CN112834837B - 基于非侵入式负荷监测的用户行为精细化分析方法 - Google Patents

基于非侵入式负荷监测的用户行为精细化分析方法 Download PDF

Info

Publication number
CN112834837B
CN112834837B CN202011310849.0A CN202011310849A CN112834837B CN 112834837 B CN112834837 B CN 112834837B CN 202011310849 A CN202011310849 A CN 202011310849A CN 112834837 B CN112834837 B CN 112834837B
Authority
CN
China
Prior art keywords
user behavior
electricity
user
factor
behavior characteristics
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
CN202011310849.0A
Other languages
English (en)
Other versions
CN112834837A (zh
Inventor
王琳
郭志鹏
张郁静
刘艳丽
王俊毅
张志刚
刘日堂
王学军
王锟
季浩
何泽昊
王立伟
潘海泉
张超雄
强军伟
戈溢
张艳
赵琳
宋超
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
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin 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, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011310849.0A priority Critical patent/CN112834837B/zh
Publication of CN112834837A publication Critical patent/CN112834837A/zh
Application granted granted Critical
Publication of CN112834837B publication Critical patent/CN112834837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于非侵入式负荷监测的用户行为精细化分析方法，步骤为：1、基于非侵入式负荷监测技术获得各电器用电数据；2、基于获得的各电器用电数据建立用户行为特征，包括建立基于用电时间的用户行为特征、建立基于用电功率的用户行为特征和建立基于用电量的用户行为特征；3、根据特征对用户聚类分析，包括如下步骤：3.1分类标准定义选取，用户分类可以从多个标准入手，针对每个标准分别对用户从不同的角度进行分类；3.2在确定分类标准后，利用因子分析法来化简多维向量的数据特征提取；3.3利用因子分析法提取的特征，采用支持向量机实现用户分类。本发明研究内容可以准确分析用户行为，为电力公司施行需求侧管理提供科学指导。

