CN111967723A - 一种基于数据挖掘的用户调峰潜力分析方法 - Google Patents
一种基于数据挖掘的用户调峰潜力分析方法 Download PDFInfo
- Publication number
- CN111967723A CN111967723A CN202010723218.5A CN202010723218A CN111967723A CN 111967723 A CN111967723 A CN 111967723A CN 202010723218 A CN202010723218 A CN 202010723218A CN 111967723 A CN111967723 A CN 111967723A
- Authority
- CN
- China
- Prior art keywords
- user
- peak
- data
- electricity
- day
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000007418 data mining Methods 0.000 title claims abstract description 20
- 230000005611 electricity Effects 0.000 claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 41
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000003203 everyday effect Effects 0.000 claims abstract description 8
- 238000005065 mining Methods 0.000 claims abstract description 4
- 238000004141 dimensional analysis Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000002354 daily effect Effects 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 241000282326 Felis catus Species 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明公开了一种合理有效的基于数据挖掘的用户调峰潜力分析方法，首先，基于智能电表每天C个点的用电采集数据，使用基于粒子群改进的K‑means算法将用电客户精准分类为D大类；其次，基于上述数据深度挖掘用户用电水平、与系统高峰匹配程度及房屋空置情况的用电特性，并多维度分析用户调峰潜力所涉及因素；再者，基于BP神经网络对用户进行模式类标签的识别；最后，使用基于遗传算法改进的RBF网络搭建用户的调峰潜力分析模型。本发明合理分析用户调峰潜力，有效指导需求响应活动实施，提高需求响应活动的有效性。
Description
技术领域
本发明涉及电力市场技术领域，特别是涉及一种基于数据挖掘的用户调峰潜力分析方法。
背景技术
随着智能电网技术的不断发展，需求侧响应(Demand Response，DR)在电网经济、稳定运行中起着愈发重要的作用，需求响应策略可改善配电网的供电可靠性。近年来，全国各地用电需求保持较快的增长，电力紧缺时有发生，电网运行压力不断增大。尽管目前通过有序用电能够保障用电秩序的稳定，但难免对工业生产造成一定程度的影响；若仅仅通过扩大发电机组装机容量的手段会使得技术和经济方面面临较大压力；而分布式电源并网则会使供应测不稳定性增加。
因此在智能用电环境下，将更关注用户侧的用电行为特性，通过价格信号或激励措施鼓励广大居民用户自愿参与响应活动，科学指导居民用户合理用电，从而达到缓解电力供需矛盾的目的。然而，居民用电行为具有多样性和不确定性，需求响应项目的效果却深受用户侧的响应程度、意愿性等相关因素的影响，所以，深入分析用电客户的用电行为，研究其调峰潜力，对推动需求侧项目的实施，实现电力资源的优化配置具有极其重要的实际意义。
虽说单个居民用户的用电量较小，但用户数据巨大，所以通过调整居民用户侧的用电模式，来实现缓解电力供需矛盾是实际可行的。就此同时，在对居民用户进行调峰潜力评估时，面临着对大量分散用户的负荷数据的高质量传输、存储、处理和计算的问题。因此，我国电力市场亟需一套合理有效的调峰潜力分析方法。
发明内容
有鉴于此，本发明的目的是针对现有技术的不足，提供一种基于数据挖掘的用户调峰潜力分析方法，深度挖掘用户用电特性，合理分析用户调峰潜力，有效指导需求响应活动实施，提高需求响应活动的有效性。
为达到上述目的，本发明所采用的技术方案是：
一种基于数据挖掘的用户调峰潜力分析方法，包括以下步骤：
步骤1：基于智能电表每天C个点的用电采集数据，使用基于粒子群改进的K-means算法将用电客户精准分类为D大类；
步骤2：基于上述数据深度挖掘用电特性，并多维度分析用户调峰潜力所涉及因素；
步骤3：基于BP神经网络对用户进行模式类标签的识别；
步骤4：使用基于遗传算法改进的RBF网络搭建用户的调峰潜力分析模型。
进一步地，在步骤1中，使用智能电表每天96个点，即15分钟1数据的用电采集数据，将用电客户精准分类为四大类。
