本发明涉及一种方法和应用，尤其是涉及一种基于多能用户负荷-能效双维画像方法及其应用。
背景技术：
1、在电力大数据应用技术不断成熟的背景下，企业与用户联系紧密，需要各种智能化、信息化的大数据手段帮助用户全方面分析用能水平，勾画精细智能、全面的用能画像，电力用户画像应运而生。
2、用户画像作为一种帮助企业制订个性化营销策略的数据分析工具，能从整体上用具体标签来刻画用户，构建虚拟且立体的用户形象。用户画像是快速、精准地分析用户行为模式、消费习惯等特征的数据分析工具，为电力企业精准营销、提升用户体验奠定了基础。
3、现存技术方案
4、文献[1]基于数据挖掘技术提出一种考虑负荷季节特性的电力用户用电行为画像的方法。数据清洗和预处理后，利用方差过滤和特征过滤进行特征筛选，将处理后的负荷数据分解成季节性基础负荷和受其他因素影响的敏感负荷，依次聚类后，得到双重聚类标签结果，最后得到两类标签形成的用户用电行为画像。文献[2]通过测量目标电力用户多时间尺度下的负荷特性指标数据,建立用户负荷特性标签体系,计算得到目标电力用户的各类型负荷特性标签,采用自组织映射神经网络,根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析,得到适用于负荷管理的电力用户负荷特性画像。
5、[1]万伟,刘红旗,杜单单等.考虑负荷季节特性的电力用户用电行为画像[j].哈尔滨理工大学学报,2023,28(03):45-55.doi:10.15938/j.jhust.2023.03.006.
6、[2]张汀荃,黄奇峰,庄重等.适用于负荷管理的电力用户负荷特性画像构建方法和系统[p].江苏省：cn115829418b,2023-06-27.
技术实现思路
1、为了解决现有技术中存在的缺陷，本发明公开一种基于多能用户负荷-能效双维画像方法，其技术方案如下：
2、一种基于多能用户负荷-能效双维画像方法，其特征为：在考虑指标的可获取性的前提下，从用户负荷和能效方面分析用户的用能情况，结合了t-sne降维算法和gmm聚类算法构建多能用户画像，以展示数据结构，构建清晰画像。
3、有益效果
4、本发明先使用t-sne算法进行降维，减少数据量，排除冗杂，再使用gmm聚类算法进行聚类将相似度高的数据聚类，两种算法结合使用构建画像可以将用户用能情况清楚地展示出来。
5、使用t-sne对用户负荷、能效指标进行降维分析，保留高维数据中的局部结构，在降维后的低维指标空间中，相似的数据点会聚集在一起，形成明显的类簇。由于t-sne在可视化用户负荷容量需求、时间分布、季节性变化的效果很好，尤其是在展示复杂数据集时，能清晰地显示不同类别和簇之间的关系。
6、使用gmm进行聚类分析，可以在t-sne可视化的基础上处理负荷与能效等多维数据，使用多个高斯分布来描述数据的分布情况，更好地拟合数据，并使得用户负荷-能效双维画像更加精确。
1.一种基于多能用户负荷-能效双维画像方法，其特征为：在考虑指标的可获取性的前提下，从用户负荷和能效方面分析用户的用能情况，结合了t-sne降维算法和gmm聚类算法构建多能用户画像，以展示数据结构，构建清晰画像。
2.根据权利要求1所述的基于多能用户负荷-能效双维画像方法，其特征在于：所述用户负荷包括可调控负荷、不可调负荷；其中，所述可调负荷是指电力用户、工业生产设备、照明设备，其调节能力表现在能够随时调整用电功率，实现响应电网调度指令的变化；所述不可调负荷指具有一定耗电能力但难以调节用电负荷的设备。
3.根据权利要求1所述的基于多能用户负荷-能效双维画像方法，其特征在于：所述用户画像的前提是提取出用户的日典型负荷，具体提取内容如下：
4.根据权利要求1所述的基于多能用户负荷-能效双维画像方法，其特征在于：所述t-sne降维算法具体内容如下：
5.根据权利要求1所述的基于多能用户负荷-能效双维画像方法，其特征在于：所述gmm聚类算法具体内容如下：
6.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至5中任意一项所述的方法。
7.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至5中任意一项所述的方法。
