CN110009527A - 一种综合能源系统用户画像方法及系统 - Google Patents
一种综合能源系统用户画像方法及系统 Download PDFInfo
- Publication number
- CN110009527A CN110009527A CN201910270900.0A CN201910270900A CN110009527A CN 110009527 A CN110009527 A CN 110009527A CN 201910270900 A CN201910270900 A CN 201910270900A CN 110009527 A CN110009527 A CN 110009527A
- Authority
- CN
- China
- Prior art keywords
- data
- energy
- user
- day
- portrait
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 6
- 239000000567 combustion gas Substances 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000000151 deposition Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种综合能源系统用户画像方法及系统，属于数据统计与分析领域，所述方法具体包含以下步骤：从计量表获取各个时刻各用户的用电量、用热量、用气量并进行存储；对数据进行分类和预处理，处理缺失数据和噪声数据；对分类后的数据进一步细分，利用聚类方法形成典型用户用能数据组；依据画像后细分的数据，利用预测方法对每一组数据进行预测，最终得到细化的用户用能行为与总量预测结果。总量预测结果可以帮助综合能源系统安排生产调度计划，细分的预测结果可以帮助市场人员分析用户用能习惯，制定合理的市场价格并实施合理的需求侧管理，改善用户用能行为，提升系统运行的经济性。
Description
技术领域
本发明涉及数据统计与分析领域，具体是一种综合能源系统用户画像方法及系统。
背景技术
随着能源危机与环境问题形势日益严峻，提高能源利用率与清洁能源占比成为世界各国能源计划中的关键举措。综合能源系统通过燃气轮机、集热泵等设备，利用天然气实现了电能、热能的协调优化、相互转换，打破了能源多元化利用的壁垒，提升了能源利用效率。综合能源系统是未来城市能源变革的主要发展方向。
但综合能源系统相比于传统的电力系统、热力管道系统、供气系统等，由于存在多种能源形式之间的相互转化和用户对能源的多元化需求，在规划建设、运行调度过程中更为复杂。如何更为精细地对用户进行分类管理，预测用户用能行为，满足用户的用能需求，合理安排综合能源系统的生产计划，是综合能源系统经济、安全运行要解决的关键问题。
已有的负荷预测技术往往只能对某一时间进行总量预测，而产生这一负荷总量的深层次原因无法获悉，同时综合能源系统内天然气供给量、电能供给量、热能供给量是相互关联的，存在耦合关系，分别对各进行总量预测，难以挖掘其中各种能源之间利用的关联关系，无法解释不同用户的用能习惯与预测结果之间的关系。预测结果只能服务于生产计划的制定，无法服务于能源销售市场，无法有针对的制定阶梯价格等需求侧管理措施，指导用户的用能行为，合理避峰平谷，提升综合能源系统的运营效益。考虑以上问题，本发明提供了一种适用于综合能源系统用户用能行为预测的方法。
发明内容
本发明的目的是提供一种综合能源系统用户画像方法及系统，用于预测综合能源系统的能源需求预测，并能通过获取到典型用户的用能习惯，帮助综合能源系统的市场管理人员，制定合理的能源销售政策。
一种综合能源系统用户画像方法，包括以下步骤：
步骤1、从计量表获取各个时刻各用户的用电量、用热量、用气量并进行存储；
步骤2、对步骤1获得的数据进行分类和预处理；
步骤3、对步骤2分类和预处理后的各用户数据进行聚类分析，形成典型用户的数据画像，具体为：
1)从历史数据中任选K个样本值付给初始聚类中心μ1、…uk，K为大于1的自然数，并记Ck为第k个聚类样本集合(k取值范围为1-K)；
2)对于第i个样本点xi，计算其与各聚类中心uk的欧氏距离d(xi,μi)，找出欧式距离最小的聚类中心，将样本xi归入该聚类中心对应的样本集中；
3)当所有样本被分类后，重新计算K个聚类中心：
4)计算第g次迭代的收敛准则函数值(g为大于1的自然数)：
5)判断收敛性：若|E(g)-E(g-1)|＞ε0<ε<＝1则表示没有收敛，继续跳回步骤2)进行，直到公式(4)的结果收敛；
步骤4、根据步骤3得到的典型用户的数据画像，利用负荷预测方法进行总量预测，最终得到细化的用户用能行为与总量预测结果。
进一步的，所述步骤2具体包括：
步骤2.1、按照时间维度与能源属性维度，将数据进行分类，时间维度分为工作日数据、休息日数据和法定节假日数据，能源属性维度分为电能数据、热能数据和燃气数据，经排列组合后，各个用户的数据被分为工作日电能数据、工作日热能数据、工作日燃气数据、休息日电能数据、休息日热能数据、休息日燃气数据、法定节假日电能数据、法定节假日热能数据和法定节假日燃气数据；