进一步地，在步骤1中，所述K-means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大；算法具体步骤如下：
步骤S1.根据事先设定好的K值初始化K个初始聚类中心；
步骤S2.对于数据集中的每个数据对象，计算其与K个中心的距离，并将其加入到最近的聚类中心，行成了K个簇；
步骤S3.计算同一簇群中所有数据的平均值，并以此作为新的聚类中心；
步骤S4.如果满足中止条件，则结束算法，否则返回步骤S2。
进一步地，在步骤1中，以聚类中心作为解，使用粒子群算法对K-means算法进行优化处理，得到最佳的聚类结果，具体步骤如下：
步骤T1.粒子群初始化，包括随机生成的N个粒子，粒子群体的初始位置xi和速度vi；
步骤T2.利用适应度函数计算每个粒子的适应度值fit[i]；
步骤T3.对每个粒子，将其适应度值fit[i]和个体极值pbest比较；如果fit[i]＜pbest，则pbest值等于fit[i]，否则不改变pbest值；
步骤T4.对每个粒子，将其适应度值fit[i]和全局极值gbest比较；如果fit[i]＜gbest，则gbest值等于fit[i]，否则不改变gbest值；
步骤T5.迭代更新粒子的速度位置xi和速度vi；
步骤T6.判断是否满足终止条件，满足则得出最优聚类结果，否则返回步骤T2。
进一步地，将用电客户精准分类为四大类，分别为：
第一类：朝九晚五类，早晨7-9时、中午12时以及晚上18-22时有用电高峰，作息较为规律，白天持有平稳的用电水平，晚间高峰出现时间在18:30左右；
第二类：加班族类，该类与第一类有相似之处，早晨和晚上有用电高峰，不同之处在于中午时段没有用电高峰，且白天的负荷水平维持在较低的用电水平，晚间高峰出现时段较第一类晚些；
第三类：夜猫子类，该类用户主要特征为白天的用电量水平较低但夜晚却持有较高的用电水平，反映了此类用户的特殊作息时间和用电行为习惯；
第四类：宅男类，此类用户一天所有时段均持有较稳定的用电水平。
进一步地，在步骤2中，所述用电特性包括用户与系统高峰匹配程度、用电水平及房屋空置情况：
其中，用户负荷高峰与系统负荷高峰的匹配度的量化采用平均日负荷曲线与电网总负荷曲线的Pearson相关性系数作为指标，其计算公式为：
式中x为用户96个点平均负荷，y为系统的96个点平均负荷，y亦可为所有用户96个点的平均负荷；
相关系数的绝对值越大，相关性越强：相关系数0.8-1.0极强相关，用户为迎峰型、0.6-0.8强相关，用户为迎峰型、0.4-0.6中等程度相关，用户为弱峰型、0.2-0.4弱相关，用户为错峰性、0-0.2极弱相关或无关，用户为错峰性；
用电水平可直接根据样本日用户的用电量大小来判别，分为用电量水平高、中、低三种类别标签；
空置日根据每个样本日的分时平均负荷判别，将整日负荷水平持续维持较低水平的样本日标记为空置日，并以用户空置日天数所占总样本日天数的比例作为用户房屋空置情况的评判依据：
若该比例大于等于80％，则视作该用户为长期空置类；若该比例大于等于60％小于80％，则视作该用户为长期出差类；若该比例大于等于20％小于60％，则视作该用户为上班族类；若该比例小于20％，则视作该用户为老人小孩类。
进一步地，在步骤1中，使用智能电表每天24或96个点的用电采集数据，在步骤2中，所述用户调峰潜力所涉及因素包括天气温度、用户所处地域的城乡类别：
其中通过用户日负荷与当天的气温之间的相关系数来描述用电客户的天气温度敏感程度：
其中，P为用户每天24或96点功率数据，
为所有用户样本日24或96点所对应的平均功率数据，T为当天天气温度，
为所有样本日的平均气温；
通过上式计算出的相关系数，可将用电贴上温度敏感度强、中、弱三种类别标签；
用户所处地域的城乡类别可通过相关部门进行数据调查来了解，给予每位用户对应的类别标签，标签有高档、中档、低档小区及城市、县城、乡镇。
进一步地，在步骤3中，将一天96个点分为清晨、上午、中午、下午、晚上、深夜六个时段，其中1-20点为深夜时刻、21-32点为清晨时刻、33-48点为上午时刻、49-56点为中午时刻、57-72点为下午时刻、73-96点为晚上时刻；计算每个用户每天在各时段的平均负荷，将其每个时段的平均负荷除以每个时段的平均负荷之和定义为高峰率，通过高峰率的比较即可知道用户具体的用电高峰时刻；
对于每个用户全部样本日的负荷数据计算每个样本日的高峰率，构成如下式的矩阵δij；
式中EM、M、N、G、E、LN分别代表清晨、上午、下午、中午、晚上、深夜各时段内的高峰率，K表示样本日的天数；
以每个用户所有样本日的高峰率矩阵δij作为神经网络的输入量，用户所有样本日对应的高峰时刻类别作为输出量，通过所搭建的BP神经网络，训练出各样本日的识别结果，统计划分到每种特性下的样本日数量，以天数最多的特性判为该用户的用电特性。
进一步地，在步骤4中，通过步骤1-步骤3可得到每个居民用户所标记的用电特性标签，根据这些标签即可得出RBF网络的输入m*n矩阵θ，m为参与调峰潜力分析的用户数，n为所设置的用电特性标签种类数，如下式：
其中a、b、…、x代表参与调峰潜力分析的具体用户，n为步骤1-步骤3所得的用电特性标签种类数；
RBF网络的输出矩阵为m*1矩阵
m为参与调峰潜力分析的用户数，其矩阵数据有数字0和1组成，0代表的是该用户未有效参与需求响应活动，1则代表的是该用户有效参与需求响应活动；
搭建出用户调峰潜力分析模型，将预测结果与实际结果相比较，得出误差绝对值和，将其作为RBF网络参数选择得目标函数，使用遗传算法进行优化，得到最优的网络参数，获取满意的RBF网络精度；具体步骤如下：
