一种使用台区数据描绘社会组织电力消费的方法

摘要

本发明公开了一种使用台区数据描绘社会组织电力消费的方法，具体包括以下步骤：步骤1，电力消费用户统计；步骤2，村落类型确定：步骤3，模型训练生成；步骤4，离散化处理；步骤5，训练、校正和预测处理分析。本发明能够实现准确程度高且数据精细的电网负荷电力消费预测。

说明书

技术领域

本发明涉及一种用于电力消费技术领域的使用台区数据描绘社会组织电力消费的方法。

背景技术

当前电网的发展正在向高质量转型，电网精益化管理是建设高质量电网的客观需要，其中，通过加强农村(村落)电力基础设施建设，提升农村电网供电可靠性、供电能力和服务水平，是实现农村电网改造升级的重要举措。

随着新型城镇化进程的推进，农村人口结构、流向、村级规划正在发生显著变化与此同时，由于发展定位的差异，农村种植结构及灌溉模式也在不断调整，这些因素都对村落电网的电力负荷带来不同程度的影响。现有的电网分析和预测方式主要针对城市电网，对于不同类型的农村电力能源消费的准确程度有待提高，并且现有的电力消费异常数据检测系统的功能较为分散和不完整，对于数据的处理不够精细，未能形成一个整体的系统结构，在异常数据检测流程和检测效率方面有所欠缺。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种使用台区数据描绘社会组织电力消费的方法，能够实现准确程度高且数据精细的电网负荷电力消费预测。

实现上述目的的一种技术方案是：一种使用台区数据描绘社会组织电力消费的方法，包括以下步骤：

步骤1，电力消费用户统计：对外部传输的电力数据进行筛选，得到n个居民t小时内的电力消费数据，获取电力能源消费相关数据，基于村落发展特征对应的电力负荷预测元变量，获取村落发展度以及电力消费潜力，拟合村落发展度以及电力消费潜力，得到电力消费潜力曲线；

步骤2，村落类型确定：依据电力消费潜力曲线的上拐点、下拐点以及村落发展度，确定该村落的村落类型，包括提取用电特征，进行归一化处理，通过主成分分析法进行降维；

步骤3，模型训练生成：利用约束种子k均值算法，结合家庭信息数据，对用户用电数据训练集进行半监督聚类分析，构造出不同类型用户的用电数据模型，基于用电数据模型实现预测电力能源消费，依次从K份数据选取1份目标数据作为第一测试数据，除所述目标数据之外的K-1份数据作为第一训练数据，进行K次模型训练获得K个模型；

步骤4，离散化处理：对村落发展特征对应的电力负荷预测元变量包含的负荷预测元变量数据集进行离散化处理，得到村落发展特征的离散化取值；基于村落发展特征的离散化取值，获取村落发展度以及村落电力消费潜力；

步骤5，训练、校正和预测处理分析：利用所述第一训练数据通过模型训练生成第一模型，在K份数据中选取除第一测试数据以外的数据作为第二数据，确定第二测试数据，将第二测试数据导入第一模型，以通过模型训练校正第一模型得到第二模型，基于所述第二模型预测电力能源消费。

进一步的，步骤1中采用数据采集模块，用于采集电力负荷预测数据，对采集的电力负荷预测数据进行粒度细化，得到电力负荷预测元变量，对得到的电力负荷预测元变量进行因子分析，得到村落发展特征。

进一步的，步骤4中对村落发展特征对应的电力负荷预测元变量进行离散化处理，得到村落发展特征的离散化取值，包括针对每一村落发展特征，以该村落发展特征对应的电力负荷预测元变量包含的负荷预测元变量数据集的取值为数据点，得到该村落发展特征的数据集；设置偏向参数以及预设条件，初始化数据集的相似度矩阵、吸引度矩阵、归属度矩阵；对初始化的吸引度矩阵和归属度矩阵进行迭代更新，直到迭代更新得到的聚类中心满足预设条件，得到初选聚类中心；计算初选聚类中心中，数据点对应的吸引度矩阵的吸引度和归属度矩阵的归属度的和值，获取和值大于零的数据点，得到终选聚类中心。

