基于流批一体化处理电力大数据的用户用电模型构建方法与流程

本发明涉及用户用电模型构建技术，特别是涉及基于流批一体化处理电力大数据的用户用电模型构建方法，属于电网大数据。

背景技术：

1、电的作用广泛而重要，涉及人类生活的方方面面，电能可以转化为光能，提供家庭、办公和公共场所的照明，电能可用于加热，如电热水壶、电饭煲、电烤箱等家用电器，实现烹饪和加热功能，电动工具大大提高了工作效率，电动车、电动摩托车、电动滑板车等交通工具，减少了对化石燃料的依赖，有利于环保。

2、随着全国范围内电力用户的用电需求不断提升，电力系统存储的用电数据趋于满载，这对于其自身的运行速度和性能都产生了不可避免的影响，同时现在缺乏一种基于电力大数据的用户用电模型突出不同用户的用电差异，以提供具有用户针对性的用电服务，最终达到环节电力系统数据承载压力过重和电力大数据利用不充分的目的。

3、因此，亟需对用户用电的模型构建进行改进，以解决上述存在的问题。

技术实现思路

1、本发明的目的是提供基于流批一体化处理电力大数据的用户用电模型构建方法，通过收集到的电力大数据，分析用户画像，学习其中的规律，结合特征工程生成合成数据，通过大数据反哺模块向外输出电力系统的电力预测数据，为支持人工管理和决策，提供参考依据，并通过评估预测数据的误差，进行优化和修正，以提高预测准确性。

2、为了达到上述目的，本发明采用的主要技术方案包括：

3、基于流批一体化处理电力大数据的用户用电模型构建方法，包括电力数据收集模块、电力用户大数据画像分析模块、特征工程模块、大数据反哺模块、电力预测模块、优化模块；

4、所述电力数据收集模块用于电力用户再电力系统中的用电相关数据的实时收集；

5、所述电力用户大数据画像分析模块用于对收集的电力用户相关数据进行清洗、整合，对整合后的数据进行分析形成单一用户画像，用户群画像，每一画像都由静态标签和动态标签组成；

6、所述特征工程模块用于对收集到的数据进行特征工程，提取与用户相关的特征；

7、所述大数据反哺模块基于对已形成用户画像的电力用户实时产生的数据进行流处理分析，输出与该电力用户相关特征用户群的模拟和预测；

8、所述电力预测模块基于处理后的数据，向外输出电力系统的模拟和预测；

9、所述优化模块基于预测结果与实际数据的误差对比，对模型构建参数进行优化改正。

10、优选的，所述构件步骤如下：

11、s1：数据的收集和准备，通过各种数据收集渠道，获取海量数据，包括设备传感器、视频监控设备、智能设备、移动终端、电力负荷信息以及电力系统中用户注册信息；

12、s2：用户画像分析，分析处理准备好的电力数据形成一个针对单一用户的画像和一个针对用户群的画像，每一个画像都有静态标签和动态标签组成；

13、s3：大数据反哺，通过对单一用户行为的分析判断用户群发展趋势；

14、s4：电力预测，利用生成好的数据进行用户电力负荷的模拟和预测；

15、s5：持续优化和更新，随着实时数据的收集变化，保持模型持续适用性。

16、优选的，所述特征工程提取包括时间特征、气候特征、法定假日特征、用户基本信息特征。

17、优选的，所述电力用户大数据画像分析模块清洗的冗余数据类型包括数据重复、数据漏采。

18、优选的，所述电力用户大数据画像分析模块形成的用户画像包括单一用户画像、用户群画像、用户画像的静态标签及动态标签的构建。

19、优选的，所述大数据反哺模块包括根据实时收集的单一用户数据反馈，输出单一用户所在用户群的模拟和预测。

20、优选的，解决所述数据重复计算公式为；

21、 ；

22、式中，rt表示重复数据的重复率，r表示重复数据的删除率，s表示无重复数据的初步优化结果，t表示删除公式的参数；

23、解决所述数据漏采的公式如下：

24、；

25、式中，gi表示电力用户某时刻的用电负荷；

26、vj表示电力用户某时刻的用电数据权重；

27、当满足时，用电数据负荷曲线不再发生改变，即冗余数据中的漏采问题得到解决。

28、优选的，所述用户画像构建方法如下：

29、用电数据随电力用户日常活动的差异变化而发生动态改变，在这种持续且无规律的动态改变趋势下，需要考虑用户的负荷数据流，并以此为基础，利用kfs方法提取电力用户用电数据的特征；