步骤E1.种群初始化，个体编码方法为实数编码，每个个体均为一个实数串，有输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成；
步骤E2.根据个体得到RBF网络的初始权值和阈值，训练数据训练RBF网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和作为个体适应度值F，计算公式为
式中，n为网络输出节点数；yi为网络第i个节点的期望输出；oi为第i个节点的预测输出；k为系数；
步骤E3.判断是否满足算法收敛准测，若满足则输出收敛结果并跳到步骤E7，否则基于适应度比例的选择策略，每个个体i的选择概率pi为fi＝k/Fi、
式中，Fi为个体i的适应度值；k为系数；N为种群个体数目；
步骤E4.交叉操作，第k个染色体ak和第1个染色体al在j位的交叉操作方法为akj＝akj(1-b)+aljb、alj＝alj(1-b)+akjb，式中，b是[0，1]间的随机数；
步骤E5.选择第i个个体的第j个基因aij进行变异，变异操作方法如下：
式中，amax为基因aij的上界；amin为基因aij的下界；
r2为一个随机数；g为当前迭代次数；Gmax是最大进化次数；r为[0，1]间的随机数；
步骤E6.返回步骤E2；
步骤E7.得到最优RBF网络参数后，重新训练预测最优用户调峰潜力结果。
与现有技术相比，本发明的有益效果是:
本发明针对随着用电数据的复杂化，及面临着对大量分散用户的负荷数据的高质量传输、存储、处理和计算的问题，提供一种合理有效的基于数据挖掘的用户调峰潜力分析方法，首先，基于智能电表每天96个点(即15分钟1数据)的用电采集数据，使用基于粒子群改进的K-means算法将用电客户精准分类为“朝九晚五”、“加班族”、“夜猫子”、“宅男”四大类；其次，基于上述数据深度挖掘用户用电水平、与系统高峰匹配程度及房屋空置情况等用电特性，并多维度分析用户调峰潜力所涉及因素，如：天气温度、用户所处地域的城乡类别等；再者，基于BP神经网络对用户进行模式类标签的识别；最后，使用基于遗传算法改进的RBF网络搭建用户的调峰潜力分析模型。根据构建的模型预测出用户的调峰潜力，科学有效指导需求响应活动实施，提高需求响应活动的有效性。
本发明提出的基于数据挖掘的用户调峰潜力分析方法，具有以下几点有益效果：一是深度挖掘居民用户的用电特性，为居民提供更加优质的用电服务，提升人民满意度；二是科学指导居民用户合理用电，提高资源利用率，减少环境污染，促进社会可持续发展；三是合理分析其调峰潜力，有效指导需求响应活动的实施，有目标性的对潜力客户发出响应邀请，提高响应活动的参与度，以至于真正有效的达到缓解电力供需平衡的目的，为保障电网安全稳定运行和生态文明建设提供有益探索。
本发明的其它特征及优点将在随后的说明书中进行相关阐述，并部分地从说明书中显而易见，或可通过实施本发明进而了解。本发明的目的可在所写的说明书、权力要求书以及附图中所特别指出的结构来获得。
附图说明
图1为本发明基于数据挖掘的用户调峰潜力分析方法框架图；
图2为K-means算法聚类结果；
图3为基于粒子群改进的K-means算法聚类结果；
图4为RDF网络用户调峰潜力预测结果；
图5为基于遗传算法改进的RDF网络调峰潜力预测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。
请参阅图1至图5，本发明针对现面临的大量分散用户的负荷数据的高质量传输、存储、处理和计算等问题，提供一种合理有效的基于数据挖掘的用户调峰潜力分析方法。
实施例一
本发明实施例提供一种基于数据挖掘的用户调峰潜力分析方法，整体框架如图1所示，包括以下步骤：
步骤1：基于智能电表每天96个点(即15分钟1数据)的用电采集数据，使用基于粒子群改进的K-means算法将用电客户精准分类为“朝九晚五”、“加班族”、“夜猫子”、“宅男”四大类；
步骤2：基于上述数据深度挖掘用户与系统高峰匹配程度、用电水平及房屋空置情况等用电特性，并多维度分析用户调峰潜力所涉及因素，如：天气温度、用户自身经济及文化水平、用户所处地域的城乡类别；
步骤3：基于BP神经网络对用户进行模式类标签的识别；
步骤4：使用基于遗传算法改进的RBF网络搭建用户的调峰潜力分析模型。
本发明实施例使用数据为参与某市需求响应活动的1486户20天样本日负荷及响应情况数据。
本发明实施例所述的K-means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。算法具体步骤包括：
步骤S1.根据事先设定好的K值初始化K个初始聚类中心。
步骤S2.对于数据集中的每个数据对象，计算其与K个中心的距离，并将其加入到最近的聚类中心，行成了K个簇。
步骤S3.计算同一簇群中所有数据的平均值，并以此作为新的聚类中心。
步骤S4.如果满足中止条件，则结束算法，否则返回步骤S2.。
K-means算法分类结果如图2所示。
在实施例中，以聚类中心作为解，使用粒子群算法对K-means算法进行优化处理，得到最佳的聚类结果，具体步骤如下：
步骤T1.粒子群初始化，包括随机生成的N个粒子，粒子群体的初始位置xi和速度vi。
步骤T2.利用适应度函数计算每个粒子的适应度值fit[i]。
步骤T3.对每个粒子，将其适应度值fit[i]和个体极值pbest比较。如果fit[i]＜pbest，则pbest值等于fit[i]，否则不改变pbest值。
