一種用戶用電實時測量方法
【專利摘要】本發(fā)明公開了一種用戶用電實時測量方法，其包括步驟S1：對采集用戶的用電實時數(shù)據(jù)進行預處理，獲得完整的用電數(shù)據(jù)；步驟S2：對完整的用電數(shù)據(jù)參數(shù)進行初始化，獲得計算所需的初始化聚類類別數(shù)、概率上界參數(shù)、概率下界參數(shù)；步驟S3：采用K-均值聚類算法對用電數(shù)據(jù)的初始化聚類類別數(shù)、概率上界參數(shù)、概率下界參數(shù)進行聚類，獲取不同類別的用電數(shù)據(jù)；步驟S4：對不同類別的用電數(shù)據(jù)進行統(tǒng)計計算，得到并對各用電類別的均值及概率處理與計算，獲得剔除低概率類、保留高概率類符合實際用戶用電的實時預測結果。
【專利說明】一種用戶用電實時測量方法

【技術領域】
[0001] 本發(fā)明屬于用電建模【技術領域】，具體涉及一種基于統(tǒng)計聚類的用電實時測量方 法。

【背景技術】
[0002] 作為國民經(jīng)濟和人民生活不可缺少的能源，電能廣泛應用于工業(yè)、農(nóng)業(yè)、企事業(yè)單 位以及人們的日常生活中。然而，我們在享受著電能帶給我們便利和光明的同時，也在時刻 浪費著電能。很多用戶為了節(jié)約生產(chǎn)成本，往往采用的是高能耗低效率的用電設備，這些設 備因為設計的缺陷都存在嚴重浪費電能的情況。另外，在人們的日常學習生活中，很多的家 電設備以及我們的生活習慣也都在浪費著電能。在經(jīng)濟可持續(xù)發(fā)展的今天，電能的浪費將 帶來一系列的能源損耗及環(huán)保問題。因此，有必要對用戶用電進行實時預測，獲取用戶用電 的行為模式，為進一步研究探討用電的節(jié)能措施，從而實現(xiàn)我國電力行業(yè)的節(jié)能環(huán)保以及 可持續(xù)發(fā)展提供參考。


【發(fā)明內(nèi)容】

[0003](一）要解決的技術問題
[0004] 本發(fā)明所要解決的技術問題是基于從用戶采集的用電實時數(shù)據(jù)，利用K-均值聚 類算法以及概率統(tǒng)計方法構建用電模型，實現(xiàn)用電的準確實時測量。
[0005](二）技術方案
[0006] 本發(fā)明提出了一種基于統(tǒng)計聚類的用戶用電實時測量方法，其包括步驟如下：
[0007] 步驟SI :對采集用戶的用電實時數(shù)據(jù)進行預處理，獲得完整的用電數(shù)據(jù)；
[0008] 步驟S2 :對完整的用電數(shù)據(jù)參數(shù)進行初始化，獲得計算所需的初始化聚類類別 數(shù)、概率上界參數(shù)、概率下界參數(shù)；
[0009] 步驟S3:采用K-均值聚類算法對用電數(shù)據(jù)的初始化聚類類別數(shù)、概率上界參數(shù)、 概率下界參數(shù)進行聚類，獲取不同類別的用電數(shù)據(jù)；
[0010] 步驟S4 :對不同類別的用電數(shù)據(jù)進行統(tǒng)計計算，得到并對各用電類別的均值及概 率處理與計算，獲得剔除低概率類、保留高概率類符合實際用戶用電的實時預測結果。
[0011] (三）有益效果
[0012] 本發(fā)明基于從用戶采集的用電實時數(shù)據(jù)，采用K-均值聚類算法以及概率統(tǒng)計方 法建立用電模型，實現(xiàn)用電的實時測量，所得測量結果表明，與簡單取平均值的方法相比 較，采用統(tǒng)計聚類方法獲得的預測結果可以更加合理地反映用戶的實際用電行為，具有較 強的實際意義，具有較強的實時性和準確性，為進一步的節(jié)能優(yōu)化奠定基礎。

【專利附圖】

【附圖說明】
[0013] 圖1是本發(fā)明中基于統(tǒng)計聚類的用戶用電實時測量方法的流程圖；
[0014] 圖2是本發(fā)明中K-均值聚類算法的流程圖；
[0015] 圖3是本發(fā)明中房間一天內(nèi)插座用電的預測結果實施例。

