本發(fā)明涉及電力系統(tǒng)臺(tái)區(qū)畫像領(lǐng)域，特別涉及一種基于營配數(shù)據(jù)融合的臺(tái)區(qū)畫像精準(zhǔn)刻畫方法。

背景技術(shù)：

1、隨著電力系統(tǒng)的快速發(fā)展和用戶需求的多樣化，配電網(wǎng)的管理和運(yùn)營面臨著新的挑戰(zhàn)。臺(tái)區(qū)營銷和配網(wǎng)數(shù)據(jù)分散在不同的系統(tǒng)和部門中，缺乏有效的整合和共享機(jī)制，導(dǎo)致信息孤島現(xiàn)象嚴(yán)重，且傳統(tǒng)的臺(tái)區(qū)管理方式較為粗放，缺乏對(duì)設(shè)備狀態(tài)、用戶情況、臺(tái)區(qū)特征等方面的精準(zhǔn)分析和響應(yīng)，從而進(jìn)一步影響臺(tái)區(qū)的響應(yīng)速度和處理效率，影響了客戶服務(wù)質(zhì)量和用戶滿意度。對(duì)此，臺(tái)區(qū)營銷和配網(wǎng)數(shù)據(jù)的數(shù)據(jù)融合與分析尤為關(guān)鍵，通過精確的數(shù)據(jù)支持，才能實(shí)現(xiàn)對(duì)臺(tái)區(qū)運(yùn)行狀態(tài)的全面把控和優(yōu)化管理，有效提升臺(tái)區(qū)的管理效率和服務(wù)質(zhì)量。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于營配數(shù)據(jù)融合的臺(tái)區(qū)畫像精準(zhǔn)刻畫方法，通過開展基于louvain社區(qū)檢測(cè)算法開展圖聚類分析，展現(xiàn)標(biāo)簽間的關(guān)聯(lián)度，構(gòu)建臺(tái)區(qū)標(biāo)簽圖譜，進(jìn)行標(biāo)簽的預(yù)測(cè)，進(jìn)而實(shí)現(xiàn)對(duì)臺(tái)區(qū)運(yùn)行狀態(tài)的全面把控和優(yōu)化管理，有效提升臺(tái)區(qū)的管理效率和服務(wù)質(zhì)量。

2、為了實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

3、一種基于營配數(shù)據(jù)融合的臺(tái)區(qū)畫像精準(zhǔn)刻畫方法，包括以下步驟：

4、步驟s1：獲取并融合電力臺(tái)區(qū)的多源數(shù)據(jù)，確定臺(tái)區(qū)業(yè)務(wù)與多源數(shù)據(jù)映射關(guān)系，建立基于營配數(shù)據(jù)融合的臺(tái)區(qū)標(biāo)簽體系。

5、步驟s2：采用引入模糊集理論的關(guān)聯(lián)規(guī)則算法，將所述臺(tái)區(qū)標(biāo)簽體系中的量化數(shù)據(jù)轉(zhuǎn)化成定性特征，以實(shí)現(xiàn)所述臺(tái)區(qū)標(biāo)簽體系到臺(tái)區(qū)畫像體系的轉(zhuǎn)化。

6、步驟s3：對(duì)所述臺(tái)區(qū)畫像體系中的臺(tái)區(qū)畫像特征進(jìn)行基于louvain社區(qū)檢測(cè)算法的圖聚類分析，生成聚類后的臺(tái)區(qū)畫像特征，以展現(xiàn)臺(tái)區(qū)畫像強(qiáng)關(guān)聯(lián)特征。

7、可選地,所述步驟s1包括：所述多源數(shù)據(jù)包括：根據(jù)電網(wǎng)各業(yè)務(wù)重點(diǎn)關(guān)注的內(nèi)容和需求，分別從營銷服務(wù)系統(tǒng)、用電信息采集系統(tǒng)、業(yè)務(wù)運(yùn)營中臺(tái)和供電服務(wù)指揮中心中獲取和采集電力臺(tái)區(qū)的營銷數(shù)據(jù)、用采數(shù)據(jù)和配網(wǎng)設(shè)備數(shù)據(jù)；根據(jù)營銷數(shù)據(jù)、用采數(shù)據(jù)和配網(wǎng)設(shè)備數(shù)據(jù)指標(biāo)，進(jìn)行營配數(shù)據(jù)融合，根據(jù)專家經(jīng)驗(yàn)，確定臺(tái)區(qū)業(yè)務(wù)與臺(tái)區(qū)多源數(shù)據(jù)之間的映射關(guān)系，以構(gòu)建所述臺(tái)區(qū)標(biāo)簽體系。所述臺(tái)區(qū)標(biāo)簽體系至少包括臺(tái)區(qū)的基本信息、線損管理、業(yè)擴(kuò)服務(wù)、新型負(fù)荷、電能質(zhì)量和優(yōu)質(zhì)服務(wù)此6個(gè)維度。每一維度對(duì)應(yīng)包括若干個(gè)不同的細(xì)化指標(biāo)。