步骤T4.对每个粒子，将其适应度值fit[i]和全局极值gbest比较。如果fit[i]＜gbest，则gbest值等于fit[i]，否则不改变gbest值。
步骤T5.迭代更新粒子的速度位置xi和速度vi。
步骤T6.判断是否满足终止条件，满足则得出最优聚类结果，否则返回步骤T2。
基于粒子群改进的K-means算法分类结果如图3所示。显然基于粒子群改进的K-means算法较传统K-means算法分类理想，该分类结果中每个分类能明显地代表某类典型的负荷特性。其中虚线类用户白天的用电量水平较低但夜晚却持有较高的用电水平，划分为夜猫子类；星号线类用户中午12时及晚上18-22时有用电高峰，作息较为规律，白天持有平稳的用电水平，晚间高峰出现时间在18.30左右，划分为朝九晚五类；实线类用户白天负荷水平维持在较低的用电水平，晚间高峰出现时间较晚一些，划分为加班族类；菱形线类用户一天所有时间均持有较稳定的用电水平，划分为“宅男”类。
各类用户数分配情况如表1所示。
表1各类用户数分配情况
各类详细分配情况的部分结果如表2所示，数字1-1486分别代表1486户用户。
表2各类详细分配情况(部分)
本实施例中用户负荷高峰与系统负荷高峰的匹配度的量化采用平均日负荷曲线与电网总负荷曲线的Pearson相关性系数作为指标，其计算公式为：
式中x为用户96个点平均负荷，y为系统的96个点平均负荷，y亦可为所有用户96个点的平均负荷。
相关系数的绝对值越大，相关性越强：相关系数0.8-1.0极强相关，用户为迎峰型、0.6-0.8强相关，用户为迎峰型、0.4-0.6中等程度相关，用户为弱峰型、0.2-0.4弱相关，用户为错峰性、0-0.2极弱相关或无关，用户为错峰性。
各用户负荷高峰与系统高峰匹配度的部分结果如表3所示。
表3各用户负荷高峰与系统高峰匹配度(部分)
本实施例用电水平可直接根据样本日用户的用电量大小来判别，分为用电量水平高、中、低三种类别标签。
各用户用电水平部分结果如表4所示。
表4各用户用电水平
本实施例空置日根据每个样本日的分时平均负荷判别，将整日负荷水平持续维持较低水平的样本日标记为空置日，并以用户空置日天数所占总样本日天数的比例作为用户房屋空置情况的评判依据：
若该比例大于等于80％，则视作该用户为长期空置类；若该比例大于等于60％小于80％，则视作该用户为长期出差类；若该比例大于等于20％小于60％，则视作该用户为上班族类；若该比例小于20％，则视作该用户为老人小孩类。
各用户房屋空置情况的部分结果如表5所示。
表5各用户房屋空置情况
本实施例用户调峰潜力所涉及因素包括天气温度、用户自身经济及文化水平、用户所处地域的城乡类别：
其中通过用户日负荷与当天的气温之间的相关系数来描述用电客户的天气温度敏感程度：
其中，P为用户每天24或96点功率数据，
为所有用户样本日24或96点所对应的平均功率数据，T为当天天气温度，
为所有样本日的平均气温。
通过上式计算出的相关系数，可将用电贴上温度敏感度强、中、弱三种类别标签。
各用户温度敏感度的部分数据如表6所示。
表6各用户温度敏感度(部分)
本实例用户所处地域的城乡类别等其他因素可通过相关部门进行数据调查来了解，给予每位用户对应的类别标签，标签有高档、中档、低档小区及城市、县城、乡镇。
各用户所处小区及城乡类别的部分数据如表7所示。
表7各用户所处小区及城乡类别(部分)
本实施例将一天96个点分为清晨、上午、中午、下午、晚上、深夜六个时段，其中1-20点为深夜时刻、21-32点为清晨时刻、33-48点为上午时刻、49-56点为中午时刻、57-72点为下午时刻、73-96点为晚上时刻。计算每个用户每天在各时段的平均负荷，将其每个时段的平均负荷除以每个时段的平均负荷之和定义为高峰率，通过高峰率的比较即可知道用户具体的用电高峰时刻。
对于每个用户全部样本日的负荷数据计算每个样本日的高峰率，构成如下式的矩阵δij。
式中EM、M、N、G、E、LN分别代表清晨、上午、下午、中午、晚上、深夜各时段内的高峰率，K表示样本日的天数。
以每个用户所有样本日的高峰率矩阵δij作为神经网络的输入量，用户所有样本日对应的高峰时刻类别作为输出量，通过所搭建的BP神经网络，训练出各样本日的识别结果，统计划分到每种特性下的样本日数量，以天数最多的特性判为该用户的用电特性。
经BP神经网络训练得到预测模型，对用电特性标记模式类标签，其部分结果如表8所示。
表8各用户用电特性(部分)
通过以上步骤可得到每个居民用户所标记的用电特性标签，根据这些标签即可得出RBF网络的输入m*n矩阵θ，m为参与调峰潜力分析的用户数，n为所设置的用电特性标签种类数，如下式：
其中a、b、…x代表参与调峰潜力分析的具体用户，n为前面步骤所得的用电特性标签种类数(本实施例为8类)。所有标签分别用数字1-28代表，具体如表9所示。
表9各标签种类及对应数字匹配表
而RBF网络的输出矩阵为m*1矩阵
m为参与调峰潜力分析的用户数，其矩阵数据有数字0和1组成，0代表的是该用户未有效参与需求响应活动，1则代表的是该用户有效参与需求响应活动。
就上述所提10户用户，可得RBF网络输入矩阵为
同理可得1486户的输入矩阵。通过RBF网络训练得到预测模型，对用户的用电调峰潜力进行预测，预测结果如图4所示。
该RBF网络输入层为8层，隐藏层为3层，输出层为1层。基于遗传算法进行优化，所得网络参数如表10、表11及表12所示。
表10隐藏层修正后阈值
