CN114461662A - 居民用户需求响应高潜力用户筛选方法及系统 - Google Patents
居民用户需求响应高潜力用户筛选方法及系统 Download PDFInfo
- Publication number
- CN114461662A CN114461662A CN202210125634.4A CN202210125634A CN114461662A CN 114461662 A CN114461662 A CN 114461662A CN 202210125634 A CN202210125634 A CN 202210125634A CN 114461662 A CN114461662 A CN 114461662A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- load
- value
- categories
- 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
Links
- 230000004044 response Effects 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004140 cleaning Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000005485 electric heating Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 230000007812 deficiency Effects 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种居民用户需求响应高潜力用户筛选方法及系统。本发明采用的技术方案为：获取居民用户非侵入式负荷监测数据；数据的清洗及预处理，生成用户可调节负荷曲线；对用户可调节负荷曲线进行用户类别划分；依照划分后的各个用户类别的中心曲线，筛选其中需求响应潜力高的类别；输出筛选出的这些类别内的用户信息，即具有高需求响应潜力的居民用户名称、户号以及所属台区。本发明可以筛选出需求响应潜力高的居民用户，有利于电网公司有重点地进行邀约参与需求响应，降低短信发送成本，提高邀约效率，并且可以有效减少用户基线预测的计算量。
Description
技术领域
本发明属于电力系统、智能电网技术领域，涉及一种基于非侵入式负荷监测数据的居民用户需求响应高潜力用户筛选方法及系统。
背景技术
受制于多种因素，如节能减排目标、燃煤等一次能源价格上涨，以火力发电为主要供给的电力系统正在向以可再生能源发电为主的电力系统过渡。高比例可再生能源渗透的电力系统的一个重要特点是波动性强，应对波动性的方法之一是采用需求侧管理技术开展需求响应。对于居民用户参与需求响应，存在的问题在于用户数量巨大，且其中不乏有响应潜力较低的无效用户。对所有用户发送响应邀约成本高、效率低，因此需要对所有用户进行初步筛选后进行邀约。
当前，随着居民用户智慧用能水平提高，非侵入式负荷监测装置逐步普及，可以实现更加精细化的负荷监控，为参与需求响应的高潜力用户筛选提供了条件。
发明内容
本发明的目的是提供一种基于非侵入式负荷监测数据的居民用户需求响应高潜力用户筛选方法及系统，其获取居民用户非侵入式负荷监测数据，进行数据的清洗及预处理后，基于用户可调节负荷曲线进行用户类别划分，在分类结果中筛选响应潜力高的类别，并输出需求响应高潜力用户信息，以利于电网公司有重点地进行邀约参与需求响应，并且可有效减少用户基线预测的计算量。
为实现上述目的，本发明采用的一种技术方案是：居民用户需求响应高潜力用户筛选方法，其包括：
步骤1、居民用户非侵入式负荷监测数据的获取；
步骤2、数据的清洗及预处理，生成用户可调节负荷曲线；
步骤3、对用户可调节负荷曲线进行用户类别划分；
步骤4、依照划分后的各个用户类别的中心曲线，筛选其中需求响应潜力高的类别；
步骤5、输出筛选出的这些类别内的用户信息，即具有高需求响应潜力的居民用户名称、户号以及所属台区。
进一步地，所述的步骤1中，获取的数据需要区分工作日和非工作日，按照待筛选日的性质(工作日、非工作日)，获取每个用户筛选前同性质7日的非侵入式负荷监测数据，数据点时间间隔为15分钟，负荷分类包括空调、电热水器和电采暖设备。