8、可選地,步驟s2包括：步驟s2.1、基于模糊評(píng)價(jià)算法確定標(biāo)簽體系的量化數(shù)據(jù)的定性特征。

9、步驟s2.2、對(duì)標(biāo)簽體系中的量化數(shù)據(jù)進(jìn)行模糊化處理，然后根據(jù)隸屬函數(shù)計(jì)算量化數(shù)據(jù)在各個(gè)模糊區(qū)間的支持度，確定模糊頻繁項(xiàng)集。

10、步驟s2.3、在得到所述模糊頻繁項(xiàng)集后，根據(jù)最小支撐度確定強(qiáng)規(guī)則，從而實(shí)現(xiàn)將量化數(shù)據(jù)轉(zhuǎn)化為定性特征，以實(shí)現(xiàn)所述臺(tái)區(qū)標(biāo)簽體系到臺(tái)區(qū)畫像體系的轉(zhuǎn)化。

11、可選地,所述步驟s2.1包括：針對(duì)臺(tái)區(qū)標(biāo)簽體系中的m個(gè)指標(biāo)定義原始標(biāo)簽庫db的模糊屬性項(xiàng)集i：

12、i＝{i1，i2，…im}

13、式中，i1表示臺(tái)區(qū)總用戶數(shù)，i2線損率，i3表示業(yè)擴(kuò)工單數(shù)，i4表示光伏發(fā)電量,...,im訴求工單數(shù)；

14、將模糊屬性項(xiàng)集i轉(zhuǎn)化為模糊屬性標(biāo)簽庫df的屬性項(xiàng)集if,

15、

16、式中，原始標(biāo)簽庫db中的每個(gè)屬性ij在模糊屬性標(biāo)簽庫df中有qj個(gè)模糊屬性值與之相關(guān)；

17、其中，下標(biāo)表示臺(tái)區(qū)標(biāo)簽體系中的m個(gè)指標(biāo)，上標(biāo)表示各指標(biāo)能夠?qū)?yīng)的臺(tái)區(qū)不同特征表示為指標(biāo)m所處的第qm種特征。

18、可選地,所述步驟s2.2包括：根據(jù)量化數(shù)據(jù)劃分為多個(gè)模糊區(qū)間，并得到具體的隸屬函數(shù)；根據(jù)隸屬函數(shù)計(jì)算量化數(shù)據(jù)在各個(gè)模糊區(qū)間的支持度；

19、對(duì)于模糊屬性集x，x＝{x1，x2，…xn}∈if

20、式中，xn表示模糊屬性項(xiàng)集if中的子集合元素；

21、第i條記錄對(duì)x的支持度如下：

22、

23、其中，模糊屬性xj在第i條記錄上的值為supi(x)表示模糊屬性集x的上確界；

24、模糊屬性集x＝{x1，x2，…xn}∈if在模糊屬性標(biāo)簽庫df中的支持度如下：

25、

26、式中，|df|表示模糊屬性標(biāo)簽庫df的元素個(gè)數(shù)；supt(x)表示為t分項(xiàng)模糊屬性集x上確界；

27、基于所計(jì)算出的支持度，確定模糊頻繁項(xiàng)集y；

28、

29、式中，xn表示為第n個(gè)模糊屬性集。

30、可選地,所述步驟s2.3包括：針對(duì)模糊頻繁項(xiàng)集y中各子項(xiàng)的最小支持度，選取最大的最小支持度以確定量化數(shù)據(jù)的定性特征。

31、可選地，所述步驟s3包括：步驟s3.1、將臺(tái)區(qū)畫像體系中所有特征映射為一張權(quán)重圖，每個(gè)特征對(duì)應(yīng)為權(quán)重圖中的每個(gè)頂點(diǎn)，每個(gè)頂點(diǎn)之間通過關(guān)聯(lián)度進(jìn)行連線，得到網(wǎng)絡(luò)圖；當(dāng)關(guān)聯(lián)度越大，表明權(quán)重越大，連線也越粗。

