CN111797924B - 一种基于聚类算法的三维度园区画像方法及系统 - Google Patents

一种基于聚类算法的三维度园区画像方法及系统 Download PDF

Info

Publication number
CN111797924B
CN111797924B CN202010630771.4A CN202010630771A CN111797924B CN 111797924 B CN111797924 B CN 111797924B CN 202010630771 A CN202010630771 A CN 202010630771A CN 111797924 B CN111797924 B CN 111797924B
Authority
CN
China
Prior art keywords
user
demand response
data
result
electricity
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.)
Active
Application number
CN202010630771.4A
Other languages
English (en)
Other versions
CN111797924A (zh
Inventor
张琳娟
许长清
王利利
张平
卢丹
周楠
李晨希
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010630771.4A priority Critical patent/CN111797924B/zh
Publication of CN111797924A publication Critical patent/CN111797924A/zh
Application granted granted Critical
Publication of CN111797924B publication Critical patent/CN111797924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于聚类算法的三维度园区画像方法及系统。该方法包括：采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；分别对用户用电行为、用户能源配置成熟度结果和用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；将上述特征进行拼接得到园区画像序列。本发明能够应用于用户群体层面的园区画像中，实现定量化描述特征的园区画像分析。

Description

一种基于聚类算法的三维度园区画像方法及系统
技术领域
本发明涉及园区用电管理领域，特别是涉及一种基于聚类算法的三维度园区画像方法及系统。
背景技术
2008年以来，中国经济转变过于依赖外需增长的经济发展方式，推动中国产业结构优化升级，成为关系国民经济全局紧迫而重大的战略任务。发展园区经济，打造主导产业集群，可以促进各地调整产业结构、改变经济增长方式，因此各地纷纷开展园区建设。园区用电水平较高，且不同园区的用电水平存在较大差异，这增加了园区用电管理的难度。为保证园区的供电质量，电网公司需要针对不同类型的园区提供差异化、个性化的供电服务。因此，需要进行园区画像，从而确定园区的类型，实现精准服务。
用户画像是一种快速、精准分析用户行为模式、消费习惯等特征的数据分析工具，为企业精准营销、提升用户体验奠定了基础。借助聚类分析算法，可以基于用户特征对其进行分类，从而确定园区类型。然而，目前的聚类分析大多是基于无标签数据的分析，在分析过程中将数据看作整体并计算不同数据间的距离，难以体现数据内存在的差异性，不能提取局部特征。对于园区画像模型而言，需要处理96点数据，即需要考虑数据的局部特征及数据内存在的差异性，因此传统的聚类算法难以有效地执行园区画像模型中的聚类分析。总的来说，用户画像技术已经在图书、旅游等互联网推荐系统领域进行了较多的实践探索，仅是在用户层面的画像分析，尚未应用于用户群体层面的园区画像中。
发明内容
本发明的目的是提供一种基于聚类算法的三维度园区画像方法及系统，能够应用于用户群体层面的园区画像中，实现定量化描述特征的园区画像分析。
为实现上述目的，本发明提供了如下方案：
一种基于聚类算法的三维度园区画像方法，包括：
获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录；
根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；
根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；
根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；
分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；
将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。
可选的，所述根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为，具体包括：
对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵；
对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组；
根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组；
