初始聚类,得到对应的聚类结果,也即是当每个单相费控电能表的结算时序数据中的数据量达到要求时,才开始进行动态聚类划分。
在该区域总站中的每个单相费控电能表的结算时序数据的数据量达到100时,针对所有的结算时序数据,利用K=20的K-means聚类算法对这些结算时序数据进行初始聚类划分,从而得到K个聚类簇。值得说明的是,K为聚类簇的数量,可以根据实际场景中该区域总站所包含的单相费控电能表的数量进行调整,当单相费控电能表的数量越多则可以通过设定更高的K值进行聚类,其次,当所需的结算数据压缩程度越高,则需要通过更低的K值进行聚类,从而通过更少的簇类划分进行结算数据的拟合压缩。
其中,利用K=20的K-means聚类算法对这些结算时序数据进行初始聚类划分,从而得到K个聚类簇的具体过程为:在聚类过程中,利用DTW算法分别计算每两个单相费控电能表之间对应的结算时序数据的DTW距离,进而根据DTW距离对所有单相费控电能表的结算时序数据进行聚类,对应得到K个聚类簇。K-means聚类算法属于现有技术,此处不再详细赘述。
需要说明的是,在一区域总站中,不同的用户类型会在对应的单相费控电能表的结算时序数据中呈现出不同的数据时序信息,通过聚类过程可以无监督的将所有单相费控电能表的结算时序数据通过数据变化差异划分为不同的聚类簇,从而根据划分后的聚类簇进行后续的数据特征提取过程和拟合压缩过程。
步骤S102,当每个单相费控电能表的新增结算数据的数量都达到预设数量时,将每个单相费控电能表的最后一个新增结算数据作为目标结算数据,分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果。
由于单相费控电能表的结算数据的采集过程是一个连续过程,因此,在每个单相费控电能表的结算时序数据的数据量达到100时,且对所有单相费控电能表的结算时序数据进行聚类,得到对应的聚类结果之后,还需要通过每个单相费控电能表的结算时序数据的实时更新进行聚类结果中的聚类簇更新。需要说明的是,在这个动态更新的过程中不仅是对结算时序数据更新所对应的聚类簇的更新,由于每个单相费控电能表对应的用户会出现不用的用电模式变化,所有在对结算时序数据进行聚类簇的实时更新时,也需要对每个单相费控电能表的结算时序数据进行数据子序列的划分,也即是对于初始的聚类结果进行动态的聚类簇更新的过程中,在全部的单相费控电能表呈现出较高的聚类簇变化时,需要在对应的节点进行数据子序列的划分,将该节点之前的所有结算数据通过最后一个更新的聚类结果作为数据子序列的最终聚类簇的划分,并基于划分的数据子序列进行后续的数据特征提取和数据拟合压缩过程,之后继续以上述的分类过程进行后续的单相费控电能表的结算时序数据的采集和分类,并在下一次达到数据子序列划分的节点时再次重复上述的分类过程。
基于上述分析,本发明实施例中,在对所有的单相费控电能表的结算时序数据进行初始聚类,并得到对应的聚类结果之后,将后续采集的每个单相费控电能表的结算数据都作为新增结算数据,并且当每个单相费控电能表的新增结算数据的数量都达到预设数量时,将每个单相费控电能表的最后一个新增结算数据作为目标结算数据,优选的,本发明实施例中,预设数量为20,也即是当每个单相费控电能表的新增结算数据的数量都达到20时,将最后一次得到的新增结算数据作为目标结算数据,一个单相费控电能表对应一个目标结算数据。
进一步的,考虑到当所有单相费控电能表都增加一个新增结算数据时,对应每个单相费控电能表的结算时序数据的长度也会增加,因此,根据所有单相费控电能表每次都增加的一个新增结算数据,分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果,从而实现对初始聚类得到的聚类结果的聚类簇更新。
优选的,所述分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果,包括:
当所有结算时序数据每次都增加一个新增结算数据时,分别获取每个时序长度增加后的结算时序数据作为第一结算时序数据;
利用所有第一结算时序数据替换所述K个聚类簇中的每个结算时序数据,得到K个聚类中心对应的替换中心时序数据,针对任一第一结算时序数据,分别计算所述第一结算时序数据与每个所述聚类中心对应的替换中心时序数据之间的DTW距离;
获取所有第一结算时序数据对应的DTW距离,根据所有DTW距离对所有第一结算时序数据进行聚类划分,得到对应的新聚类结果。
在一实施方式中,对于区域总站中的第m个单相费控电能表的结算时序数据,由于结算时序数据/>在聚类过程中与每个聚类簇的聚类中心对应的聚类中心时序数据之间的距离是通过DTW距离进行度量的,因此,对于第m个单相费控电能表每次新增的一个新增结算数据,需要先利用新增结算数据对结算时序数据/>进行更新,得到更新后的结算时序数据/>,此时更新后的结算时序数据/>比更新前的结算时序数据/>多一个结算数据,则将更新后的结算时序数据/>记为第一结算时序数据,随着结算时序数据/>的时序长度的增加,结算时序数据/>与每个聚类簇的聚类中心对应的聚类中心时序数据之间的DTW距离也会发生变化,进而导致第m个单相费控电能表的结算时序数据所属的聚类簇发生变化,故,当所有结算时序数据每次都增加一个新增结算数据时,利用新增结算数据对每个单相费控电能表的结算时序数据进行实时更新,并将实时更新后的每个结算时序数据作为第一结算时序数据。
