[发明专利]一种用户用电行为主导影响因素挖掘方法

说明书

本发明公开了一种用户用电行为主导影响因素挖掘方法，通过对影响因素数据集进行多重相关性检验，若存在多重相关性则采用逐步回归法进行筛选，再运用典型相关分析判别目标数据表是否存在主导影响因素，若存在主导影响因素则采用改进K‑中心点聚类算法对目标数据表做聚类分析，最后得到关于主导影响因素的数据。本发明实现了对用户用电行为分析由样本统计分类到变量分析研究的转变，能更好得挖掘用户用电行为影响因素；其次，通过对K‑中心点聚类分析进行改进：引入理想解法确定初始聚类中心，避免陷入局部最优解；实现聚类算法并行化，显著改善算法数据处理能力；最后，输出结果采用多种形式直观展示主导影响因素的时空分布特征。

技术领域

本发明涉及用电行为分析领域，更具体地，涉及一种用户用电行为主导影响因素挖掘方法。

背景技术

随着智能电网的快速发展，用电信息采集系统及配电自动化逐渐完善，电网用户侧数据呈现出数据量大、数据类型多、增长速度快等大数据特征。在大数据环境下分析用电数据之间的关联性，挖掘潜藏在用户用电数据之中的用户用电行为特征。适用于用户用电行为分析的方法包括模式识别技术、聚类分析方法、数据挖掘算法，通过对不同类别用电用户进行细分，高效、准确地挖掘出用电行为、电量消费等大量有价值的信息，使之有力地支撑用户节能工作、智能化业务分析与决策。智能电表实现了对用户用电信息全方位实时收集，使得对用户用电行为精准聚类分析成为了可能。聚类分析是根据物以类聚的原则，将相似的对象聚在一起，将不相似的对象分开的过程。利用智能电表采集用户用电数据，采用划分聚类方法进行用户用电行为分类是目前应用较为广泛的方法。现有的聚类方法主要缺陷如下：(1)当前用户用电行为分析主要是对用电数据样本进行分类，并未考虑用户用电行为影响因素；(2)传统划分聚类方法随机选择初始聚类中心，容易陷入局部最优解，且面对高数据量时，算法数据处理能力急剧下降。

发明内容

本发明克服了上述现有的聚类方法的技术缺陷，提供了一种新的用户用电行为主导影响因素挖掘方法。本发明提供了一种用户用电行为主导影响因素挖掘方法，该方法分析效率高、算法复杂度低，而且能处理大规模进行数据集合。

为解决上述技术问题，本发明的技术方案如下：

一种用户用电行为主导影响因素挖掘方法，包括以下步骤：

S1：采集用户的电力数据，所述的电力数据包括用电数据和影响因素数据；

S2：对用户的电力数据进行标准化处理，得到标准化的电力数据；

S3：通过方差膨胀因子对标准化的电力数据进行多重相关性检验，若方差膨胀因子大于预设值，对标准化的电力数据进行筛选，得到筛选后的标准化的电力数据；若方差膨胀因子不大于预设值，不对标准化的电力数据进行筛选，执行S4；

S4：通过典型相关分析方法从电力数据或者筛选后的电力数据中提取相关性最大的两个变量，设为F₁和F₂，通过F₁和F₂判断影响因素数据中是否存在主导影响因素数据，若存在主导影响因素数据，则执行S5；若不存在主导影响因素数据，则方法结束；

S5：通过K-中心聚类方法从影响因素数据中得到主导影响因素数据；并通过MapReduce并行化技术实现聚类算法的并行化；

S6：以报表形式记录用户每日用电行为的主导影响因素数据并统计用户的用电行为的主导影响因素数据；结合GIS系统展现用户的用电行为的主导影响因素数据的空间分布特征。

在一种优选的方案中，所述的S1包括以下流程：

S1.1：利用智能电表采集用户某个时段的用电数据，所述的用电数据包括电流和功率；定义用电数据的集合为因变量数据表B，因变量数据表中的数据记为b_ij；