基于用户用电数据的情境感知系统技术领域
本发明涉及电力技术领域，特别是指一种基于用户用电数据的情境感知系统。
背景技术
国内外学者、企业在情景感知方面做了不少研究，但在电力行业方面的应用仍相
对空白。国内电网公司客户分类也进行了大量研究，主要通过新设备的应用及算法的优化
来实现新的客户分类。但相关研究均只是提出单一的新客户分类维度，并未基于用户行为
模式建立多维分类体系，而且新设备的应用无法及时获取用户用电信息，更无法帮助电网
公司更为准确地掌握用电客户差异化服务的业务需求，更不能为电网企业为客户提供个性
化及增值业务提供支撑。
因此，有必要设计一种新的基于用户用电数据的情境感知系统，以解决上述技术
问题。
发明内容
针对背景技术中存在的问题，本发明的目的是构建一个大数据分析平台，在此平
台上建立一套用户用电情境感知系统，根据业务需求，具有针对性的设计不同客户分类差
异化服务方案。
本发明的技术方案是这样实现的：一种基于用户用电数据的情境感知系统，包括
数据获取单元、建立情境感知模型与推理引擎单元、数据存储单元，其中，所述数据获取单
元设有数据采集模块、数据清理模块、数据预处理模块和用电行为数据聚类模块以及聚类
评价反馈模块；所述建立情境感知模型与推理引擎单元设有数据处理模块和模型建立模
块；所述数据采集模块设有传感器，传感器采用非入侵式方法获取用户用电数据；数据清理
模块用于检查用户用电数据是否正常，修改或删除错误数据；所述建立情境感知模型与推
理引擎单元包括情境信息模型、推理引擎、调用控制输出；所述数据存储单元用于保存系统
所有数据。
在上述技术方案中，所述用户用电数据的采集间隔时间为15min、30min或1h。
在上述技术方案中，所述用户用电数据包括客户信息数据、计费数据和支付数据。
在上述技术方案中，所述用户用电数据可按时间、地理区域和电压等级进行不同
的获取。
在上述技术方案中，所述用户用电数据聚类模块可采用基于划分的聚类算法、层
次聚类算法、基于密度的聚类算法、基于模型的聚类算法、模糊聚类算法、蚂蚁聚类算法、谱
聚类算法、高斯聚类算法。
在上述技术方案中，所述聚类评价反馈模块设有均方误差、均值适宜度、聚类离散
度、相似度矩阵、戴维-Bouldin指数、簇内平方和与簇间差异之比。
在上述技术方案中，所述数据处理模块包括数据初步整理、数据缺失值的处理和
数据属性归约。
在上述技术方案中，所述数据缺失值的处理包括忽略缺失值的字段、删除有缺失
值的记录以及使用均值。
本发明基于用户用电数据的情境感知系统，包括数据获取单元、建立情境感知模
型与推理引擎单元以及数据存储单元，数据获取单元设有数据采集模块、数据清理模块、数
据预处理模块和用电行为数据聚类模块以及聚类评价反馈模块；建立情景感知模型与推理
引擎单元设有数据处理模块和模型建立模块；数据采集模块设有传感器获取用户用电数
据，再通过数据清理模块、数据预处理模块和用电行为数据聚类模块以及聚类评价反馈模
块进行数据处理和对应的聚类，然后进行情境感知的模型数据化建立，理解用户用电行为，
提取用户电力模式，从而形成多维的用户客户分类体系，为供电局人员工作提供有效参考
数据。
附图说明
图1为本发明基于用户用电数据的情境感知系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本
发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实
施例，都属于本发明保护的范围。
如图1所示，本发明所述的一种基于用户用电数据的情境感知系统，包括数据获取
单元1、建立情境感知模型与推理引擎单元2以及数据存储单元3。
其中，数据获取单元1设有数据采集模块11、数据清理模块12、数据预处理模块13