第一结算时序数据与上述聚类结果中的K个聚类簇中的每个结算时序数据都属于一一对应的关系,因此,可以利用所有第一结算时序数据替换K个聚类簇中的每个结算时序数据,得到K个聚类中心对应的替换中心时序数据,此时完成了对K个聚类簇的聚类中心所对应的聚类中心时序数据的更新。进一步的,针对第m个单相费控电能表,分别计算第m个单相费控电能表的第一结算时序数据与每个聚类中心对应的替换中心时序数据之间的DTW距离,从而得到K个更新后的DTW距离,同理,每个单相费控电能表都能得到K个更新后的DTW距离,进而根据所有单相费控电能表对应的所有更新后的DTW距离,重新对所有单相费控电能表的第一结算时序数据的聚类划分,得到对应的新聚类结果,值得说明的是,聚类结果和新聚类结果中的K个聚类中心不变,变化的是结算时序数据的时序长度以及每个聚类簇所包含的结算时序数据的数量。
在所有单相费控电能表都增加第一个新增结算数据,并进行聚类结果的更新之后,当所有单相费控电能表都增加第二个新增结算数据时,将得到的第一个新聚类结果作为聚类结果,并基于上述获取新聚类结果的方法,获取增加第二个新增结算数据所对应的新聚类结果,依次类推,所有单相费控电能表每次增加一个新增结算数据,都对应一个新聚类结果,在增加到20个时,对应能够得到20个新聚类结果。
至此,根据所有单相费控电能表的新增结算时序,完成了对聚类结果的更新。
步骤S103,针对任一单相费控电能表,根据单相费控电能表在每个新聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取单相费控电能表在得到对应目标结算数据时的用电模式优化因子。
由于每个新聚类结果是通过所有单相费控电能表的新增结算数据带来的结算时序数据的变化所获取的,且每次聚类过程中,对于每个单相费控电能表的聚类簇划分,都是通过结算时序数据之间的DTW距离进行衡量的,对每个聚类簇并没有带有语义的评估标准,所以对于一些少量的具有特殊用电模式变化的结算时序数据所对应的单相费控电能表,在初始的聚类结果中存在着无合适的聚类簇,仅通过DTW距离最小的聚类簇作为聚类划分结果。而在结算时序数据的更新过程中存在着这些单相费控电能表对应的结算时序数据的聚类簇变化,也存在着其他单相费控电能表可能没有合适聚类簇的情况,因此,为了保证单相费控电能表的结算时序数据的聚类划分准确性,需要在所有单相费控电能表的结算时序数据的更新过程中,根据每次聚类结果的更新过程中的DTW距离信息和每个单相费控电能表的结算时序数据,确定每个单相费控电能表在得到第20个新增结算数据(也即是对应的目标结算数据)时的用电模式优化因子,用于表征该单相费控电能表对应的结算时序数据的自身用电模式变化,从而在后续进行数据子序列划分时,能够在单相费控电能表的结算时序数据出现用电模式变化时,能够及时对结算时序数据进行数据子序列的划分。
本发明实施例中,以第m个单相费控电能表为例,则根据所述单相费控电能表在每个所述新聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,包括:
(1)在最后一个所述新聚类结果中,获取所述单相费控电能表对应的结算时序数据与K个聚类中心对应的替换中心时序数据之间的DTW距离均值。
具体的,最后一个新聚类结果是指所有单相费控电能表获取到第20个新增结算数据所重新聚类的结果,因此,在最后一个新聚类结果中,能够得到第m个单相费控电能表对应的结算时序数据分别与每个聚类中心对应的替换中心时序数据之间的DTW距离,进而得到DTW距离均值,记为,其中,t表示第m个单相费控电能表获取到第20个新增结算数据(也即是目标结算数据)所对应的时刻。
(2)针对最后一个所述新聚类结果中的任一聚类中心,在最后一个所述新聚类结果中获取所述聚类中心对应的替换中心时序数据与所述单相费控电能表的结算时序数据之间的第一DTW距离,根据所述聚类中心与所述单相费控电能表的结算时序数据在每个所述新聚类结果以及所述聚类结果中对应的DTW距离,获取所述单相费控电能表对应的距离连续变化数量。
其中,所述根据所述聚类中心与所述单相费控电能表的结算时序数据在每个所述新聚类结果以及所述聚类结果中对应的DTW距离,获取所述单相费控电能表对应的距离连续变化数量,包括:
以所述聚类中心和所述单相费控电能表的结算时序数据在所述聚类结果中对应的DTW距离作为起始值,根据所述单相费控电能表的新增结算数据的增加顺序,依次在每个所述新聚类结果中获取所述聚类中心和所述单相费控电能表的结算时序数据之间对应的DTW距离,并与所述起始值组成一个序列;
