[發(fā)明專利]大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210422686.4
• 申請(qǐng)日: 2012-10-30
• 公開（公告）號(hào): CN102930007A
• 公開（公告）日: 2013-02-13
• 發(fā)明（設(shè)計(jì)）人: 楊晶晶;齊志剛;杜旭;蕭展輝;金波;陳森利;吳福疆;范晟
• 申請(qǐng)（專利權(quán)）人: 廣東電網(wǎng)公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06Q50/06
• 代理公司: 廣州華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 王茹;曾旻輝

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)挖掘的技術(shù)領(lǐng)域，特別是涉及大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法。

背景技術(shù)

隨著社會(huì)經(jīng)濟(jì)與文化生活的不斷發(fā)展和進(jìn)步，城市對(duì)電力的依賴就像魚與水的關(guān)系，沒(méi)有了電力供應(yīng)，整個(gè)城市的交通、生產(chǎn)、生活就會(huì)陷入癱瘓，其破壞程度、造成的恐慌與巨大損失難以估計(jì)。今年來(lái)，國(guó)內(nèi)外相繼發(fā)生的大面積停電事故，給社會(huì)造成巨大的損失，如2012年的印度的“7.30大面積停電事故”、2003年的“8.14美加大停電”等。

由于停電面積大，涉眾廣，電力系統(tǒng)難以對(duì)停電區(qū)域做到統(tǒng)一同時(shí)復(fù)電，必須分片區(qū)，分時(shí)段地對(duì)停電區(qū)域進(jìn)行復(fù)電工作。同時(shí)，如果停電期間供電量難以快速恢復(fù)到正常的供電水平，將會(huì)增加停電造成的損失，難以保證電力用戶的用電滿意度。面對(duì)大面積停電事故，復(fù)電工作理應(yīng)按輕重緩急地對(duì)電力用戶展開，但現(xiàn)有技術(shù)當(dāng)中對(duì)此缺乏科學(xué)依據(jù)，并沒(méi)有綜合考慮用戶情況，往往是按照主觀臆斷地對(duì)某些重要單位先進(jìn)行復(fù)電，一些用電緊急的電力用戶的復(fù)電工作被逼延后，致使經(jīng)濟(jì)損失的擴(kuò)大化。

發(fā)明內(nèi)容

基于此，有必要針對(duì)上述問(wèn)題，提供一種大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，能夠科學(xué)地量化復(fù)電緊急程度，合理指導(dǎo)復(fù)電工作，挽回經(jīng)濟(jì)損失。

一種大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，包括：

獲取歷史記錄當(dāng)中停電用戶的用戶描述屬性，對(duì)總體停電用戶集進(jìn)行隨即抽樣，獲得停電用戶的樣本集，并采集由業(yè)務(wù)人員對(duì)所述樣本集標(biāo)記的復(fù)電緊急程度標(biāo)簽，形成帶標(biāo)簽的停電用戶樣本集；

根據(jù)用戶描述屬性與所述帶標(biāo)簽的停電用戶樣本集，采用預(yù)設(shè)算法構(gòu)建分類模型，根據(jù)所述分類模型，優(yōu)化并確定分類模型參數(shù)；

獲取待分類的停電用戶的用戶描述屬性，采用所述分類模型與其對(duì)應(yīng)參數(shù)，對(duì)待分類的停電用戶進(jìn)行復(fù)電緊急程度的多類別分類。

在其中一個(gè)實(shí)施例中，根據(jù)用戶描述屬性與所述帶標(biāo)簽的停電用戶樣本集的步驟之后，采用預(yù)設(shè)算法構(gòu)建分類模型的步驟之前，包括：

對(duì)用戶描述屬性存在的缺失值進(jìn)行填補(bǔ)，將該用戶描述屬性中的枚舉型變量進(jìn)行屬性類型轉(zhuǎn)換處理，并將該用戶描述屬性中的連續(xù)型變量作標(biāo)準(zhǔn)化處理，獲得數(shù)值在預(yù)設(shè)范圍內(nèi)的連續(xù)型變量，從而形成轉(zhuǎn)換后的用戶描述屬性。

在其中一個(gè)實(shí)施例中，用戶的描述屬性包括枚舉型變量屬性與連續(xù)型變量屬性；其中，所述枚舉型變量屬性包括，停電地域、售電方式、行業(yè)單位、電壓等級(jí)和用電類型；所述連續(xù)型變量屬性包括，總耗電量、峰用電量、平用電量、谷用電量、尖用電量、無(wú)功總電量、不平衡電量、不平衡率、平均功率因數(shù)、最大功率。

在其中一個(gè)實(shí)施例中，所述對(duì)總體停電用戶集進(jìn)行抽樣的抽樣方法為分層抽樣。

在其中一個(gè)實(shí)施例中，所述復(fù)電緊急程度標(biāo)簽為從停電開始到恢復(fù)供電的最大復(fù)電耗時(shí)要求。

在其中一個(gè)實(shí)施例中，所述預(yù)設(shè)算法為數(shù)據(jù)挖掘方法中的分類算法為：支持向量機(jī)算法（Support?Vector?Machine，SVM）算法；

所述的多類別分類方法為：“多對(duì)多”（All-versus-all，AVA）的分類法。

實(shí)施本發(fā)明，具有如下有益效果：

首先，本發(fā)明對(duì)停電用戶的用戶描述屬性進(jìn)行數(shù)據(jù)抽樣，通過(guò)抽樣的方法在海量的樣本中抽取代表性樣本，減少樣本空間，提高模型訓(xùn)練效率。結(jié)合采集的復(fù)電緊急程度標(biāo)簽科學(xué)地量化復(fù)電緊急程度，再利用預(yù)設(shè)算法和多類別分類算法合理地預(yù)測(cè)待分類的停電用戶的用電需求情況，本發(fā)明能夠指導(dǎo)復(fù)電工作，挽回經(jīng)濟(jì)損失。克服了傳統(tǒng)方法依靠人為主觀判斷的弊端，實(shí)現(xiàn)了分類方法的自動(dòng)化、程序化，以及基于挖掘歷史用電數(shù)據(jù)的人工智能化。

在其中一個(gè)實(shí)施例中，使用支持向量機(jī)（Support?Vector?Machine，SVM）作為分類模型，利用核函數(shù)對(duì)樣本屬性進(jìn)行高維映射，找尋最好的分類超平面，有效提高分類準(zhǔn)確率。采用多類別分類方法中的“多對(duì)多”（All-versus-all，AVA）的分類法作為多類別分類結(jié)果的決定策略，幫助提高多類別分類中的分類準(zhǔn)確率。

附圖說(shuō)明

圖1為本發(fā)明大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法的流程圖；

圖2為本發(fā)明大面積停電應(yīng)急處理中的復(fù)電緊急程度分類方法實(shí)施例的示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述。

圖1為本發(fā)明大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法的流程圖，包括：