和数据聚类模块14以及聚类评价反馈模块15；所述建立情景感知模型与推理引擎单元2设
有数据处理模块21和模型建立模块22，其包括情境信息模型、推理引擎、调用控制输出；所
述数据存储单元3用于保存系统所有数据信息。
所述数据采集模块11设有传感器4，传感器4采用非入侵式方法获取频谱数据，分
析获取出用户用电数据。在此，用户用电数据包括客户信息数据、计费数据和支付数据，而
用户用电数据的采集间隔时间为15min、30min或1h。且用户用电行为数据的初步选择可以
按时间(月，季，年)、地理区域和电压等级(高，中，低)等条件进行。此外，数据选择还与应用
目的有关。数据清理模块12用于检查每个用户的用户用电行为曲线数据是否正常，修改或
删除有明显错误(不完整、有噪声或不一致)的数据。
数据预处理模块13对数据进行初步的处理，具体的，由于用户的行业性质及用电
行为大小不同，用户用电行为数据值之间可能会存在巨大差异，有时甚至相差多个数量级，
不经处理聚类会影响聚类质量，使得聚类结果不可靠。因此在对数据进行聚类前必须对数
据集进行规范化，把样本数据限制到一定范围内。这样不仅便于数据的后续处理，还可以提
高收敛速度以缩短聚类的运行时间。
数据聚类模块14，用聚类算法对规范化后的用户用电行为曲线在给定聚类数下进
行聚类。聚类分析结果易受到多种因素的影响，如规范化方式、聚类结果对数据集的依赖
性、算法的稳定性、算法对数据输入顺序的敏感性等。用户用电行为曲线聚类首先要确定用
户用电行为特性指标、可选择合适的聚类算法和确定其相应的参数。
通常用聚类技术实现的主要方法可分为如下几类：
1)基于划分的算法。基于划分的聚类算法的基本思想为：给定一个含有m个对象的
数据集，划分方法将构建k个分组，每个分组就代表一个聚类簇。而且每个簇至少包括1个对
象，每个对象必须且仅属于1个簇。对于给定的数据集，算法首先根据给定的要构建划分的
数目创建一个初始的分组，然后采用一种迭代重定位的方法改变初始分组，使得每一次改
进以后的分组方案都较前一个好。系统结合了k-means、k-medoids等算法构建了电力用户
典型用电行为模型的聚类分析模型，提出了聚类评价新方法。基于蚁群优化的k-medoids综
合聚类算法克服了k-medoids算法易陷入局部最优的缺点，提高了聚类的准确率。通过实例
验证了该算法的可行性和有效性。利用k-means聚类提高用电行为预测和电力系统状态估
计结果的准确性。
2)层次聚类算法。层次方法根据层次的分解方式不同可以分为凝聚的或分裂的。
凝聚的方法为自底向上分解，首先将每个对象作为单独的一个组，然后合并相似的组，直到
所有的组合并成一个(或满足某个终止条件)。分裂的方法为自顶向下分解，首先将所有的
对象置于一个组中，在迭代的每一步中，一个组被分裂为更小的组，直到最终每个对象在单
独的一个组中(或满足某个终止条件)。层次聚类与模糊模型相结合的方法来确定典型用电
行为分布和用户类别。结果表明该模型具有克服在过程控制和操作中遇到的困难的能力。
采用层次聚类方法来确定电力用户的用电行为分类，并验证了所提方法的有效性。
3)基于密度的算法。基于密度的方法与大部分划分方法不同，它不是基于各种各
样的距离，而是基于密度。其主要思想是：只要临近区域的密度(对象或数据点的数目)超过
某个阈值，就继续聚类。该方法既可以过滤噪声数据，也可以发现任意形状的簇。组合分析
方法，该方法以密度聚类算法剔除单一用户异常用电数据，提取其典型用电行为模型，并通
过实验验证了该方法在进行用电行为模型提取时的有效性和可行性。利用密度聚类对居民
用户进行初步分类，最终确定居民阶梯分段电量和电价分档结构。
4)基于模型的算法。基于模型的方法通过优化给定的数据和某些数学模型之间的