进一步地，所述步骤2中，数据的清洗包括异常数据剔除和缺失数据补全；
异常数据的判别方法是对相邻的两个采样点数据进行作差，结果与日平均负荷比较，若某数据点两侧差值均大于3倍当日平均负荷，则认为数据异常，反之认为数据正常，如下式所示：
其中，P(t)为采样时刻t的功率值，Δt为采样时间间隔，即15分钟，
为当日负荷平均值；
缺失数据的补全方法分两种情况，第一种情况是连续缺失点不超过3个，此时在缺失值两侧的数据点中间进行线性插值；第二种情况是连续的缺失点超过3个，则采用其他正常日同时刻数据平均值进行数据补全，如下式所示：
其中，N为连续缺失的数据个数，Plost(i)为第i个缺失值，Pl为缺失值时间序列左侧第一个值，Pr为缺失值序列右侧第一个值，
为第i个缺失值在其他几天中的负荷值的平均值。
进一步地，所述步骤2中的数据预处理包括提取用户空调、电采暖设备和电热水器的负荷数据，并在经过清洗后叠加形成每日可调节负荷曲线，如下式所示：
其中，Pj(t)为第j天t时刻的可调节负荷，
和
分别为第j天t时刻的空调、电采暖设备和热水器的负荷值；
然后求用户7天负荷平均值，如下式：
进一步地，所述步骤3中，进行用户类别划分要达到的最终效果是类内相似度最小、类间差异性最大，此时点和中心的加权距离之和最小，使用的公式表达式为：
其中，c为类别数目，n为总用户数目，Pavg,p代表第p个用户的负荷曲线96个值组成的向量，cq代表第q个类的中心向量，也由96个值组成，这96个点连接形成的曲线即为第q类的中心曲线，apq指用户p在类q的隶属度，规定样本在各类的隶属度之和为1，即
隶属度的迭代公式如下：
其中，m为影响分类离散程度的模糊系数，ck代表第k个类别的中心向量；当m较小的时候会受噪声点的影响比较大，因此得到的类别中心会相对分散；而当m较大的时候相对集中，不能很好地反映边缘点的特征；
用户类别划分完成之后输出各类别中心曲线，以及属于该类别的用户列表，包括用户的姓名、户号以及所属台区信息。
进一步地，所述步骤4中，筛选方法为：判断类别中心曲线中负荷最大值和最小值之差与2倍曲线负荷平均值的大小关系，若差值大于2倍平均值，则认为响应潜力高，反之认为响应潜力低。
本发明采用的另一种技术方案为：居民用户需求响应高潜力用户筛选系统，其包括：
数据获取单元，用于获取居民用户非侵入式负荷监测数据；
数据处理单元，用于数据的清洗及预处理，生成用户可调节负荷曲线；
用户类别划分单元，对用户可调节负荷曲线进行用户类别划分；
高潜力类别筛选单元，依照划分后的各个用户类别的中心曲线，筛选其中需求响应潜力高的类别；
高潜力用户信息输出单元，输出筛选出的这些类别内的用户信息，即具有高需求响应潜力的居民用户名称、户号及所属台区。
本发明具有的有益效果如下：
本发明在智能电网背景下，利用非侵入式负荷监测数据对参与需求响应的居民用户进行筛选，获得高潜力用户；对用户进行筛选可以使电力公司营销部门有针对性的向用户发送需求响应邀约，降低短信发送成本，提高邀约效率，可有效减少用户基线预测的计算量。
附图说明
图1是本发明方法的流程图；
图2是本发明系统的结构图。
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。
实施例1
本实施例为一种居民用户需求响应高潜力用户筛选方法，如图1所示，其步骤如下：
步骤1、居民用户非侵入式负荷监测数据的获取；
步骤2、数据的清洗及预处理，生成用户可调节负荷曲线；
步骤3、对用户可调节负荷曲线进行用户类别划分；
步骤4、依照划分后的各个用户类别的中心曲线，筛选其中需求响应潜力高的类别；
步骤5、输出筛选出的这些类别内的用户信息，即具有高需求响应潜力的居民用户名称、户号以及所属台区。
具体地，所述的步骤1中，获取的数据需要区分工作日和非工作日，按照待筛选日的性质(工作日、非工作日)，获取每个用户筛选前同性质7日的非侵入式负荷监测数据，数据点时间间隔为15分钟，负荷分类包括空调、电热水器和电采暖设备。
具体地，所述步骤2中，数据的清洗包括异常数据剔除和缺失数据补全；
异常数据的判别方法是对相邻的两个采样点数据进行作差，结果与日平均负荷比较，若某数据点两侧差值均大于3倍当日平均负荷，则认为数据异常，反之认为数据正常，如下式所示：
其中，P(t)为采样时刻t的功率值，Δt为采样时间间隔，即15分钟，