对所述序列进行一阶差分处理,得到对应的差值序列,统计所述差值序列中连续为正差值的第一数量和连续为负差值的第二数量,获取所述第一数量和所述第二数量之间的最大值作为所述单相费控电能表对应的距离连续变化数量。
在一实施方式中,最后一个新聚类结果中的K个聚类中心所对应的聚类中心时序数据是指对聚类结果中的K个聚类中心的结算时序数据通过20个新增结算数据进行更新后的结算时序数据,记其为替换中心时序数据,则以第c个聚类中心为例,将在最后一个新聚类结果中第c个聚类中心对应的聚类中心时序数据与第m个单相费控电能表的结算时序数据之间的DTW距离记为第一DTW距离。由于第c个聚类中心和第m个单相费控电能表在每个新聚类结果和聚类结果中都对应一个DTW距离,因此,根据第c个聚类中心和第m个单相费控电能表之间对应的DTW距离的变化进行距离连续方向变化的分析,具体的,分别获取相邻两次聚类过程中的DTW距离差值,若DTW距离差值为负值,则属于递减方向变化,反之,若DTW距离差值为负值,则属于递增方向变化,进而在所有DTW距离差值中统计DTW距离差值连续为正值的第一数量,以及DTW距离差值连续为负值的第二数量,将第一数量和第二数量之间的最大值作为第m个单相费控电能表相对于第c个聚类中心的距离连续变化数量,并将第m个单相费控电能表相对于第c个聚类中心的距离连续变化数量记为/>。
(3)对所述单相费控电能表对应的距离连续变化数量进行归一化处理,得到对应的归一化值,获取常数1与所述归一化值之间的加和结果,将所述加和结果与所述第一DTW距离之间的乘积作为所述单相费控电能表的结算时序数据相对于所述聚类中心的距离变化特征值。
(4)根据所述单相费控电能表的结算时序数据相对于最后一个所述新聚类结果中的每个聚类中心的距离变化特征值,以及所述DTW距离均值,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子。
其中,所述根据所述单相费控电能表的结算时序数据相对于最后一个所述新聚类结果中的每个聚类中心的距离变化特征值,以及所述DTW距离均值,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,包括:
根据每个所述距离变化特征值与所述DTW距离均值之间的差值平方,获取差值平方均值,将对所述差值平方均值进行归一化处理的结果作为所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子。
在一实施方式中,第m个单相费控电能表在得到对应目标结算数据(也即是第20个新增结算数据)时的用电模式优化因子的计算表达式为:
其中,表示第m个单相费控电能表在得到对应目标结算数据时的用电模式优化因子,/>表示归一化函数,/>表示聚类中心的数量,1表示常数,/>表示归一化指数函数,/>表示第m个单相费控电能表相对于第c个聚类中心的距离连续变化数量,/>表示在最后一个新聚类结果中第c个聚类中心对应的聚类中心时序数据与第m个单相费控电能表的结算时序数据之间的第一DTW距离,/>表示在最后一个新聚类结果中第m个单相费控电能表对应的DTW距离均值。
需要说明的是,在用电模式优化因子的获取过程中,需要通过每次出现新增结算数据后,得到第m个单相费控电能表与每个聚类中心对应的聚类中心时序数据之间的DTW距离,在这些DTW距离中,如果第m个单相费控电能表与每个聚类中心之间的DTW距离越相似,则说明第m个单相费控电能表具有更高的聚类簇划分不确定性,也即是第m个单相费控电能表可能是在两个聚类簇之间波动的同时也有可能是当前聚类划分过程中没有合适的聚类簇,因此,针对这种情况,通过第m个单相费控电能表对应的所有DTW距离的方差进行衡量,当聚类簇划分的确定性越强,则DTW距离之间的差异性越高,故,通过第m个单相费控电能表与所有聚类中心之间的DTW距离进行差异性评估。但是在获取到第m个单相费控电能表的簇类划分确定性之后,由于在第m个单相费控电能表的结算时序数据的时序长度的增加过程中,还会存在着第m个单相费控电能表的簇类连续移动趋势,因此,在对第m个单相费控电能表的差异性评估过程中,还会出现错误的差异性评估情况,故,在差异性评估的基础上,根据第m个单相费控电能表与每个聚类中心之间的DTW距离在不同聚类过程中的差异,对第m个单相费控电能表的簇类转移区域进行优化,也即是获取第m个单相费控电能表相对于每个聚类中心的距离连续变化数量,从而避免错误的聚类更新过程,以消除在连续变化趋势中将移动到两个聚类簇的中间过程识别为簇类不确定的影响。
至此,能够获取每个单相费控电能表在得到对应目标结算数据(也即是第20个新增结算数据)时的用电模式优化因子。
步骤S104,根据每个单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子。