拟合。主要包括统计学方法COBWEB、神经网络方法SOM(self-organization mapping net)。
改进的模糊自组织神经网络算法，该算法在峰谷时段采用加窗测量待测用电行为曲线和典
型用电行为曲线的偏差，并通过实验证明了该方法过滤异常和聚类的能力。
5)模糊聚类算法。传统聚类算法是一种硬划分，把每个待识别对象严格划分到每
个类中，划分界限是分明的。然而大多数对象实际上并没有严格的属性划分，其在形态和类
属方面存在着中间性。利用模糊理论来处理聚类问题的方法称为模糊聚类分析。模糊聚类
分析是对传统硬划分方法的一种改进，样本属于各个类别的隶属度表达了样本属性的中间
性。通过使用FCM和概率神经网络的分类方法得到典型用电行为曲线，为消费者和供应商提
供了有用的信息。
6)其他聚类算法。
近几年相关文献提出将蚂蚁聚类、谱聚类、高斯聚类等新方法应用到电力用电行
为模型的提取中，并取得了一定的成效。蚂蚁聚类算法，与其他常用算法(包括凝聚层次聚
类算法，k-means和遗传聚类算法)进行比较，结果显示蚂蚁算法明显优于其他，同时当规模
或聚类数目变大时表现更为稳定。高斯功能回归模型，该模型利用了高斯和混合模型的优
势，提高了预测的准确性。但需要解决响应曲线与协方差之间的聚类功能关系问题。
在实际应用方面，以k-means和FCM方法最为常用，它们原理简单，易实现，运行时
间较短且聚类准确度较高。需要注意的是每种聚类方法都具有不同的特点，在用来进行用
电行为模型提取或其他方面应用时没有一种聚类算法总是优于其他算法。其中有些算法被
频繁采用往往是因为其易操作或聚类效果较好。在实际应用中还需要根据数据类型的不同
选择合适的聚类算法以获得最佳聚类效果。此外，聚类结果受到提取过程中多环节多因素
的影响，在应用时应加以考虑，以确定适合问题解决的具体聚类算法。
聚类评价反馈模块15，对前述步骤中获得的聚类结果进行分析和评价。对于聚类
数目，可以依据用户涉及的电价类别或国民经济活动行业分类给定，这样便于分析找到电
价类别和行业类别与用户用电行为模式的对应关系以及用电行为曲线的用电行为模型分
布，也可确定每个客户的典型用户用电行为模式。
由于聚类是一种无监督的过程，数据集中的用电行为数据对象是未标记的，不能
直接获取有用的结构化知识信息。因此，评价聚类结果的质量和确定最佳聚类数是个困难
的任务。确定聚类个数最常用的方法是在给定不同的聚类数下分别执行聚类算法数次，然
后根据预定的准则函数选择最佳聚类数。预定的准则函数称为聚类有效性评价指标。当聚
类数和聚类算法的参数固定后，可以用聚类有效性评价指标来评估和验证用电行为聚类结
果。没有一个单一的聚类有效性评价指标可以处理任何数据集或比其他的处理结果更好。
目前主要有6个适宜性测度：均方误差(mean square error，MSE)、均值适宜度
(mean index adequacy，MIA)、聚类离散度(clustering dispersion indicator，CDI)、相
似度矩阵(similarity matrix indicator，SMI)、戴维-Bouldin指数(Davies-Bouldin
indicator，DBI)、簇内平方和与簇间差异之比(ratio of within cluster sum of
squares to between cluster variation，WCBCR)，但仅靠这些指标仍然无法完全确定聚
类算法的好坏和聚类数量是否合适。稳定性指标和优先性指标评价算法和选择聚类数，可
以与其他指标结合使用。采用CDI、SI(scatter index)、MIA等指标与聚类数曲线关系的“膝
点”来确定最佳聚类数，但这个“膝点”的确定有一定模糊性。聚类稳定性指标更容易为具体