根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。
可选的，所述根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果，具体包括：
分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果；
将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重；
根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最终预测结果；
将所述最终预测结果与当前用电负荷规模进行比较，得到用户能源配置成熟度结果。
可选的，所述根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果，具体包括：
根据所述智能电表用电数据和所述电网用户业务往来记录，确定负荷模式、降负荷率、分时用电量变异系数和停电总时长；
对所述负荷模式、所述降负荷率、所述分时用电量变异系数和所述停电总时长进行加权求和，得到用户需求响应能力评估结果。
一种基于聚类算法的三维度园区画像系统，包括：
数据获取模块，用于获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录；
用户用电行为确定模块，用于根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；
用户能源配置成熟度结果确定模块，用于根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；
用户需求响应能力评估结果确定模块，用于根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；
聚类模块，用于分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；
园区画像序列确定模块，用于将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。
可选的，所述用户用电行为确定模块，具体包括：
归一化单元，用于对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵；
奇异值分解单元，用于对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组；
筛选单元，用于根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组；
用户用电行为确定单元，用于根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。
可选的，所述用户能源配置成熟度结果确定模块，具体包括：
预测结果确定单元，用于分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果；
权重单元，用于将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重；
最终预测结果确定单元，用于根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最终预测结果；
用户能源配置成熟度结果确定单元，用于将所述最终预测结果与当前用电负荷规模进行比较，得到用户能源配置成熟度结果。
可选的，所述用户需求响应能力评估结果确定模块，具体包括：
评价指标确定单元，用于根据所述智能电表用电数据和所述电网用户业务往来记录，确定负荷模式、降负荷率、分时用电量变异系数和停电总时长四个评价指标；
用户需求响应能力评估结果确定单元，用于对所述负荷模式、所述降负荷率、所述分时用电量变异系数和所述停电总时长进行加权求和，得到用户需求响应能力评估结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
目前，画像技术大多是应用于单独用户的画像，并未进行用户群体结构的画像分析。聚类分析大多是基于无标签数据的分析，在分析过程中将数据看作整体并计算不同数据间的距离，难以体现数据内存在的差异性，不能提取局部特征，并且对数据的标准化程度要求较高。
本发明借助SpectralBiclustering双聚类算法对园区用户的用能特征进行聚类分析，综合考虑数据内的关联性并提取数据的局部特征；利用组合预测模型，结合Logistic曲线模型与改进灰色Verhulst模型预测园区用户的能源需求增长，实现计算量小且满足精度要求的园区用户能源配置特征分析；建立基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法，实现对园区用户需求响应能力的综合分析；最后从园区用户用电行为特征、用户能源配置特征和用户需求响应能力特征三个维度构建园区画像技术，实现定量化描述特征的园区画像分析。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于聚类算法的三维度园区画像方法流程图；
图2为本发明基于聚类算法的三维度园区画像系统结构图。
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。
本发明的目的是提供一种基于聚类算法的三维度园区画像方法及系统，能够应用于用户群体层面的园区画像中，实现定量化描述特征的园区画像分析。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明基于聚类算法的三维度园区画像方法流程图。如图1所示，一种基于聚类算法的三维度园区画像方法包括：