步骤2.2、按步骤2.1的维度分类后，对数据中缺失数据、噪声数据进行处理。
进一步的，所述步骤2.2对数据中缺失数据、噪声数据进行处理具体为：
对于缺失的数据：对于由于设备故障或人为因素造成的部分空缺数据值，采用临近日期同时刻的平均值作为空缺数据。
该式表示i个临近数据中第n+j时刻数据缺失的处理，pn表示第
n个数据，pn+i表示第n+i个数据，pn+j表示第n+j个数据；
对于噪声数据：对于某一数据值相比于同期数据浮动大于50％的，认为其为由于采集系统错误或存储错误导致的噪声数据，对于此类数据通过下式进行处理：
其中，p(d,t)是第d天t时负荷值，p(t)是最近几日同一时刻的负荷平均值，θ为同期数据浮动的阈值。
进一步的，步骤3中利用负荷预测方法进行总量预测具体为：经过步骤3数据画像后，步骤1中排列组合每一类用户数据中共产生K组画像，利用支持向量机，对以上每一类每一组的数据分别进行总量预测，共计预测9*K次，支持向量机基本步骤如下：
(1)首先找输入量，校正误差，并进行归一化处理；
(2)形成训练样本矩阵；
(3)确定向量机的核参数；
(4)对样本数据进行训练，建立预测模型；
(5)预测指定时间段内的负荷。
对所有3*K次结果进行叠加，得到工作日电能数据、工作日热能数据、工作日燃气数据、休息日电能数据、休息日热能数据、休息日燃气数据、法定节假日电能数据、法定节假日热能数据和法定节假日燃气数据的总量预测结果。
一种综合能源系统用户画像系统，包括：
数据获取层，用于从计量表获取各个时刻各用户的用电量、用热量、用气量并进行存储；
数据处理层，用于对数据获取层获得的数据进行分类和预处理；
数据画像层，用于对数据处理层分类和预处理后的各用户数据进行聚类分析，形成典型用户的数据画像，具体为：
1)从历史数据中任选K个样本值付给初始聚类中心μ1、…uk，K为大于1的自然数，并记Ck为第k个聚类样本集合(k取值范围为1-K)；
2)对于第i个样本点xi，计算其与各聚类中心uk的欧氏距离d(xi,μi)，找出欧式距离最小的聚类中心，将样本xi归入该聚类中心对应的样本集中；
3)当所有样本被分类后，重新计算K个聚类中心：
4)计算第g次迭代的收敛准则函数值(g为大于1的自然数)：
5)判断收敛性：若|E(g)-E(g-1)|＞ε0<ε<＝1则表示没有收敛，继续跳回步骤2)进行，直到公式(4)的结果收敛；
步骤；
数据应用层，用于根据数据画像层得到的典型用户的数据画像，利用负荷预测方法进行总量预测，最终得到细化的用户用能行为与总量预测结果。
进一步的，所述数据处理层包括数据分类模块和数据预处理模块，
所述数据分类模块，用于按照时间维度与能源属性维度，将数据进行分类，时间维度分为工作日数据、休息日数据和法定节假日数据，能源属性维度分为电能数据、热能数据和燃气数据，经排列组合后，各个用户的数据被分为工作日电能数据、工作日热能数据、工作日燃气数据、休息日电能数据、休息日热能数据、休息日燃气数据、法定节假日电能数据、法定节假日热能数据和法定节假日燃气数据；
所述数据预处理模块用于对数据中缺失数据、噪声数据进行处理，具体的：
对于缺失的数据：对于由于设备故障或人为因素造成的部分空缺数据值，采用临近日期同时刻的平均值作为空缺数据。
该式表示i个临近数据中第n+j时刻数据缺失的处理，pn表示第
n个数据，pn+i表示第n+i个数据，pn+j表示第n+j个数据；
对于噪声数据：对于某一数据值相比于同期数据浮动大于50％的，认为其为由于采集系统错误或存储错误导致的噪声数据，对于此类数据通过下式进行处理：
其中，p(d,t)是第d天t时负荷值，p(t)是最近几日同一时刻的负荷平均值，θ为同期数据浮动的阈值。
本发明的有益效果是：基于精细化分类后的总量预测，便于综合能源系统管理人员细分用户的用能习惯，分析总量预测结果于用户用能行为之间的关系，便于市场人员制定合理的能源阶梯价格和套餐费用，实现能源利用的削峰填谷，提升设备与能源的利用率，降低能源损耗与运行成本，提升综合能源系统运行的经济性与安全性。
附图说明
图1为一种综合能源系统用户画像方法的流程图；
图2为支持向量机预测模型流程图；
图3为数据画像的示例图。
具体实施方式
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
结合图1进行说明，一种综合能源系统用户画像方法包括以下步骤：
步骤1.数据获取层：从计量表获取各个时刻各用户的用电量、用热量、用气量并进行存储；
步骤2.数据处理层：对步骤1获得的数据进行分类和预处理
步骤2.1按照时间维度与能源属性维度，将数据进行分类，时间维度分为工作日数据、休息日数据和法定节假日数据，能源属性维度分为电能数据、热能数据和燃气数据，经排列组合后，各个用户的数据被分为工作日电能数据、工作日热能数据、工作日燃气数据、休息日电能数据、休息日热能数据、休息日燃气数据、法定节假日电能数据、法定节假日热能数据和法定节假日燃气数据；