进一步的，步骤4中的依据各村落发展特征的离散化取值，构建村落发展度评价矩阵；对村落发展度评价矩阵进行标准化处理；依据标准化处理的村落发展度评价矩阵，获取村落发展特征对应的村落发展特征权重；基于村落发展特征权重以及标准化处理后的村落发展度评价矩阵，构建加权标准评价矩阵；依据加权标准评价矩阵，确定空心型村落以及中心型村落；基于空心型村落以及中心型村落，获取加权标准评价矩阵中各村落对应的村落发展度。

进一步的，步骤3中选取一份数据作为第二数据并分为F份，其中，F为大于1的整数；依次从所述F份数据选取1份目标数据作为第二测试数据，除所述目标数据之外的F-1份数据作为第二训练数据，通过F次依次将每1份所述第二训练数据导入所述第一模型，进行模型训练和参数调节。

进一步的，步骤5中采用训练模块，利用特征工程提取所述第一测试数据中包括的特征，并基于所提取的特征进行模型训练生成所述第一模型。

本发明的一种使用台区数据描绘社会组织电力消费的方法，能够实现准确程度高且数据精细的电网负荷电力消费预测。

具体实施方式

为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：

一种使用台区数据描绘社会组织电力消费的方法，其特征在于，包括以下步骤：

步骤1，电力消费用户统计：对外部传输的电力数据进行筛选，得到n个居民t小时内的电力消费数据；获取电力能源消费相关数据，基于村落发展特征对应的电力负荷预测元变量，获取村落发展度以及电力消费潜力，拟合村落发展度以及电力消费潜力，得到电力消费潜力曲线；

步骤2，村落类型确定：依据电力消费潜力曲线的上拐点、下拐点以及村落发展度，确定该村落的村落类型，包括提取用电特征，进行归一化处理，通过主成分分析法进行降维；

步骤3，模型训练生成：利用约束种子k均值算法，结合部分家庭信息数据，对用户用电数据训练集进行半监督聚类分析，构造出不同类型用户的用电数据模型，基于所述第二模型实现预测电力能源消费，依次从所述K份数据选取1份目标数据作为第一测试数据，除所述目标数据之外的K-1份数据作为第一训练数据，进行K次模型训练获得K个模型；

步骤4，离散化处理：对村落发展特征对应的电力负荷预测元变量包含的负荷预测元变量数据集进行离散化处理，得到村落发展特征的离散化取值；基于村落发展特征的离散化取值，获取村落发展度以及村落电力消费潜力；

步骤5，训练、校正和预测处理分析：用于利用所述第一数据通过模型训练生成第一模型，用于将所述第二数据导入所述第一模型，以通过模型训练校正所述第一模型得到第二模型，用于基于所述第二模型预测电力能源消费。

步骤1中采用数据采集模块，用于采集电力负荷预测数据，对采集的电力负荷预测数据进行粒度细化，得到电力负荷预测元变量，对得到的电力负荷预测元变量进行因子分析，得到村落发展特征；曲线生成模块，用于基于村落发展特征对应的电力负荷预测元变量，获取村落发展度以及电力消费潜力，拟合村落发展度以及电力消费潜力，得到电力消费潜力曲线；村落类型确定模块，用于依据电力消费潜力曲线的上拐点、下拐点以及村落发展度，确定该村落的村落类型。

对村落发展特征对应的电力负荷预测元变量进行离散化处理，得到村落发展特征的离散化取值，包括针对每一村落发展特征，以该村落发展特征对应的电力负荷预测元变量包含的负荷预测元变量数据集的取值为数据点，得到该村落发展特征的数据集；设置偏向参数以及预设条件，初始化数据集的相似度矩阵、吸引度矩阵、归属度矩阵；对初始化的吸引度矩阵和归属度矩阵进行迭代更新，直到迭代更新得到的聚类中心满足预设条件，得到初选聚类中心；计算初选聚类中心中，数据点对应的吸引度矩阵的吸引度和归属度矩阵的归属度的和值，获取和值大于零的数据点，得到终选聚类中心。

