本發(fā)明屬于電力系統(tǒng)領(lǐng)域，具體涉及一種基于支持向量機模型的低壓充電樁識別方法、系統(tǒng)、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、近年來，隨著環(huán)保意識的增強以及國家相關(guān)政策的鼓勵與支持，新能源汽車市場呈現(xiàn)出快速增長的態(tài)勢。新能源汽車的普及使得充電樁作為配套設(shè)施的需求也隨之增加。盡管新能源汽車市場蓬勃發(fā)展，但充電基礎(chǔ)設(shè)施的建設(shè)卻相對滯后，成為了制約新能源汽車發(fā)展的瓶頸之一。充電樁的布設(shè)數(shù)量、分布廣度以及服務(wù)質(zhì)量等因素，直接影響著新能源汽車用戶的充電體驗。

2、不同用戶對充電樁的需求存在多樣性，如充電速度、充電費用、充電樁位置等。因此，電力系統(tǒng)需要能夠準確識別充電樁用戶，以便提供更加個性化、高效的服務(wù)。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的在于提供一種基于支持向量機模型的低壓充電樁識別方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，該方案實現(xiàn)了低壓充電樁用戶的自動化識別。

2、技術(shù)方案：本發(fā)明的一種基于支持向量機模型的低壓充電樁識別方法，包括：

3、量測數(shù)據(jù)獲?。簭挠秒娦畔⒉杉到y(tǒng)中，獲取用戶的臺賬數(shù)據(jù)及分時點有功功率量測數(shù)據(jù)；

4、量測數(shù)據(jù)預(yù)處理：對獲取的數(shù)據(jù)進行預(yù)處理，利用isnull函數(shù)識別出其中缺失值，利用箱線圖方法識別異常值，利用牛頓插值法對識別出的異常值和缺失值進行填充處理；

5、特征提?。簭念A(yù)處理后的有功功率量測數(shù)據(jù)中提取統(tǒng)計維度及業(yè)務(wù)維度數(shù)據(jù)特征，根據(jù)臺賬數(shù)據(jù)將用戶打上是否為充電樁標簽，形成樣本集，將樣本集隨機劃分為訓練樣本集和測試樣本集；

6、模型構(gòu)建：選取scikit-learn庫中的支持向量機模型，根據(jù)樣本信息設(shè)置支持向量機模型初始的超參數(shù)范圍，構(gòu)建出基礎(chǔ)的支持向量機模型；

7、模型訓練與測試：將訓練樣本集的特征數(shù)據(jù)導(dǎo)入支持向量機模型，在訓練基礎(chǔ)支持向量機模型過程中，利用網(wǎng)格搜索方法，對超參數(shù)在范圍內(nèi)進行調(diào)整，選取模型在訓練樣本集上達到預(yù)測準確率最優(yōu)的結(jié)果，最終獲得基于支持向量機模型的低壓充電樁用戶識別模型；利用測試樣本集對低壓充電樁用戶識別模型進行測試，并利用精確率、召回率及f1分數(shù)對低壓充電樁用戶識別模型進行性能評價；

8、低壓充電樁用戶識別：獲取全量的非充電樁用戶功率數(shù)據(jù)，利用低壓充電樁用戶識別模型進行識別，最終獲取被識別為充電樁的用戶清單。

9、進一步的，利用箱線圖方法識別異常值，包括：

10、首先對獲取的數(shù)據(jù)進行排序，確定第一四分位數(shù)q1與第三四分位數(shù)q3，然后計算四分位距iqr，其公式如下：

11、iqr＝q3-q1

12、根據(jù)四分位距，確定小于q1-1.5×iqr或大于q3+1.5×iqr的為異常值。

13、進一步的，所述牛頓插值法的表達式如下：

14、

15、p(x)表示通過牛頓插值法得到的多項式函數(shù)，用于估計在量測數(shù)據(jù)點給定位置x值處的插值結(jié)果；p0表示最初的功率值點；xj表示第j個功率值點的位置；δkp0表示p0的k階差商，差商的定義如下：

16、δkpi＝δk-1pi+1-δk-1pi

17、δ1pi＝pi+1-pi

18、其中，pi表示第i個位置的功率值。

19、進一步的，所述統(tǒng)計維度數(shù)據(jù)特征包括用戶分時點有功功率量測數(shù)據(jù)的峰度、偏度、最大值、中值。

20、進一步的，所述用戶分時點有功功率量測數(shù)據(jù)的峰度，用于度量隨機變量概率分布的陡峭程度，其表達式如下：

21、

22、所述用戶分時點有功功率量測數(shù)據(jù)的偏度，用于度量隨機變量概率分布的不對稱性，其表達式如下：

23、

24、其中，s表示峰度；k表示偏度；xi表示原始數(shù)據(jù)中的具體數(shù)值；μ表示原始數(shù)據(jù)的均值或平均數(shù)；σ表示原始數(shù)據(jù)的標準差。