步骤101：获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录。
智能电表用电数据为用户每天日负荷数据，该数据为一天24小时，每隔15分钟采样一次得到的有功/无功功率和不同电压等级的负荷数据的换算倍率；电网用户业务往来记录为用户每月用电量、上缴的电费、尖峰电量、平时电量、谷时电量、停电时长，还有用户的档案信息，其中包括用户的户名、用户合同容量、电压等级、行业分类。
步骤102：根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为，具体包括：
对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵。
对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组。
根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组。
根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。
考虑到用户的不规律用电、迁入迁出、用电规模不一致导致采集到的数据在数据量、数据的时间跨度、用电等级上存在一定差异，本发明采用聚类算法挖掘数据特征，同时采用SpectralBiclustering双聚类算法挖掘用电数据的局部特征，从而更好地分析园区用电行为特征。该算法将数据看做一个矩阵，寻找不同用户在不同时间段上的相似性看做寻找具有类似特征数据构成的子矩阵。算法分析使用的数据为用户每天日负荷数据，需要将用户每天日负荷数据按照电压等级换算倍率换算至同一用电等级。换算完成后的数据内容只保留负荷数据部分，即一个行为不同用户不同日期、列为采样时间的一个二维矩阵。其算法流程如下。
1)对数据采用双随机法进行归一化
为了便于抽取局部特征，降低数据噪声、偏差等因素的影响，将原始矩阵转换为一个二维数据矩阵后，对其进行归一化处理。其算法流程如表1所示，数据对应流程中提到的Ak：
表1BistochasticNormalize归一化流程
Figure BDA0002568566070000071
迭代结束后的矩阵A即为归一化后的结果。
2)对归一化后数据进行奇异值分解
对归一化后的数据进行奇异值分解，该步是为了得到矩阵的特征向量组，从中筛选出构成子聚类，即子矩阵的特征向量。通过SVD分解算法得到U、∑、V。其中，U包含矩阵的行方向的信息，V包含矩阵列方向的信息，∑为特征值矩阵，特征值大小代表对应特征向量的对重构数据的重要性的大小。通过SVD分解算法可以筛选出用于对矩阵进行行分类、列分类的向量组。
在获得分解结果后，还需要将最大特征值对应的特征向量剔除。因为最大特征值对应的特征向量包含构成矩阵最重要的信息，其中包含全局信息，即对行方向和列方向都具有影响的信息。全局信息对搜寻包含局部特征的子矩阵存在干扰作用，为此必须剔除。
3)筛选出用于进行空间变换的向量组
对SVD分解得到的U，V矩阵分别按列进行K-means聚类，计算每列到最近中心点的距离，以距离为衡量标准进行排序，挑出最近的N_best个列向量，即得到用来进行数据变换的向量组。具体操作流程如下：
1.ui为UT的第i行，对ui进行K-means聚类，聚类数量的选定需要根据实际效果反复实验得到。聚类得到中心点序列和ui中各个数的标签值；其中中心点序列为聚类计算后，被选定为聚类中心的点的值和其对应的聚类标签，各个数的标签值为聚类后向量内数值归属的聚类的标签。
2.根据中心点序列和行内各个数的标签值，计算ui中各个数据与相应聚类中心点的距离，得到距离序列d。各行计算得到距离序列d按行排列的顺序构成的矩阵设为Di；
3.按行计算矩阵Di中各行的欧几里德范数，得到序列Res；欧几里得范数即为对行内数值求平方和之后开根号的结果。
4.对Res中值从小到大排序，得到前N_best个值，获取N_best个值在Res中的索引，根据索引值查找在UT中的对应行向量，被挑选出的行向量即为被挑选的用来进行数据变换的向量组，设为V_tr。
4)利用向量组完成聚类
将归一化后的数据矩阵A与向量组V_tr相乘后的结果记为Pr，则有：
Pr＝A·V_tr (1)
对Pr进行K-means聚类，则聚类结果即为用户用电行为。
步骤103：根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果，具体包括：
分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果。
将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重；
根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最终预测结果。
将所述最终预测结果与当前用电负荷规模进行比较，得到用户能源配置成熟度结果。
为分析能源配置需求，需要进行中长期负荷预测，为充分利用不同负荷预测模型中的有用信息，提高预测精度，本发明基于等权递归理论将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测的方法对区域电力用户未来3年的用电量以及年最大负荷进行预测。其中Logistic曲线模型和灰色Verhulst模型两个算法都用于对为了负荷水平进行预测，再利用组合预测算法赋予两种方法预测结果权重，将两个预测结果加权求和得到更合理的区域电力用户未来3年的用电量以及年最大负荷预测结果。将预测结果与当前用电负荷规模进行比较，得到评价用户能源配置需求程度的两个主要指标：年平均用电量增长率和年平均最大负荷增长率。下面介绍Logistic曲线模型和改进灰色Verhulst模型预测算法的具体流程。两个算法使用的计算数据为用户年用电量数据和年最大负荷数据。
1)Logistic曲线模型和改进灰色Verhulst模型
a.Logistic曲线模型
区域用电负荷水平在经过一段时间发展后，会趋于平缓。而Logistic曲线就具有类似特征，所以使用该曲线对用电负荷水平变化进行拟合，利用拟合结果进行未来用电负荷水平的预测。
Logistic曲线的微分形式为：
Figure BDA0002568566070000091
对上式进行求解，可得Logistic曲线的积分形式：
Figure BDA0002568566070000092
式中，y为区域电力用户年用电量或者年最大负荷；k，a，b为3个待定参数，k表示用户年用电量或者年最大负荷的饱和值，从数学意义上看，它表示了变量y的极限值，参数a，b共同决定了不同发展阶段用户负荷的增长速度。通过合适的方法对Logistic曲线模型中的3个待定参数k，a，b进行求解是提高模型拟合能力和预测精度的关键，本发明采用三段倒数和值法对参数进行估计，具体求解流程为：
将3n年历史用电量(最大负荷)数据y1,y2,…,yn,yn+1,…,y2n,y2n+1,…,y3n按时间段划分为3段，并对各段的用电量数据进行求和可得：
Figure BDA0002568566070000101
式中，Si为第i段用电量的倒数和；n为每段内包含的年数。
S1与S2的差、S2与S3的差分别记为D1、D2，则有：
Figure BDA0002568566070000102
由式(5)，式(6)，可解得3个待定参数为：
Figure BDA0002568566070000103
采用三段倒数和值法对Logistic曲线参数进行计算可充分利用历史负荷数据，与传统4点法基于4个历史负荷数据点进行参数估计相比，拟合精度更高。
b.改进灰色Verhulst模型
灰色Verhulst模型是灰色系统理论的一个组成部分，其基本思想是生物个体数量是呈指数增长的，受周围环境的限制，增长速度逐渐放慢，最终稳定在一个固定值。因此，该模型可以用来进行S型数据序列的预测，所以可以将用户年用电量或年最大负荷看做一个数据序列进行预测。其建模步骤如下：
设非负原始时间序列数据：X(0)＝{x(0)(1),x(0)(2),…x(0)(n)}，对X(0)进行一阶累加得到新生成的序列为：
Figure BDA0002568566070000111
Z(1)是X(1)的紧邻均值序列，则有：
Figure BDA0002568566070000112
建立灰色Verhulst模型如下所示：
x(0)(k)+az(1)(k)＝b(z(1)(k))2 (9)
式中，a，b是待定参数，a为发展系数，b为灰作用量。
灰色Verhulst模型的微分方程形式为：
Figure BDA0002568566070000113
则灰色Verhulst模型的时间序列响应为：
Figure BDA0002568566070000114
对上式进行一阶累减还原，得到输入序列X(0)的灰色Verhulst预测模型为：
Figure BDA0002568566070000115
对模型中的待定参数进行最小二乘估计，可得：
Figure BDA0002568566070000116
为提高对时间跨度较长且时间跨度不确定的饱和负荷预测的精度，本发明采用改进灰色Verhulst模型，即保证序列维数不变，每预测出一个新值，就把该预测值加入到原样本序列，并同时去掉样本序列中最早的1个数据，使样本数据中始终含有最新的数据信息，然后以新的样本序列重新输入到灰色Verhulst模型，这样循环下去直到得到目标预测年份的数据为止。
通过灰色Verhulst模型进行饱和负荷预测得到样本预测序列
Figure BDA0002568566070000121
再将样本预测序列
Figure BDA0002568566070000122
与样本观测序列x(0)(k)相减得到残差序列e(k)，然后以残差序列作为灰色Verhulst模型的输入，得到残差序列的预测值
Figure BDA0002568566070000123
来补偿预测误差。因此，利用残差修正思想对灰色Verhulst模型进行改进后得到的预测数据序列
Figure BDA0002568566070000124
为：
Figure BDA0002568566070000125
2)组合预测模型
通过Logistic曲线模型和改进灰色Verhulst模型能分别计算得到两个不同的预测值，这两个预测值都存在一定的误差，需要对预测结果进行修正。为此使用等权递归的方法计算出两个模型计算结果的权重，将两个结果进行加权求和，加权求和的结果为最后预测结果，也是两个模型组合预测的结果。
假设有n种预测方法，记为：
Figure BDA0002568566070000126
第一轮进行平均可以表示为：
Figure BDA0002568566070000127
其中，
Figure BDA0002568566070000128
Figure BDA0002568566070000129
表示第i种单一预测方法在t时刻的预测值；
Figure BDA00025685660700001210
表示第一轮代数平均后在t时刻的预测值。
假设n种预测方法中第i种单一预测模型的误差平方和最大，则用F(1)替换掉第i种方法的预测值，得到第二轮平均所需的n种方法预测值为：
Figure BDA0002568566070000131
如此重复进行，经过k轮平均，即可得到组合预测模型为：
Figure BDA0002568566070000132
式中，
Figure BDA0002568566070000133
为各单一预测方法的权重。如果F(k)的模型相对误差百分比已经达到可接受的水平，则停止迭代，否则继续迭代直到模型相对误差百分比满足要求。
3)能源配置成熟度评价指标体系
应用上述组合预测的方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，并将其与当前用电负荷规模进行比较，从而得到评价用户能源配置需求程度的两个主要指标：年平均用电量增长率和年平均最大负荷增长率。此外，当前最大负荷规模以及未来3年的最大负荷预测规模与当前合同运行容量进行比较，可得到另外两个评价指标：变压器当前负载率和变压器未来3年预期负载率。上述4个指标的计算如式(19)所示：
Figure BDA0002568566070000134
式中，Grate,1,Grate,2分别表示用户年平均用电量增长率和年平均最大负荷增长率；Lrate,1,Lrate,2分别表示变压器当前负载率和变压器未来3年预期负载率；Q,Q1,Q2,Q3分别表示用户当前年用电量和未来1、2、3年用电量的预测值；P,P1,P2,P3分别表示用户当前年最大负荷和未来1、2、3年最大负荷的预测值；Pmax表示用户当前合同运行容量。
园区电力用户能源配置需求成熟度评价指标体系如表2所示。
表2 园区电力用户能源配置需求成熟度评价指标体系
Figure BDA0002568566070000141
计算完四个指标后，根据实际经验确认权重，对指标分析结果进行加权求和。计算的结果为用户的能源配置成熟度，即能源配置评价结果。
步骤104：根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果，具体包括：
根据所述智能电表用电数据和所述电网用户业务往来记录，确定负荷模式、降负荷率、分时用电量变异系数和停电总时长。
对所述负荷模式、所述降负荷率、所述分时用电量变异系数和所述停电总时长进行加权求和，得到用户需求响应能力评估结果。
需求响应分析需要建立一个合适的评价指标体系。本发明中选取负荷模式、降负荷率、分时用电量变异系数和停电总时长评估需求响应能力并建立评价指标体系。再对四个指标进行加权求和得到需求响应能力评估结果。四个指标的计算过程如下所示。
1)基于最小负荷用电模式抽取的用户需求响应
用户的最小负荷用电模式是指用户所有典型的日负荷模式中总负荷最小的负荷模式，即：
Pmin(t)＝Cg(t) (20)
Figure BDA0002568566070000151
式中，Pmin(t)为用户的最小负荷用电模式；Ck(t)为用户的第k类负荷模式；m为用户典型日负荷模式的总数量。
则用户的需求响应潜力为：
Figure BDA0002568566070000152
式中，DRP1为用户的需求响应潜力1；Nk为第k类负荷模式下相似日的总数量。
基于最小负荷用电模式抽取对用户进行需求响应潜力评价的过程较粗糙，但可以在一定程度上反映用户与电网的互动能力。
2)基于需求响应降负荷率的用户需求响应
需求响应降负荷率是指最大负荷日的需求管理实际降负荷量占该日负荷还原值的比例。
a.确定尖峰负荷时段
获取用户全年的时序负荷数据，从而确定用户的尖峰负荷时段。为保证尖峰负荷时段过程中的鲁棒性，本发明通过统计用户全年负荷超过最大负荷85％的负荷小时数，并将其平均到全年365天中，得到每日尖峰小时数Z。对用户每天负荷最大的前Z小时负荷进行统计，以获得尖峰时刻信息。其中Z取整数，Z的具体取值需结合用户负荷情况进行选择。对用户全年的时序负荷数据进行统计，获得排名前Z的时刻值t1,t2,...,tZ，确定此Z个时刻为用户尖峰负荷时段，对应负荷记作
Figure BDA0002568566070000153
b.提取用户典型负荷模式
基于SpectralBiclustering双聚类算法提取用户典型的负荷行为模式，并将聚类结果中距离任意类别较远的异常负荷类剔除。
c.评估需求响应潜力
用户的需求响应潜力可根据用户所属行业的需求响应降负荷率确定：
Figure BDA0002568566070000161
式中，λ为用户在需求响应措施下的平均降负荷率，即实施需求响应时，负荷平均削减量占最大负荷的比率；Nsum和Nk分别表示除去异常负荷后用户日负荷曲线的总数量和第k类负荷模式下日负荷曲线的总数量。不同行业用户需求响应的降负荷率如表3所示。
表3 不同行业用户需求响应的降负荷率
Figure BDA0002568566070000162
同时，用户的实际需求响应削峰能力不应超过系统尖峰时刻用户实际负荷与日最小负荷的差值，即此值为用户需求响应潜力可能的最大值，其计算公式如下：
Figure BDA0002568566070000163
式中，lmin为用户典型日负荷模式中的日最小负荷。
综上，评价用户需求响应潜力的另一个指标，需求响应潜力2，如式(25)所示：
DRP2＝min{F1,Flim} (25)
3)需求响应成熟度评价指标体系
在实际应用中，除了考虑最小负荷用电模式抽取和需求响应降负荷率两个因素，用户峰、谷、平分时用电量的变异系数也可在一定程度上反映用户的需求响应能力。分时用电量的变异系数小，说明用户用电变化小，需求响应潜力小；反之，分时用电量的变异系数大，说明用户用电不均的情况明显，需求响应潜力大。用户峰、谷、平分时用电量的变异系数如式(26)所示。
Figure BDA0002568566070000171
式中，CV1表示用户峰、谷、平分时用电量的变异系数；SD1表示用户峰、谷、平分时用电量的标准差；MN1表示用户峰、谷、平分时用电量的平均值。
园区内电力用户的停电总时长也可以在一定程度上反应用户的需求响应能力，用户的停电总时长越长，则说明用户更容易接受区域电网运营商下达的切负荷命令。
综上，园区电力用户需求响应评价指标体系如表4所示。
表4 园区电力用户需求响应成熟度评价指标体系
Figure BDA0002568566070000172
将列表中的四个指标赋予权重进行加和得到最终的需求响应评价结果，命名为需求响应成熟度K。
步骤105：分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征。
(1)园区用电行为特征
分析所有园区用户用电行为，即有功-无功用电标签，统计同类别标签的园区用户的数量，并计算不同行为标签用户的数量占园区用户总量的比例。定义该比例构成的序列即为园区用电行为特征。
以一个存在8种有功用电方式和8种无功用电方式的园区为例，统计的结果如表5所示。
表5 园区用电行为特征序列
Figure BDA0002568566070000181
此处的比例构成的序列即为园区的用电行为数据特征。
(2)园区能源配置特征
对所有用户能源配置成熟度结果执行K-means聚类算法，统计不同类别用户的数量占园区用户总数的比例。该比例构成的序列即为园区能源配置特征分析结果。
以一个将用户能源配置结果聚类聚为三类的园区为例，统计结果如表6。此处比例构成的序列即园区能源配置数据特征。
表6 能源配置序列
Figure BDA0002568566070000182
(3)园区需求响应特征
对所有用户需求响应能力评估结果执行K-means聚类算法，统计不同类别用户的数量占园区用户总数的比例。该比例构成的序列即为园区需求响应特征分析结果。
以一个将用户能源配置结果聚类聚为三类的园区为例，统计结果如表7所示。此处比例构成的序列即为园区需求响应特征。
表7 需求响应序列
Figure BDA0002568566070000183
步骤106：将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。
步骤106将用户用电行为特征、用户能源配置特征和用户需求响应特征三个维度获得的序列拼接在一起得到长序列，即为园区画像序列，其中包含园区在行为数据、能源配置、需求响应三个维度的有关用户类型和用户结构的信息。
基于采集到的数据信息，对其进行归一化处理、特征提取、聚类分析，构建包含园区特征信息的园区画像序列，掌握园区的综合特征，进而为园区制定差异化的供电策略，提供个性化的供电服务。
举例说明有，通过计算分析可以得到在河南和焦作的工业园区、物流园区、科技园区中，科技园区相比其他园区有较高的需求响应能力，可以更多的配置人员去进行需求响应策略的设计，如使用园区内办公大楼的照明和制冷设备进行不影响使用感受的微调，从而完成削峰填谷的措施；物流园区存在较高的能源配置需求，可以预先完成更大容量的设备的配置或进行提前的沟通交流，给予园区内用户更好的用能体验。
同时，目前园区数量愈加增多而供电公司的服务人员的规模限于经验和专业门槛的需要不能快速增长，利用园区画像可以快速确定园区服务配置的优先级，帮助供电公司在保证多个园区用电服务时，降低人员消耗。
实施例2：
对应于本发明实施例1基于聚类算法的三维度园区画像方法，本发明还提供一种基于聚类算法的三维度园区画像系统，图2为本发明基于聚类算法的三维度园区画像系统结构图。如图2所示，一种基于聚类算法的三维度园区画像系统包括：
数据获取模块201，用于获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录。
用户用电行为确定模块202，用于根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为。
用户能源配置成熟度结果确定模块203，用于根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果。
用户需求响应能力评估结果确定模块204，用于根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果。
聚类模块205，用于分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征。
园区画像序列确定模块206，用于将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。
所述用户用电行为确定模块202，具体包括：
归一化单元，用于对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵。
奇异值分解单元，用于对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组。
筛选单元，用于根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组。
用户用电行为确定单元，用于根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。
所述用户能源配置成熟度结果确定模块203，具体包括：
预测结果确定单元，用于分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果。
权重单元，用于将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重。
最终预测结果确定单元，用于根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最终预测结果。
用户能源配置成熟度结果确定单元，用于将所述最终预测结果与当前用电负荷规模进行比较，得到用户能源配置成熟度结果。
所述用户需求响应能力评估结果确定模块204，具体包括：
评价指标确定单元，用于根据所述智能电表用电数据和所述电网用户业务往来记录，确定负荷模式、降负荷率、分时用电量变异系数和停电总时长四个评价指标。
用户需求响应能力评估结果确定单元，用于对所述负荷模式、所述降负荷率、所述分时用电量变异系数和所述停电总时长进行加权求和，得到用户需求响应能力评估结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于聚类算法的三维度园区画像方法，其特征在于，包括：
获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录；
根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；
根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；
根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；
分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；
将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。
2.根据权利要求1所述的基于聚类算法的三维度园区画像方法，其特征在于，所述根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为，具体包括：
对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵；
对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组；
根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组；
根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。
3.根据权利要求1所述的基于聚类算法的三维度园区画像方法，其特征在于，所述根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果，具体包括：
分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果；
将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重；
根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最终预测结果；
将所述最终预测结果与当前用电负荷规模进行比较，得到用户能源配置成熟度结果。
4.根据权利要求1所述的基于聚类算法的三维度园区画像方法，其特征在于，所述根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果，具体包括：
根据所述智能电表用电数据和所述电网用户业务往来记录，确定负荷模式、降负荷率、分时用电量变异系数和停电总时长；
对所述负荷模式、所述降负荷率、所述分时用电量变异系数和所述停电总时长进行加权求和，得到用户需求响应能力评估结果。
5.一种基于聚类算法的三维度园区画像系统，其特征在于，包括：
数据获取模块，用于获取所有需要建立画像的园区的相关数据，所述相关数据包括智能电表用电数据和电网用户业务往来记录；
用户用电行为确定模块，用于根据所述智能电表用电数据采用SpectralBiclustering双聚类算法对园区用户的用电行为进行聚类分析，得到用户用电行为；
用户能源配置成熟度结果确定模块，用于根据所述智能电表用电数据和所述电网用户业务往来记录，采用Logistic曲线模型与改进灰色Verhulst模型对用户能源配置进行分析，得到用户能源配置成熟度结果；
用户需求响应能力评估结果确定模块，用于根据所述智能电表用电数据和所述电网用户业务往来记录，采用基于最小负荷用电模式和需求响应降负荷率的需求响应评价算法对用户需求响应进行分析，得到用户需求响应能力评估结果；
聚类模块，用于分别对所述用户用电行为、所述用户能源配置成熟度结果和所述用户需求响应能力评估结果进行聚类，得到用户用电行为特征、用户能源配置特征和用户需求响应特征；
园区画像序列确定模块，用于将所述用户用电行为特征、所述用户能源配置特征和所述用户需求响应特征进行拼接，得到园区画像序列。
6.根据权利要求5所述的基于聚类算法的三维度园区画像系统，其特征在于，所述用户用电行为确定模块，具体包括：
归一化单元，用于对所述智能电表用电数据采用双随机法进行归一化，得到归一化用电数据矩阵；
奇异值分解单元，用于对所述归一化用电数据矩阵进行奇异值分解，得到特征向量组；
筛选单元，用于根据所述特征向量组采用K-means聚类方法，筛选出用于进行空间变换的向量组，记为空间变换向量组；
用户用电行为确定单元，用于根据所述归一化用电数据矩阵和所述空间变换向量组，得到用户用电行为。
7.根据权利要求5所述的基于聚类算法的三维度园区画像系统，其特征在于，所述用户能源配置成熟度结果确定模块，具体包括：
预测结果确定单元，用于分别将Logistic曲线模型和灰色Verhulst模型相结合，应用组合预测方法对区域电力用户未来3年的用电量以及年最大负荷进行预测，得到第一预测结果和第二预测结果；
权重单元，用于将所述第一预测结果和所述第二预测结果采用等权递归方法，确定第一预测结果对应的权重和第二预测结果对应的权重，分别记为第一权重和第二权重；
最终预测结果确定单元，用于根据所述第一预测结果、所述第二预测结果、所述第一权重和所述第二权重进行加权求和，得到最终预测结果；
用户能源配置成熟度结果确定单元，用于将所述最终预测结果与当前用电负荷规模进行比较，得到用户能源配置成熟度结果。
8.根据权利要求5所述的基于聚类算法的三维度园区画像系统，其特征在于，所述用户需求响应能力评估结果确定模块，具体包括：
评价指标确定单元，用于根据所述智能电表用电数据和所述电网用户业务往来记录，确定负荷模式、降负荷率、分时用电量变异系数和停电总时长四个评价指标；
