CN111026791A - 一种基于居民细粒度用电数据的用户类型判定方法 - Google Patents
一种基于居民细粒度用电数据的用户类型判定方法 Download PDFInfo
- Publication number
- CN111026791A CN111026791A CN201911368382.2A CN201911368382A CN111026791A CN 111026791 A CN111026791 A CN 111026791A CN 201911368382 A CN201911368382 A CN 201911368382A CN 111026791 A CN111026791 A CN 111026791A
- Authority
- CN
- China
- Prior art keywords
- time
- power consumption
- electricity consumption
- resident
- subentry
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供一种基于居民细粒度用电数据的用户类型判定方法,所述方法利用所采集的居民用户的细粒度用电数据,使用统计类指标评估公式,计算得到各居民用户的统计类指标值,进一步算出评定类指标结果;根据分析界定的用户类型及其特征表征量,综合评判用户每天的类型情况,然后按月统计得到用户所属不同类型的比例情况,根据用户类型的逻辑判定方法得出用户的性质判定结果。本发明基于对细粒度用电数据的进一步挖掘,提供对用户类型的判定,为电网深化用能服务提供参考。
Description
技术领域
本发明属于配用电和大数据应用领域,尤其涉及一种基于居民细粒度用电数据的用户类型判定方法。
背景技术
随着我国城镇居民生活水平的提高,居民用电量呈飞速增长的态势,近些年来新增用电量中居民用电的比例高达38%;空调等非生产负荷急剧增长,已成为电网高尖峰负荷的主因,导致电网峰谷差持续增大。空调高峰负荷占比达到1/3甚至达到40%,局部地区超过50%。为应对日益扩大的峰谷差,每年需投入巨资用于电厂和电网的建设,但这些发、输电设备年利用小时低,调峰成本高,真正发挥作用的时长仅为60~70个小时,造成了社会资源的极大浪费。此外,居民用电还呈现用电行为复杂、综合能耗高、与电网互动能力较弱等特点,对居民用户开展用电行为分析和双向互动的重要性日益凸显,针对不同类型的居民用户开展不同的需求侧管理技术研究及实践,是缓解电网供需紧张重要的解决途径。
相对于侵入式负荷辨识方案而言,非侵入式负荷辨识无需进入居民家庭内部安装大量智能插座,只需采样用户总进线处的电压与电流,通过智能算法即可分解并辨识出电器的工作序列,具备施工简单和推广难度低的优点。
通过非侵入负荷辨识技术采集居民的细粒度用电行为,可以为电网供需互动和用户服务提供有效的细粒度用电支撑。已有研究和应用主要为了支撑能效诊断服务、电能替代服务、需求响应等电网供需互动业务,但是细粒度用电数据所蕴含的丰富价值未完全深度挖掘。
因此,如何通过挖掘细粒度用电数据,划分判定用户的所属类型,从而为电网定向服务、政府相关部门能源策略制定提供精准数据支撑是本领域技术人员需要解决的技术问题。
发明内容
本发明公开了一种基于居民细粒度用电数据的用户类型判定方法,解决了通过挖掘细粒度用电数据,划分判定用户的所属类型,为电网定向服务、政府相关部门能源策略制定提供精准数据的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
一种基于居民细粒度用电数据的用户类型判定方法,包括以下步骤:
利用所采集的居民细粒度用电数据,计算各居民用户的统计类指标值;其中,所述居民细粒度用电数据是按照15分钟一个断面频率采集的居民分项电器用电数据,所述分项电器包含空调、电热负荷以及微功率类负荷;
计算各居民用户的判定类指标值,具体包括计算分项电器在工作日以及周末不同时段的用电量占比系数,形成分项电器用电量占比系数判定矩阵,计算分项电器最大系数所处的时段;其中,所述分项电器用电量占比系数判定矩阵包括工作日分项电器用电量占比系数判定矩阵和周末分项电器用电量占比系数判定矩阵;
按月统计各居民用户分项电器在工作日及周末的统计类指标和判定类指标值,根据用户类型的逻辑判定方法来判定用户类型。
可选地,计算各居民用户用电的统计类指标值进一步包括:统计分项电器工作日不同时段的用电量,统计分项电器周末不同时段的用电量,形成分项电器用电量的判定矩阵,统计月度用电量判定矩阵的方差。
其中,Morn_Strt_Time为早峰开始时间,Morn_End_Time为早峰结束时间,Night_Strt_Time为晚峰开始时间,Night_End_Time为晚峰结束时间,j为时刻,eEq_wd(j)为分项电器Eq月度工作日j时刻的平均电量。
