一种基于配电网一张图的用电行为分析方法与流程

1.本发明实施例涉及智能电网技术领域，尤其涉及一种基于配电网一张图的用电行为分析方法。


背景技术：

2.近年来，面对智能用电领域强劲增长的电力需求，对用户的用电数据进行分析和预测是一项重要的工作。
3.传统的用户用电数据分析方法中采用的用电数据没有针对性，导致运算量大、分析效率低等问题；传统的用户用电数据分析方法大多采用日功率数据所形成的曲线对用户的用电量进行分析和预测，但日用电曲线并不能很好的反映用户的整体用电规律，导致分析不准确，预测准确率较低，不能很好的反映用户的用电习惯。


技术实现要素：

4.本发明提供了一种基于配电网一张图的用电行为分析方法，针对通过一个县域的电网一张图得到用电数据进行分析，以解决现有技术中采用的用电数据没有针对性的缺陷；通过对不同类别的用电曲线构建对应的目标预测模型，解决现有技术中通过一个预测模型对用电量进行预测时，预测准确性较低导致的用电行为分析不准确的问题。
5.根据本发明的一方面，提供了一种基于配电网一张图的用电行为分析方法，包括：
6.通过一个县域的配用电网一张图获取多个用户在多个月内的用电数据；
7.通过预设的聚类算法对所述用电数据进行聚类分析，得到多个不同类别的用电曲线，一个用电曲线由一类用电数据构成；
8.针对每种类别的用电曲线，确定对应的目标预测模型；
9.根据所述目标预测模型，对目标用户的所属类别的用电数据进行预测，得到所述目标用户的月度用电数据预测结果，以根据所述预测结果确定所述目标用户的用电行为。
10.根据本发明的另一方面，提供了一种基于配电网一张图的用电行为分析装置，包括：
11.获取模块，用于通过一个县域的配用电网一张图获取多个用户在多个月内的用电数据；
12.聚类模块，用于通过预设的聚类算法对所述用电数据进行聚类分析，得到多个不同类别的用电曲线，一个用电曲线由一类用电数据构成；
13.确定模块，用于针对每种类别的用电曲线，确定对应的目标预测模型；
14.分析模块，用于根据所述目标预测模型，对目标用户在所属类别的用电数据进行预测，得到所述目标用户的月度用电数据预测结果，以根据所述预测结果确定所述目标用户的用电行为。
15.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：至少一个处理器；以及
16.与所述至少一个处理器通信连接的存储器；其中，
17.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的用电数据分析方法。
18.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机
19.可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的用电数据分析方法。
20.本发明实施例的技术方案，通过对不同类别的用电曲线构建对应的目标预测模型，解决现有技术中通过一个预测模型对用电量进行分析预测时预测准确性较低的问题，取到了提高预测准确率的有益效果。
21.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
22.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1为本发明实施例一所提供的一种基于配电网一张图的用电行为分析方法的流程示意图；
24.图2为本发明实施例二所提供的一种基于配电网一张图的用电行为分析方法的示例流程图；
25.图3为本发明实施例二所提供的不同聚类个数对应的聚类效果对比图；
26.图4a为本发明实施例二所提供的第一类用电数据曲线的示意图；
27.图4b为本发明实施例二所提供的第二类用电数据曲线的示意图；
28.图4c为本发明实施例二所提供的第三类用电数据曲线的示意图；
29.图4d为本发明实施例二所提供的第四类用电数据曲线的示意图；
30.图4e为本发明实施例二所提供的第五类用电数据曲线的示意图；
31.图4f为本发明实施例二所提供的第六类用电数据曲线的示意图；
32.图5为本发明实施例三所提供的一种基于配电网一张图的用电行为分析装置的结构示意图；
33.图6为本发明实施例的基于配电网一张图的用电行为分析方法的电子设备的结构示意图。
具体实施方式
34.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范
