一种基于云储能需求侧数据分析的用户画像方法

技术领域

本发明涉及云储能的技术领域，特别涉及一种基于云储能需求侧数据分析的用户画像方法。

背景技术

目前，云储能提供商根据需求侧的充放电调用指令决定储能设备的充放电计划，以成本最小为目标函数去满足用户的储能调用需求。然而，用户调用储能具有随机性，导致云储能提供商无法预先获得需求侧未来一整段时间内的充放电需求曲线，也就无法预先安排储能设备最优充放电策略。

中国专利申请CN113793022A公开一种基于分布式云储能的电网投资规划方案生成方法及系统，对所述多个电网投资规划方案进行运营数据分析，根据运营数据分析结果，获取最优的电网投资规划方案，提高了电网投资规划方案数据的精准性，实现电网投资规划方案的最优化。该专利以优化电网投资规划方案为目标，对运营进行数据分析，并未对储能的用户侧行为进行分析和挖掘。中国专利申请CN 116662860公开了一种基于能源大数据的用户画像与分类方法充分挖掘电力用户的用电数据信息价值，采用聚类分析及选择性集成学习模型实现用户分类及用户用电量预测，同时结合用户画像的建模方法、多维度刻画以及标签体系实现用户画像及分类，协助电力公司实现电力用户的精准服务。中国专利申请CN 116701978公开了一种基于电力用户咨询行为的智能画像方法，通过线下采集的电力用户数据，可基于电力用户所陈述咨询内容和用户咨询意向数据构建画像数据源，并在画像源数据的基础上，继续挖掘用户特征，使最终构建的用户画像信息库更精准，提升了电力公司差异化服务效率以及自助服务的准确性。目前，在电力领域的用户画像研究中，尚未对云储能需求侧数据进行建模和分析，因此难以精准预测用户的充放电行为，对储能配置优化方法及调度存在不确定性和局限性。

发明内容

针对现有技术中存在的不足之处，本发明的目的是提供一种基于云储能需求侧数据分析的用户画像方法，通过对云储能用户的特征信息和充放电行为数据进行挖掘分析，以储能优化为目标，结合云储能用户电力负荷，构建云储能用户标签体系，进而对云储能用户的行为特征进行预测分析，以实现云储能的智能化管理和配置优化。为了实现根据本发明的上述目的和其他优点，提供了一种基于云储能需求侧数据分析的用户画像方法，包括：

S1、获取云储能用户的基本信息与充放电行为数据；

S2、对云储能需求侧数据进行预处理；

S3、通过云储能用户基础信息、充放电数据、用户充放电预测和储能优化配置为目标，设计云储能用户标签体系，构建用户特征标签库；

S4、计算统计类标签值，应用机器学习获取预测类标签值；

S5、基于云储能用户特征标签库对用户进行模糊聚类分析，根据聚类结果确定云储能用户标签，构建用户画像。

优选的，步骤S1中基本信息与充放电行为数据包括用户个人特征数据、公司特征数据、充放电数据、用户电力负荷数据及价格数据，且对用户信息进行脱敏处理，进行收集商业用户基本信息，包括商用类型、营业时间及用户电力负荷数据。

优选的，通过描述用户对价格激励机制的响应差异与获取不同时间的价格反应需求响应能力；

充放电数据包括充电放电时间、功率、容量和充放电功率限制行为数据体现放电行为和负荷调控能力；

通过充放电功率数据的采集时间窗口为15分钟体现充放电行为的平滑度。

优选的，步骤S2中对云储能用户的行为数据进行预处理，包括缺失值处理和异常值，其中缺失值是指储能用户的充放电功率及电量数据缺失，需要对缺失信息进行填充或删除；

异常值通过分位数进行判断，根据整体数据计算中位数、上四分位数和下四分位数，在上下四分位数2倍之内的数据定义为异常值，异常值不进行聚类分析。

优选的，步骤S3中包括需求侧标签，该需求侧标签是通过储能用户基本信息、行为信息及需求响应机制信息的数据挖掘，得到描述储能用户特征标识，且需求标签库中的标签从用途可以分为基本信息、充放电行为特征及需求响应特征三个维度，，基本信息包用户类型、营业时间及店铺规模标签；放电行为包括：日、周、月、季度的充放电次数、水平、峰谷特性标签；需求响应水平包括用户对价格需求响应能力及敏感性。

优选的，从获取方式可以划分为事实类标签、统计类标签和预测类标签，事实类标签通过原始数据直接提取得到，如：商业用户类型、营业时间等标签；统计类标签，日平均充放电时长，月均充电次数，需要通过充放电原始数据进行统计得到；

预测类标签需要通过数据分析和机器学习预测得到，如：储能活跃度、需求响应活跃度类别下的标签需要根据原始数据进行挖掘获取。

优选的，云储能用户充放电行为标签及需求响应水平标签的统计类及预测类标签的生成通过大数据分析技术中的模糊C均值聚类算法，分析储能用户充放电行为标签库中数据，通过聚类分析多种数据类型，形成不同用户簇别，依据储能用户不同充放电行为标签与总体储能用户充放电行为簇别实现用户行为画像构建。

优选的，根据储能优化配置目标的需求分时段与季节获取储能用户行为特征，首选进行数据标准化处理，然后分析不同种类综合指标值，由于K均值聚类算法容易陷入局部极值，利用模糊C均值聚类算法，确定聚类算法最优类数，计算充放电特性特征标签类的中心点，从而判断各个储能用户的簇别。

