CN108776939A - 用户用电行为的分析方法及系统 - Google Patents
用户用电行为的分析方法及系统 Download PDFInfo
- Publication number
- CN108776939A CN108776939A CN201810582402.5A CN201810582402A CN108776939A CN 108776939 A CN108776939 A CN 108776939A CN 201810582402 A CN201810582402 A CN 201810582402A CN 108776939 A CN108776939 A CN 108776939A
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- user
- load
- behavioural characteristic
- peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种用户用电行为的分析方法,所述分析方法包括以下步骤:S1、获取用电数据;S2、根据所述用电数据提取用电行为特征指标;S3、根据所述用电行为特征指标分析用户类型;S4、根据所述用电行为特征指标和用户类型确定用户行为特征。本发明通过从用电数据中提取不同的用电特征指标,从不同的时间维度准确、全面分析用户的用电行为特征,对用户用电随季节、时间变化的规律有更清晰的认识,为提出节能环保建议、制定个性化的营销方案、微网的能量调度策略提供参考,提高电网经济效益。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种用户用电行为的分析方法及系统。
背景技术
用户用电数据不仅具有海量、高频、分散等特点,而且数据之间存在关联性和相似性。用户的用电数据中隐藏着用户的用电行为习惯,对这些用电数据进行挖掘并研究用户类型,可以帮助电网了解用户的个性化、差异化服务需求,从而使电网公司进一步拓展服务的深度和广度,为未来的电力需求侧响应政策的制定提供数据支撑。
现有技术中,对用户用电行为的分析方法一般采用简单的聚类算法对用户用电数据进行聚类分析,或通过对负荷在不同时期的数据进行聚类,推算用户用电行为。
现有技术的用户用电行为的分析方法存在以下缺点:(1)现有的用户用电行为分析多是针对家庭用户,且分析的侧重点多在于对用户进行分类,例如空巢型、上班族、老人族等类别的划分或是对用户用电异常现象进行分析;(2)部分研究是通过改进聚类算法使分类效果更佳理想或是将聚类算法应用于其他算法的中间环节,提高其他算法例如预测算法的准确性。现有技术的用户用电行为分析方法在面向对象、分析内容及应用等方面都存在一定局限性。
发明内容
本发明要解决的技术问题是为了克服现有技术的用户用电行为分析方法在面向对象、分析内容及应用等方面都存在一定局限性的缺陷,提供一种用户用电行为的分析方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种用户用电行为的分析方法,所述分析方法包括以下步骤:
S1、获取用电数据;
S2、根据所述用电数据提取用电行为特征指标;
S3、根据所述用电行为特征指标分析用户类型;
S4、根据所述用电行为特征指标和所述用户类型确定用户行为特征。
较佳地,步骤S2之前,所述分析方法还包括:
对所述用电数据进行清洗以及格式化处理。
较佳地,所述用电行为特征指标包括以下一种或几种指标:
日用电量、日最大负荷、日最小负荷、日平均负荷、日平均负荷率、峰平谷用电量、峰平谷平均负荷、峰谷差、峰谷差率、分时负荷、早中晚负荷率、夜间负荷率、用电高峰时间、用电高峰时长、负荷上升时间、负荷下降时间、工作时段平均负荷和负荷曲线。
较佳地,S4具体包括:
针对不同的用户类型选取第一目标用电行为特征指标,并对所述第一目标用电行为特征指标进行降维处理得到特征向量;
对所述特征向量进行聚类,并根据聚类结果确定用户行为特征。
较佳地,对所述特征向量进行聚类的步骤之后,所述分析方法还包括:
计算目标特征向量与同簇中的其他特征向量的第一平均距离,以及与其他簇中的特征向量的第二平均距离;
根据以下公式计算所述目标特征向量的轮廓系数:
其中,i表征所述目标特征向量;s(i)表征所述轮廓系数;a(i)表征所述第一平均距离;b(i)表征所述第二平均距离;
根据所述轮廓系数修改所述聚类结果。
较佳地,步骤S3具体包括:
预设所述用户类型与匹配条件的对应关系;
选取第二目标用电行为特征指标,并将所述第二目标用电行为特征指标与所述匹配条件进行匹配;
根据匹配结果确定所述用户类型。
较佳地,步骤S1还包括:
获取环境参数;
所述分析方法还包括:
根据所述环境参数和所述用户行为特征生成用电建议信息和/或微电网的能量调度策略。
本发明还提供一种用户用电行为的分析系统,所述分析系统包括:
数据采集模块,用于获取用电数据;
特征提取模块,用于根据所述用电数据提取用电行为特征指标;
分析模块,用于根据所述用电行为特征指标分析用户类型;
行为特征确定模块,用于根据所述用电行为特征指标和不同的用户类型确定用户行为特征。
较佳地,所述分析系统还包括:
处理模块,用于对所述用电数据进行清洗以及格式化处理。
较佳地,所述用电行为特征指标包括以下一种或几种指标:
日用电量、日最大负荷、日最小负荷、日平均负荷、日平均负荷率、峰平谷用电量、峰平谷平均负荷、峰谷差、峰谷差率、分时负荷、早中晚负荷率、夜间负荷率、用电高峰时间、用电高峰时长、负荷上升时间、负荷下降时间、工作时段平均负荷和负荷曲线。
较佳地,所述行为特征确定模块具体包括:
降维处理单元,用于针对不同的用户类型选取第一目标用电行为特征指标,并对所述第一目标用电行为特征指标进行降维处理得到特征向量;
聚类单元,用于对所述特征向量进行聚类,并根据聚类结果打上行为确定用户行为特征。
较佳地,所述行为特征确定模块还包括:
计算单元,用于计算目标特征向量与同簇中的其他特征向量的第一平均距离,以及与其他簇中的特征向量的第二平均距离,并根据以下公式计算所述目标特征向量的轮廓系数:
其中,i表征所述目标特征向量;s(i)表征所述轮廓系数;a(i)表征所述第一平均距离;b(i)表征所述第二平均距离;
修改单元,用于根据所述轮廓系数修改所述聚类结果。
