的距离(ΚΧ，&)和(1(乂，(： 2)4三3，(：3为满足 1^奴(101(：1)，(1〇1(： 2))所对应的数据对象，并将(：3从高密度集合把〇611中删除；
[0073] (6)重复步骤(5)，直到产生个聚类中心为止，k为聚类数；
[0074]步骤3,根据样本集与聚类中心的最小距离来分配类簇，
[0075] Dist(xt，Ck( Iter)) =min{Dist(xt，C(j)( Iter) )，j = l，2,…，k}
[0076] 其中xt为第j的样本，CW(Iter)为第Iter次迭代的聚类中心；
[0077] 步骤4,计算误差准则函数
[0079] 其中xj/> e C&减，c(j > (11er)和n j分别是第11er次迭代中第j类的聚类中心和 该类的样本个数。
[0080] 步骤5,重复步骤3和步骤4,直到满足I J(Iter)-J(Iter-l) I <ξ停止；
[0081 ] 步骤6,利用组合聚类评价指标Davies-Bouldin Index(DBI)指标和得分评价指标 (SCORE指标），结合高密度阈值0_也对聚类结果进行评价，相应的公式如下：
[0083]
表示类间距离，Xl，m，Cl分别表示第i的数据对象，个数以及 对应的聚类中心;dij表示聚类中心Ci和Cj的欧式距离；
[0086]表示当前聚类结果中各个类簇内对象与类簇中心的最大距离之和的平均值，即聚 类平均半径；
[0088]表示当前聚类结果中各个类簇内所有对象与其余对象之间最小距离之和的平均 值，即聚类平均最小间距;特别地，当聚类数为1时，聚类平均最小间距为〇。
[0089]步骤7，选取最大得分评价指标值S0CRE所对应的k= 10为最佳聚类数，得到10类电 力用户典型用电轨迹；
[0090] 如图3所示为本发明的一种基于智能电网大数据的电价执行稽查方法H)DA算子在 某电网的应用流程图，包括以下步骤：
[0091] 步骤1，利用MDKC聚类算法构建每种电价类别的典型用电轨迹，形成典型用电轨迹 专家库；
[0092] 步骤2,计算待判定用户与其典型用电轨迹的Fr6chet距离，其计算公式如下
[0095]其中A，B为两条用电轨迹曲线；
[0096]步骤3,设置异常判别阈值fre_th = l，根据样本与典型轨迹的距离是否在允许范 围内，得出异常嫌疑客户；
[0097 ]步骤4，结合指标嫌疑系数阈值ab_rat i o_th = 1.5,确定用户异常名单；
[0098]步骤5,计算嫌疑异常用户与典型用电轨迹专家库中每种用电轨迹的欧式距离，距 离最小的典型用电轨迹即为嫌疑异常用户实际执行的电价类别。
[0099]步骤6,形成最终的电价执行异常用户名单。
[0100]本发明的一种基于智能电网大数据的电价执行稽查方法从MDKC算子的普通居民 聚类结果可以看出，该算子能够准确的区分电力用户，使得具有相似用电特征的用户归在 一起。
[0101]表1所示为一种基于智能电网大数据的电价执行稽查方法的异常用户稽查结果， 从表1可以看出，在距离阈值fre_th=l的情况下，稽查精度分别为90.99%，稽查结果是可 观的。
[0102]表1
[0104] 稽查准确率=(诊断结果中实际异常的用户数/实际异常的用户数）X 100%;
[0105] 稽查不匹配率=(嫌疑用户在异常库中没有出现的个数/诊断为嫌疑异常用户数） X100%〇
【主权项】
1. 一种基于智能电网大数据的电价执行稽查方法，其特征在于包括W下步骤： 1) 利用数据预处理模块对电力用户用电数据进行处理； 2) 利用聚类算法构建电力用户典型用电轨迹专家库； 3) 利用距离判别分析算法实现对电力用户电价执行稽查。2. 根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述 步骤1)中，数据预处理模块包括数据获取，数据缺失值处理，数据"去噪"处理； 数据缺失值处理采用Ξ次样条插值法，其利用的公式为：其中，电力用户用电特性曲线满足yi = S(Xi)，Mi为S(Xi)在X = Xi出的二阶导数，hi = X广 Xi-l为增量； 数据"去噪"处理采用高斯滤波对电力用户用电特性曲线进行曲线平滑处理，公式如 下：式中，i e [ 1，η ]，η为样本个数，0为样本方差。3. 