为当日负荷平均值；
缺失数据的补全方法分两种情况，第一种情况是连续缺失点不超过3个，此时在缺失值两侧的数据点中间进行线性插值；第二种情况是连续的缺失点超过3个，则采用其他正常日同时刻数据平均值进行数据补全，如下式所示：
其中，N为连续缺失的数据个数，Plost(i)为第i个缺失值，Pl为缺失值时间序列左侧第一个值，Pr为缺失值序列右侧第一个值，
为第i个缺失值在其他几天中的负荷值的平均值。
具体地，所述步骤2中的数据预处理包括提取用户空调、电采暖设备和电热水器的负荷数据，并在经过清洗后叠加形成每日可调节负荷曲线，如下式所示：
其中，Pj(t)为第j天t时刻的可调节负荷，
和
分别为第j天t时刻的空调、电采暖设备和热水器的负荷值；
然后求用户7天负荷平均值，如下式：
具体地，所述步骤3中，进行用户类别划分要达到的最终效果是类内相似度最小、类间差异性最大，此时点和中心的加权距离之和最小，使用的公式表达式为：
其中，c为类别数目，n为总用户数目，Pavg,p代表第p个用户的负荷曲线96个值组成的向量，cq代表第q个类的中心向量，也由96个值组成，这96个点连接形成的曲线即为第q类的中心曲线，apq指用户p在类q的隶属度，规定样本在各类的隶属度之和为1，即
隶属度的迭代公式如下：
其中，m为影响分类离散程度的模糊系数，当m较小的时候会受噪声点的影响比较大，因此得到的类别中心会相对分散。而当m较大的时候相对集中，不能很好地反映边缘点的特征。本实施例将m取为2，经过数据实测是比较合理的。
用户类别划分完成之后输出各类别中心曲线，以及属于该类别的用户列表，包括用户的姓名、户号以及所属台区。
具体地，所述步骤4中，筛选方法为：判断类别中心曲线中负荷最大值和最小值之差与2倍曲线负荷平均值的大小关系，若差值大于2倍平均值，则认为响应潜力高，反之认为响应潜力低。
实施例2
本实施例为一种居民用户需求响应高潜力用户筛选系统，如图2所示，其由数据获取单元、数据处理单元、用户类别划分单元、高潜力类别筛选单元和高潜力用户信息输出单元组成。
数据获取单元，用于获取居民用户非侵入式负荷监测数据。
所述的数据获取单元中，获取的数据需要区分工作日和非工作日，按照待筛选日的性质，获取每个用户筛选前同性质7日的非侵入式负荷监测数据，数据点时间间隔为15分钟，负荷分类包括空调、电热水器和电采暖设备。
数据处理单元，用于数据的清洗及预处理，生成用户可调节负荷曲线。
所述的数据处理单元中，数据的清洗包括异常数据剔除和缺失数据补全；
异常数据的判别方法是对相邻的两个采样点数据进行作差，结果与日平均负荷比较，若某数据点两侧差值均大于3倍当日平均负荷，则认为数据异常，反之认为数据正常，如下式所示：
其中，P(t)为采样时刻t的功率值，Δt为采样时间间隔，即15分钟，
为当日负荷平均值；
缺失数据的补全方法分两种情况，第一种情况是连续缺失点不超过3个，此时在缺失值两侧的数据点中间进行线性插值；第二种情况是连续的缺失点超过3个，则采用其他正常日同时刻数据平均值进行数据补全，如下式所示：
其中，N为连续缺失的数据个数，Plost(i)为第i个缺失值，Pl为缺失值时间序列左侧第一个值，Pr为缺失值序列右侧第一个值，
为第i个缺失值在其他几天中的负荷值的平均值；
所述数据处理单元中，数据预处理包括提取用户空调、电采暖设备和电热水器的负荷数据，并在经过清洗后叠加形成每日可调节负荷曲线，如下式所示：
其中，Pj(t)为第j天t时刻的可调节负荷，
和
分别为第j天t时刻的空调、电采暖设备和热水器的负荷值；
然后求用户7天负荷平均值，如下式：
用户类别划分单元，对用户可调节负荷曲线进行用户类别划分。
所述的用户类别划分单元中，进行用户类别划分要达到的最终效果是类内相似度最小、类间差异性最大，此时点和中心的加权距离之和最小，使用的公式表达式为：
其中，c为类别数目，n为总用户数目，Pavg,p代表第p个用户的负荷曲线96个值组成的向量，cq代表第q个类的中心向量，也由96个值组成，这96个点连接形成的曲线即为第q类的中心曲线，apq指用户p在类q的隶属度，规定样本在各类的隶属度之和为1，即：
隶属度的迭代公式如下：
其中，m为影响分类离散程度的模糊系数，当m较小的时候会受噪声点的影响比较大，因此得到的类别中心会相对分散。而当m较大的时候相对集中，不能很好地反映边缘点的特征。本实施例将m取为2，经过数据实测是比较合理的。