表11输入层与隐藏层之间的权值
表12输出层与隐藏层之间的权值
通过基于遗传算法改进的RBF网络对用户的用电调峰潜力进行预测，预测结果如图5所示。
显然，基于遗传算法改进的RBF网络预测准确率更高，根据此预测结果可指导需求响应活动的有效实施。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于数据挖掘的用户调峰潜力分析方法，其特征在于：包括以下步骤：
步骤1：基于智能电表每天C个点的用电采集数据，使用基于粒子群改进的K-means算法将用电客户精准分类为D大类；
步骤2：基于上述数据深度挖掘用电特性，并多维度分析用户调峰潜力所涉及因素；
步骤3：基于BP神经网络对用户进行模式类标签的识别；
步骤4：使用基于遗传算法改进的RBF网络搭建用户的调峰潜力分析模型。
2.根据权利要求1所述的基于数据挖掘的用户调峰潜力分析方法，其特征在于：在步骤1中，使用智能电表每天96个点，即15分钟1数据的用电采集数据，将用电客户精准分类为四大类。
3.根据权利要求1所述的基于数据挖掘的用户调峰潜力分析方法，其特征在于：在步骤1中，所述K-means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大；算法具体步骤如下：
步骤S1.根据事先设定好的K值初始化K个初始聚类中心；
步骤S2.对于数据集中的每个数据对象，计算其与K个中心的距离，并将其加入到最近的聚类中心，行成了K个簇；
步骤S3.计算同一簇群中所有数据的平均值，并以此作为新的聚类中心；
步骤S4.如果满足中止条件，则结束算法，否则返回步骤S2。
4.根据权利要求1所述的基于数据挖掘的用户调峰潜力分析方法，其特征在于：在步骤1中，以聚类中心作为解，使用粒子群算法对K-means算法进行优化处理，得到最佳的聚类结果，具体步骤如下：
步骤T1.粒子群初始化，包括随机生成的N个粒子，粒子群体的初始位置xi和速度vi；
步骤T2.利用适应度函数计算每个粒子的适应度值fit[i]；
步骤T3.对每个粒子，将其适应度值fit[i]和个体极值pbest比较；如果fit[i]<pbest，则pbest值等于fit[i]，否则不改变pbest值；
步骤T4.对每个粒子，将其适应度值fit[i]和全局极值gbest比较；如果fit[i]<gbest，则gbest值等于fit[i]，否则不改变gbest值；
步骤T5.迭代更新粒子的速度位置xi和速度vi；
步骤T6.判断是否满足终止条件，满足则得出最优聚类结果，否则返回步骤T2。
5.根据权利要求2所述的基于数据挖掘的用户调峰潜力分析方法，其特征在于：将用电客户精准分类为四大类，分别为：
第一类：朝九晚五类，早晨7-9时、中午12时以及晚上18-22时有用电高峰，作息较为规律，白天持有平稳的用电水平，晚间高峰出现时间在18：30左右；
第二类：加班族类，该类与第一类有相似之处，早晨和晚上有用电高峰，不同之处在于中午时段没有用电高峰，且白天的负荷水平维持在较低的用电水平，晚间高峰出现时段较第一类晚些；
第三类：夜猫子类，该类用户主要特征为白天的用电量水平较低但夜晚却持有较高的用电水平，反映了此类用户的特殊作息时间和用电行为习惯；
第四类：宅男类，此类用户一天所有时段均持有较稳定的用电水平。
6.根据权利要求2所述的基于数据挖掘的用户调峰潜力分析方法，其特征在于：在步骤2中，所述用电特性包括用户与系统高峰匹配程度、用电水平及房屋空置情况：
其中，用户负荷高峰与系统负荷高峰的匹配度的量化采用平均日负荷曲线与电网总负荷曲线的Pearson相关性系数作为指标，其计算公式为：
式中x为用户96个点平均负荷，y为系统的96个点平均负荷，y亦可为所有用户96个点的平均负荷；
相关系数的绝对值越大，相关性越强：相关系数0.8-1.0极强相关，用户为迎峰型、0.6-0.8强相关，用户为迎峰型、0.4-0.6中等程度相关，用户为弱峰型、0.2-0.4弱相关，用户为错峰性、0-0.2极弱相关或无关，用户为错峰性；
用电水平可直接根据样本日用户的用电量大小来判别，分为用电量水平高、中、低三种类别标签；
空置日根据每个样本日的分时平均负荷判别，将整日负荷水平持续维持较低水平的样本日标记为空置日，并以用户空置日天数所占总样本日天数的比例作为用户房屋空置情况的评判依据：
若该比例大于等于80％，则视作该用户为长期空置类；若该比例大于等于60％小于80％，则视作该用户为长期出差类；若该比例大于等于20％小于60％，则视作该用户为上班族类；若该比例小于20％，则视作该用户为老人小孩类。
7.根据权利要求1所述的基于数据挖掘的用户调峰潜力分析方法，其特征在于：在步骤1中，使用智能电表每天24或96个点的用电采集数据，在步骤2中，所述用户调峰潜力所涉及因素包括天气温度、用户所处地域的城乡类别：
其中通过用户日负荷与当天的气温之间的相关系数来描述用电客户的天气温度敏感程度：
其中，P为用户每天24或96点功率数据，
为所有用户样本日24或96点所对应的平均功率数据，T为当天天气温度，
为所有样本日的平均气温；
通过上式计算出的相关系数，可将用电贴上温度敏感度强、中、弱三种类别标签；
用户所处地域的城乡类别可通过相关部门进行数据调查来了解，给予每位用户对应的类别标签，标签有高档、中档、低档小区及城市、县城、乡镇。