其中,Morn_Strt_Time为早峰开始时间,Morn_End_Time为早峰结束时间,Night_Strt_Time为晚峰开始时间,Night_End_Time为晚峰结束时间,j为时刻,eEq_wk(j)为分项电器Eq月度周末j时刻的平均电量。
其中,Ewd表示用户工作日用户每个时段的平均用电量,计算方法为:workday为月度工作日,length(workday)为月度工作日天数,Morn_Strt_Time为早峰开始时间,Morn_End_Time为早峰结束时间,Night_Strt_Time为晚峰开始时间,Night_End_Time为晚峰结束时间,为白天时段用电量,为晚间时段用电量,为早晚高峰时段用电量。
其中,Ewk表示用户周末每个时段的平均电量,计算方法为:其中weekend表示月度周末日,length(weekend)为月度周末的天数,Morn_Strt_Time为早峰开始时间,Morn_End_Time为早峰结束时间,Night_Strt_Time为晚峰开始时间,Night_End_Time为晚峰结束时间,为白天时段用电量,为晚间时段用电量,为早晚高峰时段用电量。
可选地,计算分项电器最大系数所处的时段进一步包括,计算工作日分项电器用电量占比系数判定矩阵中每行元素最大值的列位置值,若列位置值为1则表明工作日所述分项电器最大系数所处的时段为白天时段,若列位置值为2则表明工作日所述分项电器最大系数所处的时段为晚间时段,若列位置值为3则表明工作日所述分项电器最大系数所处的时段为早晚高峰时段。
可选地,计算分项电器最大系数所处的时段进一步包括,计算周末分项电器用电量占比系数判定矩阵中每行元素最大值的列位置值,若列位置值为1则表明周末所述分项电器最大系数所处的时段为白天时段,若列位置值为2则表明周末所述分项电器最大系数所处的时段为晚间时段,若列位置值为3则表明周末所述分项电器最大系数所处的时段为早晚高峰时段。
可选地,所述用户类型进一步包括:微能耗家庭,普通上班型家庭,居家型家庭,晚间工作型家庭及其他类型家庭。
可选地,根据用户类型的逻辑判定方法来判定用户类型进一步包括,微能耗家庭为在一个月内,工作日及周末的所有电器用电量之和均小于0.5的家庭。
本发明提供了一种基于居民细粒度用电数据的用户类型判定方法,利用所采集的居民细粒度用电数据,使用统计类指标评估公式,计算各居民用户的统计类指标值;进一步计算各居民用户的评定类指标结果,根据分析界定的用户类型及其特征表征量,综合评判居民用户每天的类型情况,然后按月统计得到用户所属不同类型的比例情况,得出用户类型的性质判定结果。本发明基于对细粒度用电数据的进一步挖掘,提供对用户类型的判定,从而为电网定向服务、政府相关部门能源策略制定提供精准数据支撑,为电网深化用能服务提供参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明一种基于居民细粒度用电数据的用户类型判定方法的流程示意图;
图2为本发明实施例一种基于居民细粒度用电数据的用户类型判定方法的用户类型在工作日及周末的月度平均细粒度用能曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了使发明实现的技术手段、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
结合附图1的流程示意图,本发明实施例提供了一种基于居民细粒度用电数据的用户类型判定方法,包括以下步骤:
S1:利用所采集的居民细粒度用电数据,计算各居民用户的统计类指标值;其中,所述居民细粒度用电数据是按照15分钟一个断面频率采集的居民分项电器用电数据,所述分项电器包含空调、电热负荷以及微功率类负荷;
本发明实施例提供的一种基于居民细粒度用电数据的用户类型判定方法利用已经采集的居民用户细粒度用电数据,使用统计类指标评估公式,计算得到各居民用户的统计类指标值;根据用户类型划分的逻辑判断方法,分析各居民的统计类指标值,得到各居民所属用户类型的判定结果。所述细粒度用电数据是按照每15分钟一个断面的频率采集的居民分项电器用电数据;所述分项电器包含:空调、电热负荷以及微功率类负荷,其中空调包含变频空调和非变频空调,电热负荷包含电热水器、电水壶和其他纯阻性负荷,微功率包含电吹风、吸尘器等短时微能耗类负荷。
统计类指标包含分项电器工作日、非工作日不同时段的用电量,各个统计类指标计算公式为:
其中,Morn_Strt_Time为早峰开始时间,Morn_End_Time为早峰结束时间,Night_Strt_Time为晚峰开始时间,Night_End_Time为晚峰结束时间,j为时刻,eEq_wd(j)为分项电器Eq月度工作日j时刻的平均电量。
其中,Morn_Strt_Time为早峰开始时间,Morn_End_Time为早峰结束时间,Night_Strt_Time为晚峰开始时间,Night_End_Time为晚峰结束时间,j为时刻,eEq_wk(j)为分项电器Eq月度周末j时刻的平均电量。