围。应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
35.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
36.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
37.需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
38.本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
39.实施例一
40.图1为本发明实施例一所提供的一种基于配电网一张图的用电行为分析方法的流程示意图，该方法可适用于对用户月度用电行为进行分析的情况，该方法可以由基于配电网一张图的用电行为分析装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：计算机设备。
41.如图1所示，本发明实施例一提供的一种基于配电网一张图的用电行为分析方法，包括如下步骤：
42.s110、通过一个县域的配用电网一张图获取多个用户在多个月内的用电数据。
43.其中，一个县域的配用电网一张图是针对县域配电公司的数据特点，通过县域配用电网图模一体化技术的拓扑模型与导入实际运行模拟数据的耦合，使用县域配用电系统各业务部门的网络结构数据和运行数据构建得到。
44.需要说明的是，本实施例中的用户的用电数据是由用户授权后获取的。其中，用户可以为个体用户，也可以将一个公司、一个工厂作为一个用户。
45.其中，多个月的具体个数此处不做具体限制，可以任意设定，示例性的们可以获取每个用户在33个月内的用电数据，每个月的用电数据可以是多个类别的用电数据。
46.在本实施例中，通过一个县域的配用电网一张图可以获取原始用电数据，对原始用电数据进行预处理后可以得到用电数据。
47.具体的，所述通过一个县域的配用电网一张图获取多个用户在多个月内的用电数据，包括：通过一个县域的配用电网一张图获取多个用户在多个月内的原始用电数据；将所述原始用电数据进行数据清洗以及数据变换，得到多个用户在多个月内的用电数据。
48.在本实施例中，数据清洗可以包括去除空值、去除零值以及去除异常值等操作。其
中，空值表示该字段由于机器故障或人工失误而导致的数据未获取或数据未录入，对于有空值的用户采用删除记录的方式进行处理；零值表示用户在该字段对应的月份没有用电量，对于涉及到零值的用电用户也采取删除记录的方式进行处理；异常值为根据实际业务判定小于0的数值，采取平均数填充的方法处理异常值，即使用该异常值前后各5条数据的平均数代替该异常值。
49.在本实施例中，由于不同的用电用户数据中不同特征的量纲不一致，数值间的差别也很大，因此需要对数据进行数据变换操作。本实施例所提供的数据变换操作主要是数据归一化变换，将数据映射到[0,1]之间，保证数值量纲的同一，具体计算公式如下：
[0050][0051]
其中，x
max
表示所有时刻的最大样本值，x
min
表示所有时刻的最小样本值，x表示原样本值，x
new
表示归一化后的数值。
[0052]
在本实施例中，通过上述操作后得到的多个用户在多个月内的用电数据为x＝(x1,x2,
…
,xn)，其中，n表示用户数，x1是多维度的向量，表示第一个用户在多个月内的用电数据，一个维度表示一个月的用电数据。
[0053]
s120、通过预设的聚类算法对所述用电数据进行聚类分析，得到多个不同类别的用电曲线，一个用电曲线由一类用电数据构成。
[0054]
其中，预设的聚类算法可以为预先设置的任意一种能够进行聚类分析的算法，示例性的，预设的聚类算法可以为k-means算法。
[0055]
可以理解的是，使用k-means算法对用电数据进行聚类分析时，首先需要确定聚类个数，以根据聚类个数将用电数据聚类。
[0056]
在本实施例中，聚类个数可以由用户输入后直接获取。示例性的，在确定聚类个数后，通过k-means算法可以对用电数据进行聚类分析，得到多个不同类别的聚类簇，每个聚类簇中对应一个类别的用电数据，一个类别的用电数据可以构建一个类别的用电曲线。
[0057]
具体的，所述通过预设的聚类算法对所述用电数据进行聚类分析，得到多个不同类别的用电曲线，包括：获取用户输入的聚类个数，所述聚类个数根据不同聚类个数的聚类效果以及真实用电业务场景确定，所述不同聚类个数的聚类效果由对应的计算结果表征，一个计算结果由一个聚类个数对应的聚类结果确定，每个计算结果的确定方式相同；基于所述用户输入的聚类个数和预设的聚类算法对所述用电数据进行聚类分析，得到不同类别的用电曲线，所述不同类别的用电曲线的个数与所述用户输入的聚类个数相同。