8.根据权利要求2所述的基于数据挖掘的用户调峰潜力分析方法，其特征在于：在步骤3中，将一天96个点分为清晨、上午、中午、下午、晚上、深夜六个时段，其中1-20点为深夜时刻、21-32点为清晨时刻、33-48点为上午时刻、49-56点为中午时刻、57-72点为下午时刻、73-96点为晚上时刻；计算每个用户每天在各时段的平均负荷，将其每个时段的平均负荷除以每个时段的平均负荷之和定义为高峰率，通过高峰率的比较即可知道用户具体的用电高峰时刻；
对于每个用户全部样本日的负荷数据计算每个样本日的高峰率，构成如下式的矩阵δij；
式中EM、M、N、G、E、LN分别代表清晨、上午、下午、中午、晚上、深夜各时段内的高峰率，K表示样本日的天数；
以每个用户所有样本日的高峰率矩阵δij作为神经网络的输入量，用户所有样本日对应的高峰时刻类别作为输出量，通过所搭建的BP神经网络，训练出各样本日的识别结果，统计划分到每种特性下的样本日数量，以天数最多的特性判为该用户的用电特性。
9.根据权利要求1所述的基于数据挖掘的用户调峰潜力分析方法，其特征在于：在步骤4中，通过步骤1-步骤3可得到每个居民用户所标记的用电特性标签，根据这些标签即可得出RBF网络的输入m*n矩阵θ，m为参与调峰潜力分析的用户数，n为所设置的用电特性标签种类数，如下式：
其中a、b、…、x代表参与调峰潜力分析的具体用户，n为步骤1-步骤3所得的用电特性标签种类数；
RBF网络的输出矩阵为m*1矩阵
m为参与调峰潜力分析的用户数，其矩阵数据有数字0和1组成，0代表的是该用户未有效参与需求响应活动，1则代表的是该用户有效参与需求响应活动；
搭建出用户调峰潜力分析模型，将预测结果与实际结果相比较，得出误差绝对值和，将其作为RBF网络参数选择得目标函数，使用遗传算法进行优化，得到最优的网络参数，获取满意的RBF网络精度；具体步骤如下：
步骤E1.种群初始化，个体编码方法为实数编码，每个个体均为一个实数串，有输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成；
步骤E2.根据个体得到RBF网络的初始权值和阈值，训练数据训练RBF网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和作为个体适应度值F，计算公式为
式中，n为网络输出节点数；yi为网络第i个节点的期望输出；oi为第i个节点的预测输出；k为系数；
步骤E3.判断是否满足算法收敛准测，若满足则输出收敛结果并跳到步骤E7，否则基于适应度比例的选择策略，每个个体i的选择概率pi为fi＝k/Fi、
式中，Fi为个体i的适应度值；k为系数；N为种群个体数目；
步骤E4.交叉操作，第k个染色体ak和第l个染色体al在j位的交叉操作方法为akj＝akj(1-b)+aljb、alj＝alj(1-b)+akjb，式中，b是[0,1]间的随机数；
步骤E5.选择第i个个体的第j个基因aij进行变异，变异操作方法如下：
式中，amax为基因aij的上界；amin为基因aij的下界；
r2为一个随机数；g为当前迭代次数；Gmax是最大进化次数；r为[0,1]间的随机数；
步骤E6.返回步骤E2；
步骤E7.得到最优RBF网络参数后，重新训练预测最优用户调峰潜力结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010723218.5A CN111967723B (zh) | 2020-07-24 | 2020-07-24 | 一种基于数据挖掘的用户调峰潜力分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010723218.5A CN111967723B (zh) | 2020-07-24 | 2020-07-24 | 一种基于数据挖掘的用户调峰潜力分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967723A true CN111967723A (zh) | 2020-11-20 |
| CN111967723B CN111967723B (zh) | 2022-05-20 |
Family
ID=73362465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010723218.5A Active CN111967723B (zh) | 2020-07-24 | 2020-07-24 | 一种基于数据挖掘的用户调峰潜力分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967723B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465385A (zh) * | 2020-12-09 | 2021-03-09 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
| CN112579721A (zh) * | 2020-12-22 | 2021-03-30 | 北京市腾河智慧能源科技有限公司 | 构建人群分布图的方法及系统、终端设备、存储介质 |
| CN112906736A (zh) * | 2021-01-13 | 2021-06-04 | 国网山东省电力公司日照供电公司 | 一种基于住户用电量的社区安全精准管控方法和系统 |
| CN112948942A (zh) * | 2021-03-19 | 2021-06-11 | 云南建投第九建设有限公司 | 一种建筑施工用电智能节电控制方法及系统 |