25、進一步的，所述業(yè)務(wù)維度數(shù)據(jù)特征包括用戶分時點有功功率小于1.2倍最小值的點數(shù)，用戶分時點有功功率大于0.8倍最大值的點數(shù)，用戶分時點有功功率大于1.5倍中值或小于0.5倍中值的點數(shù)，用戶分時點有功功率一階差分小于0.1的點數(shù)，用戶分時點有功功率一階差分大于0.8倍最大值的點數(shù)，用戶當日分時點有功功率與前一天分時點有功功率的相關(guān)系數(shù)。

26、進一步的，所述基礎(chǔ)的支持向量機模型，其構(gòu)建過程如下：

27、選取scikit-learn庫中的支持向量機模型，設(shè)置正則化系數(shù)c的取值范圍0.5～10，從線性核函數(shù)、多項式核函數(shù)和高斯核函數(shù)中選擇模型的核函數(shù)，在訓練時使用網(wǎng)格搜索的方法，對上述超參數(shù)進行調(diào)整，以此構(gòu)建基礎(chǔ)的支持向量機模型。

28、基于相同的發(fā)明構(gòu)思，本發(fā)明的一種基于支持向量機模型的低壓充電樁識別系統(tǒng)，包括：

29、量測數(shù)據(jù)獲取模塊，用于從用電信息采集系統(tǒng)中，獲取用戶的臺賬數(shù)據(jù)及分時點有功功率量測數(shù)據(jù)；

30、量測數(shù)據(jù)預(yù)處理模塊，用于對獲取的數(shù)據(jù)進行預(yù)處理，利用isnull函數(shù)識別出其中缺失值，利用箱線圖方法識別異常值，利用牛頓插值法對識別出的異常值和缺失值進行填充處理；

31、特征提取模塊，用于從預(yù)處理后的有功功率量測數(shù)據(jù)中提取統(tǒng)計維度及業(yè)務(wù)維度數(shù)據(jù)特征，根據(jù)臺賬數(shù)據(jù)將用戶打上是否為充電樁標簽，形成樣本集，將樣本集隨機劃分為訓練樣本集和測試樣本集；

32、模型構(gòu)建模塊，用于選取scikit-learn庫中的支持向量機模型，根據(jù)樣本信息設(shè)置支持向量機模型初始的超參數(shù)范圍，構(gòu)建出基礎(chǔ)的支持向量機模型；

33、模型訓練與測試模塊，用于將訓練樣本集的特征數(shù)據(jù)導(dǎo)入支持向量機模型，在訓練基礎(chǔ)支持向量機模型過程中，利用網(wǎng)格搜索方法，對超參數(shù)在范圍內(nèi)進行調(diào)整，選取模型在訓練樣本集上達到預(yù)測準確率最優(yōu)的結(jié)果，最終獲得基于支持向量機模型的低壓充電樁用戶識別模型；還用于利用測試樣本集對低壓充電樁用戶識別模型進行測試，并利用精確率、召回率及f1分數(shù)對低壓充電樁用戶識別模型進行性能評價；

34、低壓充電樁用戶識別模塊，用于獲取全量的非充電樁用戶功率數(shù)據(jù)，利用低壓充電樁用戶識別模型進行識別，最終獲取被識別為充電樁的用戶清單。

35、基于相同的發(fā)明構(gòu)思，本發(fā)明的一種基于支持向量機模型的低壓充電樁識別設(shè)備，包括處理器和存儲器，所述存儲器中存儲有計算機指令，所述處理器用于執(zhí)行所述存儲器中存儲的計算機指令，當所述計算機指令被處理器執(zhí)行時該電子設(shè)備實現(xiàn)如上述基于支持向量機模型的低壓充電樁識別方法的步驟。

36、基于相同的發(fā)明構(gòu)思，本發(fā)明的一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時，實現(xiàn)如上述基于支持向量機模型的低壓充電樁識別方法的步驟。

37、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明的顯著技術(shù)效果為：

38、本方案通過從用電信息采集系統(tǒng)中，獲取用戶臺賬及分時點有功功率數(shù)據(jù)。深度挖掘數(shù)據(jù)特性，獲取統(tǒng)計維度及業(yè)務(wù)維度特征，建立支持向量機模型，進而識別臺賬未維護的充電樁用戶。

39、經(jīng)過實驗驗證，本發(fā)明的支持向量機模型在低壓充電樁用戶識別任務(wù)中展現(xiàn)出了卓越的性能和顯著的效果提升。該模型充分利用了機器學習在處理序列數(shù)據(jù)方面的強大能力，顯著提高了低壓充電樁用戶識別的準確性和效率，通過智能識別和調(diào)度充電樁用戶，電力系統(tǒng)可以更有效地管理能源供應(yīng)，避免能源浪費。

40、本發(fā)明所采用的識別方法，具備高度自動化特點，大幅減少了對人工操作的依賴，從而有效提升了電力系統(tǒng)的運行效率和安全性能。