(3)形成分项电器用电量判定矩阵:工作日用电量判定矩阵周末用电量判定矩阵其中Eq=[Air Heat Micro]分别表示空调类、电热类与微功率类,Ewd_Judge矩阵的第一行元素从左至右分别表示空调类电器在工作日的白天时段、晚间时段、早晚高峰时段的用电量,第二行元素从左至右分别表示电热类电器在工作日的白天时段、晚间时段、早晚高峰时段的用电量,第三行元素从左至右分别表示微功率类电器在工作日的白天时段、晚间时段、早晚高峰时段的用电量;Ewk_Judge矩阵的第一行元素从左至右分别表示空调类电器在周末的白天时段、晚间时段、早晚高峰时段的用电量,第二行元素从左至右分别表示电热类电器在周末的白天时段、晚间时段、早晚高峰时段的用电量,第三行元素从左至右分别表示微功率类电器在周末的白天时段、晚间时段、早晚高峰时段的用电量。
(4)统计月度用电量判定矩阵的方差:①工作日Ewd_Judge方差之和其中,workday表示月度工作日,length(workday)表示月度工作日的天数,i表示工作日,j表示时刻;②周末Ewk_Judge方差之和为其中,weekend表示月度周末日,length(weekend)为月度周末的天数,i表示周末日,j表示时刻。这里的计算按照矩阵对应元素统计方差,最后由sum( )表示对矩阵中的元素的方差求和。
S2:计算各居民用户的判定类指标值,具体包括计算分项电器在工作日以及周末不同时段的用电量占比系数,形成分项电器用电量占比系数判定矩阵,计算分项电器最大系数所处的时段;其中,所述分项电器用电量占比系数判定矩阵包括工作日分项电器用电量占比系数判定矩阵和周末分项电器用电量占比系数判定矩阵;
计算分项电器在工作日以及周末不同时段用电量占比系数,形成判定系数矩阵,并计算分项电器最大系数所处的时段。
各占比系数大小的相关公式为:
(3)形成分项电器电量占比系数判定矩阵:工作日用电量占比系数判定矩阵
周末用电量占比系数判定矩阵其中,Hwd_Judge矩阵的第一行元素从左至右分别表示空调类电器在工作日的白天时段、晚间时段、早晚高峰时段的用电量占比系数,第二行元素从左至右分别表示电热类电器在工作日的白天时段、晚间时段、早晚高峰时段的用电量占比系数,第三行元素从左至右分别表示微功率类电器在工作日的白天时段、晚间时段、早晚高峰时段的用电量占比系数;Hwk_Judge矩阵的第一行元素从左至右分别表示空调类电器在周末的白天时段、晚间时段、早晚高峰时段的用电量占比系数,第二行元素从左至右分别表示电热类电器在周末的白天时段、晚间时段、早晚高峰时段的用电量占比系数,第三行元素从左至右分别表示微功率类电器在周末的白天时段、晚间时段、早晚高峰时段的用电量占比系数。
(4)计算分项电器电量占比系数判定矩阵中每个分项最大系数的位置:①工作日分项电器用电量占比系数矩阵每行元素最大的位置Locwd=max(Hwd_Judge,row),②周末分项电器用电量占比系数矩阵每行元素最大的位置Locwk=max(Hwk_Judge,row),其中row表示按照行元素比较,得到的Locwd和Locwk为三行一列的矩阵,每行元素值为[1,2,3]中的某个值。
S3:按月统计各居民用户分项电器在工作日及周末的统计类指标值和判定类指标值,根据用户类型的逻辑判定方法来判定用户类型。
根据S1和S2中的用户分项负荷用电量、分项电量矩阵的方差、分项电量占比、分项电量占比矩阵的最大值位置的计算公式,计算出用户每天每个分项负荷每天的实际用电量的相关指标,按月统计分项负荷在工作日、周末的各项指标的情况来判定用户类型。所述用户类型包括:普通上班型家庭、居家型家庭、晚间工作型家庭以、微能耗家庭以及其它类家庭;
所属用户类型的具体判定逻辑如下:
(1)微能耗家庭:统计用户在一个月内,工作日的当天Ewd_Judge元素之和小于0.5,周末所在的当天Ewk_Judge中的元素之和小于0.5;
(2)普通上班型家庭:①判定条件(1)不成立;②统计一个月内每个工作日Locwd中含有元素3的比例≥80%;③当月周末Locwk中含有元素1的比例≥60%;④月度工作日Ewd_Judge方差之和的均值小于月度周末Ewk_Judge方差之和的均值满足
(3)居家型家庭:①判定条件(1)不成立;②统计一个月内每个工作日Locwd中含有元素1的比例≥80%;③当月周末Locwk中含有元素1的比例≥80%;④月度工作日Ewd_Judge的方差之和的均值与月度周末Ewk_Judge方差之和的均值满足
(4)晚间工作型家庭:①判定条件(1)不成立②统计一个月内每个工作日Locwd中含有元素2的比例≥80%;③当月周末Locwk中含有元素2的比例≥80%;④月度工作日Ewd_Judge的方差之和的均值与月度周末Ewk_Judge方差之和的均值满足