用户类别划分完成之后输出各类别中心曲线，以及属于该类别的用户列表，包括用户的姓名、户号以及所属台区。
高潜力类别筛选单元，依照划分后的各个用户类别的中心曲线，筛选其中需求响应潜力高的类别。
高潜力用户信息输出单元，输出筛选出的这些类别内的用户信息，即具有高需求响应潜力的居民用户名称、户号及所属台区。
实施例2中未详细说明的部分参与实施例1。
本发明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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.居民用户需求响应高潜力用户筛选方法，其特征在于，包括：
步骤1、居民用户非侵入式负荷监测数据的获取；
步骤2、数据的清洗及预处理，生成用户可调节负荷曲线；
步骤3、对用户可调节负荷曲线进行用户类别划分；
步骤4、依照划分后的各个用户类别的中心曲线，筛选其中需求响应潜力高的类别；
步骤5、输出筛选出的这些类别内的用户信息，即具有高需求响应潜力的居民用户名称、户号以及所属台区。
2.根据权利要求1所述的居民用户需求响应高潜力用户筛选方法，其特征在于，所述的步骤1中，获取的数据需要区分工作日和非工作日，按照待筛选日的性质，获取每个用户筛选前同性质7日的非侵入式负荷监测数据，数据点时间间隔为15分钟，负荷分类包括空调、电热水器和电采暖设备。
3.根据权利要求1所述的居民用户需求响应高潜力用户筛选方法，其特征在于，所述步骤2中，数据的清洗包括异常数据剔除和缺失数据补全；
异常数据的判别方法是对相邻的两个采样点数据进行作差，结果与日平均负荷比较，若某数据点两侧差值均大于3倍当日平均负荷，则认为数据异常，反之认为数据正常，如下式所示：
其中，P(t)为采样时刻t的功率值，Δt为采样时间间隔，即15分钟，
为当日负荷平均值；
缺失数据的补全方法分两种情况，第一种情况是连续缺失点不超过3个，此时在缺失值两侧的数据点中间进行线性插值；第二种情况是缺失点超过3个，则采用其他正常日同时刻数据平均值进行数据补全，如下式所示：
其中，N为连续缺失的数据个数，Plost(i)为第i个缺失值，Pl为缺失值时间序列左侧第一个值，Pr为缺失值序列右侧第一个值，
为第i个缺失值在其他几天中的负荷值的平均值。
4.根据权利要求1所述的居民用户需求响应高潜力用户筛选方法，其特征在于，所述步骤2中的数据预处理包括提取用户空调、电采暖设备和电热水器的负荷数据，并在经过清洗后叠加形成每日可调节负荷曲线，如下式所示：
其中，Pj(t)为第j天t时刻的可调节负荷，
和
分别为第j天t时刻的空调、电采暖设备和热水器的负荷值；
然后求用户7天负荷平均值，如下式：
5.根据权利要求1所述的居民用户需求响应高潜力用户筛选方法，其特征在于，所述步骤3中，进行用户类别划分要达到的最终效果是类内相似度最小、类间差异性最大，此时点和中心的加权距离之和最小，使用的公式表达式为：
其中，c为类别数目，n为总用户数目，Pavg,p代表第p个用户的负荷曲线96个值组成的向量；cq代表第q个类别的中心向量，也由96个值组成，这96个点连接形成的曲线即为第q类的中心曲线；apq指用户p在类q的隶属度，规定样本在各类的隶属度之和为1，即：
隶属度的迭代公式如下：
其中，m为影响分类离散程度的模糊系数，ck代表第k个类别的中心向量；
用户类别划分完成之后输出各类别中心曲线，以及属于该类别的用户列表，包括用户的姓名、户号以及所属台区信息。
6.根据权利要求1所述的居民用户需求响应高潜力用户筛选方法，其特征在于，所述步骤4中，筛选方法为：判断类别中心曲线中负荷最大值和最小值之差与2倍曲线负荷平均值的大小关系，若差值大于2倍平均值，则认为响应潜力高，反之认为响应潜力低。
7.居民用户需求响应高潜力用户筛选系统，其特征在于，包括：
数据获取单元，用于获取居民用户非侵入式负荷监测数据；
数据处理单元，用于数据的清洗及预处理，生成用户可调节负荷曲线；
用户类别划分单元，对用户可调节负荷曲线进行用户类别划分；
高潜力类别筛选单元，依照划分后的各个用户类别的中心曲线，筛选其中需求响应潜力高的类别；
高潜力用户信息输出单元，输出筛选出的这些类别内的用户信息，即具有高需求响应潜力的居民用户名称、户号及所属台区。