较佳地,所述分析模块具体包括:
条件设置单元,用于预设所述用户类型与匹配条件的对应关系;
匹配单元,用于选取第二目标用电行为特征指标,并将所述第二目标用电行为特征指标与所述匹配条件进行匹配,根据匹配结果确定所述用户类型。
较佳地,所述数据采集模块还用于获取环境参数;
所述分析系统还包括:
策略生成模块,用于根据所述环境参数和所述用户行为特征生成用电建议信息和/或微电网的能量调度策略。
本发明的积极进步效果在于:本发明通过从用电数据中提取不同的用电特征指标,从不同的时间维度准确、全面分析用户的用电行为特征,对用户用电随季节、时间变化的规律有更清晰的认识,为提出节能环保建议、制定个性化的营销方案、微网的能量调度策略提供参考,提高电网经济效益。
附图说明
图1为本发明实施例1的用户用电行为的分析方法的流程图。
图2为图1中步骤105的具体流程图。
图3为本发明实施例2的用户用电行为的分析系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的用户用电行为的分析方法包括以下步骤:
步骤101、获取用电数据。
具体的,通过数据采集系统采集各类型用户的历史用电数据(也即负荷数据)。用电数据包括以下参数:日用电量、日最大负荷、日最小负荷、日平均负荷、日平均负荷率、峰平谷用电量、峰平谷平均负荷、峰平谷用电量占比、日峰谷用电量差等。针对微网用户,还可采集微网系统的发电功率、环境参数(环境测量仪采集的辐照、温度、湿度、风速等数据)。
步骤102、对用电数据进行清洗以及格式化处理。
由于数据采集系统采集到的数据可能会存在数据点缺失、出现重复数据、没有乘以变比、单位不统一等问题,所以需要对所有数据进行预处理,得到标准化的数据格式,以利于下述提取用电行为特征指标效率的提高。
步骤103、根据用电数据提取用电行为特征指标。
具体的,步骤103也即根据处理后的用电数据得到用户负荷的变化趋势,对其进一步统计分析,得到用户的用电行为特征指标。用电行为特征指标包括:
(1)日用电量:用户每天总的用电量;
(2)日最大负荷:每天所有采样时刻点中的最大负荷及其发生的时刻;
(3)日最小负荷:每天所有采样时刻点中的最小负荷及其发生的时刻;
(4)日平均负荷:日用电量与日用电时长的比率;
(5)日平均负荷率:平均负荷与最高负荷的比率;
(6)峰、平、谷用电量:分别计算峰、平、谷三个时间段的总用电量,其中,峰时间段为8点-11点、18点-21点;平时间段为6点-8点,11点-18点、21点-22点;谷时间段为0点-6点、22点-24点;
(7)峰、平、谷平均负荷:峰、平、谷三个时间段的总用电量与时间长度的比率;
(8)峰谷差:最高负荷与最低负荷之差;
(9)峰谷差率:峰谷差与最高负荷的比率;
(10)用户分时负荷:用户24h每个小时用电量;
(11)早中晚负荷率:早上(6点-9点)、中午(11点-13点)、晚上(5点-8点)三个时段用电量占日用电量的比率;
(12)夜间负荷率:夜间(24点-次日5点)用电量占日用电量的比率;
(13)用电高峰时间:用电高峰(大于某个设定值)所在的时间段;
(14)用电高峰时长:用电高峰(大于某个设定值)的时间长度;
(15)负荷上升时间:负荷开始集中上升所在的时间段;
(16)负荷下降时间:负荷开始集中下降所在的时间段;
(17)工作时段平均负荷:工作时间段内的平均负荷;
(18)负荷曲线。
步骤104、根据用电行为特征指标分析用户类型。
本实施例中,步骤104具体包括:
步骤104-1、预设用户类型与匹配条件的对应关系。
步骤104-2、选取第二目标用电行为特征指标,并将第二目标用电行为特征指标与匹配条件进行匹配。
步骤104-3、根据匹配结果确定用户类型。
需要说明的是,用户类型(包括类型数量)可根据实际需求自行设置。以将用户类型分为企业用户和家庭用户为例,由于企业用户和家庭用户的工作日和非工作日用电趋势是相反的,可将工作日和非工作日的非工作日的用电量和负荷曲线作为第二目标用电行为特征指标。预设匹配条件,例如,若非工作日的用电量小于工作日的用电量且工作日的负荷曲线呈现上午开始上升、后趋于稳定、晚上呈下降趋势,则用户类型为企业用户;若工作日用电量小于非工作日用电量且工作日的负荷曲线呈现早、晚两个高峰或早中晚三个用电高峰,则用户类型为家庭用户。具体分析过程如下:
从某一用户用电数据的用电行为特征指标中选取用电量和负荷曲线作为第二目标用电行为特征指标,判断非工作日的用电量是否远小于工作日的用电量且工作日的负荷曲线呈现上午开始上升、后趋于稳定、晚上呈下降趋势;若判断为是,则确定该用电数据所属的用户是企业用户;若判断为否,则确定该用电数据所属的用户是家庭用户。步骤105、根据用电行为特征指标和用户类型确定用户行为特征。
其中,用户行为特征表征用户用电的行为特征,例如,根据用电量可将家庭型用户的行为特征分为上班型、老人型和空巢型;上班型又可分为朝九晚五型和朝九晚九型;根据用电量多少可将行为特征分为用电大户型、用电正常型和用电节省型;根据用电量分布可将企业用户的行为特征分为早上班早下班型、早上班晚下班型、晚上班早下班型、晚上班晚下班型、双休型和单休型等。当然,行为特征的分类可根据实际情况自行设置。
本实施例中,如图2所示,步骤105具体包括:
步骤105-1、针对不同的用户类型选取第一目标用电行为特征指标,并对目标用电行为特征指标进行降维处理得到特征向量。由于过多的变量(特征指标)会妨碍查找规律的建立,且多重共线性会导致解空间的不稳定,从而可能导致结果的不连贯。仔细分析就可发现日平均负荷与字用电量之间存在相关性,因此通过降维分析减少变量的个数以及确保变量之间的独立性很重要。其中,降维处理方法可以但不限于采用PCA算法、KPCA、小波分析、矩阵奇异值分解SVD、拉普拉斯特征映射(Laplacian Eigenmaps,LE)和线性判别法等。PCA(主成分分析)算法把原先的n个特征用数目更少的m个特征取代,新特征是旧特征的线性组合,这些线性组合最大化样本方差,尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性。因此本实施例中,优选采用PCA算法对所需的特征指标进行降维处理。