Description

基于非侵入式负荷监测的用户行为精细化分析方法
技术领域
本发明属于电力资源规划技术领域，涉及用户行为精细化分析技术，具有涉及一种基于 非侵入式负荷监测的用户行为精细化分析方法。
背景技术
随着非侵入式电力负荷监测的发展，如何利用收集到的用户负荷用电细节信息，分析用 户用电行为特征，通过统计分析挖掘出用户用电行为有价值的统计规律，为电力公司客户个 性化能效服务等多项增值业务提供支撑，成为重要的研究方向。
用户用电行为分析及应用是配电网中重要的一环，许多学者对居民的用电行为进行了大 量的研究。从研究内容的角度来看，研究主要集中在以下三个方面：第一个方面是分析影响 居民用电行为的主要因素，包括家庭特征，社会经济因素，社会心理因素和相关的环境行为 理论；第二个方面是通过电力消耗数据的统计分析，发现常规的用电模式；第三个方面是干 预策略的研究。
在用户用电模式分析方面，目前国内外关于居民用户用能行为分析研究的文献都以居民 用户家庭总负荷作为研究对象，并未充分利用现有数据采集技术的优势。随着非侵入式负荷 监测技术(Non-Invasive Load Monitoring,NILM)的发展，借助NILM详细的用户电器的设备级 的用电信息，可以更深入地研究居民用户的用电行为，对于电力用户、电力公司和全社会都 有着重要的作用，如实现基于用户自我调节的节能、提高安全指数、提高用户服务质量和用 户粘性、实现安全隐患监测和预警等。
因此，本发明提出了基于非侵入式负荷监测的用户行为精细化分析方法，基于非侵入式 负荷监测数据，建立用户行为特性指标，并提出基于因子分析法与支持向量机的用户分类模 型，本发明研究内容可以准确分析用户行为，为电力公司施行需求侧管理提供科学指导。
发明内容
本发明的目的在于克服现有技术的不足之处，提供一种基于非侵入式负荷监测的用户行 为精细化分析方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于非侵入式负荷监测的用户行为精细化分析方法，其特征在于；包括如下步骤：
步骤1、基于非侵入式负荷监测技术获得各电器用电数据；
步骤2、基于获得的各电器用电数据建立用户行为特征，包括建立基于用电时间的用户 行为特征、建立基于用电功率的用户行为特征和建立基于用电量的用户行为特征；
步骤3、在建立用户行为特征后，根据特征对用户聚类分析，包括如下步骤：
步骤3.1分类标准定义选取，用户分类可以从多个标准入手，针对每个标准分别对用户 从不同的角度进行分类；
步骤3.2在确定分类标准后，利用因子分析法来化简多维向量的数据特征提取；
步骤3.3利用因子分析法提取的特征，采用支持向量机实现用户分类。
进一步的：步骤2中建立基于用电时间的用户行为特征具体为：
利用非侵入式负荷监测数据，结合不同电器的启停时间，探究基于用电时间的用户行为 特征，如下式所示：
Figure BDA0002789714690000021
其中，(Tj,si,Tj,li)表示与用户j对应的不同电器的启停时间，Φ表示对(Tj,si,Tj,li)的函数；
根据长期NILM历史数据所记录的设备启停时间，可获取不同设备的常见开启时段r11、 日开启频次r12、常见关闭时段r13，日关闭频次r14，以及用户的常见回家时间r15、日回家 频次r16、常见离家时间r17，日离家频次r18。
进一步的：步骤2中建立基于用电功率的用户行为特征具体为：
利用非侵入式负荷监测数据，结合不同电器的实时用电功率，探究基于用电功率的用户 行为特征，如下式所示：
Figure BDA0002789714690000022
其中，(Pj,si,Pj,li)表示与用户j对应的不同电器的用电功率，Φ表示对(Pj,si,Pj,li)的函数；
根据长期NILM历史数据所记录的设备用电功率，可获取不同设备的日平均用电功率r21、 日最大用电功率r22、最大负荷小时数r23，以及用户的日平均用电功率r24、日最大用电功 率r25、最大负荷小时数r26。
进一步的：步骤2中建立基于用电量的用户行为特征具体为：
利用非侵入式负荷监测数据，并结合不同电器的用电量以及电费情况，探究基于用电量 的用户行为特征以及不同电费结构对用户用电的影响，如下式所示：
Figure BDA0002789714690000023
其中，(Tj,si,Tj,li)表示与用户j对应的不同电器的启停时间，Fee表示阶梯电价或峰谷电价， Φ表示对(Tj,si,Tj,li)的函数；