30、使用基于k-means数据特征提取框架流程包括数据流的整合、候选数据集的构造、特征聚类、特征选择、特征提取、最优特征子集输出。

31、优选的，所述电力预测模块基于处理好的用户用电数据流的电力用户用电特征进行预测包括：

32、通过 k-means 聚类算法输出的电力预测结果，通过高斯运算进行验证，k-means聚类算法的表达式如下：

33、；

34、式中，p表示聚类常数；c∈[0,1]表示电力预测范围；β表示优化后的用电数据聚类中心；

35、高斯运算的表达式如下：；

36、式中，f (vc)表示高斯运算的定位区间；表示高斯运算常数；

37、对比k-means聚类结果和高斯运算结果，若二者一致，则表示用电数据电力预测属实。

38、优选的，所述优化模块用于修改模型的结构，以满足优化目标，其优化方法为梯度下降法，其中公式如下:

39、θ =θ -α*δj(θ)；

40、其中，θ表示模型的参数;

41、α是学习率，控制每次迭代的步长，即更新参数的幅度；

42、δj(θ)表示损失函数j(θ)对参数θ的梯度，是目标函数在当前参数点的导数；

43、批量梯度公式为：

44、δj(θ)=；

45、其中，m是训练样本的数量，xi是第i个训练样本的特征向量，yi是对应的真实标签，hθ(xi)是模型对xi的预测值。

46、本发明至少具备以下有益效果：

47、通过收集到的电力大数据，分析用户画像，学习其中的规律，结合特征工程生成合成数据，通过大数据反哺模块向外输出电力系统的电力预测数据，为支持人工管理和决策，提供参考依据，并通过评估预测数据的误差，进行优化和修正，以提高预测准确性。

技术特征：

1.基于流批一体化处理电力大数据的用户用电模型构建方法，包括电力数据收集模块（1）、电力用户大数据画像分析模块（2）、特征工程模块（3）、大数据反哺模块（4）、电力预测模块（5）、优化模块（6），其特征在于，

2.根据权利要求1所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：所述构件步骤如下：

3.根据权利要求1所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：所述电力用户大数据画像分析模块（2）清洗的冗余数据类型包括数据重复、数据漏采。

4.根据权利要求1所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：所述电力用户大数据画像分析模块（2）形成的用户画像包括单一用户画像、用户群画像、用户画像的静态标签及动态标签的构建。

5.根据权利要求1所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：所述特征工程提取包括时间特征、气候特征、法定假日特征、用户基本信息特征。

6.根据权利要求1所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：所述大数据反哺模块（4）包括根据实时收集的单一用户数据反馈，输出单一用户所在用户群的模拟和预测。

7.根据权利要求4所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：解决所述数据重复计算公式为；

8.根据权利要求1所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：所述用户画像构建方法如下：

9.根据权利要求1所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：所述电力预测模块（5）基于处理好的用户用电数据流的电力用户用电特征进行预测包括：

10.根据权利要求1所述的基于流批一体化处理电力大数据的用户用电模型构建方法，其特征在于：所述优化模块（6）用于修改模型的结构，以满足优化目标，其优化方法为梯度下降法，其中公式如下:

技术总结本发明涉及电网大数据技术领域，具体为基于流批一体化处理电力大数据的用户用电模型构建方法，包括电力数据收集模块、电力用户大数据画像分析模块、特征工程模块、大数据反哺模块、电力预测模块、优化模块，电力数据收集模块用于电力用户再电力系统中的用电相关数据的实时收集。本发明通过收集到的电力大数据，分析用户画像，学习其中的规律，结合特征工程生成合成数据，通过大数据反哺模块向外输出电力系统的电力预测数据，为支持人工管理和决策，提供参考依据，并通过评估预测数据的误差，进行优化和修正，以提高预测准确性。技术研发人员：罗坤,彭谦,鄂驰,李彬,刘小康,张尚军,李思源,徐滢,胡潇,邓燕楠受保护的技术使用者：国网江西省电力有限公司信息通信分公司技术研发日：技术公布日：2024/11/14