对于家庭用户。由于不同家庭的用电设备、用电习惯等各不相同,用电存在随机性,但从长远来看,用户的用电趋势能反映用户的用电习惯。例如对于上班族,工作日用电主要集中在早晚两个时段,周末用电会比较随机。由上分析可知不同类型家庭用电引起的日用电量、日最大负荷、日平均负荷、日平均负荷率、日最小负荷、峰谷差、峰谷差率、早中晚负荷率、负荷上升时间、负荷下降时间会不一致,因此选取上述特征指标作为第一目标用电行为特征指标,做降维处理得到特征向量。
对于企业用户。企业用户的用电行为比起家庭用户相对规律,可选择负荷上升时间、负荷下降时间、工作时段平均负荷、日最大负荷、日最小负荷、峰谷差作为第一目标用电行为特征指标,做降维处理得到特征向量。
步骤105-2、对特征向量进行聚类。
对于家庭用户而言,根据需求不同,可将家庭用户进行不同的行为特征分类:
(a)不同类型家庭用电引起的日用电量、日最大负荷、日平均负荷、日平均负荷率、日最小负荷、峰谷差、峰谷差率、早中晚负荷率会不一致,因此将其作为第一目标用电行为特征指标做降维后,作为聚类算法的输入,可将家庭用户用户行为特征分类为上班型、老人型、还是空巢型;
(b)针对上班族用户还可将用户的早中晚负荷率、负荷上升时间、负荷下降时间作为第一目标用电行为特征指标,分析用户是朝九晚五型还是朝九晚九型;
(c)日用电量、用电高峰时长、峰平谷用电量这三个变量受影响用户用电习惯的影响,因此,可将这三个指标作为聚类算法的输入,可以分析用户行为特征是用电大户型、用电正常型、还是用电节省型。
(d)如果用户是用电器设备做饭的话,可将早中晚负荷率作为第一目标用电行为特征指标,分析用户是否属于居家型。
同样,对于企业用户而言,根据需求不同,可将企业用户行为特征进行不同的分类:
(a)企业园区的工作日和非工作日用电差别较大,因此首先将工作日用电负荷和非工作日用电负荷区分;
(b)由于企业上下班时间会伴随企业电量的改变,因此可将工作日负荷、负荷上升时间、负荷下降时间作为第一目标用电行为特征指标,做降维后,作为聚类算法的输入向量,可将企业分为:早上班早下班型、早上班晚下班型、晚上班早下班型、晚上班晚下班型四种类型;
(c)对于非工作日负荷,将工作时段平均负荷、日最大负荷、日最小负荷、峰谷差作为第一目标用电行为特征指标,做降维后,作为聚类分析的输入,可将企业用户分为周末上班型、周末不上班型,或者单休型、双休型,结合具体数据可进一步分析上班的那天是周六还是周日;
(d)对于工作日负荷,将工作时段平均负荷、峰谷差、日最大负荷、日最小负荷第一目标用电行为特征指标,做降维分析后,作为聚类分析的输入,可将分为三种类别:春秋季节用电、冷负荷用电(夏季)、热负荷用电(冬季);根据冷热负荷的区别可进一步分析空调制冷、制热耗电程度的影响;结合温度信息,还可进一分析温度对于企业用电的影响。
(e)对于工作日负荷,将用户分时负荷作为第一目标用电行为特征指标,作为聚类分析的输入,结合用户所属行业,可分析不同行业的工作特性。
步骤105-3、对聚类结果进行修正,得到最终的聚类结果。
对初始聚类结果进行修正的步骤具体包括:
步骤105-31、计算每个特征向量与同簇中的其他特征向量的第一平均距离,以及与其他簇中的特征向量的第二平均距离;
其中,将当前被选择计算轮廓系数的特征向量称为目标特征向量;
步骤105-32、根据以下公式计算目标特征向量的轮廓系数:
其中,i表征目标特征向量;s(i)表征轮廓系数;a(i)表征第一平均距离;b(i)表征第二平均距离;
a(i)越小,说明目标特征向量i越应该被聚类到该簇。将a(i)称为目标特征向量i的簇Ci内不相似度。b(i)=min{bi1,bi2,...,bij},b(i)越大,说明目标特征向量i越不属于其他簇。bij表征目标特征向量i到其他某簇Cj中的所有特征向量的平均距离。
步骤105-33、根据轮廓系数修改聚类结果。
具体的,判断s(i)的值,若:
s(i)的值在(0,1]区间段,则说明目标特征向量i当前的聚类合理;
s(i)的值在[-1,0)区间段,则说明目标特征向量i当前的聚类不合理,应该分类到另外的簇;
s(i)的值等于0,则说明目标特征向量i在两个簇的边界上。
以上的聚类结果修正是评价某一个特征向量(样本点)是否分配合理,但不能评价整体的分类是否合理。以下提供评价整体分类方法是否合理的一种具体的实现方式:
将所有分类类别内的每个样本点都计算轮廓系数,最后求取平均值,选取平均值最大的分类个数作为聚类的类别数。但考虑到数据量比较大时,对所有的样本点都进行计算数据量非常大,且考虑到对于一个类簇,只有距离聚类中心最远的那些样本点的分类类别可能会存在争议,因此,在对精度要求不高情况下可进行如下改进:计算类别内的样本点距聚类中心的聚类,选取离聚类中心比较远的样本点计算轮廓系数,求取平均值,选取平均值最大的分类个数作为聚类的类别数。
步骤105-4、根据最终的聚类结果确定用户行为特征。
从而,电网公司根据用户行为特征得到不同职业用户的工作、生活习性,可有针对性的设计营销方案,还可进一步拓展服务的深度和广度,为未来的电力需求侧响应政策的制定提供数据支撑,针对不同用户类型推送不同信息,例如,对于用电大户可以给他们推送如何节约用电的建议。
根据前面的分析,不管是企业用户或是家庭用户都能得到用户的用户行为特征;出于节能减排以及国家政策的号召,安装微电网系统的用户越来越多。对于微电网用户,本实施例中,分析方法还包括:
步骤106、根据环境参数和用户行为特征生成用电建议信息和/或微电网的能量调度策略。
对于并网型用户。根据用户用电情况、峰平谷电价合理安排用户电网用电、微网用电以及储能系统之间的调度,最大化利用现有资源。主要步骤如下:
(a)根据步骤105-4的用户行为特征分析用户属于哪种用电特性的用户;
(b)根据今天是工作日还是非工作日以及环境参数,得到今天用户的用电规律曲线;
(c)由今天的天气情况预测得到微电网的发电功率曲线;
(d)区分用户的重要负荷、非重要负荷以及各自的用电时段;
(e)对于重要负荷,不能做改变;但对于非重要负荷可以提醒安排在合理时间段。例如,用户A每天都是早上10点洗衣服,11点做饭,由于早上10点、11点都处于峰电价时段;做饭是必须的无法更改时间,但可以选择是用电网还是微网,考虑到用户11点有做饭需求,便可提前存储微网发电,以便满足用户做饭需求;洗衣服是可以随意安排的,此时洗衣服并不划算,因此可以安排用户在谷电价时间段或是微网发电量比较好的时间段进行洗衣服。
