CN111967919A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111967919A
CN111967919A CN202010914518.1A CN202010914518A CN111967919A CN 111967919 A CN111967919 A CN 111967919A CN 202010914518 A CN202010914518 A CN 202010914518A CN 111967919 A CN111967919 A CN 111967919A
Authority
CN
China
Prior art keywords
data
electricity consumption
user
electricity
analysis
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
CN202010914518.1A
Other languages
English (en)
Inventor
胡炳谦
顾一峰
周浩
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 CN202010914518.1A priority Critical patent/CN111967919A/zh
Publication of CN111967919A publication Critical patent/CN111967919A/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

居民用电消费受较多因素的影响，掌握居民用电习惯及其主要影响因素间的规律对电力系统调度，电力市场化的推进，智能化城市管理都具有重要意义。目前借助大数据平台，基于线性回归、灰色预测等算法搭建数据挖掘模型，实现了居民用电消费分析和用电负荷预测分析的场景应用。针对大数据应用背景下用户智能用电行为分类的计算复杂性和特征选择有效性的问题,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，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小时用电曲线，以及利用提升树算法对实时的用电数据进行分类。

Description

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
技术领域
本发明涉及用电大数据分析领域，具体涉及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。
背景技术
居民用电数据不仅具有海量、高频、分散等特点，而且数据之间存在关联性和相似性。用户的用电数据中隐藏着用户的用电行为习惯，本发明提出了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，可以对这些用电数据进行挖掘并研究用户类型，可以帮助电网了解用户的个性化、差异化服务需求，从而使电网公司进一步拓展服务的深度和广度，为未来的电力需求侧响应政策的制定，智能化城市的有效管理提供数据支撑。
发明内容
本发明提出了一种基于电力负荷数据分析居民用电行为的系统及方法,其主要的应用在于在分类用户用电规律，识别潜在非正常用电情况。整个过程包括了数据收集模块,剔除极端值模块, 自相关系数分析模块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分析模块，该模块对每一个用电单位的负荷数据进行48小时的自回归分析，通过计算同一时段在不同天的相关性，分析出该用电单位的用电规律是正常, 较为正常, 还是异常。最后在自适应提升模型中，通过历史历史数据(正常和异常)训练模型，通过自适应提升模型对实时用电数据进行分类，并通过识别报告模块，报告该用户是否属于用电异常用户。
附图说明
图1为本发明实施例中居民用电行为分析模块流程图。
图2为本发明实施例中某用户历史用电数据曲线图。
图3为本发明实施例中某用户历史用电数据自相关系数。
图4为本发明实施例中经模型识别判断某用户用电行为正常的示意图。
图5为本发明实施例中经模型识别判断某用户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。
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，如图2所示。
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 55146DEST_PATH_IMAGE001
2） 假设每一个用户的数据负荷高斯分布:
Figure 786341DEST_PATH_IMAGE002
Figure 140225DEST_PATH_IMAGE003
3） 求出相应参数:
Figure 222450DEST_PATH_IMAGE004
4）如果
Figure 552937DEST_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 174192DEST_PATH_IMAGE006
其中k值, 我们选取48，为48小时，自相关系数曲线如图3所示。
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 197512DEST_PATH_IMAGE007
其中N为用户数,
Figure 767034DEST_PATH_IMAGE008
是第i个用户的第j个特征，
Figure 402677DEST_PATH_IMAGE009
,
Figure 639623DEST_PATH_IMAGE010
是第j个特征可能取的第
Figure 302685DEST_PATH_IMAGE011
个值
Figure 123617DEST_PATH_IMAGE012
。
步骤5.通过步骤3的自回归分析结果,我们选择第24和48的值,如果两个值相加的和大于0.15, 视为该用户用电行为正常；如果两个值相加的和小于0.15，视为该用户用电行为异常：接着采用自适应提升算法对实时数据进行分类:
输入:训练数据集
Figure 795907DEST_PATH_IMAGE013
，其中
Figure 388825DEST_PATH_IMAGE014
,
Figure 488368DEST_PATH_IMAGE015
, 为 别表示1正常；-1异常，输出: 最终的分类器；
(1)初始化训练数据的权重分布：
Figure 563640DEST_PATH_IMAGE016
(2)对
Figure 532297DEST_PATH_IMAGE017
，m指的是第几个分类器：
(a)使用具有权重的
Figure 9414DEST_PATH_IMAGE018
的训练数据集
Figure 46903DEST_PATH_IMAGE019
学习，得到基本分类器:
Figure 609471DEST_PATH_IMAGE020
(b)计算:
Figure 387678DEST_PATH_IMAGE021
在训练数据集上的分类误差率
Figure 188144DEST_PATH_IMAGE022
(c)计算
Figure 895069DEST_PATH_IMAGE021
的系数：
Figure 915239DEST_PATH_IMAGE023
(d)更新训练数据集的权值分布，
Figure 467443DEST_PATH_IMAGE024
Figure 387995DEST_PATH_IMAGE025
其中
Figure 770216DEST_PATH_IMAGE026
是规范化因子
Figure 776218DEST_PATH_IMAGE027
(3)构建基本分类器的线性组合：
Figure 866534DEST_PATH_IMAGE028
(4)得到最终的分类器:
Figure 143056DEST_PATH_IMAGE029
。
步骤6.当实时数据进入系统会得到以下结果：其中图4为识别后用户正常用电行为，图5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，运用自回归和自适应提升算法，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。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (1)