跟据长期NILM历史数据所记录的设备电器的用电量以及电费情况，可获取不同设备的日 平均用电量r31、电量占比r32、用户的日均用电量r33、最大用电量r34，以及各设备的阶 梯电价关联度r35、峰谷电价关联度r36、用户的阶梯电价关联度r37、峰谷电价关联度r38。 其中，峰谷电价关联度指峰时的用电费用与谷时的用电费用之比，阶梯电价关联度指不同电 费层级下的电费之比。
进一步的：步骤3.2具体为：
针对某一分类标准的特征向量矩阵[R]，则其因子分析的一般模型为：
[R]＝AF+ε (4)
F＝[f1,f2,...,fr]T (5)
其中，[R]为针对某一分类标准的特征向量矩阵，表达式如下：
[R]＝[r11 r12 r13 r14 r15 r16 r17 r18 r21 r22 r23 r24 r25 r26 r31 r32 r33 r34 r35r36 r37 r38]
F为公共因子向量，fi为第i个公共因子，A为因子载荷矩阵，其中，aij为变量Ri在公共因子fj上的载荷，它反映了公共因子fj对变量Ri的重要程度，公共因子向量与因子载荷矩阵的乘积称为公共分量，ε代表特征向量中不能被公共因子解释的部分；
在因子分析法中，求解因子模型的关键是估计因子载荷阵A，其计算如(7)，其中λ表示 [R]的协方差矩阵的特征向量，r为公共因子个数，其计算方式如(8)，e代表单位向量，α＝0.9；
Figure BDA0002789714690000031
Figure BDA0002789714690000032
在计算出因子载荷矩阵后，可以根据特征向量及其协方差矩阵求得公共因子向量Fd，如 下式所示：
Fd＝A'S-1[R] (8)
其中，S为协方差矩阵。
进一步的，步骤3.3具体为：
支持向量机的优化模型如下式所示，其目标函数表示分类边界之间的距离w，X为自变 量数据，b为距离因子。
Figure BDA0002789714690000041
s.t.yi(wTXi+b)≥1 (9)
本发明具有的优点和积极效果：
本发明针对现有用户行为分析方法的不足，提出了基于非侵入式负荷监测的用户行为精 细化分析方法，基于非侵入式负荷监测数据，建立更加详细的用户行为特性指标，并提出基 于因子分析法与支持向量机的用户分类模型，本发明研究内容可以准确分析用户行为，为电 力公司施行需求侧管理提供科学指导。
附图说明
图1是本发明流程的结构示意图；
图2是本发明中支持向量机的示意图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不 是限定性的，不能以此限定本发明的保护范围。
一种基于非侵入式负荷监测的用户行为精细化分析方法，请参见图1-2，该方法基于非侵 入式负荷监测数据，建立更加详细的用户行为特性指标，并提出基于因子分析法与支持向量 机的用户分类模型，本发明研究内容可以准确分析用户行为，为电力公司施行需求侧管理提 供科学指导，具体技术方案如下：
本发明首先基于非侵入式负荷监测技术，获取设备用电数据。
在获取设备用电数据后，分别从用电时间、用电功率、用电电量三方面建立用户行为特 征。其中，在基于用电时间的用户特征建立中，根据长期NILM历史数据所记录的设备启停 时间，可获取不同设备的常见开启时段、日开启频次、常见关闭时段，日关闭频次，以及用 户的常见回家时间、日回家频次、常见离家时间，日离家频次。在基于用电功率的用户特征 建立中，根据长期NILM历史数据所记录的设备用电功率，可获取不同设备的日平均用电功 率、日最大用电功率、最大负荷小时数，以及用户的日平均用电功率、日最大用电功率、最 大负荷小时数。在基于电量的用户特征建立中，根据长期NILM历史数据所记录的设备电器 的用电量以及电费情况，可获取不同设备的日平均用电量、电量占比、用户的日均用电量、 最大用电量，以及各设备的阶梯电价关联度、峰谷电价关联度、用户的阶梯电价关联度、峰 谷电价关联度。其中，峰谷电价关联度指峰时的用电费用与谷时的用电费用之比，阶梯电价 关联度指不同电费层级下的电费之比。
在建立用户行为特征后，根据特征对用户分类。
首先定义分类标准，用户分类可以从多个标准入手，针对每个标准分别对用户从不同的 角度进行分类；
在确定分类标准后，利用因子分析法来化简多维向量的数据特征提取，该方法属于主成 分分析的推广，其基本思想是通过分析多变量数据的相关关系，找到支配这种相关关系的少 数几个相关独立的潜在因子，达到简化观测数据、用少数变量解释研究复杂问题的目的。