| CN113033953A (zh) * | 2021-02-07 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
| CN113706018A (zh) * | 2021-08-27 | 2021-11-26 | 广东电网有限责任公司 | 一种用户调峰行为的评估模型建立方法、评估方法及装置 |
| CN116384798A (zh) * | 2023-02-13 | 2023-07-04 | 西安广林汇智能源科技有限公司 | 一种工业用户调峰潜力评估方法 |
| CN117493979A (zh) * | 2023-12-29 | 2024-02-02 | 青岛智简尚达信息科技有限公司 | 一种基于数据处理的客户分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
| CN105260798A (zh) * | 2015-10-21 | 2016-01-20 | 中国电力科学研究院 | 一种多维负荷特性分析的大数据挖掘器 |
| CN106373026A (zh) * | 2016-08-24 | 2017-02-01 | 国网冀北电力有限公司电力科学研究院 | 一种电力行业的用户画像构建方法 |
| CN107248031A (zh) * | 2017-05-27 | 2017-10-13 | 西安交通大学 | 一种针对负荷曲线峰谷差的快速电力用户分类方法 |
| CN110112744A (zh) * | 2019-06-05 | 2019-08-09 | 大连亨利科技有限公司 | 一种利用飞轮电池和电极锅炉联合参与火电厂深度调峰和调频系统 |
-
2020
- 2020-07-24 CN CN202010723218.5A patent/CN111967723B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
| CN105260798A (zh) * | 2015-10-21 | 2016-01-20 | 中国电力科学研究院 | 一种多维负荷特性分析的大数据挖掘器 |
| CN106373026A (zh) * | 2016-08-24 | 2017-02-01 | 国网冀北电力有限公司电力科学研究院 | 一种电力行业的用户画像构建方法 |
| CN107248031A (zh) * | 2017-05-27 | 2017-10-13 | 西安交通大学 | 一种针对负荷曲线峰谷差的快速电力用户分类方法 |
| CN110112744A (zh) * | 2019-06-05 | 2019-08-09 | 大连亨利科技有限公司 | 一种利用飞轮电池和电极锅炉联合参与火电厂深度调峰和调频系统 |
Non-Patent Citations (3)
| Title |
|---|
| 孙毅等: "计及用户需求响应的智能用电互动潜力分析", 《电力科学与技术学报》 * |
| 张英武: "一种改进的基于粒子群的离线聚类算法", 《鞍山师范学院学报》 * |
| 陆斯悦等: "基于需求侧调峰的农村电采暖设备负荷优化控制策略", 《农业工程学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465385A (zh) * | 2020-12-09 | 2021-03-09 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
| CN112465385B (zh) * | 2020-12-09 | 2023-12-01 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
| CN112579721A (zh) * | 2020-12-22 | 2021-03-30 | 北京市腾河智慧能源科技有限公司 | 构建人群分布图的方法及系统、终端设备、存储介质 |
| CN112579721B (zh) * | 2020-12-22 | 2023-10-27 | 北京市腾河智慧能源科技有限公司 | 构建人群分布图的方法及系统、终端设备、存储介质 |
| CN112906736A (zh) * | 2021-01-13 | 2021-06-04 | 国网山东省电力公司日照供电公司 | 一种基于住户用电量的社区安全精准管控方法和系统 |
| CN113033953A (zh) * | 2021-02-07 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
| CN113033953B (zh) * | 2021-02-07 | 2023-08-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
| CN112948942A (zh) * | 2021-03-19 | 2021-06-11 | 云南建投第九建设有限公司 | 一种建筑施工用电智能节电控制方法及系统 |
| CN113706018A (zh) * | 2021-08-27 | 2021-11-26 | 广东电网有限责任公司 | 一种用户调峰行为的评估模型建立方法、评估方法及装置 |