步骤4中依据各村落发展特征的离散化取值，构建村落发展度评价矩阵；对村落发展度评价矩阵进行标准化处理；依据标准化处理的村落发展度评价矩阵，获取村落发展特征对应的村落发展特征权重；基于村落发展特征权重以及标准化处理后的村落发展度评价矩阵，构建加权标准评价矩阵；依据加权标准评价矩阵，确定空心型村落以及中心型村落；基于空心型村落以及中心型村落，获取加权标准评价矩阵中各村落对应的村落发展度。

步骤3中选取一份数据作为第二数据并分为F份，其中，F为大于1的整数；依次从所述F份数据选取1份目标数据作为第二测试数据，除所述目标数据之外的F-1份数据作为第二训练数据，通过F次依次将每1份所述第二训练数据导入所述第一模型，进行模型训练和参数调节。

步骤5中的采用训练模块，利用特征工程提取所述第一数据中包括的特征，并基于所提取的特征进行模型训练生成所述第一模型，其中训练子模块，用于依次从所述K份数据选取1份目标数据作为第一测试数据，除所述目标数据之外的K-1份数据作为第一训练数据，进行K次模型训练获得K个模型；优化子模块，用于对所获得的所述K个模型进行优化获得第一模型。

步骤5中采用校正模块，包括第二划分子模块，用于将所述第二数据分为F份，其中，F为大于1的整数；导入子模块，用于依次从所述F份数据选取1份目标数据作为第二测试数据，除所述目标数据之外的F-1份数据作为第二训练数据，通过F次依次将每1份所述第二训练数据导入所述第一模型，进行模型训练和参数调节。

训练模块利用特征工程提取所述第一数据中包括的特征，并基于所提取的特征进行模型训练生成所述第一模型。

实施例一：采集电力负荷预测数据，对采集的电力负荷预测数据进行粒度细化，得到电力负荷预测元变量，对得到的电力负荷预测元变量进行因子分析，得到村落发展特征；本发明实施例中，通过采集各村落用于表征电力负荷的电力负荷预测数据，例如，人口总数、降水量、农村排灌面积、气温、电价，对采集的电力负荷预测数据进行粒度细化，得到电力负荷预测元变量。其中，电力负荷预测元变量用于详细描述或精确刻画电力负荷，是表征影响或反映电力负荷变化的基础或底层变量，可宏观展示影响村级电网的电力负荷需求的深层次影响因素。

实施例二：村级电网的电力负荷预测元变量包括20种参数，对应表1中的元变量V1-V20，其中，通过粒度细化得到的户籍人口、户籍人口变化率、常住人口、常住人口变化率以及常住人口/户籍人口，可以描述村落人口总体规模及其流向，间接反映外出务工及城镇化对村落人口数量的影响；年轻人口占比及老龄人口占比可以集中体现村落人口结构、村落发展的均衡程度和对电力消费的潜力，通过对年轻人口占比及老龄人口占比的分析，可以反映村落的空心化趋势，为根据相关政策落实对村级电网的投资提供决策辅助信息；耕地面积和农排机井数用以表征排灌用电量的总体规模；农作物种类、灌溉方式及水利政策等，可对用电需求进行更细致的刻画。

实施例三：将所获得的K个模型进行K次参数调节，然后利用相应的第一测试数据进行K次测试，并对测试结果进行评价，如果所获得的模型符合需求，则将所获得的模型作为根据第一数据获得的第一模型，否则，继续重复上述步骤，直至建立满足要求的第一模型为止,一般来说，误差是难以避免的，针对不同类型的问题，需要统计相应的误差，例如，针对分类问题，则需要统计分类错误的个数，如果针对回归问题，则需要统计均方误差。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。