(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210514388.1 (22)申请日 2022.05.11 (71)申请人 国网上海市电力公司 地址 200122 上海市浦东 新区自由贸易试 验区源深路1 122号 申请人 上海富数 科技有限公司 (72)发明人 吴裔　李腾飞　邢旭　张翔　 陈立峰　卞阳　方竞　田英杰　 郭乃网　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 翁惠瑜 (51)Int.Cl. G06V 10/762(2022.01) G06K 9/62(2022.01)G06N 20/20(2019.01) G06Q 50/06(2012.01) (54)发明名称 一种基于 K-Means模型的充电桩用户画 像方 法 (57)摘要 本发明涉及一种基于K ‑Means模型的充电桩 用户画像方法， 包括： 将电力公司计算节点记为 Guest， 气象局计算节点记为Ho st； 采集充电桩负 荷数据集， 并进行预处理； 将充电桩用户用电数 据和气象数据分别输入Guest和Ho st， 在Guest中 根据充电桩用户用电数据通过训练好的第一K ‑ Means模型获取第一数据分布信息， 在Host中根 据气象数据通过训练好的第二K ‑Means模型获取 第二数据分布信息， 并发送至Guest， 在Guest中 根据第一数据分布信息和第二数据分布信息计 算整体数据分布信息， 根据该信息获取充电桩用 户用电数据画像。 与现有技术相比， 本发明具有 安全性高、 准确性高、 效率高等优点。 权利要求书3页 说明书6页 附图1页 CN 114821143 A 2022.07.29 CN 114821143 A 1.一种基于K ‑Means模型的充电桩用户画像方法， 其特 征在于， 包括： 将电力公司计算节点记为Guest， 气象局计算节点记为Host； 采集包括相同日期的充电桩用户充电数据和气象数据的充电桩负荷数据集， 并进行预 处理； 将充电桩用户充电数据输入Guest， 将气象数据输入Host， 在Guest中根据充电桩用户 用电数据通过训练好的第一K ‑Means模型获取第一数据分布信息， 在Host 中根据气象数据 通过训练好的第二K ‑Means模型获取第二数据分布信息， 并发送至Guest， 在Guest中根据第 一数据分布信息和 第二数据分布信息计算整体数据分布信息， 并根据整体数据分布信息获 取充电桩用户用电数据画像； 所述的第一K ‑Means模型和第二K ‑Means模型的训练过程包括以下步骤： S1、 在Guest中采集充电桩负荷样本集XA， 在Host中采集气象数据样本集XB； S2、 在Guest中生成XA的初始聚类中心及初始聚类中心对应的分类标签， 在Host中生成 XB的初始聚类中心及 初始聚类中心对应的分类标签； S3、 在Guest中计算XA的第一样本分布信息， 在Host中计算XB的第二样本分布信息， 将第 二样本分布信息发送至Guest， 在Guest中根据第一样 本分布信息和第二样本分布信息计算 整体样本分布信息； S4、 在Guest中根据总体样本分布信息更新XA中各个样本的分类， 获得最新分类信息， 并 发送至Host， 在Host中根据最 新分类信息更新XB中各个样本的分类； S5、 在Guest中更新XA的聚类中心的特征坐标， 并计算新旧聚类中心坐标的第一偏移距 离， 在Host中更新XB的特征坐标， 并计算新旧聚类中心坐标的第二偏移距离， 将第二偏移距 离发送至Guest， 在Guest中根据第一偏移 距离和第二偏移 距离计算整体偏移 距离； S6、 判断是否满足 终止条件， 若是则执 行步骤S7， 否则执 行步骤S3； S7、 将Guest中第一K ‑Means模型的训练结果保存至本地， 将Host中第二K ‑Means模型的 训练结果保存至 本地。 2.根据权利要求1所述的一种基于K ‑Means模型的充电桩用户画像方法， 其特征在于， 所述的预处 理的具体过程包括： 将XA和XB中具有相同日期的样本对齐， 但不分享各自具体的样本特 征值； 保留XA和XB中的连续型 特征， 并记录连续型 特征名列表。 3.根据权利要求1所述的一种基于K ‑Means模型的充电桩用户画像方法， 其特征在于， 所述的训练结果包括聚类数、 聚类中心坐标以及连续型 特征名列表。 4.根据权利要求1所述的一种基于K ‑Means模型的充电桩用户画像方法， 其特征在于， 所述的步骤S2的具体过程包括： 接收电力公司计算节点生成的任务ID， 根据任务ID的哈希值生成统一随机种子， 根据 随机种子生成XA和XB的初始聚类中心。 5.根据权利要求1所述的一种基于K ‑Means模型的充电桩用户画像方法， 其特征在于， 所述的充电桩负荷样本集XA包括电力公司充电桩每日若干个时点的瞬时功率曲线； 所述的气象数据样本集XB包括每日若干个时点的气温变化曲线。 6.根据权利要求5所述的一种基于K ‑Means模型的充电桩用户画像方法， 其特征在于， 所述的第一数据分布信息的计算过程包括：权　利　要　求　书 1/3 页 2 CN 114821143 A 2在Guest中计算XA中每个样本特 征值与每 个聚类中心的距离， 获得第一数据分布信息； 所述的XA中每个样本特 征值与每 个聚类中心的距离的计算过程包括： 假设XA中第i个样本的特 征向量为： 其中， ma为XA的采样时点的数量； 所述的XA的第j个聚类中心坐标为： 计算XA中第i个样本与第j个聚类中心的距离平方， 计算公式为： 其中， d_功率i,j为XA中第i个样本与第j个聚类中心的距离平方； 所述的第一数据分布信息和第一样本分布信息的计算方式相同。 7.根据权利要求6所述的一种基于K ‑Means模型的充电桩用户画像方法， 其特征在于， 所述的第二数据分布信息的计算过程包括： 在Host中计算XB中每个样本特 征值与每 个聚类中心的距离， 获得第二数据分布信息； 所述的XB中每个样本特 征值与每 个聚类中心的距离的计算过程包括： 假设XB中第i个样本的特 征向量为： 其中， mb为XB的采样时点的数量； 所述的XB中第j个聚类中心坐标为： 计算第二距离信息， 计算公式为： 其中， XB的第i个样本与第j个聚类中心的距离平方； 所述的第二数据分布信息和第二样本分布信息的计算方式相同。 8.根据权利要求7所述的一种基于K ‑Means模型的充电桩用户画像方法， 其特征在于， 所述的整体数据分布信息的计算公式为： 所述的整体样本分布信息的计算方式与整体数据分布信息的计算方式相同。 9.根据权利要求8所述的一种基于K ‑Means模型的充电桩用户画像方法， 其特征在于， 所述的第一偏移 距离的计算公式为：权　利　要　求　书 2/3 页 3 CN 114821143 A 3