对于离网型用户。主要步骤如下:
(a)根据步骤105-4的用户行为特征分析用户属于哪种用电特性的用户;
(b)根据今天是工作日还是非工作日以及环境温度,得到今天用户的用电规律曲线;
(c)由今天的天气情况预测得到微电网的发电功率曲线;
(d)区分用户的重要负荷、非重要负荷以及各自的用电时段,如果今天的发电足以支撑今天的用电,不作任何建议;如果今天发电不足以支撑用电,则提醒用户放弃非重要负荷。例如,用户A每天都是10点洗衣服,11点做饭,但由于今天阴天,由发电预测结果可知,如果按照日常安排,11点的发电不足以支撑用户做饭消耗的电量,因此,可以提前通知用户10点放弃洗衣服,待做完饭后再清洗。
本实施例中,通过从用电数据中提取不同的用电特征指标,从不同的时间维度分析用户的用电行为特征,对用户用电随季节、时间变化的规律有更清晰的认识,对提出节能环保建议给出指导性意见;通过对用户日负荷曲线做分时聚类,再结合用户职业特性,得到不同职业用户的工作、生活习性,为制定个性化的营销方案、指导用户安装容量、配置更加合理的微电网提供参考,还可实现通过分析用户用电及微电网发电,给出用户合理的用电建议;对于并网用户可指导微网的能量调度策略,达到更高的经济效益。
实施例2
如图3所示,本实施例的用户用电行为的分析系统包括:数据采集模块1、特征提取模块2、分析模块3、行为特征确定模块4、处理模块5和策略生成模块6。
数据采集模块1用于获取用户历史的用电数据。其中,用电数据包括以下参数:日用电量、日最大负荷、日最小负荷、日平均负荷、日平均负荷率、峰平谷用电量、峰平谷平均负荷、峰平谷用电量占比、日峰谷用电量差等。针对微网用户,还可采集微网系统的发电功率、环境参数(环境测量仪采集的辐照、温度、湿度、风速等数据)。
处理模块5用于对用电数据进行清洗以及格式化处理,并将经过清洗和格式化处理后的用电数据发送至特征提取模块2。
特征提取模块2用于根据用电数据提取用电行为特征指标,也即根据处理后的用电数据得到用户负荷的变化趋势,对其进一步统计分析,得到用户的用电行为特征指标。用电行为特征指标包括:
(1)日用电量:用户每天总的用电量;
(2)日最大负荷:每天所有采样时刻点中的最大负荷及其发生的时刻;
(3)日最小负荷:每天所有采样时刻点中的最小负荷及其发生的时刻;
(4)日平均负荷:日用电量与日用电时长的比率;
(5)日平均负荷率:平均负荷与最高负荷的比率;
(6)峰、平、谷用电量:分别计算峰、平、谷三个时间段的总用电量,其中,峰时间段为8点-11点、18点-21点;平时间段为6点-8点,11点-18点、21点-22点;谷时间段为0点-6点、22点-24点;
(7)峰、平、谷平均负荷:峰、平、谷三个时间段的总用电量与时间长度的比率;
(8)峰谷差:最高负荷与最低负荷之差;
(9)峰谷差率:峰谷差与最高负荷的比率;
(10)用户分时负荷:用户24h每个小时用电量;
(11)早中晚负荷率:早上(6点-9点)、中午(11点-13点)、晚上(5点-8点)三个时段用电量占日用电量的比率;
(12)夜间负荷率:夜间(24点-次日5点)用电量占日用电量的比率;
(13)用电高峰时间:用电高峰(大于某个设定值)所在的时间段;
(14)用电高峰时长:用电高峰(大于某个设定值)的时间长度;
(15)负荷上升时间:负荷开始集中上升所在的时间段;
(16)负荷下降时间:负荷开始集中下降所在的时间段;
(17)工作时段平均负荷:工作时间段内的平均负荷;
(18)负荷曲线。
分析模块3用于根据用电行为特征指标分析用户类型。
本实施例中,分析模块3具体包括:条件设置单元和匹配单元。条件设置单元用于预设所述用户类型与匹配条件的对应关系;匹配单元用于选取第二目标用电行为特征指标,并将所述第二目标用电行为特征指标与所述匹配条件进行匹配,根据匹配结果确定所述用户类型。
需要说明的是,用户类型(包括类型数量)可根据实际需求自行设置。以将用户类型分为企业用户和家庭用户为例,由于企业用户和家庭用户的工作日和非工作日用电趋势是相反的,可将工作日和非工作日的非工作日的用电量和负荷曲线作为第二目标用电行为特征指标。条件设置单元预设匹配条件,例如,若非工作日的用电量小于工作日的用电量且工作日的负荷曲线呈现上午开始上升、后趋于稳定、晚上呈下降趋势,则用户类型为企业用户;若工作日用电量小于非工作日用电量且工作日的负荷曲线呈现早、晚两个高峰或早中晚三个用电高峰,则用户类型为家庭用户。具体分析过程如下:
匹配单元从某一用户用电数据的用电行为特征指标中选取用电量和负荷曲线作为第二目标用电行为特征指标,判断非工作日的用电量是否远小于工作日的用电量且工作日的负荷曲线呈现上午开始上升、后趋于稳定、晚上呈下降趋势;若判断为是,则确定该用电数据所属的用户是企业用户;若判断为否,则确定该用电数据所属的用户是家庭用户。
行为特征确定模块4用于根据用电行为特征指标和用户类型确定用户行为特征。
其中,用户行为特征表征用户用电的行为特征,例如,根据用电量可将家庭型用户的行为特征分为上班型、老人型和空巢型;上班型又可分为朝九晚五型和朝九晚九型;根据用电量多少可将行为特征分为用电大户型、用电正常型和用电节省型;根据用电量分布可将企业用户的行为特征分为早上班早下班型、早上班晚下班型、晚上班早下班型、晚上班晚下班型、双休型和单休型等。当然,行为特征的分类可根据实际情况自行设置。
具体的,行为特征确定模块4包括:降维处理单元41和聚类单元42。降维处理单元41用于针对不同的用户类型选取第一目标用电行为特征指标,并对第一目标用电行为特征指标进行降维处理得到特征向量。聚类单元42用于对特征向量进行聚类,并根据聚类结果确定用户行为特征。其中,降维处理方法可以但不限于采用PCA算法、KPCA、小波分析、矩阵奇异值分解SVD、拉普拉斯特征映射(Laplacian Eigenmaps,LE)和线性判别法等。
本实施例中,为了确保聚类结果的准确性,聚类单元42对特征向量进行聚类之后,行为特征确定模块4还对聚类结果进行修正。具体的,行为特征确定模块4还包括:计算单元43和修改单元44。
计算单元43用于计算目标特征向量与同簇中的其他特征向量的第一平均距离,以及与其他簇中的特征向量的第二平均距离,并根据以下公式计算目标特征向量的轮廓系数:
其中,i表征目标特征向量;s(i)表征轮廓系数;a(i)表征第一平均距离;b(i)表征第二平均距离;