其中,目标聚类结果包括聚类结果和新聚类结果。在得到每个单相费控电能表在得到对应目标结算数据时的用电模式优化因子之后,需要判断什么时候对每个单相费控电能表的结算时序数据进行数据子序列的划分,因此,本发明实施例中,根据每个单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,用于判断什么时候对每个单相费控电能表进行数据子序列的划分,并重新进行聚类过程。
优选的,根据每个所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个所述单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,包括:
取任一聚类中心为目标聚类中心,取任一单相费控电能表作为目标电能表,在每个目标聚类结果中,获取所述目标聚类中心与所述目标电能表对应的结算时序数据之间的DTW距离作为第二距离,根据所有目标聚类结果的获取顺序,对所有第二距离排序,得到第二距离序列,对所述第二距离序列进行一阶差分处理,得到对应的一阶差分序列,将所述一阶差分序列中的所有差值的和作为所述目标电能表相对于所述目标聚类中心的聚类变化指标;
根据所述目标电能表相对于每个所述聚类中心的聚类变化指标,获取聚类变化指标之和,将所述聚类变化指标之和与所述目标电能表在得到对应目标结算数据时的用电模式优化因子之间的乘积作为所述目标电能表的聚类更新特征值;
根据所有单相费控电能表的聚类更新特征值,获取聚类更新特征值之和,将所述聚类更新特征值之和的相反数代入以自然常数e为底数的指数函数中,得到对应的指数函数结果,将常数1与所述指数函数结果之间的差值作为所有单相费控电能表在得到对应目标结算数据时的聚类更新因子。
在一实施方式中,将聚类结果作为第一个目标聚类结果,将新聚类结果按照获取顺序依次作为第二个目标聚类结果、第三个目标聚类结果、…、第二十一个目标聚类结果,则所有单相费控电能表在得到对应目标结算数据时的聚类更新因子所对应的计算表达式为:
其中,表示所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,也即是当所有单相费控电能表的新增结算数据的数量达到20时对应的聚类更新因子,1表示常数,/>表示以自然常数e为底数的指数函数,M表示单相费控电能表的总数量,/>表示聚类中心的数量,L表示目标聚类结果的数量,/>表示第m个单相费控电能表在得到对应目标结算数据时的用电模式优化因子,/>表示在第j个目标聚类结果中第c个聚类中心与第m个单相费控电能表之间的DTW距离,/>表示在第j-1个目标聚类结果中第c个聚类中心与第m个单相费控电能表之间的DTW距离。
需要说明的是,根据所有单相费控电能表的聚类结果的动态更新,获取对应聚类更新因子的过程中,需要对每次增加的新增结算数据所对应的新聚类结果中的每个单相费控电能表所属聚类簇的变化进行评估,也即是根据任一单相费控电能表的结算时序数据与聚类中心的聚类中心时序数据在更新前后的DTW距离差异,进行DTW距离差异的累加,从而衡量出在所有单相费控电能表的结算时序数据的数据更新过程中的每个单相费控电能表的数据变化情况,并根据所有单相费控电能表在所有目标聚类结果中的DTW距离差异,获取对应的聚类更新因子。
步骤S105,根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算时序数据进行动态聚类划分的分类结果,对分类结果进行智能压缩。
在得到所有单相费控电能表在得到对应目标结算数据时的聚类更新因子之后,即可根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算数据进行动态聚类划分的分类结果。
优选的,根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算数据进行动态聚类划分的分类结果,包括:
获取预设的聚类更新因子阈值,若所述聚类更新因子大于所述聚类更新因子阈值,则对于最后一个所述新聚类结果中的任一聚类簇,分别将所述聚类簇中的每个单相费控电能表的结算时序数据中除所述目标结算数据之外的所有结算数据作为一个结算数据子序列,得到所述聚类簇中的所有结算数据子序列。
在一实施方式中,设置聚类更新因子阈值为0.7,可根据实际场景调整。当聚类更新因子大于0.7时,说明在t时刻时,区域总站中存在部分用户的用电模式发生变化,对应部分单相费控电能表的结算数据出现较大波动,此时应将t时刻之前的结算数据划分为一个结算数据子序列进行压缩存储,因此,在最后一个新聚类结果中,分别将每个聚类簇中的每个单相费控电能表对应的结算时序数据中除目标结算时序数据之外的所有结算数据作为结算数据子序列,也即是将每个单相费控电能表的第20个新增结算数据之前的所有结算数据组成一个结算数据子序列,一个单相费控电能表对应一个结算数据子序列,则得到了每个聚类簇中的所有结算数据子序列,完成了对区域总站中的所有单相费控电能表的结算数据的动态聚类划分。
