CN110991555A - 一种典型行业的用户用电量异常监控方法 - Google Patents
一种典型行业的用户用电量异常监控方法 Download PDFInfo
- Publication number
- CN110991555A CN110991555A CN201911294955.1A CN201911294955A CN110991555A CN 110991555 A CN110991555 A CN 110991555A CN 201911294955 A CN201911294955 A CN 201911294955A CN 110991555 A CN110991555 A CN 110991555A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- industry
- typical
- type
- value
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000000203 mixture Substances 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 238000009472 formulation Methods 0.000 description 3
- 241000728173 Sarima Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种典型行业的用户用电量异常监控方法,包括以下步骤:收集典型行业的用电量数据;对用电量数据进行聚类,得到行业偏好分类;通过神经网络算法计算每一类行业偏好中用户的用电量预测值;挑选行业偏好分类中每一类行业偏好的典型用户,并根据典型用户的用电量预测值计算每一类行业偏好的用电量标杆值;利用每一类行业偏好的用电量标杆值进行用电量异常监控。与现有技术相比,实用性强、操作便捷且拓展性强。
Description
技术领域
本发明涉及智能电网领域,尤其是涉及一种典型行业的用户用电量异常监控方法。
背景技术
随着智能电网的不断发展,智能配用电网建设的不断深入,采集终端数量的急剧增长以及采集频度的大幅增强,配用电数据量由TB级向PB级发展,数据量的大幅增长给数据挖掘带来了挑战。同时,配用电业务逐步向自动化、智能化方向发展,对数据存储和处理的高效性、价值挖掘的准确性和实时性以及人机交互和可视化效果提出了更高要求。因此,研究智能配用电大数据的挖掘分析技术,以充分获取数据价值,使业务决策建立在更加科学的依据基础上,提高配用电运行效率、危机应对能力和公共服务水平,为电力企业决策与管理提供科学指导,具有重要的意义与价值。
传统的电力用户行为特征分析与应用研究,多数集中于居民侧的客户行为分析,多为单一应用模块的研究如用户分类、电量预测、策略制定等,偏重于理论性研究,能够有效结合实际的电力营销业务管理的较少。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种典型行业的用户用电量异常监控方法。
本发明的目的可以通过以下技术方案来实现:
一种典型行业的用户用电量异常监控方法,该方法包括以下步骤:
步骤S1:收集典型行业的用电量数据;
步骤S2:对用电量数据进行聚类,得到行业偏好分类;
步骤S3:通过神经网络算法计算每一类行业偏好中用户的用电量预测值;
步骤S4:挑选行业偏好分类中每一类行业偏好的典型用户,并根据典型用户的用电量预测值计算每一类行业偏好的用电量标杆值;
步骤S5:利用每一类行业偏好的用电量标杆值进行用电量异常监控。
所述的用电量数据通过系统数据抽取和专家调研获得。
所述的用电量数据包括变压器容量、月用电量和变压器增减容。
所述的神经网络算法包括随机森林算法。
所述的用电量标杆值为:
用电量标杆值=用电量预测值/合同容量。
所述的步骤S5包括:
步骤S51:利用用电量标杆值获得每一类行业偏好的用电量标杆值阈值;
步骤S52:将每一类行业偏好中用户的实际用电量与相应的用电量标杆值阈值进行比较,若实际用电量偏离用电量标杆值阈值,为用电量异常,若实际用电量在用电量标杆值阈值范围内,为用电量正常。
所述聚类的方法为高斯混合聚类。
所述的用电量预测值包括月度用电量预测值和季度用电量预测值。
与现有技术相比,本发明具有以下优点:
(1)通过对典型行业的用电量数据进行聚类,并进一步得到每一类行业偏好的用电量标杆值从而进行用电量异常监控,相比于对分散的居民行为进行分析,对行业侧的行为进行分析可得到更多的宏观行为特征,有利于配电系统的进一步优化。
(2)将用户分类、用电量预测和用电量异常监控等过程整合,同时可指导策略的制定,实用性强,能够有效结合实际的电力营销业务管理。
(3)操作便捷,该方法可利用python语言实现快速调用和高效运算。通过编辑python程序代码包,便于用户后期自行运算与高效分析用电量及用电量标杆值等数据。