步骤2.2按以上维度分类后，对数据中缺失数据、噪声数据进行处理，处理方式如下：
(1)缺失的数据：对于由于设备故障或人为因素造成的部分空缺数据值，采用临近日期同时刻的平均值作为空缺数据。
该式表示i个临近数据中第n+j时刻数据缺失的处理，pn表示第n个数据，pn+i表示第n+i个数据，pn+j表示第n+j个数据。
(2)噪声数据：对于某一数据值相比于同期数据浮动大于50％的，就认为其为由于采集系统错误或存储错误导致的噪声数据。对于这样的数据通过下式进行处理：
其中，p(d,t)是第d天t时负荷值，p(t)是最近几日同一时刻的负荷平均值，θ为同期数据浮动的阈值。
步骤3.数据画像层：对分类和预处理后的各用户数据进行聚类分析，形成典型用户的数据画像。按步骤1中排列组合后的分类，每一类中用户数据的画像过程按以下序号步骤进行：
1)从历史数据中任选K个样本值付给初始聚类中心μ1、…uk，K为大于1的自然数，并记Ck为第k个聚类样本集合(k取值范围为1-K)；
2)对于第i个样本点xi，计算其与各聚类中心uk的欧氏距离d(xi,μi)，找出欧式距离最小的聚类中心，将样本xi归入该聚类中心对应的样本集中；
3)当所有样本被分类后，重新计算K个聚类中心：
4)计算第g次迭代的收敛准则函数值(g为大于1的自然数)：
5)判断收敛性。若|E(g)-E(g-1)|＞ε0<ε<＝1则表示没有收敛，继续跳回步骤2)进行，直到公式(4)的结果收敛。
步骤4.数据应用层：根据步骤3得到的典型用户的数据画像，利用负荷预测方法进行总量预测，最终得到细化的用户用能行为与总量预测结果；具体的，经过步骤3后可得到类似图3的一系列数据画像，步骤1中排列组合每一类用户数据中共产生K组画像，即数据再可以细分为工作日电能数据1组、2组……K组，工作日热能数据1组、2组……K组，工作日燃气数据1组、2组……K组，休息日电能数据1组、2组……K组，休息日热能数据1组、2组……K组，休息日燃气数据1组、2组……K组，法定节假日电能数据1组、2组……K组，法定节假日热能数据1组、2组……K组，和法定节假日燃气数据1组、2组……K组。利用支持向量机，对以上每一类每一组的数据分别进行总量预测，共计预测9*K次。如图2所示，支持向量机基本步骤如下：
(1)首先找输入量，校正误差，并进行归一化处理；
(2)形成训练样本矩阵；
(3)确定向量机的核参数；
(4)对样本数据进行训练，建立预测模型；
(5)预测指定时间段内的负荷。
对所有3*K次结果进行叠加，可以得到工作日电能数据、工作日热能数据、工作日燃气数据、休息日电能数据、休息日热能数据、休息日燃气数据、法定节假日电能数据、法定节假日热能数据和法定节假日燃气数据的总量预测结果。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种综合能源系统用户画像方法，其特征在于包括如下步骤：
步骤1、从计量表获取各个时刻各用户的用电量、用热量、用气量并进行存储；
步骤2、对步骤1获得的数据进行分类和预处理；
步骤3、对步骤2分类和预处理后的各用户数据进行聚类分析，形成典型用户的数据画像，具体为：
1)从历史数据中任选K个样本值付给初始聚类中心μ1、…uk，K为大于1的自然数，并记Ck为第k个聚类样本集合(k取值范围为1-K)；
2)对于第i个样本点xi，计算其与各聚类中心uk的欧氏距离d(xi,μi)，找出欧式距离最小的聚类中心，将样本xi归入该聚类中心对应的样本集中；
3)当所有样本被分类后，重新计算K个聚类中心：
4)计算第g次迭代的收敛准则函数值(g为大于1的自然数)：
5)判断收敛性：若|E(g)-E(g-1)|＞ε 0<ε<＝1则表示没有收敛，继续跳回步骤2)进行，直到公式(4)的结果收敛；
步骤4、根据步骤3得到的典型用户的数据画像，利用负荷预测方法进行总量预测，最终得到细化的用户用能行为与总量预测结果。
2.如权利要求1所述的综合能源系统用户画像方法，其特征在于：所述步骤2具体包括：
步骤2.1、按照时间维度与能源属性维度，将数据进行分类，时间维度分为工作日数据、休息日数据和法定节假日数据，能源属性维度分为电能数据、热能数据和燃气数据，经排列组合后，各个用户的数据被分为工作日电能数据、工作日热能数据、工作日燃气数据、休息日电能数据、休息日热能数据、休息日燃气数据、法定节假日电能数据、法定节假日热能数据和法定节假日燃气数据；
步骤2.2、按步骤2.1的维度分类后，对数据中缺失数据、噪声数据进行处理。
3.如权利要求2所述的综合能源系统用户画像方法，其特征在于：所述步骤2.2对数据中缺失数据、噪声数据进行处理具体为：
对于缺失的数据：对于由于设备故障或人为因素造成的部分空缺数据值，采用临近日期同时刻的平均值作为空缺数据。
该式表示i个临近数据中第n+j时刻数据缺失的处理，pn表示第n个数据，pn+i表示第n+i个数据，pn+j表示第n+j个数据；
对于噪声数据：对于某一数据值相比于同期数据浮动大于50％的，认为其为由于采集系统错误或存储错误导致的噪声数据，对于此类数据通过下式进行处理：