其中,根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算时序数据进行动态聚类划分的分类结果,还包括:
若所述聚类更新因子小于或等于所述聚类更新因子阈值,则继续获取每个所述单相费控电能表的新增结算数据,直至所述聚类结果中的每个聚类簇所包含的每个单相费控电能表的结算时序数据的长度达到预设长度,得到所述聚类结果中的每个聚类簇所包含的每个单相费控电能表的结算数据子序列。
在一实施方式中,当聚类更新因子小于或等于0.7时,则说明在t时刻时,区域总站中的所有单相费控电能表的结算数据变化处于稳定状态,可以继续扩大结算数据子序列的长度,因此,继续获取每个单相费控电能表的新增结算数据,重新获取聚类更新因子,若聚类更新因子还小于或等于0.7,则继续获取每个单相费控电能表的新增结算数据,当初始聚类对应聚类结果中的K个聚类簇中所包含的每个单相费控电能表的结算时序数据的长度达到预设长度,也即是结算时序数据中的结算数据的数量达到200,则将每个单相费控电能表对应的这200个结算数据组成一个结算数据子序列,完成了对区域总站中的所有单相费控电能表的结算数据的动态聚类划分。
在得到对所有单相费控电能表的结算数据进行动态聚类划分的分类结果之后,针对每个聚类簇,对该聚类簇中的每个单相费控电能表的结算数据子序列进行所需的数据特征提取,其中,所需的数据特征包括但不限于每个结算数据子序列的均值和方差,并在数据特征提取完之后,对该聚类簇中的所有结算数据子序列进行拟合压缩并存储,在提高分类精度的同时也保留了压缩后的结算数据带有结算数据的有效数据特征,不但能够降低对单相费控电能表的结算数据进行存储的压力,而且保证了压缩数据的准确性。
综上所述,本发明实施例分别获取任一区域总站中的所有单相费控电能表的结算时序数据,对所有结算时序数据进行聚类,得到对应的聚类结果;当每个单相费控电能表的新增结算数据的数量都达到预设数量时,将每个单相费控电能表的最后一个新增结算数据作为目标结算数据,分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果;针对任一单相费控电能表,根据单相费控电能表在每个新聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取单相费控电能表在得到对应目标结算数据时的用电模式优化因子;根据每个单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,其中,目标聚类结果包括聚类结果和新聚类结果;根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算时序数据进行动态聚类划分的分类结果,对分类结果进行智能压缩。其中,通过获取若干个单相费控电能表的结算时序数据,对所有结算时序数据进行初始聚类结果的获取,并根据每个单相费控电能表在结算时序数据之后实时新增的结算数据进行初始聚类结果进行实时更新,进而根据实时新增的结算数据对初始聚类结果中的每个结算时序数据的影响,获取聚类更新因子,从而对每个单相费控电能表的结算时序数据进行实时动态聚类划分,并对划分后的同类结算时序数据进行拟合压缩,在提高分类精度的同时也保留了压缩后的结算数据带有结算数据的有效数据特征,不但能够降低对单相费控电能表的结算数据进行存储的压力,而且保证了压缩数据的准确性。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (3)
1.一种用于单相费控电能表的结算数据智能存储方法,其特征在于,所述一种用于单相费控电能表的结算数据智能存储方法包括:
分别获取任一区域总站中的所有单相费控电能表的结算时序数据,对所有结算时序数据进行聚类,得到对应的聚类结果;
当每个所述单相费控电能表的新增结算数据的数量都达到预设数量时,将每个所述单相费控电能表的最后一个新增结算数据作为目标结算数据,分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果;
针对任一单相费控电能表,根据所述单相费控电能表在每个所述新聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子;
根据每个所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个所述单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,其中,所述目标聚类结果包括所述聚类结果和所述新聚类结果;
根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算时序数据进行动态聚类划分的分类结果,对所述分类结果进行智能压缩;