(4)拓展性强,在后续的实践中,可以通过用电量标杆值的预测,为地市供电公司电费回收提供依据,进行级别预警,也可以为用户提供经济用电方案,此外,还可以制定出针对典型行业的用户的差异化、定制化用电管理和综合能源服务方案,进一步提升服务满意度。
附图说明
图1为本发明的流程图;
图2为本发明实施例的三类客户群体分布图;
图3为本发明实施例高压用户的典型行业分布图;
图4为本发明实施例的典型行业峰平谷偏好;
图5为本发明实施例金属制品业0类偏好用电量预测值和实际值对比图;
图6为本发明实施例金属制品业峰平谷偏好的用电量标杆值示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种典型行业的用户用电量异常监控方法,如图1所示,通过对A供电公司典型行业的用电量数据进行分析,借助聚类和神经网络算法对每一类行业偏好中用户的用电量进行预测,得到合理的每一类行业偏好的用电量预测值,基于典型行业多元特征维度筛选具有代表意义的典型用户,计算得到每一类行业偏好的用电量标杆值,从而进行用电量异常监控,且同时可制定针对性的典型行业的用户用电管理提升策略应用,从而达到典型行业的用户用电精益化管理的目标。主要包括以下几步骤:
(1)收集典型行业的用电量数据
通过系统数据抽取、业务专家调研等方式,得到A供电公司各个典型行业的用电量数据。选取规模较大和波动较为平稳的行业作为典型行业,抽取A公供电公司近三年典型行业的变压器容量、月用电量、变压器增减容等数据。
(2)基于聚类和神经网络算法的用电量预测
对于每一个典型行业,根据用户的变压器容量、月用电量、变压器增减容等数据,利用聚类分析算法进行分类,得到行业偏好分类,行业偏好分类以不同的指标为准进行分类,如以变压器容量、用电量或者峰平谷占比为指标等,对每一类行业偏好分别构建用电量预测模型,利用随机森林算法、Xgboost算法或SARIMA模型进行典型行业月度和季度用电量预测与误差分析,从而得到相对精确的典型行业每一类行业偏好中用户月度与季度用电量预测值。
(3)计算每一类行业偏好的用电量标杆值
挑选行业偏好分类中每一类行业偏好的典型用户,典型用户为规模较大且波动较平稳的用户,并根据典型用户的用电量预测值计算每一类行业偏好的用电量标杆值。通过设定合理的用电量标杆值阈值,判断用户在业内的用电水平和用电量波动情况,梳理并构建用电量高于用电量标杆值阈值,或用电量低于用电量标杆值阈值的细分原因库,从而明确后续提升工作的重点方向。
(4)利用每一类行业偏好的用电量标杆值进行用电量异常监控以及典型行业用电量管理提升策略制定。
将每一类行业偏好中用户的实际用电量与相应的用电量标杆值阈值进行比较,若实际用电量偏离用电量标杆值阈值,为用电量异常,若实际用电量在用电量标杆值阈值范围内,为用电量正常;同时结合A供电公司实际管理需求,可从管理层面和技术层面两个角度分别制定针对性的典型行业用电量管理提升策略,如针对用电量偏离用电量标杆值阈值的用户,结合其变压器负载情况,提出增容或减容建议,针对用电量存在波动异常的用户,结合实际情况提出电费风险预警等策略,对各项应用策略后期实现闭环跟踪,并根据执行效果进行优化,有效监测用户用电量异常情况。
下面结合附图进行说明:
(1)收集典型行业的用电量数据
将A公司服务的客户分为:高压客户、低压容量在50kW以下的客户、低压容量在50-150kW客户等三类客户群体,从三类客户群体中筛选出满足户变关联无差错、供电负荷正常、数据采集无异常等条件的用户,作为典型行业选取的原始范围。通过数据预处理,最终获取A供电公司总计108830条数据记录,涉及103744个用户,其中高压用户2655户、低压且容量在50kW至150kW之间的用户5618户、低压容量在50kW以下的用户95471户,如图2所示。
以高压客户为例,从2655户高压用户中选取用电量规模较大和用电量波动较平稳的行业作为典型行业。实际操作中,某些行业如工业、房地产业用户数较多,应进一步细分至二级、三级行业;而某些行业,如建筑业等,则维持一级行业即可,无需再进行细分。最终获得高压用户典型行业分布结果如图3所示。
(2)基于聚类和神经网络算法的用电量预测
针对高压用户的典型行业,对峰电量占比、平电量占比、谷电量占比进行高斯混合聚类,得到行业峰平谷偏好(注:这里的偏好聚类以季度数据来做,月度的偏好根据所在的季度与季度的结果保持一致),如图4所示;对每一类行业偏好(0类表示绝对偏好平;1类表示峰、平、谷偏好差别不大;2类表示偏好平,而峰、谷偏好较弱)通过神经网络算法计算其用户的用电量预测值,根据提供的201701-201905的数据,利用三个月的数据做滚动预测,得到未来3个月的每一类偏好的用电量预测值。分别采用随机森林算法、Xgboost算法或SARIMA算法进行用电量预测,并使用平均绝对误差指标(MAE)计算预测误差值:
MAE=(abs(y_true-y_pred))/(y_true)
其中,abs为绝对值,y_true为实际值,y_pred为预测值。