| CN116384798A (zh) * | 2023-02-13 | 2023-07-04 | 西安广林汇智能源科技有限公司 | 一种工业用户调峰潜力评估方法 |
| CN116384798B (zh) * | 2023-02-13 | 2023-12-22 | 西安广林汇智能源科技有限公司 | 一种工业用户调峰潜力评估方法 |
| CN117493979A (zh) * | 2023-12-29 | 2024-02-02 | 青岛智简尚达信息科技有限公司 | 一种基于数据处理的客户分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967723B (zh) | 2022-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111967723B (zh) | 一种基于数据挖掘的用户调峰潜力分析方法 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
| CN109685581A (zh) | 一种基于标签聚类技术的电力大客户用电行为分析方法 | |
| CN105512768A (zh) | 大数据环境下用户用电关联因素辨识及用电量预测方法 | |
| CN110276393A (zh) | 一种绿色建筑能耗复合预测方法 | |
| CN111832861A (zh) | 基于大数据平台的居民负荷变尺度画像方法和系统 | |
| CN109634942A (zh) | 一种用能数据异常判断方法及装置 | |
| CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
| CN107748940A (zh) | 一种节电潜力量化预测方法 | |
| CN115907822A (zh) | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 | |
| Gómez-Omella et al. | k-Nearest patterns for electrical demand forecasting in residential and small commercial buildings | |
| Zheng et al. | A factor analysis and self-organizing map based evaluation approach for the renewable energy heating potentials at county level: A case study in China | |
| Zhang et al. | A segmented evaluation model for building energy performance considering seasonal dynamic fluctuations | |
| Alhmoud et al. | Short-term load forecasting for Jordan’s power system using neural network based different | |
| CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
| CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
| Zhao et al. | Spatio-temporal load forecasting considering aggregation features of electricity cells and uncertainties in input variables | |
| Li et al. | Short-term power load forecasting using improved ant colony clustering | |
| CN113723776A (zh) | 一种宏观经济景气指数的预测方法、装置及存储介质 | |
| Al-Janabi et al. | Main challenges (generation and returned energy) in a deep intelligent analysis technique for renewable energy applications. | |
| Zhu et al. | Priority power generation allocation method for reservoir power stations based on the priority index | |
| CN114819397B (zh) | 公变台区需求响应成效预测模型构建方法及装置 | |
| CN104463683A (zh) | 一种含多源电网中长期负荷预测装置及方法 | |
| Wang et al. | Improved Giza pyramids construction algorithm for Modify the deep neural network-based method for energy demand forecasting |
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 |