所述聚类结果包括K个聚类簇,则所述分别获取所有结算时序数据每增加一个新增结算数据时的新聚类结果,包括:
当所有结算时序数据每次都增加一个新增结算数据时,分别获取每个时序长度增加后的结算时序数据作为第一结算时序数据;
利用所有第一结算时序数据替换所述K个聚类簇中的每个结算时序数据,得到K个聚类中心对应的替换中心时序数据,针对任一第一结算时序数据,分别计算所述第一结算时序数据与每个所述聚类中心对应的替换中心时序数据之间的DTW距离;
获取所有第一结算时序数据对应的DTW距离,根据所有DTW距离对所有第一结算时序数据进行聚类划分,得到对应的新聚类结果;
所述根据所述单相费控电能表在每个所述新聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,包括:
在最后一个所述新聚类结果中,获取所述单相费控电能表对应的结算时序数据与K个聚类中心对应的替换中心时序数据之间的DTW距离均值;
针对最后一个所述新聚类结果中的任一聚类中心,在最后一个所述新聚类结果中获取所述聚类中心对应的替换中心时序数据与所述单相费控电能表的结算时序数据之间的第一DTW距离,根据所述聚类中心与所述单相费控电能表的结算时序数据在每个所述新聚类结果以及所述聚类结果中对应的DTW距离,获取所述单相费控电能表对应的距离连续变化数量;
对所述单相费控电能表对应的距离连续变化数量进行归一化处理,得到对应的归一化值,获取常数1与所述归一化值之间的加和结果,将所述加和结果与所述第一DTW距离之间的乘积作为所述单相费控电能表的结算时序数据相对于所述聚类中心的距离变化特征值;
根据所述单相费控电能表的结算时序数据相对于最后一个所述新聚类结果中的每个聚类中心的距离变化特征值,以及所述DTW距离均值,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子;
所述根据所述聚类中心与所述单相费控电能表的结算时序数据在每个所述新聚类结果以及所述聚类结果中对应的DTW距离,获取所述单相费控电能表对应的距离连续变化数量,包括:
以所述聚类中心和所述单相费控电能表的结算时序数据在所述聚类结果中对应的DTW距离作为起始值,根据所述单相费控电能表的新增结算数据的增加顺序,依次在每个所述新聚类结果中获取所述聚类中心和所述单相费控电能表的结算时序数据之间对应的DTW距离,并与所述起始值组成一个序列;
对所述序列进行一阶差分处理,得到对应的差值序列,统计所述差值序列中连续为正差值的第一数量和连续为负差值的第二数量,获取所述第一数量和所述第二数量之间的最大值作为所述单相费控电能表对应的距离连续变化数量;
所述根据所述单相费控电能表的结算时序数据相对于最后一个所述新聚类结果中的每个聚类中心的距离变化特征值,以及所述DTW距离均值,获取所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,包括:
根据每个所述距离变化特征值与所述DTW距离均值之间的差值平方,获取差值平方均值,将对所述差值平方均值进行归一化处理的结果作为所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子;
所述根据每个所述单相费控电能表在得到对应目标结算数据时的用电模式优化因子,以及每个所述单相费控电能表在每个目标聚类结果中对应的结算时序数据和聚类中心时序数据之间的距离差异,获取所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,包括:
取任一聚类中心为目标聚类中心,取任一单相费控电能表作为目标电能表,在每个目标聚类结果中,获取所述目标聚类中心与所述目标电能表对应的结算时序数据之间的DTW距离作为第二距离,根据所有目标聚类结果的获取顺序,对所有第二距离排序,得到第二距离序列,对所述第二距离序列进行一阶差分处理,得到对应的一阶差分序列,将所述一阶差分序列中的所有差值的和作为所述目标电能表相对于所述目标聚类中心的聚类变化指标;
根据所述目标电能表相对于每个所述聚类中心的聚类变化指标,获取聚类变化指标之和,将所述聚类变化指标之和与所述目标电能表在得到对应目标结算数据时的用电模式优化因子之间的乘积作为所述目标电能表的聚类更新特征值;
根据所有单相费控电能表的聚类更新特征值,获取聚类更新特征值之和,将所述聚类更新特征值之和的相反数代入以自然常数e为底数的指数函数中,得到对应的指数函数结果,将常数1与所述指数函数结果之间的差值作为所有单相费控电能表在得到对应目标结算数据时的聚类更新因子。
2.根据权利要求1所述的一种用于单相费控电能表的结算数据智能存储方法,其特征在于,所述根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算数据进行动态聚类划分的分类结果,包括:
