CN114841832B - 一种基于用电负荷二次聚类的电力用户画像标签建立方法 - Google Patents

一种基于用电负荷二次聚类的电力用户画像标签建立方法 Download PDF

Info

Publication number
CN114841832B
CN114841832B CN202210776736.2A CN202210776736A CN114841832B CN 114841832 B CN114841832 B CN 114841832B CN 202210776736 A CN202210776736 A CN 202210776736A CN 114841832 B CN114841832 B CN 114841832B
Authority
CN
China
Prior art keywords
power
user
clustering
data
power consumption
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
CN202210776736.2A
Other languages
English (en)
Other versions
CN114841832A (zh
Inventor
何行
蔡文嘉
董重重
张芹
张蕾
张佳雯
冉艳春
吴悠
肖燕婷
马茜
蒋达
熊子菡
刘睿欣
陈卓琪
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.)
Metering Center of State Grid Hubei Electric Power Co Ltd
Original Assignee
Metering Center of State Grid Hubei 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 Metering Center of State Grid Hubei Electric Power Co Ltd filed Critical Metering Center of State Grid Hubei Electric Power Co Ltd
Priority to CN202210776736.2A priority Critical patent/CN114841832B/zh
Publication of CN114841832A publication Critical patent/CN114841832A/zh
Application granted granted Critical
Publication of CN114841832B publication Critical patent/CN114841832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于用电负荷二次聚类的电力用户画像标签建立方法，属于大数据处理技术领域。本发明通过聚类算法识别特定范围内电力客户群体的主要用电模式，并识别有相似用电模式的客户，实现客群聚类分组的目的。本发明聚焦有序用电管控需求，针对不同产业链集群用户，分析识别企业用户用电负荷特征，识别用户群体的主要用电模式，并根据用户用电模式分布统计结果，对用电用户进行二次聚类，为有序用电组件紧急避峰组群，提供科学准确的客群标签数据支撑。