【具體實施方式】
[0016] 為了更清楚地說明本發(fā)明的目的、技術方案和優(yōu)點，以下結合具體實施例，并參照 附圖，對本發(fā)明作進一步的詳細說明。
[0017] 圖1示出發(fā)明提出的一種基于統(tǒng)計聚類的用電實時測量方法流程圖，下面分別介 紹基于統(tǒng)計聚類的辦公用電實時測量方法的各個步驟如下：
[0018] 步驟SI數(shù)據(jù)預處理：對從用戶采集的辦公用電實時數(shù)據(jù)進行預處理，所述預處理 是包括數(shù)據(jù)篩選、剔除、補充的操作，用以改善數(shù)據(jù)質(zhì)量，從而獲得完整的用電數(shù)據(jù)，為方法 的順利運行提供數(shù)據(jù)基礎。
[0019] 本發(fā)明的基于統(tǒng)計聚類的辦公用電實時預測方法從用戶現(xiàn)場采集的辦公用電數(shù) 據(jù)，辦公用電實時數(shù)據(jù)類型包括照明用電數(shù)據(jù)、插座用電數(shù)據(jù)以及空調(diào)用電數(shù)據(jù)，均為常見 的辦公用電類型并可完整代表辦公用電。
[0020] 在獲取原始數(shù)據(jù)的基礎上，根據(jù)一定的預測區(qū)間對原始數(shù)據(jù)進行篩選，獲取該預 測區(qū)間內(nèi)各用電類型的用電數(shù)據(jù)。在此基礎上，遍歷全部數(shù)據(jù)，剔除其中的多余數(shù)據(jù)并補充 缺失數(shù)據(jù)，從而改善數(shù)據(jù)質(zhì)量，獲取完整的整時用電數(shù)據(jù)，為接下來的數(shù)據(jù)計算提供完整而 準確的數(shù)據(jù)。
[0021] 步驟S2 :對完整的用電數(shù)據(jù)參數(shù)參數(shù)進行初始化，獲得計算所需的聚類類別數(shù)、 概率上界參數(shù)、概率下界參數(shù)。
[0022] 在該步驟中，根據(jù)用戶的實際情況，經(jīng)過不斷測試和調(diào)整，最終確定數(shù)據(jù)計算所需 的相關參數(shù)，包括聚類類別數(shù)、概率上界、概率下界等，滿足不同的實際需求。
[0023] 步驟S3數(shù)據(jù)聚類：采用K-均值聚類方法對用電數(shù)據(jù)的初始化聚類類別數(shù)、概率上 界參數(shù)、概率下界參數(shù)進行聚類，獲取不同類別的用電數(shù)據(jù)。圖2示出本發(fā)明中K-均值聚 類算法的流程圖，在該步驟中，以獲取的不同類型的用電數(shù)據(jù)作為樣本，結合步驟S2中所 定義的聚類類別數(shù)，對數(shù)據(jù)樣本進行聚類，將數(shù)據(jù)分成若干類別。
[0024] 其中，K-均值算法是典型的基于原型的目標函數(shù)聚類方法，以用電數(shù)據(jù)的數(shù)據(jù)點 到K均值聚類算法中的聚類中心的樣本X到第j個聚類中心的歐氏距離作為優(yōu)化目標函 數(shù)，利用函數(shù)求極值的方法對優(yōu)化目標函數(shù)進行迭代運算調(diào)整，獲得優(yōu)化目標函數(shù)最小函 數(shù)值；獲得優(yōu)化目標函數(shù)最小函數(shù)值流程如下：
[0025] 步驟S31 :初始化不同類別用電數(shù)據(jù)聚類樣本及聚類數(shù)目K。
[0026] 步驟S32 :為每個用電數(shù)據(jù)聚類確定一個初始用電數(shù)據(jù)聚類中心，得到K個初始用 電數(shù)據(jù)聚類中心；
[0027] 選取K個初始聚類中心Zj (k) = [Z1(I),z2(l)，…，zK(l)]，其中Zj (k)表示第k 次迭代運算中第j類的聚類中心，k= 1，. 2,...，為迭代運算的順序號；j= 1，2, . . .，K為 尋找聚類中心數(shù)量的順序號。聚類中心的向量值可任意設定，例如可以選擇開始的K個模 式樣本的向量值作為初始聚類中心。
[0028] 步驟S33 :將用電數(shù)據(jù)樣本集中的用電數(shù)據(jù)樣本按照最小距離分配到最鄰近用電 數(shù)據(jù)聚類；
[0029] 逐個將需分類的聚類樣本X按最小距離準則分配給K個聚類中心中的某一個聚類 中心Zj.a)。
[0030] 設i=j時，需分類的聚類樣本X到第j個聚類中心的距離I(k)表示如下=Dj (k) =min{IIx-ZiQOII,i= 1，2，…，K}，則XGSj(k)，第一次迭代k= 1，其中第j個聚類 SjGO的聚類中心為Zj。
[0031] 步驟S34 :使用每個用電數(shù)據(jù)聚類中的用電數(shù)據(jù)樣本均值作為新的用電數(shù)據(jù)聚類 中心；
[0032] 計算各個聚類中心的新的向量值為\(k+l)，計算各聚類域中所包含樣本的均值 向量：
[0033]