本发明与现有技术相比，其有益效果是：通过数据分析的方法对储能用户画像，利用云储能需求侧用户基本信息及充放电行为数据构建用户标签体系，在对数据进行预处理的基础上，通过模糊C均值对用户基本信息和充放电信息进行聚类分析获得云储能用户的画像。通过运用机器学习算法对云储能需求侧数据分析，充分挖掘云储能数据中的价值，可以进一步提升对云储能用户充放电行为预测，优化储能配置和调度策略。

附图说明

图1为根据本发明的基于云储能需求侧数据分析的用户画像方法的流程图；

图2为根据本发明的基于云储能需求侧数据分析的用户画像方法的云储能用户画像多维标签体系图；

图3为根据本发明的基于云储能需求侧数据分析的用户画像方法的云储能用户特征聚类分析流程图；

图4为根据本发明的基于云储能需求侧数据分析的用户画像方法的云储能用户画像结果示例图。

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做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。

参照图1-4，一种基于云储能需求侧数据分析的用户画像方法，包括以下步骤：a01)获取云储能用户信息、用电负荷、充放电行为数据，具体包括：用户个人/公司特征数据、充放电数据、用户电力负荷数据、价格数据，并考虑用户隐私保护对用户信息进行脱敏处理；

a02)云储能需求侧数据预处理操作针对云储能用户的行为数据进行，主要包括缺失值处理和异常值两种操作。缺失值大多发生在用户空闲期，需要对缺失信息进行填充或删除。异常值通过分位数进行判断，考虑数据的稀疏性，在上下四分位数2倍之内的数据定义为异常值；

a03)基于云储能用户基础信息和充放电数据，以用户充放电预测和储能优化配置为目标，设计云储能用户标签体系，构建用户特征标签库；需求侧标签是通过储能用户基本信息、行为信息及需求响应机制信息数据挖掘，得到描述储能用户特征标识；

a04)根据原始数据计算、预测标签值。对于储能用户基本信息中的事实类标签可以直接通过收集数据获取。其中，店铺规模需要通过店铺面积及人流量的原始数据进行计算得到；

a05)基于云储能用户特征标签库对用户进行模糊聚类分析，根据聚类结果确定云储能用户标签。利用大数据分析技术中的模糊C均值聚类算法，分析储能用户充放电行为标签库中数据，通过聚类分析多种数据类型，形成不同用户簇别；

a06)依据储能用户不同充放电行为标签与总体储能用户充放电行为簇别实现用户行为画像构建，生成储能用户画像。

云储能用户画像多维标签体系，如图2所示：

b01)需求侧标签是通过储能用户基本信息、行为信息及需求响应机制信息等数据挖掘，得到描述储能用户特征标识。

b02)储能需求侧用户画像基于该标签库，将用户的全部标签进行综合构建得到。

b03)从用户充放电行为预测及储能调度优化的角度出发，结合用户基础信息、用电负荷及充放电数据设计云储能标签体系；

b04)需求标签库中的标签从用途可以分为基本信息、用电负荷、充放电行为特征及价格需求响应特征四个维度。

b05)基本信息包用户类型、用户营业模式、营业时间及用户规模标签；

b06)充放电行为包括：日、周、月、季度的充放电次数、水平、峰谷特性标签；

b07)用电负荷特征包括早晚峰谷特性、周用电规律性、月用电规律性、高/低温敏感性；

b08)价格响应水平包括用户对价格需求响应能力及敏感性，具体包括：负荷率变化比、需求响应潜力熵、峰谷差率、峰谷耗电变化比。

云储能用户特征聚类分析流程，如图3所示：

c01)利用大数据分析技术中的模糊C均值聚类算法，分析储能用户行为标签库中数据，通过聚类分析多种数据类型，形成不同用户簇别，依据用户不同行为标签与日负荷/充放电曲线实现用户行为画像构建。

c02)导入各类用户基础信息、用电负荷以及充放电的数据。

c03)典型日负荷/充放电曲线是能反映某用户全年整体负荷/充放电水平和规律性的日负荷曲线，选取与各类曲线的聚类中心最相近的实际负荷/充放电曲线作为典型曲线。

c04)数据归一化。相同时间段的用户行为特征中有4类16维标签。数据的量值范围差异性很大，数据中有很多的异常数据，综合聚类分析时进行数据预处理，依据z-score(标准分数)对数据实施数据标准化处理。

c05)针对各类预测类标签的取值范围，设计簇的个数，并输入算法；

c06)根据预测类标签特征，初始化聚类中心；

c07)计算聚类生成结果损失，并判断是否需要进一步优化；

c08)如果否，则生成标签结果；否则，进一步调整设置新的簇个数，循环直至达到收敛；

云储能用户画像示例，如图4所示：

d01)指标的分类，可以对聚类分析的用户贴上相应的特征标签，以酒店类用户为例，其用户特性标签结果如图4所示；

d02)基础属性标签中，营业模式为全天，营业时长为24小时，用户规模为中型；

d03)用电负荷标签中，对于酒店用户负荷存在晚高峰，周相似度较高，月用电具有规律性，但由于客房在夏季和冬季需要使用空调，因此对高温和低温较敏感；

d04)在充放电行为标签中，由于酒店在白天用电负荷不高，因此可以将分布式发电进行存储，在晚高峰时再进行用电，日内充电次数不多，用电行为主要在晚上出现，并且充放电行为具有较高的月相似度。

d05)对于价格需求响应标签，考虑大多用户的用电高峰期在白天，因此价格较高，而酒店用户的负荷变化比并不高，但由于酒店以住宿为主，因此对于酒店自身峰谷差及耗电变化水平的指标较高。

这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。

尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。