Description

一种基于用电负荷二次聚类的电力用户画像标签建立方法
技术领域
本发明涉及一种基于用电负荷二次聚类的电力用户画像标签建立方法，属于大数据处理技术领域。
背景技术
在电力行业领域，电力公司重点关注供电营销服务的工作质量，旨在提升用户用电的满意度。然而，目前的电力系统营销工作体系庞大，面向的是海量用户群体。因此，需要采用数据标签技术，对用户群体进行精细化划分，便于提供差异化服务，提升管理质效，减轻基层负担。
对于电网企业而言，电力用户画像是根据用户的基本属性、用电行为、缴费行为和诉求行为的差异，开展特征分类、分级，从每种类型中抽取出典型特征,赋予标签的阈值，根据最终标签，结合业务需求场景，开展电力用户个体画像和群体画像。
电力用户画像的建立对于电力行业中促进差异化服务，提高服务满意度、预测客户行为，减少企业损失，以及电量的正确预估都有着至关重要的作用。电力用户的用电行为是一项重要的特征，关乎电力系统负荷承载情况。对用户用电的行为进行深入分析，有助于分析用户的用能习惯、经营水平，为用电服务提供更精准的决策依据。
为此，电力公司通过开展电力用户的标签体系基础架构设计、客户标签常态运营、标签精准营销应用等工作，尤其是建设用户标签在有序用电、需求侧响应、客户用能服务等方向的应用。特别是在应对“用电荒”的场景时，电力公司开展有序用电管理措施，从而保障电力供应不足的情况下大电网的供电安全，在这一过程中，对电力用户用电行为标签的设计、开发和使用等，均提出了更高的要求。
目前，传统的用户画像标签多是基于简单的阈值判断，将客群划分为高、中、低档，尤其是缺乏对不同时段用电行为的分析。因此，面向有序用电、代购电政策精准服务等新兴营销业务应用场景，亟需运用更加智能的用户标签化技术手段，构建特定场景下的电力客户画像标签，从而支撑营销服务工作，提升客户满意度。
发明内容
本发明的目的是针对现有技术存在的缺陷，为了解决用户画像标签分析特征不足的技术问题，提出一种基于用电负荷二次聚类的电力用户画像标签建立方法。
本发明通过聚类算法识别特定范围内电力客户群体的主要用电模式，并识别有相似用电模式的客户，实现客群聚类分组的目的。本发明聚焦有序用电管控需求，针对不同产业链集群用户，分析识别企业用户用电负荷特征，识别用户群体的主要用电模式，并根据用户用电模式分布统计结果，对用电用户进行二次聚类，为有序用电组件紧急避峰组群，提供科学准确的客群标签数据支撑。
为了实现上述技术目的，本发明的技术方案包括以下步骤。
一种基于用电负荷二次聚类的电力用户画像标签建立方法，包括以下步骤：
步骤S1：定位相关用户群，选定分析目标用户。
例如，在县级/乡级区划范围内，选取目标行业用电用户，将生产经营高度相关的用户群作为分析对象。
步骤S2：收集目标用户的用电负荷数据。
具体地，获取目标用户在电网企业中的用户编号与计量点编号，并获取计量点下用电负荷及用电量数据，查询每个计量点在一个自然年中每15分钟的用电负荷数据。
步骤S3：数据处理清洗。
使用差值法，计算每15分钟的实际正向有功电量实际值,将同一个小时内的每15分钟正向有功电量求和，计算0至23点的小时正向有功电量数据。剔除异常数据，避免脏数据影响分析结果。
采用下述公式，对小时用电量进行标准化处理，消除每个用户用电量水平差异对聚类分析结果的影响。
Figure 507672DEST_PATH_IMAGE001
（1）
步骤S4：日用电量曲线聚类计算。
具体地，使用欧氏距离，计算用户日用电量曲线差异值
Figure 752708DEST_PATH_IMAGE002
：
Figure 361806DEST_PATH_IMAGE003
其中，
Figure 225857DEST_PATH_IMAGE004
，
Figure 305808DEST_PATH_IMAGE005
，分别表示第
Figure 925009DEST_PATH_IMAGE006
条和第
Figure 457621DEST_PATH_IMAGE007
条记录0点至23点标准化日用电量序列。
Figure 249997DEST_PATH_IMAGE008
表示第
Figure 122138DEST_PATH_IMAGE006
条记录0点的标准化日用电量序列，
Figure 708977DEST_PATH_IMAGE009
第
Figure 728885DEST_PATH_IMAGE007
条记录0点的标准化日用电量序列。
选取k个聚类个数，并判定最优的聚类个数。具体地，逐次计算不同聚类个数下的聚类中心：依次令k=3,4,5,…,10，计算不同k值下的聚类中心。以0至23点为横轴，以聚类中心小时用电量为纵轴，绘制用电量曲线及聚类中心曲线。
对比不同聚类个数下的聚类中心曲线，以充分刻画不同用电特征、避免出现重复相近聚类曲线为原则，确定合理的聚类个数。标记用户-日用电记录聚类结果。
步骤S5：产业链用户二次聚类。统计用户-日用电记录聚类结果。
以每个用户为单位，统计每个用户不同聚类结果标识出现频次。
进行用户群二次聚类。可以使用K-Means算法等，进行用户群聚类。聚类对象为产业链用户，选定合理的聚类个数（以能够充分刻画不同用电特征、避免出现重复相近聚类曲线为标准），并记录每个用户的聚类结果。
识别每类用户的用电模式。统计用户分组-用电模式占比。具体地，可以统计每一类用户分组下的每类用电模式出现天数，计算每类用电模式在不同用户分组下的占比。根据用电模式占比，挑选每组用户的用电模式，形成用电模式曲线，结合曲线得出用户的用电特征。
根据用户的用电特征，对用户群体进行划分。从而为用户服务方制定、营销方案制定、用电峰值预测等提供科学依据。
有益效果
本发明方法，对比现有技术，具有以下效益：
1.本方法能够为各地电网公司有序用电工作中，识别大工业用户用电生产模式，构建紧急避峰群组，精准监控用电负荷曲线，提供精准的客群划分依据。
2.本方法对各地电网公司代理供电工商业用户典型用电负荷曲线的科学分析，不同季节下的分时段用电量预测，提供科学的分析预测手段。为电网公司放开发电计划，缩小代理购电范围，提供有力的决策依据。
3.本方法对各地政府区域行业、产业、园区经济发展分析，能够支撑地区发改、经信、招商、国土等部门的对各用户群体的发展监控与科学决策，对相关工作开展有明显支撑推动作用。