其中，p(d,t)是第d天t时负荷值，p(t)是最近几日同一时刻的负荷平均值，θ为同期数据浮动的阈值。
4.如权利要求1所述的综合能源系统用户画像方法，其特征在于：步骤3中利用负荷预测方法进行总量预测具体为：经过步骤3数据画像后，步骤1中排列组合每一类用户数据中共产生K组画像，利用支持向量机，对以上每一类每一组的数据分别进行总量预测，共计预测9*K次，支持向量机基本步骤如下：
(1)首先找输入量，校正误差，并进行归一化处理；
(2)形成训练样本矩阵；
(3)确定向量机的核参数；
(4)对样本数据进行训练，建立预测模型；
(5)预测指定时间段内的负荷。
对所有3*K次结果进行叠加，得到工作日电能数据、工作日热能数据、工作日燃气数据、休息日电能数据、休息日热能数据、休息日燃气数据、法定节假日电能数据、法定节假日热能数据和法定节假日燃气数据的总量预测结果。
5.一种综合能源系统用户画像系统，其特征在于包括：
数据获取层，用于从计量表获取各个时刻各用户的用电量、用热量、用气量并进行存储；
数据处理层，用于对数据获取层获得的数据进行分类和预处理；
数据画像层，用于对数据处理层分类和预处理后的各用户数据进行聚类分析，形成典型用户的数据画像，具体为：
1)从历史数据中任选K个样本值付给初始聚类中心μ1、…uk，K为大于1的自然数，并记Ck为第k个聚类样本集合(k取值范围为1-K)；
2)对于第i个样本点xi，计算其与各聚类中心uk的欧氏距离d(xi,μi)，找出欧式距离最小的聚类中心，将样本xi归入该聚类中心对应的样本集中；
3)当所有样本被分类后，重新计算K个聚类中心：
4)计算第g次迭代的收敛准则函数值(g为大于1的自然数)：
5)判断收敛性：若|E(g)-E(g-1)|＞ε0<ε<＝1则表示没有收敛，继续跳回步骤2)进行，直到公式(4)的结果收敛；
步骤；
数据应用层，用于根据数据画像层得到的典型用户的数据画像，利用负荷预测方法进行总量预测，最终得到细化的用户用能行为与总量预测结果。
6.如权利要求5所述的综合能源系统用户画像系统，其特征在于：所述数据处理层包括数据分类模块和数据预处理模块，
所述数据分类模块，用于按照时间维度与能源属性维度，将数据进行分类，时间维度分为工作日数据、休息日数据和法定节假日数据，能源属性维度分为电能数据、热能数据和燃气数据，经排列组合后，各个用户的数据被分为工作日电能数据、工作日热能数据、工作日燃气数据、休息日电能数据、休息日热能数据、休息日燃气数据、法定节假日电能数据、法定节假日热能数据和法定节假日燃气数据；
所述数据预处理模块用于对数据中缺失数据、噪声数据进行处理，具体的：
对于缺失的数据：对于由于设备故障或人为因素造成的部分空缺数据值，采用临近日期同时刻的平均值作为空缺数据。
该式表示i个临近数据中第n+j时刻数据缺失的处理，pn表示第n个数据，pn+i表示第n+i个数据，pn+j表示第n+j个数据；
对于噪声数据：对于某一数据值相比于同期数据浮动大于50％的，认为其为由于采集系统错误或存储错误导致的噪声数据，对于此类数据通过下式进行处理：
其中，p(d,t)是第d天t时负荷值，p(t)是最近几日同一时刻的负荷平均值，θ为同期数据浮动的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910270900.0A CN110009527A (zh) | 2019-04-04 | 2019-04-04 | 一种综合能源系统用户画像方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910270900.0A CN110009527A (zh) | 2019-04-04 | 2019-04-04 | 一种综合能源系统用户画像方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110009527A true CN110009527A (zh) | 2019-07-12 |
Family
ID=67169926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910270900.0A Pending CN110009527A (zh) | 2019-04-04 | 2019-04-04 | 一种综合能源系统用户画像方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009527A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881190A (zh) * | 2020-08-05 | 2020-11-03 | 厦门力含信息技术服务有限公司 | 基于客户画像的关键数据挖掘系统 |
| CN112188287A (zh) * | 2020-10-14 | 2021-01-05 | 广州欢网科技有限责任公司 | 观影主体识别方法、系统及设备 |