修改单元44用于根据轮廓系数修改聚类结果。聚类单元42则根据修改后的聚类结果确定用户行为特征。具体的,修改单元44修改聚类结果的过程如下:
若s(i)的值在(0,1]区间段,则说明目标特征向量i当前的聚类合理,不进行修改;
若s(i)的值在[-1,0)区间段,则说明目标特征向量i当前的聚类不合理,应该将该目标特征向量分类到另外的簇;
若s(i)的值等于0,则说明目标特征向量i在两个簇的边界上,可根据实际需求进行修改。
以上的聚类结果修正是评价某一个特征向量(样本点)是否分配合理,但不能评价整体的分类是否合理。以下提供评价整体分类方法是否合理的一种具体的实现方式:
将所有分类类别内的每个样本点都计算轮廓系数,最后求取平均值,选取平均值最大的分类个数作为聚类的类别数。但考虑到数据量比较大时,对所有的样本点都进行计算数据量非常大,且考虑到对于一个类簇,只有距离聚类中心最远的那些样本点的分类类别可能会存在争议,因此,在对精度要求不高情况下可进行如下改进:计算类别内的样本点距聚类中心的聚类,选取离聚类中心比较远的样本点计算轮廓系数,求取平均值,选取平均值最大的分类个数作为聚类的类别数。
策略生成模块6用于根据环境参数和用户行为特征生成用电建议信息和/或微电网的能量调度策略。例如,对于用电大户可以给他们推送如何节约用电的建议。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (14)
1.一种用户用电行为的分析方法,其特征在于,所述分析方法包括以下步骤:
S1、获取用电数据;
S2、根据所述用电数据提取用电行为特征指标;
S3、根据所述用电行为特征指标分析用户类型;
S4、根据所述用电行为特征指标和所述用户类型确定用户行为特征。
2.如权利要求1所述的用户用电行为的分析方法,其特征在于,步骤S2之前,所述分析方法还包括:
对所述用电数据进行清洗以及格式化处理。
3.如权利要求1所述的用户用电行为的分析方法,其特征在于,所述用电行为特征指标包括以下一种或几种指标:
日用电量、日最大负荷、日最小负荷、日平均负荷、日平均负荷率、峰平谷用电量、峰平谷平均负荷、峰谷差、峰谷差率、分时负荷、早中晚负荷率、夜间负荷率、用电高峰时间、用电高峰时长、负荷上升时间、负荷下降时间、工作时段平均负荷和负荷曲线。
4.如权利要求1所述的用户用电行为的分析方法,其特征在于,S4具体包括:
针对不同的用户类型选取第一目标用电行为特征指标,并对所述第一目标用电行为特征指标进行降维处理得到特征向量;
对所述特征向量进行聚类,并根据聚类结果确定所述用户行为特征。
5.如权利要求4所述的用户用电行为的分析方法,其特征在于,对所述特征向量进行聚类的步骤之后,所述分析方法还包括:
计算目标特征向量与同簇中的其他特征向量的第一平均距离,以及与其他簇中的特征向量的第二平均距离;
根据以下公式计算所述目标特征向量的轮廓系数:
其中,i表征所述目标特征向量;s(i)表征所述轮廓系数;a(i)表征所述第一平均距离;b(i)表征所述第二平均距离;
根据所述轮廓系数修改所述聚类结果。
6.如权利要求1所述的用户用电行为的分析方法,其特征在于,步骤S3具体包括:
预设所述用户类型与匹配条件的对应关系;
选取第二目标用电行为特征指标,并将所述第二目标用电行为特征指标与所述匹配条件进行匹配;
根据匹配结果确定所述用户类型。
7.如权利要求1-6中任意一项所述的用户用电行为的分析方法,其特征在于,步骤S1还包括:
获取环境参数;
所述分析方法还包括:
根据所述环境参数和所述用户行为特征生成用电建议信息和/或微电网的能量调度策略。
8.一种用户用电行为的分析系统,其特征在于,所述分析系统包括:
数据采集模块,用于获取用电数据;
特征提取模块,用于根据所述用电数据提取用电行为特征指标;
分析模块,用于根据所述用电行为特征指标分析用户类型;
行为特征确定模块,用于根据所述用电行为特征指标和所述用户类型确定用户行为特征。
9.如权利要求8所述的用户用电行为的分析系统,其特征在于,所述分析系统还包括:
处理模块,用于对所述用电数据进行清洗以及格式化处理。
10.如权利要求8所述的用户用电行为的分析系统,其特征在于,所述用电行为特征指标包括以下一种或几种指标:
日用电量、日最大负荷、日最小负荷、日平均负荷、日平均负荷率、峰平谷用电量、峰平谷平均负荷、峰谷差、峰谷差率、分时负荷、早中晚负荷率、夜间负荷率、用电高峰时间、用电高峰时长、负荷上升时间、负荷下降时间、工作时段平均负荷和负荷曲线。
11.如权利要求8所述的用户用电行为的分析系统,其特征在于,所述行为特征确定模块具体包括:
降维处理单元,用于针对不同的用户类型选取第一目标用电行为特征指标,并对所述第一目标用电行为特征指标进行降维处理得到特征向量;
聚类单元,用于对所述特征向量进行聚类,并根据聚类结果确定用户行为特征。
12.如权利要求11所述的用户用电行为的分析系统,其特征在于,所述行为特征确定模块还包括:
计算单元,用于计算目标特征向量与同簇中的其他特征向量的第一平均距离,以及与其他簇中的特征向量的第二平均距离,并根据以下公式计算所述目标特征向量的轮廓系数:
其中,i表征所述目标特征向量;s(i)表征所述轮廓系数;a(i)表征所述第一平均距离;b(i)表征所述第二平均距离;
修改单元,用于根据所述轮廓系数修改所述聚类结果。
13.如权利要求8所述的用户用电行为的分析系统,其特征在于,所述分析模块具体包括:
条件设置单元,用于预设所述用户类型与匹配条件的对应关系;
匹配单元,用于选取第二目标用电行为特征指标,并将所述第二目标用电行为特征指标与所述匹配条件进行匹配,根据匹配结果确定所述用户类型。
14.如权利要求8-13中任意一项所述的用户用电行为的分析系统,其特征在于,所述数据采集模块还用于获取环境参数;
所述分析系统还包括:
策略生成模块,用于根据所述环境参数和所述用户行为特征生成用电建议信息和/或微电网的能量调度策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582402.5A CN108776939A (zh) | 2018-06-07 | 2018-06-07 | 用户用电行为的分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582402.5A CN108776939A (zh) | 2018-06-07 | 2018-06-07 | 用户用电行为的分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108776939A true CN108776939A (zh) | 2018-11-09 |
