[发明专利]考虑隐私保护和需求响应的电力用户画像方法

权利要求书

1.考虑隐私保护和需求响应的电力用户画像方法，其特征在于，用户画像方法基于高斯混合模型，使用分布式隐私保护的AAC算法估计高斯混合模型的参数，在不收集用户隐私的前提下获得典型建筑物的用户画像和建筑物所属的典型用户画像种类，包括：

S1收集建筑物的历史负荷数据和历史温湿度数据，根据历史负荷数据提取建筑物的负荷特征数据，根据建筑物的历史温湿度数据提取建筑物的舒适度特征数据，使用高斯混合模型对建筑物的负荷特征数据和建筑物的舒适度特征数据进行聚类；

S2通过最小化高斯混合模型的平均重叠度指标确定最优的用户画像数量；

S3建筑物执行本地计算，同时，为保护用户隐私，在本地计算结果中引入零和误差；

S4使用AAC算法对高斯混合模型的参数进行估计，为保护用户隐私，将引入零和误差的本地计算结果作为分布式隐私保护的AAC算法中用户参数的初值，基于分布式隐私保护的AAC算法更新用户参数值，直到用户参数值收敛，使用收敛的用户参数值计算得到典型用户画像和建筑物所属的典型用户画像种类。

2.如权利要求1所述的方法，其特征在于，所述S1中历史负荷数据为每个建筑物与电网的净交换功率，历史温湿度数据包括室内温度数据、室内湿度数据和室外温度数据。

3.如权利要求1所述的方法，其特征在于，所述S1中的根据历史负荷数据提取建筑物的负荷特征，其中，负荷特征包括：功率因数、负荷功率平均值、负荷功率最大值、节假日负荷功率峰值、工作日负荷功率峰值和负荷功率坡度。

4.如权利要求1所述的方法，其特征在于，所述S1中根据建筑物的历史温湿度数据提取建筑物的舒适度特征包括两个步骤：首先，根据建筑物的历史温湿度数据计算建筑物不同时刻的室内舒适度指数，公式如下

I_C＝1.8T_in+32-(0.55-0.55H)(1.5T_in-T_out-26)

其中，I_C表示室内舒适度指数，T_in表示室内温度，T_out表示室内温度，H表示室内湿度；

其次，根据建筑物的室内温度舒适度指数数据提取建筑物的工作日室内舒适度均值和节假日室内舒适度均值。

5.如权利要求1所述的方法，其特征在于，所述S1中使用高斯混合模型对建筑物的负荷特征数据和建筑物的舒适度特征数据聚类，负荷特征数据和舒适度特征数据的概率分布为：

其中，K表示用户负荷特征画像数量，参数K需要在使用高斯混合模型聚类前确定，p(X)表示建筑物负荷曲线特征的概率分布函数，X表示负荷特征和舒适度特征数据，N_j(x|μ_j，∑_j)表示高斯混合模型中的第j个分量，该分量代表一个K维的高斯分布，每个分量对应某一类建筑物的画像，∑_j指高斯混合模型的协方差矩阵，μ_j指高斯混合模型中的第j个分量的所有均值参数，均值参数表示某个分量所代表类别的均值，π_j指高斯混合模型中第j个混合系数。

6.如权利要求1所述的方法，其特征在于，所述S2中通过最小化高斯混合模型的平均重叠度指标确定最优的用户画像数量，高斯混合模型重叠度定义如下：

其中，OLR(N_i，N_j)是指两个高斯混合模型分量N_i和N_j之间的重叠度，X_saddle是概率分布中的鞍点，X_submax是概率分布中较低的峰，p(x)表示建筑物特征的概率分布函数；

从2到N-1遍历用户画像数量，计算不同用户数量下的平均重叠度，选择平均重叠度最小的用户数量为最优用户画像数量：

其中，K表示用户画像数量，N表示电力系统内建筑物的数量。