1.本发明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，其特征在于，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，如图2所示；
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 337019DEST_PATH_IMAGE001
2） 假设每一个用户的数据负荷高斯分布:
Figure 653337DEST_PATH_IMAGE002
Figure 183676DEST_PATH_IMAGE003
3） 求出相应参数:
Figure 327081DEST_PATH_IMAGE004
4）如果
Figure 100128DEST_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 987181DEST_PATH_IMAGE006
其中k值, 我们选取48，为48小时，自相关系数曲线如图3所示；
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 402986DEST_PATH_IMAGE007
其中N为用户数,
Figure 451713DEST_PATH_IMAGE008
是第i个用户的第j个特征，
Figure 712056DEST_PATH_IMAGE009
,
Figure 481429DEST_PATH_IMAGE010
是第j个特征可能取的第
Figure 642152DEST_PATH_IMAGE011
个值
Figure 219370DEST_PATH_IMAGE012
；
步骤5.通过步骤3的自回归分析结果,我们选择第24和48的值,如果两个值相加的和大于0.15, 视为该用户用电行为正常；如果两个值相加的和小于0.15，视为该用户用电行为异常：接着采用自适应提升算法对实时数据进行分类:
输入:训练数据集
Figure 826063DEST_PATH_IMAGE013
，其中
Figure 789340DEST_PATH_IMAGE014
,
Figure 777805DEST_PATH_IMAGE015
, 为 别表示1正常；-1异常，输出: 最终的分类器；
(1)初始化训练数据的权重分布：
Figure 230652DEST_PATH_IMAGE016
(2)对
Figure 465587DEST_PATH_IMAGE017
，m指的是第几个分类器：
(a)使用具有权重的
Figure 29292DEST_PATH_IMAGE018
的训练数据集
Figure 397563DEST_PATH_IMAGE019
学习，得到基本分类器:
Figure 224574DEST_PATH_IMAGE020
(b)计算:
Figure 540280DEST_PATH_IMAGE021
在训练数据集上的分类误差率
Figure 110938DEST_PATH_IMAGE022
(c)计算
Figure 859015DEST_PATH_IMAGE021
的系数：
Figure 951867DEST_PATH_IMAGE023
(d)更新训练数据集的权值分布，
Figure 269716DEST_PATH_IMAGE024
Figure 378486DEST_PATH_IMAGE025
其中
Figure 721349DEST_PATH_IMAGE026
是规范化因子
Figure 483638DEST_PATH_IMAGE027
(3)构建基本分类器的线性组合：
Figure 180461DEST_PATH_IMAGE028
(4)得到最终的分类器:
Figure 827343DEST_PATH_IMAGE029
；
步骤6.当实时数据进入系统会得到以下结果：其中图4为识别后用户正常用电行为，图5为识别后用户异常用电行为。
CN202010914518.1A 2020-09-03 2020-09-03 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 Pending CN111967919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010914518.1A CN111967919A (zh) 2020-09-03 2020-09-03 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010914518.1A CN111967919A (zh) 2020-09-03 2020-09-03 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

Publications (1)

Publication Number Publication Date
CN111967919A true CN111967919A (zh) 2020-11-20

Family

ID=73393551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010914518.1A Pending CN111967919A (zh) 2020-09-03 2020-09-03 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

Country Status (1)

Country Link
CN (1) CN111967919A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766590A (zh) * 2021-01-27 2021-05-07 华中科技大学 一种居民典型电力消费模式的提取方法与系统
CN115840907A (zh) * 2023-02-16 2023-03-24 北京网藤科技有限公司 场景行为分析方法、装置、电子设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766590A (zh) * 2021-01-27 2021-05-07 华中科技大学 一种居民典型电力消费模式的提取方法与系统
CN115840907A (zh) * 2023-02-16 2023-03-24 北京网藤科技有限公司 场景行为分析方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
CN109598451B (zh) 一种基于pca与lstm神经网络的非侵入式负荷辨识方法
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
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
CN109902340B (zh) 一种计及复杂气象耦合特性的多源-荷联合场景生成方法
CN111709554A (zh) 一种配电网净负荷联合预测的方法及系统
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
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
CN111881961A (zh) 基于数据挖掘的配电网故障风险等级预测方法
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
CN112418476A (zh) 一种超短期电力负荷预测方法
CN118114955B (zh) 虚拟电厂的电力调度方法及相关设备
CN116823496A (zh) 基于人工智能的智能保险风险评估和定价系统
CN111754029A (zh) 一种社区负荷预测系统
CN116979503A (zh) 一种基于Informer网络的商业建筑负荷预测方法及系统
CN116307059A (zh) 配电网区域故障预测模型构建方法及装置、电子设备
Wang et al. Big data analytics for price forecasting in smart grids
CN111798333A (zh) 一种用能评估与用电安全分析方法和系统
CN118152857A (zh) 一种用电量异常检测方法、装置及计算机可读存储介质
Rouwhorst et al. Improving clustering-based forecasting of aggregated distribution transformer loadings with gradient boosting and feature selection
CN117094478B (zh) 能量调度管理方法、装置、设备及存储介质
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
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
CN113837486B (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
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

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

Application publication date: 20201120

RJ01 Rejection of invention patent application after publication