通过使用平均绝对误差指标(MAE)计算预测误差值,最终决定采用随机森林算法进行用电量预测。以金属制品业作为示例进行分析,图5为金属制品业0类偏好用电量预测值和实际值对比分析图,可以看出金属制品业2019年3-4月用电量预测值与实际值趋势相同;4月用电量预测值与实际值较为接近;5月份用电量预测值与实际值存在一定偏差,结合实际情况分析,此举可能与受中美贸易战影响导致金属制品行业出口量明显下降等因素有关。
(3)计算每一类行业偏好的用电量标杆值
挑选行业偏好分类中每一类行业偏好的典型用户,典型用户为规模较大且波动较平稳的用户,并根据典型用户的用电量预测值计算每一类行业偏好的用电量标杆值,图6为金属制品业峰平谷偏好的用电量标杆值。通过设定合理的用电量标杆值阈值,判断用户在业内的用电水平和用电量波动情况,用电量标杆值阈值范围为0.8×用电量标杆值-1.2×用电量标杆值,从而明确后续提升工作的重点方向。其中,
用电量标杆值=实际用电量/合同容量
(4)利用每一类行业偏好的用电量标杆值进行用电量异常监控以及典型行业用电量管理提升策略制定。
将每一类行业偏好中用户的实际用电量与相应的标杆值阈值进行比较,若实际用电量偏离标杆值阈值,为用电量异常,若实际用电量在标杆值阈值范围内,为用电量正常。
典型行业用电量管理提升策略制定的主要实现步骤如下:
a.典型行业的用电量与用电量标杆值常态化监测、预测及应用。
b.基于模糊聚类的典型行业的用户用电行为分析,制定差异化的用电管理提升策略。
c.综合线下调研与用电行为数据分析,为用户精准化推介综合能源业务。
Claims (8)
1.一种典型行业的用户用电量异常监控方法,其特征在于,该方法包括以下步骤:
步骤S1:收集典型行业的用电量数据;
步骤S2:对用电量数据进行聚类,得到行业偏好分类;
步骤S3:通过神经网络算法计算每一类行业偏好中用户的用电量预测值;
步骤S4:挑选行业偏好分类中每一类行业偏好的典型用户,并根据典型用户的用电量预测值计算每一类行业偏好的用电量标杆值;
步骤S5:利用每一类行业偏好的用电量标杆值进行用电量异常监控。
2.根据权利要求1所述的一种典型行业的用户用电量异常监控方法,其特征在于,所述的用电量数据通过系统数据抽取和专家调研获得。
3.根据权利要求1所述的一种典型行业的用户用电量异常监控方法,其特征在于,所述的用电量数据包括变压器容量、月用电量和变压器增减容。
4.根据权利要求1所述的一种典型行业的用户用电量异常监控方法,其特征在于,所述的神经网络算法包括随机森林算法。
5.根据权利要求1所述的一种典型行业的用户用电量异常监控方法,其特征在于,所述的用电量标杆值为:
用电量标杆值=用电量预测值/合同容量。
6.根据权利要求1所述的一种典型行业的用户用电量异常监控方法,其特征在于,所述的步骤S5包括:
步骤S51:利用用电量标杆值获得每一类行业偏好的用电量标杆值阈值;
步骤S52:将每一类行业偏好中用户的实际用电量与相应的用电量标杆值阈值进行比较,若实际用电量偏离用电量标杆值阈值,为用电量异常,若实际用电量在用电量标杆值阈值范围内,为用电量正常。
7.根据权利要求1所述的一种典型行业的用户用电量异常监控方法,其特征在于,所述聚类的方法为高斯混合聚类。
8.根据权利要求1所述的一种典型行业的用户用电量异常监控方法,其特征在于,所述的用电量预测值包括月度用电量预测值和季度用电量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294955.1A CN110991555A (zh) | 2019-12-16 | 2019-12-16 | 一种典型行业的用户用电量异常监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294955.1A CN110991555A (zh) | 2019-12-16 | 2019-12-16 | 一种典型行业的用户用电量异常监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991555A true CN110991555A (zh) | 2020-04-10 |
Family
ID=70094094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911294955.1A Pending CN110991555A (zh) | 2019-12-16 | 2019-12-16 | 一种典型行业的用户用电量异常监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991555A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539845A (zh) * | 2020-04-21 | 2020-08-14 | 国网四川省电力公司电力科学研究院 | 一种基于用电模式隶属评分的企业环保管控响应研判方法 |
