买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国电力科学研究院有限公司;国网江苏省电力有限公司营销服务中心;河海大学;国家电网有限公司申请的专利用户负荷群典型用电模式提取方法、系统、设备及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117056759B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311066646.5，技术领域涉及：G06F18/231；该发明授权用户负荷群典型用电模式提取方法、系统、设备及介质是由朱克东;黄奇峰;庄重;李亚平;秦川;段梅梅;严嘉豪;殷贾忠;黄艺璇;毛文博;盛举;高攀;李峰;王珂;徐鹏;王勇设计研发完成，并于2023-08-22向国家知识产权局提交的专利申请。

本用户负荷群典型用电模式提取方法、系统、设备及介质在说明书摘要公布了：一种用户负荷群典型用电模式提取方法、系统、设备及介质，方法包括获取所选地区气象及用电数据；在数据层面提取出负荷数据在时域和频域的降维特征；在机理层面，利用因子分析得到不同气象因子与负荷之间的相关性，并对冗余的气象信息进行合并，再从负荷大小特征、负荷特征时间点、负荷需求响应潜力和行业特征四个方面归纳负荷的统计特征，并计算出气象特征与统计特征的重要性得分，根据重要性得分对特征进行选择，获得关键机理性特征；针对负荷数据在时域和频域的降维特征进行二次聚类，获得初次分类结果；再基于关键机理性特征，采用层次聚类算法对初次分类结果进行层次聚类，获得用户负荷群典型用电模式。本发明可以更好地揭示用户的用电需求。

本发明授权用户负荷群典型用电模式提取方法、系统、设备及介质在权利要求书中公布了：1.一种用户负荷群典型用电模式提取方法，其特征在于，包括： 获取所选地区的气象数据以及所选地区工业用户和商业用户的用电数据； 通过获取到的气象数据以及用电数据，在数据层面，提取出负荷数据在时域和频域的降维特征；在机理层面，利用预先建立的因子分析模型，分析得到不同气象因子与负荷之间的相关性，提取气象特征，对冗余的气象信息进行合并，再从多个方面归纳负荷的统计特征，并计算出气象特征与统计特征的重要性得分，以及根据重要性得分对气象特征与统计特征进行选择，获得关键机理性特征； 在所述从多个方面归纳负荷的统计特征的步骤中，选择从负荷大小特征、负荷特征时间点、负荷需求响应潜力和行业特征四个方面归纳负荷的统计特征，所述负荷大小特征为根据负荷的时序特点，对负荷曲线作更小时间尺度的划分，将日负荷曲线分为上午、下午、上半夜、下半夜四个部分，划分的时间段为6：00-12：00,12：00-18：00,18：00-24：00,0：00-6：00，计算这四个时段以及一整天的平均负荷作为负荷的大小特征；所述负荷特征时间点为采用日负荷的97.5%和2.5%作为参考确定峰值负荷和基础负荷，在此基础上，确定四个关键时间点：负荷上升开始时间、高负荷开始时间、高负荷结束时间和低负荷开始时间，并基于这四个关键时间点，确定三个时间区间：上升时间、高负荷持续时间和下降时间；所述负荷需求响应潜力为根据负荷调控手段的不同，将负荷需求响应潜力分为三类：轮休潜力、错时潜力和避峰潜力；所述轮休潜力是指用户工作日与休息日的平均负荷差异，通过这个数据优先安排调节那些具有明显轮休特点的用户；所述错时潜力指的是用电高峰期的电量占全天电量的比例，数值越高，代表用户用电更集中，错时调控效果更明显；所述避峰潜力的计算方法是提取用户负荷曲线的标准差和平均值，然后取两者之间的比值，避峰潜力反映了负荷在时间范围内的分散程度，数值越大，负荷曲线波动越大，用户紧急避峰能力越强；所述行业特征为将用户的行业类型经过编码后作为用户的行业特征； 所述气象特征与统计特征的重要性得分基于XGBoost特征选择算法计算得出，所述XGBoost特征选择算法提供了三种计算特征重要性得分的方式：权重、覆盖度和增益，通过将基于增益、权重和覆盖度的方法进行结合，计算特征重要性的综合得分，计算表达式如下： 式中，、、分别表示归一化的基于增益、权重和覆盖度的特征重要性得分，、、为相应权重，权重之和为1，即； 基于增益的特征重要性得分，通过计算每个特征在所有树的分裂中所带来的平均信息增益来度量特征的重要性，XGBoost中每个树节点的增益计算表达式如下： 式中，和分别为分裂后左右子树的目标函数梯度之和，和分别为分裂后左右子树的目标函数二阶导数之和，和是XGBoost的正则化超参数，分别用于控制正则化和树的叶子节点数，特征的增益重要性得分计算表达式如下： 式中，表示决策树的总数，表示数据集中的特征数量，表示第棵树在样本上的增益，是一个指示函数，表示特征是否在决策树的节点上被用作分裂特征，当被用作分裂特征时取值为1，否则为0；特征重要性得分越大，则特征分裂后对模型的影响越大； 基于权重和覆盖度的特征重要性计算通过分析特征分裂次数来实现特征选择，对于一个包含个样本，个特征的数据集，XGBoost在训练时利用带权重的损失函数进行优化，同时记录每个特征在每个树节点上被用作分裂特征的次数以及每个特征在每个树节点上被用作分裂特征时，覆盖的样本数量，即覆盖度；特征的权重重要性得分和覆盖度重要性得分分别通过如下表达式计算得出： 式中，表示样本的权重，表示样本被覆盖的次数，表示特征是否用于分割样本所在节点，如果存在分割行为，取值为1，否则为0； 针对负荷数据在时域和频域的降维特征，采用聚类算法进行二次聚类，获得基于数据特征的初次分类结果；再基于关键机理性特征，采用层次聚类算法对初次分类结果进行层次聚类，获得兼顾数据、机理特征的用户负荷群典型用电模式。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国电力科学研究院有限公司;国网江苏省电力有限公司营销服务中心;河海大学;国家电网有限公司，其通讯地址为：210003 江苏省南京市鼓楼区南瑞路8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。