智能用电用户行为分析特征优选策略

发布时间：2020-03-10 12:19

【摘要】：针对大数据应用背景下用户智能用电行为分类的计算复杂性和特征选择有效性的问题,提出一种基于特征信息量的特征优选策略。首先,以用电特征的互信息量与相关系数作为特征有效性和关联性判据,设计用电特征优选准则。然后,提出一种该准则下的用电行为特征优选策略,通过减少特征间的分类信息冗余实现高维特征的降维,并选取有效独立的特征,从而构建用户用电行为聚类精简特征集。最后,基于特征优选策略实现了一种特征自适应的用户用电行为分析方法,完成优化的用户用电行为分析。通过电网实际用电数据验证了所提策略能提高聚类准确率和减少计算复杂性的有效性。
【图文】：

序列,用电行为,特征优选,策略

个用电特征ｘ的评价值，其值域为［０，１］；Ｉ′（ｘ；ｃ）为用电特征ｘ与用户类别ｃ的归一化互信息；Ｊ（Ｙ）为优选特征子集Ｙ的评价函数；Ｊ（ｙ）为优选特征子集中特征ｙ的评价函数。该评价函数对用电特征所算得的评价值越大则认为该用电特征对于用户用电行为的分析越有效。故对优选所得用电行为特征子集Ｙ的评价Ｊ（Ｙ）为子集中所有特征的评价值之和。２基于特征优选的用电行为分析２．１用电行为特征优选策略用电行为特征的选择流程如图１所示。图１用电行为特征优选策略Ｆｉｇ．１Ｏｐｔｉｍａｌｓｅｌｅｃｔｉｏｎｓｔｒａｔｅｇｙｏｆｅｌｅｃｔｒｉｃｉｔｙｃｏｎｓｕｍｐｔｉｏｎｂｅｈａｖｉｏｒｆｅａｔｕｒｅ优选策略原理如下：首先从所分析的总体用户中抽取一定数量的样本用户，提取样本用户的全体特征，然后根据评价准则对样本用户的各种特征进行评价，使用启发式序列前向搜索方法逐个选取特征，即从空集开始，每次搜索会从当前候选子集取出评价值最大的特征放置到已选特征集中，，直至已选特征集的性能达到要求。即所选特征ｙ为：ｙ＝ａｒｇｍａｘ｛Ｊ（ｘ）｝（８）此方法能同时兼顾计算效率与选择效果，实现以较小的计算量实现较好的筛选效果。本策略运算终止的性能判别条件定义如式（９）所示，即当剩余特征所能提供的信息远低于其造成的冗余时停止选龋Ｄ＝ｍａｘ｛Ｊ（ｘ）｝Ｊ（Ｙ）≤Ｔ（９）式中：Ｄ为候选特征中最优特征的评价值与优选特征子集的评价值的比值，当其小于所设阈值Ｔ时选择结束，本文所选阈值为０．１。该判别条件判别有效，计算量较小，且无需

对比图,特征选择,准确率,变化趋势

第一次特征选择时各特征子集聚类准确性对比图Ｆｉｇ．２Ｃｏｍｐａｒｉｓｏｎｄｉａｇｒａｍｏｆｃｌｕｓｔｅｒｉｎｇａｃｃｕｒａｃｙｏｆｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓｕｂｓｅｔｉｎｆｉｒｓｔｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｐｒｏｃｅｓｓ对迭代过程中的第二次特征优选过程进行一步分析，其结果见附录Ａ表Ａ２和图３，其中日平均负荷特征作为已选特征无需再次评价。与第一次选择过程类似，根据附录Ａ表Ａ２，本文方法会选用由谷电系数（编号２）和日平均负荷组成的特征子集，而由图４可知使用该特征子集分析，其准确率远高于其他特征子集。之后的选择过程的分析与之类似，不再进一步赘述。结果表明本文所提策略的评价准则能很好地反映对应特征子集的有效性。依照本文所提优选策略分析用电行为特征，所得特征选取序列的编号依次为５，２，３，１，８，６，７，４，若将其依次添加至优选特征子集则准确率的变化趋势如图４所示。图３第二次特征时各特征子集聚类准确性对比图Ｆｉｇ．３Ｃｏｍｐａｒｉｓｏｎｄｉａｇｒａｍｏｆｃｌｕｓｔｅｒｉｎｇａｃｃｕｒａｃｙｏｆｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓｕｂｓｅｔｉｎｓｅｃｏｎｄｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｐｒｏｃｅｓｓ图４特征选择过程中准确率变化趋势Ｆｉｇ．４Ａｃｃｕｒａｃｙｃｈａｎｇｅｔｒｅｎｄｉｎｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｐｒｏｃｅｓｓ图４中随着优选特征子集中所选特征的增加，准确率逐渐上升，但由于特征间关联密切，增加特征所提供有效信息减少，冗余信息增加，上升幅度逐渐减缓，在图４中特征个数为４时达到最高。当特征个数达到５个时准确率出现了下降，因

【相似文献】