本發(fā)明涉及用電行為識(shí)別領(lǐng)域，尤其是涉及一種計(jì)及多因素關(guān)聯(lián)的用戶(hù)用電模式識(shí)別方法、裝置及介質(zhì)。

背景技術(shù)：

1、隨著全球能源格局的轉(zhuǎn)變和可再生能源比重的提升，儲(chǔ)能技術(shù)在現(xiàn)代電力系統(tǒng)中逐漸成為關(guān)鍵一環(huán)。儲(chǔ)能裝置不僅能平衡電力供應(yīng)波動(dòng)，還能通過(guò)削峰填谷優(yōu)化用戶(hù)的電力成本，尤其是在工商業(yè)領(lǐng)域。用戶(hù)可在低谷時(shí)充電、高峰時(shí)放電，從而顯著降低用電成本，提升效率。然而，儲(chǔ)能裝置的引入使得用電模式更加復(fù)雜，分析含儲(chǔ)能裝置用戶(hù)的用電行為成為電力調(diào)度優(yōu)化的重要問(wèn)題。

2、傳統(tǒng)用電模式分析方法多基于用戶(hù)歷史負(fù)荷數(shù)據(jù)，采用單一時(shí)間分辨率的靜態(tài)分析，主要關(guān)注用戶(hù)在不同時(shí)間段的用電規(guī)律。這種方法對(duì)常規(guī)用戶(hù)效果顯著，但在含儲(chǔ)能用戶(hù)場(chǎng)景下，難以應(yīng)對(duì)其復(fù)雜性。首先，儲(chǔ)能裝置的充放電行為使得用戶(hù)負(fù)荷曲線(xiàn)非線(xiàn)性變化，傳統(tǒng)模型難以準(zhǔn)確預(yù)測(cè)。其次，用戶(hù)行為不僅受電價(jià)波動(dòng)影響，還與天氣、溫度、濕度等外部氣象因素相關(guān)，而傳統(tǒng)方法往往忽視了這些因素。因此，目前對(duì)于用戶(hù)用電模式的識(shí)別精度較低。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了提供一種計(jì)及多因素關(guān)聯(lián)的用戶(hù)用電模式識(shí)別方法、裝置及介質(zhì)，提高識(shí)別精度。

2、本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：

3、一種計(jì)及多因素關(guān)聯(lián)的用戶(hù)用電模式識(shí)別方法，包括以下步驟：

4、s1，數(shù)據(jù)獲?。韩@取用電用戶(hù)在預(yù)設(shè)周期內(nèi)的歷史負(fù)荷數(shù)據(jù)以及該用戶(hù)所在區(qū)域?qū)?yīng)周期的歷史氣象數(shù)據(jù)，對(duì)所述歷史負(fù)荷數(shù)據(jù)和歷史氣象數(shù)據(jù)進(jìn)行預(yù)處理；

5、s2，數(shù)據(jù)集構(gòu)建：考慮用戶(hù)在不同季節(jié)存在尖、峰、平、谷的用電差異性，對(duì)每一日的歷史負(fù)荷數(shù)據(jù)及歷史氣象數(shù)據(jù)進(jìn)行不同時(shí)間分辨率下的處理，計(jì)算不同分辨率下歷史負(fù)荷數(shù)據(jù)和歷史氣象數(shù)據(jù)的平均值、峰谷值及方差，分別構(gòu)建不同分辨率下的負(fù)荷數(shù)據(jù)集和氣象數(shù)據(jù)集；

6、s3，粗粒度識(shí)別：基于負(fù)荷數(shù)據(jù)集構(gòu)建每一日的負(fù)荷曲線(xiàn)，使用自組織映射神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷曲線(xiàn)進(jìn)行粗聚類(lèi)，粗提取用戶(hù)的用電模式，并結(jié)合聚類(lèi)結(jié)果對(duì)用戶(hù)是否有儲(chǔ)能裝置進(jìn)行識(shí)別；

7、s4，關(guān)鍵因素選?。横槍?duì)不同分辨率下的負(fù)荷數(shù)據(jù)集和氣象數(shù)據(jù)集，通過(guò)pearson與spearman相關(guān)性分析計(jì)算氣象因素與負(fù)荷的關(guān)聯(lián)性，選取關(guān)鍵因素；

8、s5，細(xì)粒度識(shí)別：基于選取的關(guān)鍵因素，采用時(shí)間卷積網(wǎng)絡(luò)與金字塔注意力機(jī)制結(jié)合的方式對(duì)用戶(hù)的用電模式進(jìn)行細(xì)粒度分析，對(duì)不同時(shí)間分辨率下的用電模式進(jìn)行準(zhǔn)確識(shí)別。