应用目的确定最佳聚类数提供参考。
通过聚类结果评价和反馈后可确定合适的聚类数，实现依据用户用电行为模式的
用户分类并获得用户典型用电行为模型的对应分布。用户分类和用户用电行为模式提取的
最终目标是为了支持电力系统运营决策，优化运行，降低损耗，提高经济效益。
建立情景感知模型与推理引擎单元2的数据处理模块21和模型建立模块22对上述
聚类的数据进行处理后建模，其中，数据处理模块21包括数据初步整理、数据缺失值的处理
和数据属性归约，分别详细如下：
(1)数据初步整理
在数据探索之前需要获取用户的基本属性信息，从账单资料、缴费资料和呼叫
1000号资料中汇总生成用户行为数据，也就是说在数据准备的数据聚类、数据选择完成后
再进行数据探索，因此，这里的数据探索是在生成用户基本属性信息和行为信息，即数据准
备工作之后得到的样本数据上进行的。样本数据中包含经过对原始数据进行汇总统计后得
到的一些新变量。在对数据进行探索之前，我们还需要把连续型的数据离散化，从已有的多
个变量派生出有用的单个变量。
(2)数据缺失值的处理
数据缺失值是指数据集中无法知道、没有搜集或者错误录入的值。一般来说，对于
它们所属的字段，这些值是无效的。对于此类问题需要观察缺失值情况，考虑舍去后对预测
的结果是否有较大的影响。这里涉及到缺失值的处理问题，缺失值的处理方法有以下几种：
①忽略缺失值的字段，使该字段不用于建模，这主要适用于含有大量缺失值，并且
不是重要的字段。
②删除带有缺失值的记录，这主要适用于含有少量缺失值。
③用均值。
默认值代替缺失值或根据现有正确数据的分布比例导出缺失值，这对于含有较多
缺失值且重要的字段较有效果。
(3)数据属性归约
数据库中的数据往往都对应着大量的属性，但并不是每一个属性都是可用的，如
果将不相关的属性或关联性很小的属性用于建模之中，就可能降低知识发现过程的性能，
使得计算代价呈几何级的信数增加，或使之陷入混乱，为此需要进行属性规约。
进行数据属性规约后再通过模型建立模块22和建立情境感知模型与推理引擎。在
预测建模过程中，需要寻找客户消费行为的相关属性。在数据库中，需获取和采用的数据
有：客户信息数据、计费和支付数据及其它数据。
图形化的建模工具，可使用建模工具进行图形化建模，然后再由建模工具自动生
成标准化的情景模型，简化建模工程。实现一种与关系数据库相关联的推理引擎。从推理效
率改进和冲突解决两个方面对推理引擎进行近一步改进。
采用数据库相关的索引技术提高情景推理的速度，通过检测并解决情景冲突提高
推理结果的准确性。采用理论和实例相结合的方法来说明情景建模和推理方法。采用建模
工具进行实例建模，并对建模工具的可用性进行分析；采用对比实验的方式，从情景数据量
和情景模型复杂度两个方面对推理引擎进行评估。
本发明基于用户用电数据的情境感知系统，包括数据获取单元1、建立情境感知模
型与推理引擎单元2以及数据存储单元3，数据获取单元1设有数据采集模块11、数据清理模
块12、数据预处理模块13和用电行为数据聚类模块14以及聚类评价反馈模块15；建立情景
感知模型与推理引擎单元2设有数据处理模块21和模型建立模块22；数据采集模块11设有
传感器4获取用户用电数据，再通过数据清理模块12、数据预处理模块13和用电行为数据聚
类模块14以及聚类评价反馈模块15进行数据处理和对应的聚类，然后进行情境感知的模型
数据化建立，理解用户用电行为，提取用户电力模式，从而形成多维的用户客户分类体系，
为供电局人员工作提供有效参考数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精
神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。