获取预设的聚类更新因子阈值,若所述聚类更新因子大于所述聚类更新因子阈值,则对于最后一个所述新聚类结果中的任一聚类簇,分别将所述聚类簇中的每个单相费控电能表的结算时序数据中除所述目标结算数据之外的所有结算数据作为一个结算数据子序列,得到所述聚类簇中的所有结算数据子序列。
3.根据权利要求2所述的一种用于单相费控电能表的结算数据智能存储方法,其特征在于,所述根据所有单相费控电能表在得到对应目标结算数据时的聚类更新因子,获取对所有单相费控电能表的结算时序数据进行动态聚类划分的分类结果,还包括:
若所述聚类更新因子小于或等于所述聚类更新因子阈值,则继续获取每个所述单相费控电能表的新增结算数据,直至所述聚类结果中的每个聚类簇所包含的每个单相费控电能表的结算时序数据的长度达到预设长度,得到所述聚类结果中的每个聚类簇所包含的每个单相费控电能表的结算数据子序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315713.0A CN117909770B (zh) | 2024-03-20 | 2024-03-20 | 一种用于单相费控电能表的结算数据智能存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315713.0A CN117909770B (zh) | 2024-03-20 | 2024-03-20 | 一种用于单相费控电能表的结算数据智能存储方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117909770A CN117909770A (zh) | 2024-04-19 |
CN117909770B true CN117909770B (zh) | 2024-05-24 |
Family
ID=90685598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410315713.0A Active CN117909770B (zh) | 2024-03-20 | 2024-03-20 | 一种用于单相费控电能表的结算数据智能存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909770B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243746A (zh) * | 2015-10-21 | 2016-01-13 | 宁波三星医疗电气股份有限公司 | 一种单相智能电能表的费控模式切换方法 |
CN107609783A (zh) * | 2017-09-22 | 2018-01-19 | 中国电力科学研究院 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及*** |
CN109635950A (zh) * | 2018-11-30 | 2019-04-16 | 国网上海市电力公司 | 基于遗传算法和社团聚类的电能表运行状态监测方法 |
WO2020155755A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
CN116383190A (zh) * | 2023-05-15 | 2023-07-04 | 青岛场外市场清算中心有限公司 | 一种海量大数据智能清洗方法及*** |
CN117435972A (zh) * | 2023-09-25 | 2024-01-23 | 国网宁夏电力有限公司银川供电公司 | 基于物联感知的电能计量箱异常监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6742894B2 (ja) * | 2016-06-09 | 2020-08-19 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
-
2024
- 2024-03-20 CN CN202410315713.0A patent/CN117909770B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243746A (zh) * | 2015-10-21 | 2016-01-13 | 宁波三星医疗电气股份有限公司 | 一种单相智能电能表的费控模式切换方法 |
CN107609783A (zh) * | 2017-09-22 | 2018-01-19 | 中国电力科学研究院 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及*** |
CN109635950A (zh) * | 2018-11-30 | 2019-04-16 | 国网上海市电力公司 | 基于遗传算法和社团聚类的电能表运行状态监测方法 |