9、所述預(yù)處理包括缺失值填補(bǔ)及異常值檢測(cè)與處理。

10、所述自組織映射神經(jīng)網(wǎng)絡(luò)執(zhí)行以下步驟：

11、數(shù)據(jù)初始化過(guò)程：在訓(xùn)練開(kāi)始前，自組織映射神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元被賦予隨機(jī)權(quán)重；

12、競(jìng)爭(zhēng)學(xué)習(xí)過(guò)程：每次從負(fù)荷曲線(xiàn)集中隨機(jī)選擇一個(gè)輸入樣本向量，將其輸入到網(wǎng)絡(luò)中，自組織映射神經(jīng)網(wǎng)絡(luò)通過(guò)計(jì)算輸入樣本與各神經(jīng)元權(quán)重的歐氏距離，找出距離最小的神經(jīng)元，記為獲勝神經(jīng)元；

13、協(xié)同學(xué)習(xí)過(guò)程：以獲勝神經(jīng)元為中心，定義一個(gè)優(yōu)勝鄰域范圍，選出其周?chē)纳窠?jīng)元，優(yōu)勝鄰域內(nèi)的神經(jīng)元同時(shí)更新權(quán)重，優(yōu)勝鄰域之外的神經(jīng)元不參與權(quán)重調(diào)整；

14、權(quán)重調(diào)整過(guò)程：更新獲勝神經(jīng)元及其優(yōu)勝鄰域內(nèi)的神經(jīng)元的權(quán)重；

15、不斷重復(fù)以上數(shù)據(jù)初始化、競(jìng)爭(zhēng)學(xué)習(xí)、協(xié)同學(xué)習(xí)和權(quán)重調(diào)整過(guò)程，每次使用一個(gè)新的樣本向量輸入自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到網(wǎng)絡(luò)達(dá)到收斂狀態(tài)。

16、所述權(quán)重調(diào)整的公式為：

17、wjk+1＝wjk+rk·gij·(xi-wj)

18、其中，rk為第k輪迭代的學(xué)習(xí)率，xi為隨機(jī)抽取的第i個(gè)樣本，wj為優(yōu)勝鄰域內(nèi)需要更新的第j個(gè)神經(jīng)元權(quán)重，gij為第i個(gè)樣本對(duì)應(yīng)的優(yōu)勝鄰域內(nèi)第j個(gè)神經(jīng)元的更新約束。

19、所述步驟s4中，基于步驟s2所獲取的負(fù)荷數(shù)據(jù)集和氣象數(shù)據(jù)集，提取用戶(hù)在不同分辨率下的一日用電特征矩陣及相應(yīng)氣象數(shù)據(jù)矩陣，基于person相關(guān)性系數(shù)計(jì)算不同氣象因素與負(fù)荷功率之間的相關(guān)性，根據(jù)相關(guān)性的計(jì)算結(jié)果，定義相似性相關(guān)程度為：

20、

21、其中，r為基于person相關(guān)性系數(shù)計(jì)算得到的相關(guān)性。

22、所述步驟s4中，基于步驟s2所獲取的負(fù)荷數(shù)據(jù)集和氣象數(shù)據(jù)集，提取用戶(hù)在不同分辨率下的一日用電特征矩陣及相應(yīng)氣象數(shù)據(jù)矩陣，基于spearman相關(guān)性系數(shù)計(jì)算氣象因素與負(fù)荷功率之間的單調(diào)性關(guān)系，定義單調(diào)性相關(guān)程度為：

23、

24、其中，rs為基于spearman相關(guān)性系數(shù)計(jì)算得到的單調(diào)性關(guān)系值。

25、所述步驟s4中，根據(jù)相似性相關(guān)程度和單調(diào)性相關(guān)程度的計(jì)算結(jié)果，篩選氣象數(shù)據(jù)中與負(fù)荷呈現(xiàn)中等及強(qiáng)相關(guān)的特征，作為關(guān)鍵因素。

26、所述步驟s5具體執(zhí)行以下步驟：

27、s51，將關(guān)鍵因素對(duì)應(yīng)的氣象數(shù)據(jù)和負(fù)荷數(shù)據(jù)作為輸入序列，輸入時(shí)間卷積網(wǎng)絡(luò)，通過(guò)因果卷積和擴(kuò)張卷積捕獲時(shí)間序列中的長(zhǎng)程依賴(lài)，提取輸入序列的長(zhǎng)時(shí)序特征；