Family
ID=64025786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810582402.5A Pending CN108776939A (zh) | 2018-06-07 | 2018-06-07 | 用户用电行为的分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108776939A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634940A (zh) * | 2018-11-12 | 2019-04-16 | 国网天津市电力公司电力科学研究院 | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 |
CN110109971A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区用户用电负荷特性分析方法 |
CN110503461A (zh) * | 2019-07-31 | 2019-11-26 | 南京航空航天大学 | 一种智能电网中基于住宅用户聚类的需求响应方法 |
CN110826859A (zh) * | 2019-10-12 | 2020-02-21 | 深圳供电局有限公司 | 一种基于日电量远程识别用户用电性质的方法及系统 |
CN111027741A (zh) * | 2019-10-28 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 一种面向时空维度的通用化负荷模型分析库构建方法 |
CN111062502A (zh) * | 2019-12-17 | 2020-04-24 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN111179109A (zh) * | 2019-11-29 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 用于独居老人检测的用电数据处理方法 |
CN111489073A (zh) * | 2020-03-31 | 2020-08-04 | 深圳市康拓普信息技术有限公司 | 一种基于分类算法的用户用电廉情预警方法 |
CN111783827A (zh) * | 2020-05-27 | 2020-10-16 | 中能瑞通(北京)科技有限公司 | 一种基于负荷数据的企业用户分类方法和装置 |
CN112183634A (zh) * | 2020-09-29 | 2021-01-05 | 国网山东省电力公司冠县供电公司 | 一种用户需求响应方法、装置、终端及存储介质 |
CN112396087A (zh) * | 2020-09-28 | 2021-02-23 | 国网浙江省电力有限公司杭州供电公司 | 基于智能电表的独居老人用电数据分析方法及装置 |
CN112836886A (zh) * | 2021-02-09 | 2021-05-25 | 国网山西省电力公司吕梁供电公司 | 一种用能服务方法、装置、计算机设备及存储介质 |
CN113191453A (zh) * | 2021-05-24 | 2021-07-30 | 国网四川省电力公司经济技术研究院 | 一种基于dae网络特征的用电行为画像生成方法及系统 |
CN113434690A (zh) * | 2021-08-25 | 2021-09-24 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、系统及介质 |
CN113538165A (zh) * | 2021-05-28 | 2021-10-22 | 国网上海市电力公司 | 一种服务于用户节能减排的居民用电行为感知分析方法 |
CN113743977A (zh) * | 2021-06-28 | 2021-12-03 | 国网上海市电力公司 | 一种基于用户行为的用电数据特征提取方法及系统 |
CN114780860A (zh) * | 2022-05-30 | 2022-07-22 | 国网浙江省电力有限公司杭州供电公司 | 基于多维大数据融合汇聚的自主决策方法 |
CN115221980A (zh) * | 2022-09-16 | 2022-10-21 | 之江实验室 | 一种基于特征提取和改进K-means算法的负荷聚类方法 |
CN112396087B (zh) * | 2020-09-28 | 2024-04-26 | 国网浙江省电力有限公司杭州供电公司 | 基于智能电表的独居老人用电数据分析方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440539A (zh) * | 2013-09-13 | 2013-12-11 | 国网信息通信有限公司 | 一种用户用电数据处理方法 |
CN103455857A (zh) * | 2013-09-13 | 2013-12-18 | 国网天津市电力公司 | 对用户需求精细分类进行电网负荷分析和负荷预测的方法 |
CN103869102A (zh) * | 2014-03-11 | 2014-06-18 | 广东电网公司电网规划研究中心 | 一种大区域电网负荷统计与分类方法 |
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
CN104240144A (zh) * | 2014-08-25 | 2014-12-24 | 河海大学 | 一种基于需求响应的电力负荷聚类方法 |
CN105809573A (zh) * | 2016-03-02 | 2016-07-27 | 深圳供电局有限公司 | 一种基于大数据分析的用电性质认证方法 |
CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
CN106570783A (zh) * | 2016-10-27 | 2017-04-19 | 国网江苏省电力公司 | 一种基于大数据思维的客户用电行为分析模型 |
CN107248086A (zh) * | 2017-02-21 | 2017-10-13 | 国网江苏省电力公司南通供电公司 | 基于用户用电行为分析的广告投放辅助分析方法 |
CN107895245A (zh) * | 2017-12-26 | 2018-04-10 | 国网宁夏电力有限公司银川供电公司 | 一种基于用户画像的电费回收风险评估方法 |
-
2018
- 2018-06-07 CN CN201810582402.5A patent/CN108776939A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440539A (zh) * | 2013-09-13 | 2013-12-11 | 国网信息通信有限公司 | 一种用户用电数据处理方法 |
CN103455857A (zh) * | 2013-09-13 | 2013-12-18 | 国网天津市电力公司 | 对用户需求精细分类进行电网负荷分析和负荷预测的方法 |
CN103869102A (zh) * | 2014-03-11 | 2014-06-18 | 广东电网公司电网规划研究中心 | 一种大区域电网负荷统计与分类方法 |
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
CN104240144A (zh) * | 2014-08-25 | 2014-12-24 | 河海大学 | 一种基于需求响应的电力负荷聚类方法 |
CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
CN105809573A (zh) * | 2016-03-02 | 2016-07-27 | 深圳供电局有限公司 | 一种基于大数据分析的用电性质认证方法 |
CN106570783A (zh) * | 2016-10-27 | 2017-04-19 | 国网江苏省电力公司 | 一种基于大数据思维的客户用电行为分析模型 |
CN107248086A (zh) * | 2017-02-21 | 2017-10-13 | 国网江苏省电力公司南通供电公司 | 基于用户用电行为分析的广告投放辅助分析方法 |
CN107895245A (zh) * | 2017-12-26 | 2018-04-10 | 国网宁夏电力有限公司银川供电公司 | 一种基于用户画像的电费回收风险评估方法 |
Non-Patent Citations (3)
Title |
---|
王堃 等: "用电采集大数据的用户用电行为分析研究", 《电力大数据》 * |
王守相 等: "计及用电模式的居民负荷梯度提升树分类识别方法", 《电力系统及其自动化学报》 * |
迟俊琳: "基于大数据的用户用电行为分析研究在新能源电网中的应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634940A (zh) * | 2018-11-12 | 2019-04-16 | 国网天津市电力公司电力科学研究院 | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 |
CN110109971A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区用户用电负荷特性分析方法 |
CN110503461B (zh) * | 2019-07-31 | 2023-06-09 | 南京航空航天大学 | 一种智能电网中基于住宅用户聚类的需求响应方法 |
CN110503461A (zh) * | 2019-07-31 | 2019-11-26 | 南京航空航天大学 | 一种智能电网中基于住宅用户聚类的需求响应方法 |
CN110826859A (zh) * | 2019-10-12 | 2020-02-21 | 深圳供电局有限公司 | 一种基于日电量远程识别用户用电性质的方法及系统 |
CN111027741A (zh) * | 2019-10-28 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 一种面向时空维度的通用化负荷模型分析库构建方法 |
CN111179109A (zh) * | 2019-11-29 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 用于独居老人检测的用电数据处理方法 |
CN111062502A (zh) * | 2019-12-17 | 2020-04-24 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN111062502B (zh) * | 2019-12-17 | 2023-07-14 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN111489073A (zh) * | 2020-03-31 | 2020-08-04 | 深圳市康拓普信息技术有限公司 | 一种基于分类算法的用户用电廉情预警方法 |
CN111783827A (zh) * | 2020-05-27 | 2020-10-16 | 中能瑞通(北京)科技有限公司 | 一种基于负荷数据的企业用户分类方法和装置 |
CN112396087A (zh) * | 2020-09-28 | 2021-02-23 | 国网浙江省电力有限公司杭州供电公司 | 基于智能电表的独居老人用电数据分析方法及装置 |
CN112396087B (zh) * | 2020-09-28 | 2024-04-26 | 国网浙江省电力有限公司杭州供电公司 | 基于智能电表的独居老人用电数据分析方法及装置 |