最后，利用因子分析法提取的特征，采用支持向量机实现用户分类，支持向量机是一类 按监督学习方式对数据进行分类的广义线性分类器，它的目的是寻找一个超平面来对样本进 行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解，
本评估方法的具体步骤如下：
步骤1、基于非侵入式负荷监测技术获得各电器用电数据；
步骤2、基于获得的各电器用电数据建立用户行为特征，包括：
1)建立基于用电时间的用户行为特征；
利用非侵入式负荷监测数据，结合不同电器的启停时间，探究基于用电时间的用户行为 特征，如下式所示，
Figure BDA0002789714690000051
其中，(Tj,si,Tj,li)表示与用户j对应的不同电器的启停时间，Φ表示对(Tj,si,Tj,li)的函数。
根据长期NILM历史数据所记录的设备启停时间，可获取不同设备的常见开启时段r11、 日开启频次r12、常见关闭时段r13，日关闭频次r14，以及用户的常见回家时间r15、日回家 频次r16、常见离家时间r17，日离家频次r18。
2)建立基于用电功率的用户行为特征；
利用非侵入式负荷监测数据，结合不同电器的实时用电功率，探究基于用电功率的用户 行为特征，如下式所示；
Figure BDA0002789714690000052
其中(Pj,si,Pj,li)表示与用户j对应的不同电器的用电功率，Φ表示对(Pj,si,Pj,li)的函数。
根据长期NILM历史数据所记录的设备用电功率，可获取不同设备的日平均用电功率r21、 日最大用电功率r22、最大负荷小时数r23，以及用户的日平均用电功率r24、日最大用电功 率r25、最大负荷小时数r26。
3)建立基于用电量的用户行为特征；
利用非侵入式负荷监测数据，并结合不同电器的用电量以及电费情况，探究基于用电量 的用户行为特征以及不同电费结构对用户用电的影响，如下式所示：
Figure BDA0002789714690000061
其中(Tj,si,Tj,li)表示与用户j对应的不同电器的启停时间，Fee表示阶梯电价或峰谷电价， Φ表示对(Tj,si,Tj,li)的函数。
跟据长期NILM历史数据所记录的设备电器的用电量以及电费情况，可获取不同设备的日 平均用电量r31、电量占比r32、用户的日均用电量r33、最大用电量r34，以及各设备的阶 梯电价关联度r35、峰谷电价关联度r36、用户的阶梯电价关联度r37、峰谷电价关联度r38。 其中，峰谷电价关联度指峰时的用电费用与谷时的用电费用之比，阶梯电价关联度指不同电 费层级下的电费之比
步骤3、在建立用户行为特征后，根据特征对用户聚类分析，包括如下步骤：
步骤3.1分类标准定义选取，用户分类可以从多个标准入手，针对每个标准分别对用户 从不同的角度进行分类；
步骤3.2在确定分类标准后，利用因子分析法来化简多维向量的数据特征提取，具体为：
针对某一分类标准的特征向量矩阵[R]，则其因子分析的一般模型为：
[R]＝AF+ε (4)
F＝[f1,f2,...,fr]T (5)
其中，[R]为针对某一分类标准的特征向量矩阵，表达式如下：
[R]＝[r11 r12 r13 r14 r15 r16 r17 r18 r21 r22 r23 r24 r25 r26 r31 r32 r33 r34 r35r36 r37 r38]
F为公共因子向量，fi为第i个公共因子。A为因子载荷矩阵，其中，aij为变量Ri在公共因子fj上的载荷，它反映了公共因子fj对变量Ri的重要程度。公共因子向量与因子载荷矩阵的乘积称为公共分量，ε代表特征向量中不能被公共因子解释的部分。
在因子分析法中，求解因子模型的关键是估计因子载荷阵A，其计算如(7)，其中λ表示 [R]的协方差矩阵的特征向量，r为公共因子个数，其计算方式如(8)，e代表单位向量，α＝0.9。
Figure BDA0002789714690000062
Figure BDA0002789714690000071
在计算出因子载荷矩阵后，可以根据特征向量及其协方差矩阵求得公共因子向量，如下 式所示。
Fd＝A'S-1[R] (8)
步骤3.3利用支持向量机实现用户分类，支持向量机的优化模型如下式所示：
Figure BDA0002789714690000072
s.t.yi(wTXi+b)≥1 (9)
其目标函数表示分类边界之间的距离w，X为自变量数据，b为距离因子。
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不 脱离本发明及所附权利要求的精神和范围内，各种替换、变换和修改都是可能的，因此，本 发明的范围不局限于实施例和附图所公开的内容。