| CN112862179A (zh) * | 2021-02-03 | 2021-05-28 | 国网山西省电力公司吕梁供电公司 | 一种用能行为的预测方法、装置及计算机设备 |
| CN113516313A (zh) * | 2021-07-20 | 2021-10-19 | 上海航天能源股份有限公司 | 一种基于用户画像的燃气异常检测方法 |
| CN113779407A (zh) * | 2021-09-17 | 2021-12-10 | 国网江西省电力有限公司供电服务管理中心 | 一种家庭智慧用能套餐推荐方法及装置 |
| CN113793078A (zh) * | 2021-11-17 | 2021-12-14 | 氢山科技有限公司 | 节假日氢能源需求量确定方法、装置和存储介质 |
| WO2021258635A1 (zh) * | 2020-06-24 | 2021-12-30 | 山东建筑大学 | 基于用水规律的用户画像方法与系统 |
| CN114119289A (zh) * | 2021-12-01 | 2022-03-01 | 河南博元电力科技股份有限公司 | 综合能源监控数据的处理方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764335A (zh) * | 2018-05-28 | 2018-11-06 | 南方电网科学研究院有限责任公司 | 一种综合能源系统多能需求典型场景生成方法及装置 |
| US20190089153A1 (en) * | 2005-06-06 | 2019-03-21 | Gridpoint, Inc. | Optimized energy management system |
-
2019
- 2019-04-04 CN CN201910270900.0A patent/CN110009527A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190089153A1 (en) * | 2005-06-06 | 2019-03-21 | Gridpoint, Inc. | Optimized energy management system |
| CN108764335A (zh) * | 2018-05-28 | 2018-11-06 | 南方电网科学研究院有限责任公司 | 一种综合能源系统多能需求典型场景生成方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 马天男等: "多源异构大数据下综合能源系统用户用能行为预测分析研究", 《电网分析与研究》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021258635A1 (zh) * | 2020-06-24 | 2021-12-30 | 山东建筑大学 | 基于用水规律的用户画像方法与系统 |
| CN111881190A (zh) * | 2020-08-05 | 2020-11-03 | 厦门力含信息技术服务有限公司 | 基于客户画像的关键数据挖掘系统 |
| CN112188287A (zh) * | 2020-10-14 | 2021-01-05 | 广州欢网科技有限责任公司 | 观影主体识别方法、系统及设备 |
| CN112862179A (zh) * | 2021-02-03 | 2021-05-28 | 国网山西省电力公司吕梁供电公司 | 一种用能行为的预测方法、装置及计算机设备 |
| CN113516313A (zh) * | 2021-07-20 | 2021-10-19 | 上海航天能源股份有限公司 | 一种基于用户画像的燃气异常检测方法 |
| CN113779407A (zh) * | 2021-09-17 | 2021-12-10 | 国网江西省电力有限公司供电服务管理中心 | 一种家庭智慧用能套餐推荐方法及装置 |
| CN113793078A (zh) * | 2021-11-17 | 2021-12-14 | 氢山科技有限公司 | 节假日氢能源需求量确定方法、装置和存储介质 |
| CN114119289A (zh) * | 2021-12-01 | 2022-03-01 | 河南博元电力科技股份有限公司 | 综合能源监控数据的处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009527A (zh) | 一种综合能源系统用户画像方法及系统 | |
| Yuan et al. | Regional energy security performance evaluation in China using MTGS and SPA-TOPSIS | |
| Wu et al. | Site selection decision framework using fuzzy ANP-VIKOR for large commercial rooftop PV system based on sustainability perspective | |
| Cavallaro | A comparative assessment of thin-film photovoltaic production processes using the ELECTRE III method | |
| Dong et al. | ROI-based study on impact factors of distributed PV projects by LSSVM-PSO | |
| CN107256442B (zh) | 基于移动客户端的线损计算方法 | |
| Reche-López et al. | Comparison of metaheuristic techniques to determine optimal placement of biomass power plants | |
| Qiao et al. | A Petri net and extended genetic algorithm combined scheduling method for wafer fabrication | |
| Sun et al. | Can Chinese cities reach their carbon peaks on time? Scenario analysis based on machine learning and LMDI decomposition | |
| CN109670694A (zh) | 一种多能源供给系统负荷预测方法 | |
| CN110084430A (zh) | 一种考虑时空特性设计分布式光伏出力预测模型的方法 | |
| Kang et al. | Load profile synthesis and wind-power-generation prediction for an isolated power system | |
| Flammini et al. | Reducing fossil fuel-based generation: Impact on wholesale electricity market prices in the North-Italy bidding zone | |
| Liu et al. | Power data mining in smart grid environment | |
| Naderi et al. | Multi-objective optimal power flow incorporating flexible alternating current transmission systems: application of a wavelet-oriented evolutionary algorithm | |
| Xiao et al. | Regional classification and competitiveness of port cluster: a case study of China's coastal ports | |
| CN106529742A (zh) | 一种利用日负荷率搜库法预测电网典型日负荷的方法 | |
| CN110472770A (zh) | 一种光伏发电功率预测方法 | |
| CN105005623A (zh) | 基于关键词检索指数相关性分析的用电需求预测方法 | |
| CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
| Rambey et al. | PV industry in China and three Southeast Asia countries: A systematic literature review using PRISMA | |
| CN115456205A (zh) | 一种大规模多目标机组检修优化方法 | |
| CN107273515A (zh) | 基于多形态数据索引技术的电网数据资产资源检索及展示 | |
| CN114330824A (zh) | 一种考虑源荷协同运行的能源需求预测方法及系统 | |
| Han et al. | Requirements analysis and application research of big data in power network dispatching and planning |
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 |
Application publication date: 20190712 |
|
| RJ01 | Rejection of invention patent application after publication |