[0058]
其中，多个计算结果可以基于不同聚类个数对应的聚类结果进行欧式距离计算后得到。
[0059]
具体的，所述一个计算结果的确定方式包括：根据一个聚类个数和所述预设的聚类算法对所述用电数据进行聚类分析，得到一个聚类个数个聚类簇作为聚类结果；在每个聚类簇中，确定每个聚类簇中的各样本点到聚类中心点的欧式距离总和；将每个聚类簇对应的欧式距离总和相加得到一个计算结果。
[0060]
在本实施例中，基于所述用户输入的聚类个数k和预设的聚类算法对所述用电数据进行聚类分析，得到不同类别的用电曲线的过程可以为：
[0061]
步骤1、从多个用户在多个月内的用电数据中随机选择k个用电数据作为初始的聚
类中心：a＝{a1,a2,
…ak
}；
[0062]
步骤2、对于多个用户在多个月内的用电数据中的每个用电数据，计算该用电数据到每个聚类中心的欧式距离，并将该用电数据分到计算欧式距离最小的聚类中心所对应的类中；
[0063]
步骤3、针对每个聚类簇，重新计算该簇的聚类中心，即计算该类中所有样本点的质心，计算公式为：其中，ci表示第i个聚类簇，x表示该聚类簇中的用电数据；
[0064]
步骤4、不断重复步骤2和步骤3，直到达到最大迭代次数，得到k个不同的聚类簇，每个聚类簇代表一个类别的用电曲线。
[0065]
s130、针对每种类别的用电曲线，确定对应的目标预测模型。
[0066]
其中，一种类别的用电曲线可以用于确定一个目标预测模型。目标预测模型可以为一种时间序列预测模型，目标预测模型可以由初始预测模型通过验证集进行优化后得到，其中，初始预测模型可以基于训练集构建得到。进一步的，所述针对每种类别的用电曲线，确定对应的目标预测模型，包括：针对每种类别的用电曲线构建对应的训练集以及验证集，一个训练集包含多个样本以及每个样本对应的标签，所述一个样本包括一个用户在连续预设数量个月的用电数据，所述标签为所述一个用户在所述连续预设数量个月的下一个月的用电数据；根据所述训练集和所述验证集确定对应的目标预测模型。
[0067]
在本实施例中，首先针对每种类别的用电曲线构建对应的样本集，再从对应的样本集中确定出对应的训练集和验证集。其中，构建一个样本集的方式可以为：从一个类别的用电曲线上获取每个用户多个月度的用电数据；基于预设的用电量预测规则对每个用户多个月度的用电数据进行拆分，构建出包含样本和标签的样本集，所述预设的用电量预测规则为用前连续预设数量个月的用电数据预测下一个月的用电数据。其中，从对应的样本集中确定出对应的训练集和验证集的方式可以为：按照预设的训练集和验证集的比例进行数据随机抽取，构建出训练集和验证集。
[0068]
进一步的，所述根据所述训练集和所述验证集确定对应的目标预测模型，包括：基于所述训练集以及一个时间递归神经网络模型得到初始预测模型；基于所述验证集对所述初始预测模型进行优化，得到目标预测模型。
[0069]
在本实施例中，首先构建一个时间递归神经网络模型lstm，并初始化模型参数。针对多个不同的用电类别，分别初始化不同的模型参数。
[0070]
在本实施例中，目标模型的确定过程可以包括以下步骤：
[0071]
步骤1、将训练集中的数据分批次输入到lstm模型中，分别经过lstm中的输入门、遗忘门和输出门，最后输入到全链接神经层得到初始预测模型的预测值。其中，各个门的计算公式如下：
[0072]ft
＝σ(wf·
[h
t-1
,x
t
] hf)
[0073]it
＝σ(wi·
[h
t-1
,x
t
] bi)
[0074][0075][0076]ot
＝σ(wo·
[h
t-1
,x
t
] bo)
[0077]
其中，f
t
,i
t
,o
t
分别表示遗忘门、输入门和输出门；wf,wi,wc,wo分别表示不同的权重；bf,bi,bc,bo分别表示不同的偏置项；表示当前时刻输入的单元状态；c
t
表示当前时刻单元状态；σ,tanh表示激活函数；h
t
表示当前时刻的隐含层状态，即当前时刻的输出状态，包含了与当前时刻的输入有关的所有信息。
[0078]
步骤2、根据步骤1计算得到的预测值与实际值即真实用电数据计算初始预测模型的模型误差；根据模型误差，使用梯度下降算法进行反向传播，更新初始预测模型的参数，在此过程中使用验证集进行模型验证，以便更加直观的对初始预测模型进行调优；
[0079]