CN112183634A (zh) * | 2020-09-29 | 2021-01-05 | 国网山东省电力公司冠县供电公司 | 一种用户需求响应方法、装置、终端及存储介质 |
CN112836886A (zh) * | 2021-02-09 | 2021-05-25 | 国网山西省电力公司吕梁供电公司 | 一种用能服务方法、装置、计算机设备及存储介质 |
CN113191453A (zh) * | 2021-05-24 | 2021-07-30 | 国网四川省电力公司经济技术研究院 | 一种基于dae网络特征的用电行为画像生成方法及系统 |
CN113191453B (zh) * | 2021-05-24 | 2022-04-22 | 国网四川省电力公司经济技术研究院 | 一种基于dae网络特征的用电行为画像生成方法及系统 |
CN113538165A (zh) * | 2021-05-28 | 2021-10-22 | 国网上海市电力公司 | 一种服务于用户节能减排的居民用电行为感知分析方法 |
CN113743977A (zh) * | 2021-06-28 | 2021-12-03 | 国网上海市电力公司 | 一种基于用户行为的用电数据特征提取方法及系统 |
CN113434690B (zh) * | 2021-08-25 | 2022-02-08 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、系统及介质 |
CN113434690A (zh) * | 2021-08-25 | 2021-09-24 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、系统及介质 |
CN114780860A (zh) * | 2022-05-30 | 2022-07-22 | 国网浙江省电力有限公司杭州供电公司 | 基于多维大数据融合汇聚的自主决策方法 |
CN114780860B (zh) * | 2022-05-30 | 2023-09-05 | 国网浙江省电力有限公司杭州供电公司 | 基于多维大数据融合汇聚的自主决策方法 |
CN115221980A (zh) * | 2022-09-16 | 2022-10-21 | 之江实验室 | 一种基于特征提取和改进K-means算法的负荷聚类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776939A (zh) | 用户用电行为的分析方法及系统 | |
Wang et al. | Association rule mining based quantitative analysis approach of household characteristics impacts on residential electricity consumption patterns | |
Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
CN108062627B (zh) | 一种基于非侵入式用电数据的需求响应分析方法 | |
Shiells et al. | Armington models and terms-of-trade effects: some econometric evidence for North America | |
CN111461761A (zh) | 一种基于多维细粒度行为数据的居民用户画像方法 | |
CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN111027872B (zh) | 一种区域用户的用电成熟度确定方法及系统 | |
CN108280479A (zh) | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 | |
CN107944630A (zh) | 一种季节性分时电价优化制定方法 | |
CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
Luo et al. | Personalized residential energy usage recommendation system based on load monitoring and collaborative filtering | |
CN103577883A (zh) | 一种网-荷智能互动方法及装置 | |
CN111126429A (zh) | 一种基于PCA降维和K-Means聚类的低压台区用户接入点识别方法 | |
CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
CN109752613B (zh) | 基于非侵入式负荷监测的违约用电检测系统及方法 | |
CN111080101A (zh) | 一种基于ahp对供电渠道服务效能多维度评价的方法 | |
CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
CN112711616A (zh) | 一种基于聚类算法的用户用电特性分析方法 | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
Klingler et al. | Residential photovoltaic self-consumption: Identifying representative household groups based on a cluster analysis of hourly smart-meter data | |
CN111026791B (zh) | 一种基于居民细粒度用电数据的用户类型判定方法 | |
CN111428745A (zh) | 一种基于聚类分析的低压用户用电特征提取方法 | |
CN106651093A (zh) | 一种用于低压集抄系统的智能复核管控方法 | |
CN113450031A (zh) | 居民智慧用能服务潜在台区选取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181109 |