28、s52，將時(shí)間卷積網(wǎng)絡(luò)的輸出輸入金字塔注意力機(jī)制進(jìn)行處理，通過(guò)不同尺度的特征圖捕獲全局上下文信息，其中，將時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的輸出使用滑動(dòng)窗口或?qū)哟位蓸觿澐譃槎鄠€(gè)子序列，每個(gè)子序列表示不同的時(shí)間尺度，在每個(gè)時(shí)間尺度上，應(yīng)用自注意力機(jī)制捕捉序列內(nèi)部的依賴(lài)關(guān)系，通過(guò)金字塔結(jié)構(gòu)將不同時(shí)間尺度上的自注意力的輸出進(jìn)行融合；

29、s53，采用拼接的方式將時(shí)間卷積網(wǎng)絡(luò)和金字塔注意力機(jī)制的輸出進(jìn)行融合，得到融合特征；

30、s54，將融合特征輸入分類(lèi)器中進(jìn)行用電模式的預(yù)測(cè)。

31、一種計(jì)及多因素關(guān)聯(lián)的用戶(hù)用電模式識(shí)別裝置，包括存儲(chǔ)器、處理器，以及存儲(chǔ)于所述存儲(chǔ)器中的程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上述所述的方法。

32、一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，所述程序被執(zhí)行時(shí)實(shí)現(xiàn)如上述所述的方法。

33、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

34、(1)針對(duì)負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)的處理問(wèn)題，本發(fā)明以工商業(yè)用電尖、峰、平、谷等時(shí)間段為向?qū)?，提供了一種多分辨率的數(shù)據(jù)處理方法，即對(duì)每一日96點(diǎn)負(fù)荷數(shù)據(jù)和每日24點(diǎn)氣象數(shù)據(jù)按夏季(7-9月)與冬季(1月、12月)的高峰時(shí)段、尖峰時(shí)段、平時(shí)段和低谷時(shí)段以及其他季節(jié)的高峰時(shí)段和平時(shí)段進(jìn)行處理，形成一日負(fù)荷數(shù)據(jù)的多種分辨率級(jí)別特征。這種方法以用電季節(jié)和時(shí)間特性為基礎(chǔ)，可增加數(shù)據(jù)集的豐富性，提高機(jī)器學(xué)習(xí)的效率。

35、(2)針對(duì)不同分辨率下的負(fù)荷數(shù)據(jù)集和氣象數(shù)據(jù)集，本發(fā)明從線(xiàn)性和非線(xiàn)性角度提供了一種更為全面的相關(guān)性分析模型。該模型首先使用pearson相關(guān)性分析方法來(lái)檢驗(yàn)氣象因素和負(fù)荷之間的線(xiàn)性關(guān)聯(lián)性。若這種關(guān)聯(lián)性不顯著，則進(jìn)一步使用spearman相關(guān)性分析法，從秩或等級(jí)等角度衡量氣象因素和負(fù)荷之間的單調(diào)關(guān)系。需要指出的是，本發(fā)明中所使用的相關(guān)性分析可以全面分析各類(lèi)氣象要素對(duì)負(fù)荷的影響，不僅可為關(guān)鍵氣象要素的提取提供依據(jù)，同時(shí)也有助于提供機(jī)器學(xué)習(xí)等算法的執(zhí)行時(shí)效。

36、(3)針對(duì)負(fù)荷數(shù)據(jù)的分析問(wèn)題，本發(fā)明從粗粒度和細(xì)粒度兩個(gè)視角出發(fā)，提供了一種較為全面的用電行為識(shí)別方法。該方法首先基于每一日的負(fù)荷曲線(xiàn)，通過(guò)自組織映射神經(jīng)網(wǎng)絡(luò)som對(duì)負(fù)荷數(shù)據(jù)進(jìn)行粗聚類(lèi)，結(jié)合負(fù)荷曲線(xiàn)的波動(dòng)和變化規(guī)律，實(shí)現(xiàn)對(duì)是否裝配儲(chǔ)能裝置進(jìn)行識(shí)別。接著，分析氣象等非電力因素對(duì)負(fù)荷的影響程度，并使用時(shí)序卷積網(wǎng)絡(luò)和金字塔注意力機(jī)制來(lái)捕獲負(fù)荷數(shù)據(jù)在時(shí)序方面所體現(xiàn)出的復(fù)雜性，進(jìn)而實(shí)現(xiàn)對(duì)用戶(hù)用電模式的細(xì)粒度分析。

37、(4)通過(guò)準(zhǔn)確的用戶(hù)模式識(shí)別，本發(fā)明不僅可以為電力系統(tǒng)運(yùn)營(yíng)商提供更精準(zhǔn)的負(fù)荷預(yù)測(cè)，還可為用戶(hù)提供優(yōu)化儲(chǔ)能設(shè)備的充放電策略，幫助合理分配儲(chǔ)能資源，提升儲(chǔ)能系統(tǒng)的運(yùn)行效率，進(jìn)而提升經(jīng)濟(jì)效益。