WO2020155755A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
CN116383190A (zh) * | 2023-05-15 | 2023-07-04 | 青岛场外市场清算中心有限公司 | 一种海量大数据智能清洗方法及*** |
CN117435972A (zh) * | 2023-09-25 | 2024-01-23 | 国网宁夏电力有限公司银川供电公司 | 基于物联感知的电能计量箱异常监测方法 |
Non-Patent Citations (5)
Title |
---|
Research on Anomaly Detection of Smart Meters Data Based on Feature Clustering Method;Zhiru Chen等;IEEE;20211202;全文 * |
基于FCM聚类算法的电能表标准装置监测数据分析与研究;左黎斌等;软件;20180615(第06期);全文 * |
基于模糊聚类算法的智能电网用户分类;谷涛;刘大明;;上海电力学院学报;20181015(第05期);全文 * |
智能电能表综合性能评级方法研究;姜洪浪;赵婷;段晓萌;左嘉;王晓东;王爽;;电测与仪表;20180325(第06期);全文 * |
泛在电力物联网在智能配电***应用综述及展望;张亚健;杨挺;孟广雨;;电力建设;20190601(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117909770A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021238455A1 (zh) | 数据处理方法、设备及计算机可读存储介质 | |
CN112561156A (zh) | 基于用户负荷模式分类的短期电力负荷预测方法 | |
CN112485689B (zh) | 一种基于Xgboost模型预测储能***中锂电池剩余循环寿命的方法 | |
CN112699605B (zh) | 一种充电桩故障元件预测方法及*** | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN107423746B (zh) | 基于聚类分析的电力线通信用电量数据分析方法及*** | |
CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
CN117113126A (zh) | 一种基于改进聚类算法的行业用电特性分析方法 | |
CN115902647A (zh) | 一种电池状态智能监测方法 | |
CN117454255B (zh) | 一种智慧建筑能耗数据优化存储方法 | |
Lin et al. | Screening of retired batteries with gramian angular difference fields and ConvNeXt | |
CN115982611A (zh) | 基于聚类算法的电力用户用能特点分析方法 | |
CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN117909770B (zh) | 一种用于单相费控电能表的结算数据智能存储方法 | |
CN111324790A (zh) | 基于支持向量机分类的负荷类型识别方法 | |
CN114722098A (zh) | 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
CN116226468B (zh) | 基于网格化终端业务数据存储管理方法 | |
CN111915116A (zh) | 一种基于K-means聚类的电力居民用户分类方法 | |
Panapakidis et al. | Three-stage clustering procedure for deriving the typical load curves of the electricity consumers | |
CN115146744B (zh) | 一种融合时间特征的电能表负荷实时辨识方法、识别*** | |
CN115329277A (zh) | 一种退运动力镍氢电池的soh预测方法 | |
CN114897097A (zh) | 一种电力用户画像方法、装置、设备及介质 | |
CN118152836B (zh) | 一种用于电能表运行过程的稳定性评估方法 | |
CN108599140B (zh) | 用电负荷特征分析方法和装置、存储介质 |
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 |