32、步驟s3.2、將網(wǎng)絡(luò)圖中每個(gè)節(jié)點(diǎn)都初始化為一個(gè)獨(dú)立的社區(qū)，在獲得權(quán)重圖的節(jié)點(diǎn)后，遍歷權(quán)重圖中的每一個(gè)節(jié)點(diǎn)，并計(jì)算該節(jié)點(diǎn)從當(dāng)前社區(qū)加入到所有鄰居節(jié)點(diǎn)所在社區(qū)的相對(duì)模塊度增益變化；若相對(duì)模塊度增益為正，則將該節(jié)點(diǎn)從當(dāng)前社區(qū)并入到具有最大相對(duì)模塊度的鄰居節(jié)點(diǎn)所在社區(qū)；不斷重復(fù)此操作，直到?jīng)]有節(jié)點(diǎn)加入到新的社區(qū)。

33、步驟s3.3、將合并生成的社區(qū)進(jìn)行壓縮，把每個(gè)社區(qū)更新為新的超級(jí)節(jié)點(diǎn)，設(shè)置社區(qū)之間的連邊總權(quán)重之和為新節(jié)點(diǎn)之間的邊的權(quán)重，社區(qū)內(nèi)所有邊的權(quán)重和作為新節(jié)點(diǎn)內(nèi)部的自環(huán)權(quán)重，此時(shí)生成一張新的網(wǎng)絡(luò)圖，計(jì)算新的網(wǎng)絡(luò)圖的整體模塊度。

34、如果整體模塊度的增量q小于設(shè)定的閾值，則停止計(jì)算，輸出結(jié)果，否則將生成新的網(wǎng)絡(luò)圖作為數(shù)據(jù)輸入，重復(fù)步驟s3.2，并再次進(jìn)行模塊度增量q的計(jì)算，直到整體模塊度的增量q小于設(shè)定的閾值，整體計(jì)算結(jié)束，最后生成聚類后的臺(tái)區(qū)畫像特征，以展現(xiàn)臺(tái)區(qū)畫像強(qiáng)關(guān)聯(lián)特征。

35、可選地,所述步驟s3.1中的關(guān)聯(lián)度計(jì)算公式p(b|a)如下：

36、p(b|a)＝p(a∩b)/p(a)

37、a表示臺(tái)區(qū)具備特征a，b表示臺(tái)區(qū)具備特征b，通過計(jì)算在臺(tái)區(qū)存在特征a情況下，出現(xiàn)特征b的概率，作為特征間的關(guān)聯(lián)度；

38、所述步驟s3.2中的增益變化計(jì)算公式如下：

39、

40、其中，∑in表示社群內(nèi)部邊的權(quán)重之和；∑tot表示所有和社群內(nèi)部相連的邊的權(quán)重之和；ki，in表示節(jié)點(diǎn)i加入到社群c時(shí)的權(quán)重之和；ki表示所有和節(jié)點(diǎn)i相連的邊的權(quán)重之和；

41、所述步驟s3.3中的整體模塊度計(jì)算公式如下：

42、

43、其中aij表示節(jié)點(diǎn)i與j之間的邊權(quán)重；ki，kj表示所有節(jié)點(diǎn)與節(jié)點(diǎn)i和j之間的邊權(quán)重；示平均邊權(quán)重；當(dāng)節(jié)點(diǎn)i，j處于同一社群時(shí)，σ＝1，否則σ＝0；m表示網(wǎng)絡(luò)中邊的總數(shù)；ci表示社群c中的i節(jié)點(diǎn)；cj表示社群c中的j節(jié)點(diǎn)。

44、另一方面，本發(fā)明還提供一種電子設(shè)備，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上文所述的方法。

45、再一方面，本發(fā)明還提供一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上文所述的方法。

46、本發(fā)明至少具有以下技術(shù)效果：

47、本發(fā)明公開基于臺(tái)區(qū)多源數(shù)據(jù)與業(yè)務(wù)融合、臺(tái)區(qū)標(biāo)簽體系等，確定臺(tái)區(qū)業(yè)務(wù)與多源數(shù)據(jù)映射關(guān)系，構(gòu)建基于臺(tái)區(qū)標(biāo)簽體系并開展臺(tái)區(qū)業(yè)務(wù)分析，引入基于模糊集理論的算法，軟化數(shù)值型屬性的分類邊界，完成指標(biāo)體系中量化數(shù)據(jù)到定性特征的轉(zhuǎn)化，從而構(gòu)建完整的臺(tái)區(qū)畫像體系；提出基于louvain社區(qū)檢測(cè)算法，完成關(guān)聯(lián)規(guī)則后的數(shù)據(jù)處理，構(gòu)建臺(tái)區(qū)特征圖譜，并開展基于社區(qū)檢測(cè)算法的圖聚類分析。本發(fā)明能夠?qū)崿F(xiàn)對(duì)臺(tái)區(qū)運(yùn)行狀態(tài)的全面把控和優(yōu)化管理，有效提升臺(tái)區(qū)的管理效率和服務(wù)質(zhì)量。