(5)其它类家庭:判定条件(1)(2)(3)(4)均不成立。
本发明实施例提供了一种基于居民细粒度用电数据的用户类型判定方法,所述方法利用所采集的居民用户的细粒度用电数据,使用统计类指标评估公式,计算得到各居民用户的统计类指标值,进一步算出评定类指标结果;根据分析界定的用户类型及其特征表征量,综合评判用户每天的类型情况,然后按月统计得到用户所属不同类型的比例情况,根据用户类型的逻辑判定方法得出用户的性质判定结果。本发明实施例基于对细粒度用电数据的进一步挖掘,提供对用户类型的判定,为电网深化用能服务提供参考。
本发明实施例利用细粒度用电数据,提供了用户类型判定的指标、指标计算公式、逻辑判断方法,为居民用户类型的划分界定提供了有效的依据,为电网定向服务、政府相关部门能源策略制定提供数据支撑。
以上显示和描述了本发明的基本原理、主要特征和执行步骤。本行业的技术人员应该了解,本发明不受上述内容的限制,上述说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于居民细粒度用电数据的用户类型判定方法,其特征在于,包括以下步骤:
利用所采集的居民细粒度用电数据,计算各居民用户的统计类指标值;其中,所述居民细粒度用电数据是按照15分钟一个断面频率采集的居民分项电器用电数据,所述分项电器包含空调、电热负荷以及微功率类负荷;
计算各居民用户的判定类指标值,具体包括计算分项电器在工作日以及周末不同时段的用电量占比系数,形成分项电器用电量占比系数判定矩阵,计算分项电器最大系数所处的时段;其中,所述分项电器用电量占比系数判定矩阵包括工作日分项电器用电量占比系数判定矩阵和周末分项电器用电量占比系数判定矩阵;
按月统计各居民用户分项电器在工作日及周末的统计类指标值和判定类指标值,根据用户类型的逻辑判定方法来判定用户类型。
2.如权利要求1所述的基于居民细粒度用电数据的用户类型判定方法,其特征在于,计算各居民用户用电的统计类指标值进一步包括:统计分项电器工作日不同时段的用电量,统计分项电器周末不同时段的用电量,形成分项电器用电量的判定矩阵,统计月度用电量判定矩阵的方差。
7.如权利要求1所述的基于居民细粒度用电数据的用户类型判定方法,其特征在于,计算分项电器最大系数所处的时段进一步包括,计算工作日分项电器用电量占比系数判定矩阵中每行元素最大值的列位置值,若列位置值为1则表明工作日所述分项电器最大系数所处的时段为白天时段,若列位置值为2则表明工作日所述分项电器最大系数所处的时段为晚间时段,若列位置值为3则表明工作日所述分项电器最大系数所处的时段为早晚高峰时段。
8.如权利要求1所述的基于居民细粒度用电数据的用户类型判定方法,其特征在于,计算分项电器最大系数所处的时段进一步包括,计算周末分项电器用电量占比系数判定矩阵中每行元素最大值的列位置值,若列位置值为1则表明周末所述分项电器最大系数所处的时段为白天时段,若列位置值为2则表明周末所述分项电器最大系数所处的时段为晚间时段,若列位置值为3则表明周末所述分项电器最大系数所处的时段为早晚高峰时段。
9.如权利要求1所述的基于居民细粒度用电数据的用户类型判定方法,其特征在于,所述用户类型进一步包括:微能耗家庭,普通上班型家庭,居家型家庭,晚间工作型家庭及其他类型家庭。
10.如权利要求1所述的基于居民细粒度用电数据的用户类型判定方法,其特征在于,根据用户类型的逻辑判定方法来判定用户类型进一步包括,微能耗家庭为在一个月内,工作日及周末的所有电器用电量之和均小于0.5的家庭。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368382.2A CN111026791B (zh) | 2019-12-26 | 2019-12-26 | 一种基于居民细粒度用电数据的用户类型判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368382.2A CN111026791B (zh) | 2019-12-26 | 2019-12-26 | 一种基于居民细粒度用电数据的用户类型判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111026791A true CN111026791A (zh) | 2020-04-17 |
CN111026791B CN111026791B (zh) | 2021-08-10 |
Family
ID=70213888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911368382.2A Active CN111026791B (zh) | 2019-12-26 | 2019-12-26 | 一种基于居民细粒度用电数据的用户类型判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111026791B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753909A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种居住信息监测方法、装置、设备及存储介质 |