【權利要求】
1. 一種用戶用電實時測量方法，其包括步驟如下： 步驟Sl :對采集用戶的用電實時數(shù)據(jù)進行預處理，獲得完整的用電數(shù)據(jù)； 步驟S2 :對完整的用電數(shù)據(jù)參數(shù)進行初始化，獲得計算所需的初始化聚類類別數(shù)、概 率上界參數(shù)、概率下界參數(shù)； 步驟S3 :采用K-均值聚類算法對用電數(shù)據(jù)的初始化聚類類別數(shù)、概率上界參數(shù)、概率 下界參數(shù)進行聚類，獲取不同類別的用電數(shù)據(jù)； 步驟S4 :對不同類別的用電數(shù)據(jù)進行統(tǒng)計計算，得到并對各用電類別的均值及概率處 理與計算，獲得剔除低概率類、保留高概率類符合實際用戶用電的實時預測結果。
2. 如權利要求1所述的用戶用電實時測量方法，其特征在于，所述預處理是對用電實 時數(shù)據(jù)進行篩選、剔除、補充的操作，用以改善數(shù)據(jù)質(zhì)量，獲取完整的用電數(shù)據(jù)。
3. 如權利要求1所述的用戶用電實時測量方法，其特征在于，所述用電實時數(shù)據(jù)為照 明用電數(shù)據(jù)、插座用電數(shù)據(jù)以及空調(diào)用電數(shù)據(jù)。
4. 如權利要求1所述的用戶用電實時測量方法，其特征在于，根據(jù)用戶的實際用電情 況對所述聚類類別數(shù)、概率上界、概率下界參數(shù)的大小進行調(diào)整，以滿足用電的實際需求。
5. 如權利要求1所述的用戶用電實時測量方法，其特征在于，所述K-均值聚類算法是 典型的基于原型的目標函數(shù)聚類算法，所述典型的基于原型的目標函數(shù)聚類算法是以用電 數(shù)據(jù)的數(shù)據(jù)點到K均值聚類算法中的聚類中心的樣本X到第j個聚類中心的歐氏距離作為 優(yōu)化目標函數(shù)，利用函數(shù)求極值算法對優(yōu)化目標函數(shù)進行迭代運算調(diào)整，獲得優(yōu)化目標函 數(shù)最小函數(shù)值。
6. 如權利要求5所述的用戶用電實時測量方法，其特征在于，獲得優(yōu)化目標函數(shù)最小 函數(shù)值的步驟如下： 步驟S31 :初始化不同類別用電數(shù)據(jù)的聚類樣本及聚類數(shù)目K ; 步驟S32 :為每個用電數(shù)據(jù)聚類確定一個初始用電數(shù)據(jù)聚類中心，得到K個初始用電數(shù) 據(jù)聚類中心； 步驟S33 :將用電數(shù)據(jù)樣本集中的用電數(shù)據(jù)樣本按照最小距離分配到最鄰近用電數(shù)據(jù) 聚類； 步驟S34 :使用每個用電數(shù)據(jù)聚類中的用電數(shù)據(jù)樣本均值作為新的用電數(shù)據(jù)聚類中 心； 步驟S35 :判斷新的用電數(shù)據(jù)聚類中心是否變化，如果新的用電數(shù)據(jù)聚類中心變化，則 返回步驟S33 ;如新的用電數(shù)據(jù)聚類中心不變化，則得到優(yōu)化目標函數(shù)最小函數(shù)值的用電 數(shù)據(jù)的K個聚類結果。
7. 如權利要求1所述的用戶用電實時測量方法，其特征在于，所述統(tǒng)計計算的具體步 驟如下： 步驟S41 :根據(jù)初始化參數(shù)，設定概率下界Pmin和概率上界Pmax ; 步驟S42 :剔除概率低于概率下界Pmin的類別，并重新計算各類別的概率； 步驟S43 :判斷是否存在某一類別的概率高于概率上界Pmax，如果存在某一類別的概率 高于概率上界Pmax，則以該類別的均值作為預測值，如果存在某一類別的概率沒有高于概率 上，則轉到步驟S44; 步驟S44 :取概率處于概率下界Pmin和概率上界Pmax之間的類別，計算各類別均值的加 權平均作為預測值。
【文檔編號】G06Q10/04GK104318316SQ201410528151
【公開日】2015年1月28日 申請日期:2014年10月9日 優(yōu)先權日:2014年10月9日
【發(fā)明者】魏慶來, 劉禹, 石光, 劉德榮, 卜麗, 關強 申請人:中國科學院自動化研究所