根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述 步骤2)中，聚类算法构建电力用户典型用电轨迹专家库的具体步骤为： 21) 初始化最大聚类数kmaX，最大和最小的密度参数调整系数amax，amin，收敛判决ξ，初 始迭代标志Iter; 22) 计算每个样本点的密度参数值，其计算公式如下： Density(Pi, ε)=INei邑hbor(Pi, ε) 其中，P功样本点，1引1，11]，6为半径； 23) 根据步骤22)求出所有点的密度参数值，形成密度参数集合Den并按降幕排序，利用 高密度阔值D_th，取出其中的部分高密度参数点山〇611作为初始聚类中屯、的选择对象； 24) 在化Den中选取最大密度参数值所对应的数据对象作为第1个聚类中屯、Ci，并将Cl的 密度参数值从高密度集合Cl中删除； 25) 选取化Den中距离Cl最远的数据对象作为第2个聚类中屯、C2,并将C2所对应的密度参 数值从高密度集合化Den中删除； 26) 计算HiDen所对应的数据对象与Ci，C2的距离d(X，Ci)和d(X，C2)，XeS，C3为满足max ((1(乂1，&)，(1村1，〔2))所对应的数据对象，并将〔3从高密度集合化〇611中删除； 27) 重复步骤25 )，直到产生个聚类中屯、为止，k为聚类数； 28) 根据样本集与聚类中屯、的最小欧式距离来分配类簇，计算公式如下 Dist(xt,Ck(Ite;r))=min{Dist(xt,C(j)(Ite;r)), j = l ,2,…，k} 其中xt为第j的样本，cW(Iter)为第Iter次迭代的聚类中屯、； 29) 计算误差准则函数其中eC&汾份}，cW(iter)和η功作Ij是第Iter次迭代中第j类的聚类中屯、和该类的 样本个数； 30) 重复步骤23)和步骤24)，直到满足I jater)-J(Iter-l) I <ξ停止； 31) 利用组合聚类评价指标DBI和得分评价指标SCORE,结合高密度阔值0_*}1对聚类结 果进行评价，相应的公式如下：其中表示类间距离，xi，ru，ci分别表示第i的数据对象，个数W及对应 的聚类中屯、;di康示聚类中屯、Cl和C撕欧式距离；其中表示当前聚类结果中各个类簇内对象与类簇中屯、的最大距离之和的平均值，即聚类平 均半径；表示当前聚类结果中各个类簇内所有对象与其余对象之间最小距离之和的平均值，即 聚类平均最小间距;特别地，当聚类数为1时，聚类平均最小间距为0; 32) 选取最大得分评价指标值S0CRE所对应的k做为最佳聚类数，形成电力用户典型用 电轨迹。4.根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述 步骤3)中，电力用户电价执行稽查判别具体步骤如下： 41) 利用MDKC聚类算法构建每种电价类别的典型用电轨迹，形成典型用电轨迹专家库； 42) 计算待判定用户与其典型用电轨迹的化自Chet距离，其计算 公式如下：其中A，B为两条用电轨迹曲线； 43) 设置异常判别阔值fre_th，根据样本与典型轨迹的距离是否在允许范围内，得出异 常嫌疑客户； 44) 结合指标嫌疑系数阔值ab_r at i o_th，确定用户异常名单； 45) 计算嫌疑异常用户与典型用电轨迹专家库中每种用电轨迹的欧式距离，距离最小 的典型用电轨迹即为嫌疑异常用户实际执行的电价类别； 46) 形成最终的电价执行异常用户名单。5. 根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述 步骤 2)中，利用基于密度的改进 k-means 聚类(Modified Density K-means Clustering, MDKC)聚类算法构建电力用户典型用电轨迹专家库。6. 根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述 步骤3)中，利用基于Fr自chet距离判别分析（Fr自chet Distance Discriminant Analysis, F孤A)算法实现对电力用户电价执行稽查。7. 根据权利要求1所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述 数据获取通过提取计量营销系统中的数据。8. 根据权利要求7所述的基于智能电网大数据的电价执行稽查方法，其特征在于上述 数据获取通过S化语言提取ORACLE数据库。
【专利摘要】本发明是一种基于智能电网大数据的电价执行稽查方法。包括以下步骤：？1）利用数据预处理模块对电力用户用电数据进行处理；2）利用聚类算法构建电力用户典型用电轨迹专家库；3）利用距离判别分析算法实现对电力用户电价执行稽查。本发明聚类算法通过样本点的密度参数来确定初始聚类中心；利用组合聚类评价指标和得分评价指标相结合的方法来确定最佳聚类数，从而形成电力用户典型用电轨迹曲线；距离判别算法则是对新的电力用户进行电价执行稽查判别，通过计算电价异常嫌疑系数，确定最终的电价执行异常客户名单。本发明能够实现用电行为轨迹的智能分析和辨识；实现客户电价执行的远程在线诊断，提高营销稽查的针对性、准确性和时效性。
【IPC分类】G06Q10/06, G06Q50/06
【公开号】CN105574642
【申请号】CN201510756491
【发明人】彭显刚, 郑伟钦, 林利祥, 刘艺
【申请人】广东工业大学
【公开日】2016年5月11日
【申请日】2015年11月6日