8.根据权利要求7所述的居民用户需求响应高潜力用户筛选方法，其特征在于，所述的数据获取单元中，获取的数据需要区分工作日和非工作日，按照待筛选日的性质，获取每个用户筛选前同性质7日的非侵入式负荷监测数据，数据点时间间隔为15分钟，负荷分类包括空调、电热水器和电采暖设备。
9.根据权利要求7所述的居民用户需求响应高潜力用户筛选方法，其特征在于，所述的数据处理单元中，数据的清洗包括异常数据剔除和缺失数据补全；
异常数据的判别方法是对相邻的两个采样点数据进行作差，结果与日平均负荷比较，若某数据点两侧差值均大于3倍当日平均负荷，则认为数据异常，反之认为数据正常，如下式所示：
其中，P(t)为采样时刻t的功率值，Δt为采样时间间隔，即15分钟，
为当日负荷平均值；
缺失数据的补全方法分两种情况，第一种情况是连续缺失点不超过3个，此时在缺失值两侧的数据点中间进行线性插值；第二种情况是连续的缺失点超过3个，则采用其他正常日同时刻数据平均值进行数据补全，如下式所示：
其中，N为连续缺失的数据个数，Plost(i)为第i个缺失值，Pl为缺失值时间序列左侧第一个值，Pr为缺失值序列右侧第一个值，
为第i个缺失值在其他几天中的负荷值的平均值；
所述数据处理单元中，数据预处理包括提取用户空调、电采暖设备和电热水器的负荷数据，并在经过清洗后叠加形成每日可调节负荷曲线，如下式所示：
其中，Pj(t)为第j天t时刻的可调节负荷，
和
分别为第j天t时刻的空调、电采暖设备和热水器的负荷值；
然后求用户7天负荷平均值，如下式：
10.根据权利要求7所述的居民用户需求响应高潜力用户筛选方法，其特征在于，所述的用户类别划分单元中，进行用户类别划分要达到的最终效果是类内相似度最小、类间差异性最大，此时点和中心的加权距离之和最小，使用的公式表达式为：
其中，c为类别数目，n为总用户数目，Pavg,p代表第p个用户的负荷曲线96个值组成的向量，cq代表第q个类的中心向量，也由96个值组成，这96个点连接形成的曲线即为第q类的中心曲线，apq指用户p在类q的隶属度，规定样本在各类的隶属度之和为1，即
隶属度的迭代公式如下：
其中，m为影响分类离散程度的模糊系数，ck代表第k个类别的中心向量；
用户类别划分完成之后输出各类别中心曲线，以及属于该类别的用户列表，包括用户的姓名、户号以及所属台区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210125634.4A CN114461662A (zh) | 2022-02-10 | 2022-02-10 | 居民用户需求响应高潜力用户筛选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210125634.4A CN114461662A (zh) | 2022-02-10 | 2022-02-10 | 居民用户需求响应高潜力用户筛选方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114461662A true CN114461662A (zh) | 2022-05-10 |
Family
ID=81414124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210125634.4A Pending CN114461662A (zh) | 2022-02-10 | 2022-02-10 | 居民用户需求响应高潜力用户筛选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114461662A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485071A (zh) * | 2023-04-12 | 2023-07-25 | 山东科技大学 | 一种基于概率基线负荷的电力用户需求响应潜力评估方法 |
-
2022
- 2022-02-10 CN CN202210125634.4A patent/CN114461662A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485071A (zh) * | 2023-04-12 | 2023-07-25 | 山东科技大学 | 一种基于概率基线负荷的电力用户需求响应潜力评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ryu et al. | Convolutional autoencoder based feature extraction and clustering for customer load analysis | |
| CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
| CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| CN111371188A (zh) | 一种用电异常数据实时预警系统 | |
| CN114461662A (zh) | 居民用户需求响应高潜力用户筛选方法及系统 | |
| Klingler et al. | Residential photovoltaic self-consumption: Identifying representative household groups based on a cluster analysis of hourly smart-meter data | |
| CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
| Yan et al. | Deep learning based total transfer capability calculation model | |
| CN116030409A (zh) | 一种基于自适应图像分割的光伏板积灰状态识别方法 | |
| CN105550450B (zh) | 一种电能质量干扰源特征谐波建模方法 | |
| CN112926762B (zh) | 一种基于安全约束机组组合模型的出清方法及装置 | |
| CN107017664B (zh) | 一种风光互补发电系统最大功率分时跟踪方法 | |
| CN116307945B (zh) | 一种建筑类电气智能运行监控方法、系统和介质 | |
| Zhang et al. | Clustering and decision tree based analysis of typical operation modes of power systems | |
| Wu et al. | Forecast of short‐term electricity price based on data analysis | |
| 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 | |
| CN115034472A (zh) | 一种分布式光伏运行智能预测管理系统 | |
| CN112865101B (zh) | 一种考虑可再生能源出力不确定性的线性化交易方法 | |
| CN113033867B (zh) | 一种计及电供热特性的省级电网负荷特性分析方法 | |
| Yao et al. | AdaBoost-CNN: a hybrid method for electricity theft detection | |
| CN113269360A (zh) | 一种基于电力用户用电行为画像的数据采集方法 | |
| Cheng et al. | Research on the analysis of user's electricity behavior and the application of demand response based on global energy interconnection | |
| Drzymala et al. | Economic Efficiency of a Photovoltaic Power Plants | |
| CN111541245A (zh) | 一种智能家庭能量管理系统控制方法 | |
| Taniguchi et al. | A Simple Strategy for Bidding to Balancing Market of Photovoltaic Power |
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 |