Claims (5)

1.一种基于非侵入式负荷监测的用户行为精细化分析方法，其特征在于，包括如下步骤：
步骤1、基于非侵入式负荷监测技术获得各电器用电数据；
步骤2、基于获得的各电器用电数据建立用户行为特征，包括建立基于用电时间的用户行为特征、建立基于用电功率的用户行为特征和建立基于用电量的用户行为特征；
步骤3、在建立用户行为特征后，根据特征对用户聚类分析，包括如下步骤：
步骤3.1分类标准定义选取，用户分类可以从多个标准入手，针对每个标准分别对用户从不同的角度进行分类；
步骤3.2在确定分类标准后，利用因子分析法来化简多维向量的数据特征提取；
步骤3.3利用因子分析法提取的特征，采用支持向量机实现用户分类；
步骤2中建立基于用电时间的用户行为特征具体为：
利用非侵入式负荷监测数据，结合不同电器的启停时间，探究基于用电时间的用户行为特征，如下式所示：
Figure FDA0003730380160000011
其中，(Tj,si,Tj,li)表示与用户j对应的不同电器的启停时间，Φ表示对(Tj,si,Tj,li)的函数；
根据长期NILM历史数据所记录的设备启停时间，可获取不同设备的常见开启时段r11、日开启频次r12、常见关闭时段r13，日关闭频次r14，以及用户的常见回家时间r15、日回家频次r16、常见离家时间r17，日离家频次r18。
2.根据权利要求1所述的基于非侵入式负荷监测的用户行为精细化分析方法，其特征在于，步骤2中建立基于用电功率的用户行为特征具体为：
利用非侵入式负荷监测数据，结合不同电器的实时用电功率，探究基于用电功率的用户行为特征，如下式所示：
Figure FDA0003730380160000012
其中，(Pj,si,Pj,li)表示与用户j对应的不同电器的用电功率，Φ表示对(Pj,si,Pj,li)的函数；
根据长期NILM历史数据所记录的设备用电功率，可获取不同设备的日平均用电功率r21、日最大用电功率r22、最大负荷小时数r23，以及用户的日平均用电功率r24、日最大用电功率r25、最大负荷小时数r26。
3.根据权利要求1所述的基于非侵入式负荷监测的用户行为精细化分析方法，其特征在于，步骤2中建立基于用电量的用户行为特征具体为：
利用非侵入式负荷监测数据，并结合不同电器的用电量以及电费情况，探究基于用电量的用户行为特征以及不同电费结构对用户用电的影响，如下式所示：
Figure FDA0003730380160000021
其中，(Tj,si,Tj,li)表示与用户j对应的不同电器的启停时间，Fee表示阶梯电价或峰谷电价，Φ表示对(Tj,si,Tj,li)的函数；
跟据长期NILM历史数据所记录的设备电器的用电量以及电费情况，可获取不同设备的日平均用电量r31、电量占比r32、用户的日均用电量r33、最大用电量r34，以及各设备的阶梯电价关联度r35、峰谷电价关联度r36、用户的阶梯电价关联度r37、峰谷电价关联度r38；其中，峰谷电价关联度指峰时的用电费用与谷时的用电费用之比，阶梯电价关联度指不同电费层级下的电费之比。
4.根据权利要求1所述的基于非侵入式负荷监测的用户行为精细化分析方法，其特征在于，步骤3.2具体为：
针对某一分类标准的特征向量矩阵[R]，则其因子分析的一般模型为：
[R]＝AF+ε (4)
F＝[f1,f2,...,fr]T (5)
其中，[R]为针对某一分类标准的特征向量矩阵，表达式如下：
[R]＝[r11 r12 r13 r14 r15 r16 r17 r18 r21 r22 r23 r24 r25 r26 r31 r32 r33 r34 r35 r36r37 r38]
F为公共因子向量，fi为第i个公共因子，A为因子载荷矩阵，其中，aij为变量Ri在公共因子fj上的载荷，反映了公共因子fj对变量Ri的重要程度，公共因子向量与因子载荷矩阵的乘积称为公共分量，ε代表特征向量中不能被公共因子解释的部分；
在因子分析法中，求解因子模型的关键是估计因子载荷阵A，其计算如(7)，其中λ表示[R]的协方差矩阵的特征向量，r为公共因子个数，其计算方式如(8)，e代表单位向量，α＝0.9；
Figure FDA0003730380160000022
Figure FDA0003730380160000031
在计算出因子载荷矩阵后，可以根据特征向量及其协方差矩阵求得公共因子向量Fd，如下式所示：
Fd＝A'S-1[R] (8)
其中，S为协方差矩阵。
5.根据权利要求1所述的基于非侵入式负荷监测的用户行为精细化分析方法，其特征在于，步骤3.3具体为：
支持向量机的优化模型如下式所示，其目标函数表示分类边界之间的距离w，X为自变量数据，b为距离因子，
Figure FDA0003730380160000032
s.t. yi(wTXi+b)≥1 (9) 。
CN202011310849.0A 2020-11-20 2020-11-20 基于非侵入式负荷监测的用户行为精细化分析方法 Active CN112834837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011310849.0A CN112834837B (zh) 2020-11-20 2020-11-20 基于非侵入式负荷监测的用户行为精细化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011310849.0A CN112834837B (zh) 2020-11-20 2020-11-20 基于非侵入式负荷监测的用户行为精细化分析方法

Publications (2)

Publication Number Publication Date
CN112834837A CN112834837A (zh) 2021-05-25
CN112834837B true CN112834837B (zh) 2022-12-09

Family

ID=75923232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011310849.0A Active CN112834837B (zh) 2020-11-20 2020-11-20 基于非侵入式负荷监测的用户行为精细化分析方法

Country Status (1)