步骤3、不断迭代上述步骤1和步骤2，直到达到最大迭代次数，将最后一次迭代后得到的模型作为目标预测模型。
[0080]
通过上述方式可以确定一个类别的用电曲线对应的目标预测模型，不同类别的用电曲线对应的目标预测模型的确定方式相同，可以通过上述方式确定出每个类别的用电曲线对应的目标预测模型。
[0081]
s140、根据所述目标预测模型，对目标用户的所属类别的用电数据进行预测，得到所述目标用户的月度用电数据预测结果，以根据所述预测结果确定所述目标用户的用电行为。
[0082]
其中，目标用户可以理解为需要对月度用电数据进行预测的用户。
[0083]
在本实施例中，每个目标预测模型具有其所属的类别，可以理解为将目标用户的不同类别的用电数据输入到对应的目标预测模型中可以得到该目标用户的月度用电数据预测结果。
[0084]
在得到目标用户的月度用电数据预测结果后，可以进一步根据目标用户的月度用电数据预测结果确定目标用户的用电行为。
[0085]
本发明实施例一提供的一种基于配电网一张图的用电行为分析方法，首先通过一个县域的配用电网一张图获取多个用户在多个月内的用电数据；然后通过预设的聚类算法对所述用电数据进行聚类分析，得到多个不同类别的用电曲线，一个用电曲线由一类用电数据构成；之后针对每种类别的用电曲线，确定对应的目标预测模型；最终根据所述目标预测模型，对目标用户在所属类别的用电数据进行预测，得到所述目标用户的月度用电数据预测结果，以根据所述预测结果确定所述目标用户的用电行为。上述方法针对通过一个县域的电网一张图得到的用电数据进行分析，以解决现有技术中采用的用电数据没有针对性的缺陷；通过对不同类别的用电曲线构建对应的目标预测模型，解决现有技术中通过一个预测模型对用电量进行预测时预测准确性较低导致的用电行为分析不准确的问题。
[0086]
实施例二
[0087]
本发明实施例二在上述各实施例的技术方案的基础上，提供了一种具体的实施方式。
[0088]
示例性的，图2为本发明实施例二所提供的一种基于配电网一张图的用电行为分析方法的示例流程图，如图2所示，包括如下流程：获取原始用电数据；将原始用电数据进行清洗、去噪和归一化处理；使用k-means算法进行聚类分析，将处理后的用电数据聚类成6类数据；针对不同类别的用电数据构建对应的lstm预测模型；根据lstm预测模型对所属类别的用电数据进行预测，得到预测结果，以根据所述预测结果确定所述目标用户的用电行为。
[0089]
其中，原始数据主要来源于县域“配用电网一张图”，数据接入主要是将各类用电
数据从“配电网一张图”导入数据分析域存储系统，以备计算、分析的过程。示例性的，接入的主要数据包括：机构id、用户id、用户编号、用户名称、用户2019年1月至2021年9月的月度用电数据。上述数据来自某地市真实用电数据，共计6626条。
[0090]
表1为本发明实施例二提供的原始数据样例表，表1包括了4个用户在不同月份的用电数据。
[0091]
表1原始数据样例表
[0092][0093][0094]
在本实施例中，由于使用k-means算法进行聚类分析时需要知道聚类个数，聚类个数是由用户根据真实业务场景以及不同聚类个数对应的聚类效果确定后输入到电子设备中。
[0095]
其中，不同聚类个数对应的聚类效果由计算结果表征，计算结果的计算方式为：选择聚类个数从1到13分别通过k-means算法进行聚类分析，聚类分析结束后，计算各聚类簇中的各个点到聚类中心点的欧式距离的总和，对比不同聚类个数对应的欧式距离总和。图3为本发明实施例二所提供的不同聚类个数对应的聚类效果对比图，如图3所示，横坐标为聚类数量即聚类个数，从1-13，纵坐标为簇中个点至中心点之和即计算结果，用于表征聚类效果，计算结果数值越小表征聚类效果越好。
[0096]
在本示例实施例中，聚类个数最终确定为6，将不同用户的用电数据分为6类，如表2-表7所示。
[0097]
表2第1类用户用电数据
[0098][0099]
表3第2类用户用电数据
[0100][0101]
表4第3类用户用电数据
[0102][0103]
表5第4类用户用电数据
[0104][0105]
表6第5类用户用电数据
[0106][0107]
表7第6类用户用电数据
[0108][0109]
表8为本发明实施例二所提供的各类别用电数据量统计表，如表8所示。有579个用电数据属于类别1；667个用电数据属于类别2；975个用电数据属于类别3；764个用电数据属于类别4；696个用电数据属于类别5；837个用电数据属于类别6。
