一种用户集群基线负荷估计方法、装置和终端设备

1.一种用户集群基线负荷估计方法，其特征在于，包括：获取待估计用户集群的历史负荷数据；根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所述多类用户的负荷数据；根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵；将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征；根据所述空间关联性矩阵，构建所述空间关联性无向图的边；基于所述空间关联性无向图估计所述待估计用户集群的基线负荷；所述根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵，包括：计算第i类用户和第j类用户在K个非DR日聚合级别的典型负荷模式的空间关联性：其中， 为第i类用户和第j类用户的空间关联性，l i,d-k 表示第i类用户在DR日d前的第k个非DR日聚合级别的负荷数据，l j,d-k 同理；将N类用户彼此之间的空间关联性指标构成N阶方阵H，所述方阵H为空间关联性矩阵，方阵H中的元素 所述基于所述空间关联性无向图估计所述待估计用户集群的基线负荷，包括：计算所述空间关联性无向图G的拉普拉斯矩阵L G ，提取用户集群历史负荷数据里的时间信息，定义 为历史负荷数据对应的时间标签矩阵；选取所述空间关联性无向图中部分节点特征，将所有类用户在DR日前K个非DR日非DR时段的集群负荷数据 及相应的时间标签T LBL 作为特征X train ，如下：选取所述空间关联性无向图中部分节点特征，将所有类用户在DR日d当天非DR时段的集群负荷数据作为标签Y train ，如下：将标签Y train 与特征X train 放入到图卷积神经网络中进行训练，如下：Y train ＝Ug(Λ)U T X train其中 是拉普拉斯矩阵L G 的特征值矩阵， 是特征值对应的特征函数矩阵，g()是特征与标签之间的函数关系，训练得到充分考虑用户负荷模式变化信息的集群基线负荷估计模型；选取所有类用户在DR日前K个非DR日DR时段的集群负荷数据及相应的时间标签特征放入训练好的集群基线负荷估计模型，得到用户集群基线负荷的估计结果。 2.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述获取待估计用户集群的历史负荷数据，包括：获取待估计用户集群在DR日d前的K个非DR日的历史负荷数据， 表示用户m在DR日d前的第k个非DR日的负荷数据；其中， 表示第m个用户， 表示集群基线负荷估计的M个目标用户； 表示一天T个时刻，d表示DR日，k表示DR日前的第k个非DR日。 3.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所述多类用户的负荷数据，包括：根据所述历史负荷数据，计算用户m在K个非DR日的典型负荷模式；典型负荷模式 计算公式为：计算M个用户在所述K个非DR日的典型负荷模式，根据聚类性能的评价指标确定聚类数将M个用户聚为N类；根据目标函数minf确定各类用户的聚类中心：式中 为第n类用户的聚类中心， 表示得到的N类用户， 表示其中第n类用户。 4.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征，包括：将第n类用户作为空间关联性无向图上的节点V n ， 表示第n类用户在K个非DR事件日聚合级别的负荷数据；将第n类用户在所述K个非DR事件日聚合级别的负荷数据以及DR事件日当天聚合级别的负荷数据F n ＝[L n,d ,l n,d ]作为节点V n 的节点特征；其中，无向图上节点集合为 节点特征集合为 5.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述根据所述空间关联性矩阵，构建所述空间关联性无向图的边，包括：将节点V i 和V j 之间的空间关联性作为空间关联性无向图的边，定义边为e i,j ，e i,j 的长度在数值上等于第i类用户和第j类用户在K个非DR日聚合级别的典型负荷模式的空间关联性的数值，即 N类用户之间边e i,j 的数据构成一个N阶对称方阵E，由于 得出E＝H，方阵H为所述空间关联性矩阵。 6.一种用户集群基线负荷估计装置，其特征在于，包括：信息获取模块，用于获取待估计用户集群的历史负荷数据；聚类模块，用于根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所述多类用户的负荷数据；无向图构建模块，用于根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵；将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征；根据所述空间关联性矩阵，构建所述空间关联性无向图的边；负荷估计模块，用于基于所述空间关联性无向图估计所述待估计用户集群的基线负荷；在所述无向图构建模块中，所述根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵，包括：计算第i类用户和第j类用户在K个非DR日聚合级别的典型负荷模式的空间关联性：其中， 为第i类用户和第j类用户的空间关联性，l i,d-k 表示第i类用户在DR日d前的第k个非DR日聚合级别的负荷数据，l j,d-k 同理；将N类用户彼此之间的空间关联性指标构成N阶方阵H，所述方阵H为空间关联性矩阵，方阵H中的元素 所述负荷估计模块具体用于：计算所述空间关联性无向图G的拉普拉斯矩阵L G ，提取用户集群历史负荷数据里的时间信息，定义 为历史负荷数据对应的时间标签矩阵；选取所述空间关联性无向图中部分节点特征，将所有类用户在DR日前K个非DR日非DR时段的集群负荷数据 及相应的时间标签T LBL 作为特征X train ，如下：选取所述空间关联性无向图中部分节点特征，将所有类用户在DR日d当天非DR时段的集群负荷数据作为标签Y train ，如下：将标签Y train 与特征X train 放入到图卷积神经网络中进行训练，如下：Y train ＝Ug(Λ)U T X train其中 是拉普拉斯矩阵L G 的特征值矩阵， 是特征值对应的特征函数矩阵，g()是特征与标签之间的函数关系，训练得到充分考虑用户负荷模式变化信息的集群基线负荷估计模型；选取所有类用户在DR日前K个非DR日DR时段的集群负荷数据及相应的时间标签特征放入训练好的集群基线负荷估计模型，得到用户集群基线负荷的估计结果。 7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述用户集群基线负荷估计方法的步骤。 8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述用户集群基线负荷估计方法的步骤。