Country Link
CN (1) CN112834837B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673830B (zh) * 2021-07-23 2024-03-05 华南理工大学 基于非侵入式负荷监测技术的自适应家庭能量管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512768A (zh) * 2015-12-14 2016-04-20 上海交通大学 大数据环境下用户用电关联因素辨识及用电量预测方法
CN108520271A (zh) * 2018-03-15 2018-09-11 中国石油大学(华东) 基于因子分析的海底地貌类型分类器设计方法
CN110503461A (zh) * 2019-07-31 2019-11-26 南京航空航天大学 一种智能电网中基于住宅用户聚类的需求响应方法
CN111428199A (zh) * 2020-03-23 2020-07-17 贵州电网有限责任公司 一种基于fam-svm的配电网线损的计算方法
CN111932069A (zh) * 2020-07-08 2020-11-13 深圳市深鹏达电网科技有限公司 家庭电力用户用电能效分析方法、计算机设备、存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512768A (zh) * 2015-12-14 2016-04-20 上海交通大学 大数据环境下用户用电关联因素辨识及用电量预测方法
CN108520271A (zh) * 2018-03-15 2018-09-11 中国石油大学(华东) 基于因子分析的海底地貌类型分类器设计方法
CN110503461A (zh) * 2019-07-31 2019-11-26 南京航空航天大学 一种智能电网中基于住宅用户聚类的需求响应方法
CN111428199A (zh) * 2020-03-23 2020-07-17 贵州电网有限责任公司 一种基于fam-svm的配电网线损的计算方法
CN111932069A (zh) * 2020-07-08 2020-11-13 深圳市深鹏达电网科技有限公司 家庭电力用户用电能效分析方法、计算机设备、存储介质

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Big data mining of energy time series fo behavioral analytics and energy consumption forecasting;Singh S 等;《Energies》;20181228;全文 *
周明等.基于非侵入式负荷监测的居民用电行为分析.《电网技术》.2018,(第10期), *
基于因子分析和支持向量机的电网故障风险评估;汤昶烽等;《电网技术》;20130405(第04期);全文 *
基于因子分析和神经网络分位数回归的月度风电功率曲线概率预测;李丹等;《中国电机工程学报》;20170920(第18期);全文 *
基于非侵入式负荷监测的居民用电行为分析;周明 等;《电网技术》;20181031(第10期);第3268-3274页 *
基于非侵入式负荷监测的用户行为精细化分析;王琳 等;《电力系统及其自动化学报》;20210430(第4期);全文 *
改进SVM分类算法中多重共线性问题研究;冼广铭等;《计算机工程与应用》;20100911(第26期);第141-144页 *
用户用电行为分析技术研究;谢晓华;《电工文摘》;20151020(第05期);全文 *

Also Published As

Publication number Publication date
CN112834837A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
Ma et al. The role of data analysis in the development of intelligent energy networks
Alahakoon et al. Advanced analytics for harnessing the power of smart meter big data
Ardakanian et al. Computing Electricity Consumption Profiles from Household Smart Meter Data.
Stephen et al. Domestic load characterization through smart meter advance stratification
CN109345409A (zh) 一种基于宽带载波的居民用户综合能效管理方法
CN102982394A (zh) 配电网负荷参数辨识方法及系统
CN109634940A (zh) 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法
CN110109971A (zh) 一种低压台区用户用电负荷特性分析方法
Yao et al. A novel category-specific pricing strategy for demand response in microgrids
Jaaz et al. A review on energy-efficient smart home load forecasting techniques
CN112834837B (zh) 基于非侵入式负荷监测的用户行为精细化分析方法
CN111310854A (zh) 基于用电负荷指纹的低误报率窃电检测二次筛选方法
Kojury-Naftchali et al. Identifying susceptible consumers for demand response and energy efficiency policies by time-series analysis and supplementary approaches
Tao et al. Reserve evaluation and energy management of micro-grids in joint electricity markets based on non-intrusive load monitoring
Lu et al. Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers
Zhang et al. Theories, applications and trends of non-technical losses in power utilities using machine learning
Restrepo et al. Load curve characterization based on real time measurements: Case of study in Colombia
Lin et al. The data mining application in the power quality monitoring data analysis
Lang et al. Analysis of residents differentiated power consumption behavior based on load classification
CN111815022A (zh) 一种基于延时坐标嵌入法的电力负荷预测方法
Eskandarnia et al. A taxonomy of smart meter analytics: Forecasting, knowledge discovery, and power management
Simsar et al. Residential appliance clustering based on their inherent characteristics for optimal use based K-means and hierarchical clustering method
Wang et al. Resident user load classification method based on improved Gaussian mixture model clustering
Choksi et al. Novel computational-index as a representative feature for non-intrusive load monitoring
CN117220417B (zh) 消费端电负荷动态监测方法及系统

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