[0110]
进一步的，选择各类别的聚类中心并进行用电曲线绘图，图4a为本发明实施例二所提供的第一类用电数据曲线的示意图；图4b为本发明实施例二所提供的第二类用电数据曲线的示意图；图4c为本发明实施例二所提供的第三类用电数据曲线的示意图；图4d为本发明实施例二所提供的第四类用电数据曲线的示意图；图4e为本发明实施例二所提供的第五类用电数据曲线的示意图；图4f为本发明实施例二所提供的第六类用电数据曲线的示意图。如4a到图4f所示，6类不同的用电数据曲线分别有各自的分布趋势。因此，分别对6类不同的用电数据曲线建立时间序列预测模型，从而更好的进行用户的用电量预测。
[0111]
进一步的，基于不同类别的用电曲线中的用电数据构建数据集。表9为本发明实施
例二所提供的类别1对应的样本集数据表，如表9所示，x为前12个月的用电数据，y为后1个月的用电数据。
[0112]
表9类别1对应的样本集数据表
[0113][0114]
基于构建好的样本集，采用训练集：验证集：测试集＝7:1.5:1.5的比例进行数据随机抽取，最终构建出模型所需的训练集、验证集以及测试集。
[0115]
在本实施例中，使用lstm构建时间序列模型，表10为本发明实施例二所提供的模型相关参数表。
[0116]
表10模型相关参数表
[0117][0118]
在本实施例中，采用深度学习框架pytorch进行神经网络模型的搭建与训练，采用的梯度下降算法为批梯度下降，优化机制为adam优化算法。模型训练过程中使用验证集验证并调整优化模型。模型训练结束后，采用测试集进行模型测试。
[0119]
对于模型测试效果，本发明采取均方误差mse、平均绝对误差mae、绝对系数r2作为评价指标进行模型效果评价。对比“不聚类直接使用lstm预测用电量”和“聚类并聚为6类用电类别后再使用lstm进行用电量预测”两种方式得到的预测效果。表11为本发明实施例二所提供的两种方式对应的模型预测效果对比表，由表11可知，先对原始数据进行聚类后，再进行用电量预测效果会更好。
[0120]
表11两种方式对应的模型预测效果对比表
[0121][0122]
表12为类别2至类别6的相关评价指标对比表，根据表12中的数据可以对比每个类别的用电数据对应的预测模型的预测效果。
[0123]
表12类别2至类别6的相关评价指标对比表
[0124][0125]
本发明实施例二提供的一种用电数据分析方法，基于“配用电网一张图”的用户用电行为智能分析方法充分发挥配用电系统大数据在提升配电网安全经济运行水平、提升客户服务水平、优化消纳清洁能源等方面的重要应用，同时，为配用电市场化运行和综合能源系统建设奠定基础；采用聚类算法分析用户用电规律，不仅可以依据不同的用点规律划分用户类型，还可以与实际用户匹配展开用电特性分析。此外，还可以避免由于原始数据存在噪声数据而引起的模型效果不理想问题；利用深度学习、数据挖掘等技术建立用户用电预测分析模型，预测未来时段的用电量，方便电力部门科学有效的管理电能供需量，从而减少电能浪费。
[0126]
实施例三
[0127]
图5为本发明实施例三所提供的一种基于配电网一张图的用电行为分析方法的结构示意图，该装置可适用于对用户的月度用电行为进行分析的情况，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上。
[0128]
如图5所示，该装置包括：获取模块110、聚类模块120、确定模块130以及分析模块140。
[0129]
获取模块110，用于通过一个县域的配用电网一张图获取多个用户在多个月内的用电数据；
[0130]
聚类模块120，用于通过预设的聚类算法对所述用电数据进行聚类分析，得到多个不同类别的用电曲线，一个用电曲线由一类用电数据构成；
[0131]
确定模块130，用于针对每种类别的用电曲线，确定对应的目标预测模型；
[0132]
分析模块140，用于根据所述目标预测模型，对目标用户的所属类别的用电数据进行预测，得到所述目标用户的月度用电数据预测结果，以根据所述预测结果得到所述目标用户的用电行为。
[0133]
在本实施例中，该装置首先通过获取模块110通过一个县域的配用电网一张图获取多个用户在多个月内的用电数据；然后通过聚类模块120通过预设的聚类算法对所述用电数据进行聚类分析，得到多个不同类别的用电曲线，一个用电曲线由一类用电数据构成；