CN112101635A (zh) * | 2020-08-25 | 2020-12-18 | 南方电网深圳数字电网研究院有限公司 | 一种用电异常的监测方法和系统 |
CN113222245A (zh) * | 2021-05-11 | 2021-08-06 | 深圳供电局有限公司 | 居民用户月度电量电费异常核查方法及系统、存储介质 |
CN114169802A (zh) * | 2021-12-31 | 2022-03-11 | 佰聆数据股份有限公司 | 电网用户需求响应潜力分析方法、系统及存储介质 |
CN115577836A (zh) * | 2022-09-29 | 2023-01-06 | 深圳市三正电子有限公司 | 基于mcu进行信息采集的方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN106599436A (zh) * | 2016-12-08 | 2017-04-26 | 湖南大学 | 办公建筑用户在室行为预测方法 |
CN108345981A (zh) * | 2017-12-28 | 2018-07-31 | 国网上海市电力公司 | 一种基于负荷分类的典型台区线损率标杆值计算方法及其应用 |
CN109446243A (zh) * | 2018-11-30 | 2019-03-08 | 石家庄科林电气股份有限公司 | 一种基于大数据分析检测光伏电站发电异常的方法 |
CN109636667A (zh) * | 2018-12-07 | 2019-04-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于用户周用电特征的低压用户用电异常检测方法 |
CN109685581A (zh) * | 2019-01-03 | 2019-04-26 | 江苏方天电力技术有限公司 | 一种基于标签聚类技术的电力大客户用电行为分析方法 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN109858728A (zh) * | 2018-12-03 | 2019-06-07 | 国网浙江省电力有限公司台州供电公司 | 基于分行业用电特性分析的负荷预测方法 |
CN110135612A (zh) * | 2018-07-05 | 2019-08-16 | 国网江苏省电力有限公司物资分公司 | 基于用电量分析的物资供应商生产能力监控及异常预警方法 |
-
2019
- 2019-12-16 CN CN201911294955.1A patent/CN110991555A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN106599436A (zh) * | 2016-12-08 | 2017-04-26 | 湖南大学 | 办公建筑用户在室行为预测方法 |
CN108345981A (zh) * | 2017-12-28 | 2018-07-31 | 国网上海市电力公司 | 一种基于负荷分类的典型台区线损率标杆值计算方法及其应用 |
CN110135612A (zh) * | 2018-07-05 | 2019-08-16 | 国网江苏省电力有限公司物资分公司 | 基于用电量分析的物资供应商生产能力监控及异常预警方法 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN109446243A (zh) * | 2018-11-30 | 2019-03-08 | 石家庄科林电气股份有限公司 | 一种基于大数据分析检测光伏电站发电异常的方法 |
CN109858728A (zh) * | 2018-12-03 | 2019-06-07 | 国网浙江省电力有限公司台州供电公司 | 基于分行业用电特性分析的负荷预测方法 |
CN109636667A (zh) * | 2018-12-07 | 2019-04-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于用户周用电特征的低压用户用电异常检测方法 |
CN109685581A (zh) * | 2019-01-03 | 2019-04-26 | 江苏方天电力技术有限公司 | 一种基于标签聚类技术的电力大客户用电行为分析方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539845A (zh) * | 2020-04-21 | 2020-08-14 | 国网四川省电力公司电力科学研究院 | 一种基于用电模式隶属评分的企业环保管控响应研判方法 |
CN111539845B (zh) * | 2020-04-21 | 2020-12-29 | 国网四川省电力公司电力科学研究院 | 一种基于用电模式隶属评分的企业环保管控响应研判方法 |