CN112036777A (zh) * | 2020-11-05 | 2020-12-04 | 江苏智臻能源科技有限公司 | 基于空调、热水器用电量测算用户类型的判定方法 |
CN113822343A (zh) * | 2021-09-03 | 2021-12-21 | 国网江苏省电力有限公司营销服务中心 | 一种基于细粒度用能数据的群租房识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
CN104331841A (zh) * | 2014-10-29 | 2015-02-04 | 国家电网公司 | 一种基于AHP和Delphi法的有序用电状态监控方法 |
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
JP2019101525A (ja) * | 2017-11-29 | 2019-06-24 | Kddi株式会社 | 属性クラスタの重みを利用した使用量予測プログラム、装置及び方法 |
-
2019
- 2019-12-26 CN CN201911368382.2A patent/CN111026791B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN104331841A (zh) * | 2014-10-29 | 2015-02-04 | 国家电网公司 | 一种基于AHP和Delphi法的有序用电状态监控方法 |
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
JP2019101525A (ja) * | 2017-11-29 | 2019-06-24 | Kddi株式会社 | 属性クラスタの重みを利用した使用量予測プログラム、装置及び方法 |
Non-Patent Citations (2)
Title |
---|
张洋瑞等: "基于细粒度用能数据的居民家庭活动人口评估方法研究", 《河北电力技术》 * |
徐涛等: "基于多维细粒度行为数据的居民用户画像方法研究", 《电力需求侧管理》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753909A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种居住信息监测方法、装置、设备及存储介质 |
CN112036777A (zh) * | 2020-11-05 | 2020-12-04 | 江苏智臻能源科技有限公司 | 基于空调、热水器用电量测算用户类型的判定方法 |
CN112036777B (zh) * | 2020-11-05 | 2021-03-16 | 江苏智臻能源科技有限公司 | 基于空调、热水器用电量测算用户类型的判定方法 |
CN113822343A (zh) * | 2021-09-03 | 2021-12-21 | 国网江苏省电力有限公司营销服务中心 | 一种基于细粒度用能数据的群租房识别方法 |
CN113822343B (zh) * | 2021-09-03 | 2023-08-25 | 国网江苏省电力有限公司营销服务中心 | 一种基于细粒度用能数据的群租房识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111026791B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111026791B (zh) | 一种基于居民细粒度用电数据的用户类型判定方法 | |
Lindberg et al. | Modelling electric and heat load profiles of non-residential buildings for use in long-term aggregate load forecasts | |
Birt et al. | Disaggregating categories of electrical energy end-use from whole-house hourly data | |
CN108062627B (zh) | 一种基于非侵入式用电数据的需求响应分析方法 | |