之后通过确定模块130针对每种类别的用电曲线，确定对应的目标预测模型；最后通过分析模块140根据所述目标预测模型，对目标用户的所属类别的用电数据进行预测，得到所述目标用户的月度用电数据预测结果，以根据所述预测结果得到所述目标用户的用电行为。
[0134]
本实施例提供了一种用电数据分析装置，能够对用户的月度用电行为进行分析预测。
[0135]
进一步的，获取模块110具体用于：通过一个县域的配用电网一张图获取多个用户在多个月内的原始用电数据；将所述原始用电数据进行数据清洗以及数据变换，得到多个用户在多个月内的用电数据。
[0136]
进一步的，分析模块140具体用于：获取用户输入的聚类个数，所述聚类个数根据不同聚类个数的聚类效果以及真实用电业务场景确定，所述不同聚类个数的聚类效果由对应的计算结果表征，一个计算结果基于一个聚类个数对应的聚类结果确定，每个计算结果的确定方式相同；基于所述用户输入的聚类个数和预设的聚类算法对所述用电数据进行聚类分析，得到不同类别的用电曲线，所述不同类别的用电曲线的个数与所述用户输入的聚类个数相同。
[0137]
进一步的，所述一个计算结果的确定方式包括：根据一个聚类个数和所述预设的聚类算法对所述用电数据进行聚类分析，得到一个聚类个数个聚类簇作为聚类结果；在每个聚类簇中，确定每个聚类簇中的各样本点到聚类中心点的欧式距离总和；将每个聚类簇对应的欧式距离总和相加得到一个计算结果。
[0138]
进一步的，确定模块130具体用于：针对每种类别的用电曲线构建对应的训练集以及验证集，一个训练集包含多个样本以及每个样本对应的标签，所述一个样本包括一个类别的用电曲线中一个用户在连续预设数量个月的用电数据，所述标签为所述一个类别的用电曲线中的一个用户在所述连续预设数量个月的下一个月的用电数据；根据所述训练集和所述验证集确定对应的目标预测模型。进一步的，所述根据所述训练集和所述验证集确定对应的目标预测模型，包括：基于所述训练集以及一个时间递归神经网络模型得到初始预测模型；基于所述验证集对所述初始预测模型进行优化，得到目标预测模型。
[0139]
上述用电数据分析装置可执行本发明任意实施例所提供的用电数据分析方法，具备执行方法相应的功能模块和有益效果。
[0140]
实施例四
[0141]
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0142]
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器
11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0143]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0144]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于配电网一张图的用电行为分析方法。
[0145]
在一些实施例中，基于配电网一张图的用电行为分析方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的基于配电网一张图的用电行为分析方法中的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于配电网一张图的用电行为分析方法。
[0146]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0147]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0148]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0149]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子
设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0150]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0151]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0152]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0153]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。