CN112101635A (zh) * | 2020-08-25 | 2020-12-18 | 南方电网深圳数字电网研究院有限公司 | 一种用电异常的监测方法和系统 |
CN113222245A (zh) * | 2021-05-11 | 2021-08-06 | 深圳供电局有限公司 | 居民用户月度电量电费异常核查方法及系统、存储介质 |
CN114169802A (zh) * | 2021-12-31 | 2022-03-11 | 佰聆数据股份有限公司 | 电网用户需求响应潜力分析方法、系统及存储介质 |
CN115577836A (zh) * | 2022-09-29 | 2023-01-06 | 深圳市三正电子有限公司 | 基于mcu进行信息采集的方法及装置 |
CN115577836B (zh) * | 2022-09-29 | 2023-06-30 | 深圳市三正电子有限公司 | 基于mcu进行信息采集的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991555A (zh) | 一种典型行业的用户用电量异常监控方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN111624931B (zh) | 工业园区用电互联网智能运维管控系统及其方法 | |
CN110930198A (zh) | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 | |
CN112085256B (zh) | 考虑负荷跃变的全周期负荷预测方法 | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
CN113344449B (zh) | 一种预测月尺度工业需水量的方法 | |
CN110866841A (zh) | 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 | |
CN111815026A (zh) | 一种基于特征聚类的多能源系统负荷预测方法 | |
CN111310854A (zh) | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 | |
CN116402187A (zh) | 一种基于电力大数据的企业排污预测方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN112686491A (zh) | 一种基于用电行为的企业电力数据分析方法 | |
CN116131256A (zh) | 一种基于设备同时率的配电网可开放容量计算方法和系统 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
Li et al. | A machine learning-based decision support framework for energy storage selection | |
Liu et al. | Analysis of customers' electricity consumption behavior based on massive data | |
Ya’An | Application of artificial intelligence in computer network technology in the era of big data | |
CN114662563A (zh) | 一种基于梯度提升算法的工业用电非侵入负荷分解方法 | |
Wang et al. | Optimization of clustering analysis of residential electricity consumption behavior | |
Chen et al. | Research on power consumption behavior analysis based on power big data | |
Hu et al. | Big data management and application research in power load forecasting and power transmission and transformation equipment evaluation | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
Anuar et al. | Determination of typical electricity load profile by using double clustering of fuzzy c-means and hierarchical method |
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: 20200410 |