Huang et al. | Analytics and transactive control design for the pacific northwest smart grid demonstration project | |
Iyengar et al. | Analyzing energy usage on a city-scale using utility smart meters | |
Klein et al. | Grid support coefficients for electricity-based heating and cooling and field data analysis of present-day installations in Germany | |
Ruppert et al. | Impact of residential electricity tariffs with variable energy prices on low voltage grids with photovoltaic generation | |
CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
WO2021109518A1 (zh) | 云边协同架构下基于历史负荷辨识数据的电热细分方法 | |
George et al. | A method for distinguishing appliance, lighting and plug load profiles from electricity ‘smart meter’datasets | |
Chen et al. | Synthesis of power system load profiles by class load study | |
Mair et al. | Sizing domestic batteries for load smoothing and peak shaving based on real-world demand data | |
Oviedo et al. | Residential energy demand management in smart grids | |
Xu et al. | Peak shaving potential analysis of distributed load virtual power plants | |
Rahman et al. | Energy consumption in residential building: The effect of appliances and human behaviour | |
Liu et al. | Analysis of flexible energy use behavior of rural residents based on two-stage questionnaire: A case study in Xi’an, China | |
Monawwar et al. | Investigating demand-side management (DSM) opportunities using load profiling: The case of Qatar | |
He et al. | Load profile analysis for commercial buildings microgrids under demand response | |
CN113033867B (zh) | 一种计及电供热特性的省级电网负荷特性分析方法 | |
Alaskar et al. | On the optimality of electricity tariffs for Saudi Arabia’s residential sector considering the effect of der | |
Naderi et al. | Clustering based analysis of residential duck curve mitigation through solar pre-cooling: A case study of Australian housing stock | |
CN113947255A (zh) | 基于蒙特卡洛法的电热水器短期负荷预测方法及系统 | |
CN107959293B (zh) | 一种基于最优潮流和分段激励的居民负荷削减调度方法 | |
Fang et al. | Clustering and analysis of household power load based on HMM and multi-factors |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |