CN111932138A - 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法 - Google Patents

一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法 Download PDF

Info

Publication number
CN111932138A
CN111932138A CN202010826891.1A CN202010826891A CN111932138A CN 111932138 A CN111932138 A CN 111932138A CN 202010826891 A CN202010826891 A CN 202010826891A CN 111932138 A CN111932138 A CN 111932138A
Authority
CN
China
Prior art keywords
data
electricity consumption
gaussian mixture
user
mixture model
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
Application number
CN202010826891.1A
Other languages
English (en)
Inventor
胡炳谦
周浩
顾一峰
韩俊
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.)
Shanghai Ieslab Energy Technology Co ltd
Original Assignee
Shanghai Ieslab Energy Technology 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 Shanghai Ieslab Energy Technology Co ltd filed Critical Shanghai Ieslab Energy Technology Co ltd
Priority to CN202010826891.1A priority Critical patent/CN111932138A/zh
Publication of CN111932138A publication Critical patent/CN111932138A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)

Abstract

为适应新能源发电的随机性、居民用电行为的多样性以及电力交易体制的改革，需要提高需求响应的实时性以及电网与用户之间信息的交互。本发明涉及一种基于大数据思维的居民用电行为分类模型，首先，采集居民用电数据，提取出居民用电行为的属性特征，根据历史用电数据和实时的电力负荷情况来识别居民用电规律与否的系统及方法，主要过程包括通过异常分析剔除掉个别极端用电数值,通过自回归模型建立每个用电单位的48小时用电关系曲线,通过高斯混合模型做聚类分析,通过期望极大算法计算出高斯混合模型中的参数。本发明创新性地将时序居民用电数据转换为自回归系数，进而引入高斯混合聚类模型中。

Description

一种基于高斯混合模型和期望极大算法的居民用电行为分析 的系统及方法
技术领域
本发明涉及居民用电行为人工智能及大数据分析领域，具体涉及一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法。
背景技术
随着居民生活水平的提高、节能环保意识的增强，大量的智能柔性负荷以及新型储能设备在居民家庭普及使用，居民用户的电力消费水平与负荷调控能力不断提高。因此，利用智能推荐模型引导居民用户主动开展需求响应，实现用户与电网之间的互联互通互动，对促进电力供需平衡、保障电网稳定运行具有重大意义。以及如何利用智能电表采集的大量用户用电数据并对其进行数据挖掘以获得有助于提高运行可靠性与经济社会效益的有效信息是传统电力公司向综合能源服务商转型过程中迫切需要解决的重要问题之一。负荷曲线聚类是指依据用户的用电特性对用户进行划分，将具有相似用电模式的用户归类，这有助于电力公司了解不同用户的用电行为，从而为制定需求侧响应政策以及高精度负荷预测提供支撑。此外，负荷模式聚类还可用于异常用电检测，负荷控制，配电网规划，智能化城市管理等。因此，研究电力用户负荷模式分类技术对于提升电力公司服务水平、改善电网资 产利用效率、提高企业经济效益、节能增效具有重要意义。
发明内容
本发明提出了一种基于实时电力负荷数据的居民用电行为分类模型。整个过程包括了数据收集模块, 剔除极端值模块, 自相关系数转换模块，高斯混合分类模型, 以及实时识别报告模块，如图1所示。电力负荷数据收集模块通常通过智能电表等终端设备采集,存储并处理原始居民用电负荷数据，并对这些数据进行分析, 整合, 校正, 填补缺失值,以及标准化处理。异常分析模块将电力负荷数据中的极端异常值剔除, 这其中包括了, 数据录入时发生的读取错误照成的极大极小值和缺失值。异常分析之后的数据录入到自回归系数转换模块，该模块对每一个用电单位的负荷数据进行48小时的自回归系数转换。在高斯混合模型对历史用电数据进行聚类分析, 此外用期望极大算法计算高斯混合模型参数。最后并通过实时用电识别报告模块，报告该用户当前用电行为是否属于用电异常。
附图说明
图1 为本发明实施中居民用电行为聚类分析模块流程图。
图2为本发明实施中某用户历史用电数据(度/小时)的曲线图。
图3为本发明实施中某用户历史用电数据自相关系数图。
图4为本发明实施中实时用电数据分类识别为用电行为正常的示意图。
图5为本发明实施中实时用电数据分类识别为用电行为较为正常的示意图。
图6为本发明实施中实时用电数据分类识别为用电行为异常的示意图。
具体实施方式
为使得本发明的内容、目的、特征及优点能够更加清楚，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护说明书的范围，整个系统运行的具体步骤如下。
1.数据收集模块：对每一个用电单位的用电数据进行收集和存储。用电负荷数据可以采用不同的频率进行录入，在进入分析之前会求和或再分配为小时。
2.根据步骤1中所取得的处理后的用电负荷数据，首先对每一个用户的用电数据进行异常分析，剔除掉极端值：
1） 数据值为:
Figure 222620DEST_PATH_IMAGE001
；
2） 假设每一个用户的数据负荷高斯分布:
Figure 339874DEST_PATH_IMAGE002
Figure 927061DEST_PATH_IMAGE003
；
3） 求出相应参数:
Figure 656114DEST_PATH_IMAGE004
；
4）如果
Figure 3044DEST_PATH_IMAGE005
, 则认为该值为极端值。
3.根据步骤2中所取得的处理后的数据，对每一个用电单位数据进行自回归分析：
Figure 388020DEST_PATH_IMAGE006
其中k值, 我们选取48，为48小时。
4.根据步骤3的结果, 原数据为每一个用户的小时用电量，转化为每一用户的自回归系数，训练数据集:
Figure 236022DEST_PATH_IMAGE007
其中N为用户数,
Figure 554002DEST_PATH_IMAGE008
。
5.通过步骤3的自回归数据转换结果,接着采用高斯混合模型对实时数据进行分类, 我们假设一共有三类: 用电行为正常, 用电行为较为正常, 以及用电行为异常。高斯混合模型建立如下:
Figure 55521DEST_PATH_IMAGE009
其中，
Figure 807752DEST_PATH_IMAGE010
是系数，且
Figure 272494DEST_PATH_IMAGE011
是高斯分布密度，
Figure 976139DEST_PATH_IMAGE012
,
Figure 415604DEST_PATH_IMAGE013
高斯混合模型表示, 当模型参数
Figure 181697DEST_PATH_IMAGE014
已知时, 用户
Figure 840343DEST_PATH_IMAGE015
属于哪一类的概率为多少。
6.采用期望极大值算法求解, 高斯混合模型中的参数：
输入为:
Figure 239574DEST_PATH_IMAGE016
,
输出为高斯混合模型参数:
Figure 223841DEST_PATH_IMAGE017
(1)初始化参数
Figure 70706DEST_PATH_IMAGE018
：
(2)对当前参数模型, 计算出分模型k对输入数据
Figure 64201DEST_PATH_IMAGE019
的响应度：
Figure 414542DEST_PATH_IMAGE020
(3)计算新一轮的迭代模型参数：
Figure 756661DEST_PATH_IMAGE021
Figure 231767DEST_PATH_IMAGE022
Figure 407447DEST_PATH_IMAGE023
(4)重复第(2)步和第(3)布, 直到收敛。
7.当实时数据进入系统, 通过参数已知的高斯混合模型, 分别计算该用户属于每一类的概率, 哪一类概率高, 该用户就属于哪一类。分类结果如下图：其中图4为识别后用户正常用电行为，图5为识别后用户较为异常用电行为，图6为识别后用户异常用电行为。
本发明公开了一种基于大数据思维的客户用电行为分析模型，运用自回归系数转换，高斯混合模型分类和期望极大算法求解高斯混合模型参数，根据历史用电数据和实时的电力负荷情况来识别居民用电规律的系统及方法。该方式针对一个社区内的用户用电情况进行分析，将用电分析结果及潜在的用电风险推送给相应机构; 对于智能化城市管理,将改善行政管理和提高用电安全的效率。对于供电机构，可以指导用户合理签订购售电合同、选择电价政策、生产活动安排，降低用户的生产、用能成本，促进用户利益最大化；同时公司可通过价格、政策等措施引导、推进用户进行结构调整，转变增长方式；指导用户合理签订购售电合同、选择电价政策、生产活动安排、错峰用电，降低用户的生产、用能成本，促进用户利益最大化、促进节能降耗。

Claims (2)

1.本发明一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法的特征在于，包括：
步骤1.数据收集模块：对每一个用电单位的用电数据进行收集和存储；
用电负荷数据可以采用不同的频率进行录入，在进入分析之前会求和或再分配为小时；
步骤2.根据步骤1中所取得的处理后的用电负荷数据，首先对每一个用户的用电数据进行异常分析，剔除掉极端值：
1） 数据值为:
Figure 191351DEST_PATH_IMAGE001
；
2） 假设每一个用户的数据负荷高斯分布:
Figure 392787DEST_PATH_IMAGE002
Figure 73298DEST_PATH_IMAGE003
；
3） 求出相应参数:
Figure 334560DEST_PATH_IMAGE004
；
4）如果
Figure 518548DEST_PATH_IMAGE005
, 则认为该值为极端值；
步骤3.根据步骤2中所取得的处理后的数据，对每一个用电单位数据进行自回归分析：
Figure 546678DEST_PATH_IMAGE006
其中k值, 我们选取48，为48小时；
步骤4.根据步骤3的结果, 原数据为每一个用户的小时用电量，转化为每一用户的自回归系数，训练数据集:
Figure 793114DEST_PATH_IMAGE007
其中N为用户数,
Figure 135365DEST_PATH_IMAGE008
；
步骤5.通过步骤3的自回归数据转换结果,接着采用高斯混合模型对实时数据进行分类, 我们假设一共有三类: 用电行为正常, 用电行为较为正常, 以及用电行为异常，
高斯混合模型建立如下:
Figure 518067DEST_PATH_IMAGE009
其中，
Figure 717098DEST_PATH_IMAGE010
是系数，且
Figure 575464DEST_PATH_IMAGE011
是高斯分布密度，
Figure 783722DEST_PATH_IMAGE012
,
Figure 157283DEST_PATH_IMAGE013
高斯混合模型表示, 当模型参数
Figure 199320DEST_PATH_IMAGE014
已知时, 用户
Figure 623610DEST_PATH_IMAGE015
属于哪一类的概率为多少；
步骤6.采用期望极大值算法求解, 高斯混合模型中的参数：
输入为:
Figure 635560DEST_PATH_IMAGE016
,
输出为高斯混合模型参数:
Figure 383067DEST_PATH_IMAGE017
(1)初始化参数
Figure 455059DEST_PATH_IMAGE018
：
(2)对当前参数模型, 计算出分模型k对输入数据
Figure 366646DEST_PATH_IMAGE019
的响应度：
Figure 995335DEST_PATH_IMAGE020
(3)计算新一轮的迭代模型参数：
Figure 523313DEST_PATH_IMAGE021
Figure 766207DEST_PATH_IMAGE022
(4)重复第(2)步和第(3)布, 直到收敛；
步骤7.当实时数据进入系统, 通过参数已知的高斯混合模型, 分别计算该用户属于每一类的概率, 哪一类概率高, 该用户就属于哪一类，
分类结果如下图：其中图4为识别后用户正常用电行为，图5为识别后用户较为异常用电行为，图6为识别后用户异常用电行为。
2.本发明公开了一种基于大数据思维的客户用电行为分析模型，特征还包括运用自回归系数转换，高斯混合模型分类和期望极大算法求解高斯混合模型参数，根据历史用电数据和实时的电力负荷情况来识别居民用电规律的系统及方法。
CN202010826891.1A 2020-08-17 2020-08-17 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法 Pending CN111932138A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010826891.1A CN111932138A (zh) 2020-08-17 2020-08-17 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010826891.1A CN111932138A (zh) 2020-08-17 2020-08-17 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法

Publications (1)

Publication Number Publication Date
CN111932138A true CN111932138A (zh) 2020-11-13

Family

ID=73310630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010826891.1A Pending CN111932138A (zh) 2020-08-17 2020-08-17 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法

Country Status (1)

Country Link
CN (1) CN111932138A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139621A (zh) * 2021-11-29 2022-03-04 国家电网有限公司大数据中心 确定模型分类性能标识的方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689279A (zh) * 2019-10-12 2020-01-14 上海积成能源科技有限公司 一种基于电力负荷数据的居民用电安全隐患分析系统及方法
CN111506635A (zh) * 2020-05-11 2020-08-07 上海积成能源科技有限公司 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法
CN111506636A (zh) * 2020-05-12 2020-08-07 上海积成能源科技有限公司 一种基于自回归和近邻算法的居民用电行为分析的系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689279A (zh) * 2019-10-12 2020-01-14 上海积成能源科技有限公司 一种基于电力负荷数据的居民用电安全隐患分析系统及方法
CN111506635A (zh) * 2020-05-11 2020-08-07 上海积成能源科技有限公司 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法
CN111506636A (zh) * 2020-05-12 2020-08-07 上海积成能源科技有限公司 一种基于自回归和近邻算法的居民用电行为分析的系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨茂等: "基于混合高斯分布的风电功率实时预测误差分析", 太阳能学报, vol. 37, no. 6, pages 1594 - 1602 *
江樱等: "基于大数据的居民用电消费习惯研究与分析", 电力信息与通信技术, vol. 13, no. 11, pages 7 - 11 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139621A (zh) * 2021-11-29 2022-03-04 国家电网有限公司大数据中心 确定模型分类性能标识的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
AU2020101900A4 (en) A method, device and equipment for detecting abnormal electric meter
CN111738462B (zh) 电力计量装置故障抢修主动服务预警方法
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN111339491A (zh) 一种城市配电网改造方案的评估方法
CN111709554A (zh) 一种配电网净负荷联合预测的方法及系统
Ifrim et al. Properties of energy-price forecasts for scheduling
CN115730749B (zh) 基于融合电力数据的电力调度风险预警方法及装置
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN111506635A (zh) 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法
CN116821660A (zh) 一种电力管理方法、系统、终端设备及存储介质
CN114140176B (zh) 一种负荷聚集平台的可调容量预测方法及装置
CN111861587A (zh) 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法
CN115313361A (zh) 一种规模化可调资源的联合优化控制方法和装置
CN108846505B (zh) 可再生能源并网消纳信息多维度校核方法及设备
CN111553720A (zh) 基于改进k-means算法的用户用电行为分析方法
CN111932138A (zh) 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法
CN111967919A (zh) 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法
CN116502771B (zh) 一种基于电力物资预测的配电方法及系统
Wu et al. Fault diagnosis of the HVDC system based on the CatBoost algorithm using knowledge graphs
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN117595391A (zh) 一种电网系统的协调控制方法
CN112085290A (zh) 一种区域配电网设备资产绩效水平优化方法
CN110689248A (zh) 一种基于云模型和可能度分析的一流城市配电网评估方法
CN115392640A (zh) 一种面向检修的电动发电机全生命周期费用效能评估系统
CN115796341A (zh) 一种基于碳效码的企业低碳经济表现的协同测度方法

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