用户需求响应能力评估结果确定单元，用于对所述负荷模式、所述降负荷率、所述分时用电量变异系数和所述停电总时长进行加权求和，得到用户需求响应能力评估结果。
CN202010630771.4A 2020-07-03 2020-07-03 一种基于聚类算法的三维度园区画像方法及系统 Active CN111797924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010630771.4A CN111797924B (zh) 2020-07-03 2020-07-03 一种基于聚类算法的三维度园区画像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010630771.4A CN111797924B (zh) 2020-07-03 2020-07-03 一种基于聚类算法的三维度园区画像方法及系统

Publications (2)

Publication Number Publication Date
CN111797924A CN111797924A (zh) 2020-10-20
CN111797924B true CN111797924B (zh) 2022-11-25

Family

ID=72809949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010630771.4A Active CN111797924B (zh) 2020-07-03 2020-07-03 一种基于聚类算法的三维度园区画像方法及系统

Country Status (1)

Country Link
CN (1) CN111797924B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329895A (zh) * 2021-01-05 2021-02-05 国网江西综合能源服务有限公司 一种具有窃电嫌疑的用户的识别方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069519A (zh) * 2015-07-16 2015-11-18 国网天津市电力公司 一种智能电网园区终端用户能源需求状况动态预测系统及方法
CN108171369A (zh) * 2017-12-21 2018-06-15 国家电网公司 基于客户用电差异化特性的短期负荷组合预测方法
CN111027872B (zh) * 2019-12-16 2023-04-21 国家电网有限公司 一种区域用户的用电成熟度确定方法及系统

Also Published As

Publication number Publication date
CN111797924A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
Niska et al. Data analytics approach to create waste generation profiles for waste management and collection
CN111027872A (zh) 一种区域用户的用电成熟度确定方法及系统
CN112085256B (zh) 考虑负荷跃变的全周期负荷预测方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN111680841A (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN112288172A (zh) 台区线损率的预测方法、装置
CN112614004A (zh) 用电信息的处理方法及装置
Fontanini et al. A data-driven BIRCH clustering method for extracting typical load profiles for big data
Varghese et al. Smart grid consumer behavioral model using machine learning
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置
CN111797924B (zh) 一种基于聚类算法的三维度园区画像方法及系统
Ramos et al. A data mining framework for electric load profiling
Chicco et al. A review of concepts and techniques for emergent customer categorisation
CN117113159A (zh) 基于深度学习的电力用户侧负荷分类方法及系统
CN112101673A (zh) 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统
CN114372835B (zh) 综合能源服务潜力客户识别方法、系统及计算机设备
CN116611785A (zh) 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质
CN111368257B (zh) 煤改电负荷特性的分析预测方法及装置
Mougeot et al. Forecasting intra day load curves using sparse functional regression

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