附图说明
图1为本发明方法的流程图；
图2为用电量曲线及聚类中心曲线示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示，一种基于用电负荷二次聚类的电力用户画像标签建立方法，包括以下步骤：
步骤S1：定位相关用户群，圈定分析目标用户。
在县级区划、乡级区划范围内，选取特定行业产业用电用户，将生产经营高度相关的用户群作为分析对象。例如选择某地级市范围内的汽车制造行业的用户，或者选择某县级区划内的计算机、通信和其他电子设备制造业企业用户。
步骤S2:收集用电负荷数据。
步骤S2.1：获取目标用户在电网企业中的用户编号与计量点编号。
通过营销业务系统、用电信息采集系统输入企业名称，查找用电用户，确认用电用户与用户编号、计量点编号对应关系，整理用户编号清单列表。
步骤S2.2：获取计量点下用电负荷及用电量数据。
根据计量点编号，查询每个计量点在一个自然年中每15分钟的用电负荷数据，保存计量点正向有功功率及正向有功电量数据。每个计量点约有35000条记录，合并所有计量点用电用负荷数据。
步骤S3：数据处理清洗。
步骤S3.1：计算计量点96点用电量数据。
系统内96点正向有功电量数据为日用电量累计值，使用差值法计算每15分钟的实际正向有功电量实际值。
步骤S3.2：计算计量点24点用电量数据。
将同一个小时内的15分钟正向有功电量求和，计算0至23点的小时正向有功电量数据，每个计量点一年约有8700条记录。
步骤S3.3：异常用电量数据处理。
由于电能计量装置异常、电能数据传输存储异常，会出现连续多个小时用电量为0的情况，会对分析过程造成干扰，需要对异常用电量数据进行识别剔除。
步骤S3.3.1：用电量数据连续为零异常识别。
用电量数据质量问题主要为多个小时用电量连续为零，不符合专变大工业用户的实际用电现状，建立异常数据识别规则。
记
Figure 669160DEST_PATH_IMAGE010
为某用户某日第i时的小时用电量数据，
其中
Figure 278696DEST_PATH_IMAGE011
.当满足以下条件时，判断当日用电量连续为零：
Figure 974120DEST_PATH_IMAGE012
即，如果当日连续三个小时用电量为零，则判定当日用电量数据异常。
步骤S3.3.2：用电量数据连续为零异常剔除。
由于当日用电量数据异常为个例，数据补全技术难度和工作量大，因此对当日用电量数据异常记录直接剔除，不进入下一步聚类分析环节。
步骤S3.4：用电量数据标准化处理。
每个用户用电量水平量级不同，若直接使用用户用电量进行分析，受用电量绝对值影响较大，会将高用电水平的日用电量曲线聚成一类，无法分析用户用电特征和生产模式，因此需要进行用电量标准化处理。
采用下式对小时用电量进行标准化处理：
Figure 684587DEST_PATH_IMAGE001
标准化小时用电量为小时用电量的实际值除以一年内用户小时用电量的平均值，消除每个用户用电量水平差异对聚类分析结果的影响。
步骤S4：日用电量曲线聚类。
步骤S4.1：小时用电量差异值计算。
每个用电用户的日用电量曲线均为小时用电量，单位为千瓦时（kW·h），不存在其他测量单位，并且小时用电量数据已经过标准化处理，使用欧氏距离计算用户日用电量曲线差异值。
计算公式如下：
Figure 287606DEST_PATH_IMAGE013
其中，
Figure 196656DEST_PATH_IMAGE004
，
Figure 735085DEST_PATH_IMAGE005
，分别表示第i条和第j 条记录0点至23点标准化日用电量序列。
步骤S4.2：迭代计算指定聚类个数下的聚类中心。
从全量数据中随机选取k条日用电量曲线作为初始聚类中心，计算每条日用电量曲线与k个聚类中心的距离，并根据最小距离对全量日用电量曲线进行划分，重新计算新的聚类中心。循环迭代上述过程，直到每个聚类不再变化。
步骤S4.3：尝试多个聚类个数，并选择最优的聚类个数。
步骤S4.3.1：逐次计算不同聚类个数下的聚类中心。
依次令k=3,4,5,…,10,计算不同k值下的聚类中心。以0至23点为横轴，以聚类中心小时用电量为纵轴，绘制用电量曲线及聚类中心曲线，如图2所示。
步骤S4.3.2：选取合理的聚类个数。
对比不同聚类个数下的聚类中心曲线，以充分刻画不同用电特征、避免出现重复相近聚类曲线为原则，确定合理的聚类个数。
步骤S4.3.3：标记用户-日用电记录聚类结果。
以每个用户每日用电记录为单位，标记一次聚类结果，作为二次聚类分析数据源。
步骤S5：产业链用户二次聚类。
步骤S5.1：统计用户-日用电记录聚类结果。
以每个用户为单位，统计每个用户不同聚类结果标识出现频次，统计表格示例如下：
表1 用户-日用电记录聚类结果统计表
Figure 57482DEST_PATH_IMAGE014
计n个产业链用户日用电曲线在k个类别下出现频次，记
Figure 605138DEST_PATH_IMAGE015
为第i个用户第j个类 别的出现次数。
由于步骤S3.3.2中对识别的用电量异常值直接进行剔除，因此上表中每个用户的总记录数可能会不一致，属正常显现，不影响后续分析计算过程及结果。
步骤S5.2：进行用户群二次聚类。
使用《用户-日用电记录聚类结果统计表》统计数据，采用与步骤S4.1、S4.2相同方式，使用K-Means算法进行用户群聚类。聚类对象为产业链用户，不同于S4.1中每个用户每日用电量记录。采用与S4.3.2相同方式，选定合理的聚类个数。
记录每个用户聚类结果，制作用户聚类结果表，统计表格示例如下：
表2 用户聚类结果表
Figure 368695DEST_PATH_IMAGE016
步骤S5.3：识别每类用户主要用电模式。
步骤S5.3.1：统计用户分组-用电模式占比。
统计每一类用户分组下的，每类用电模式出现天数，并计算每类用电模式在不同用户分组下的占比。
制作用户分组-用电模式占比统计表，统计表格示例如下：
表3 用户分组-用电模式占比统计表
Figure 937079DEST_PATH_IMAGE017
步骤S5.3.2：识别每类用户主要用电模式。
根据用电模式占比，挑选每组用户的主要用电模式，整理结果，并结合用电模式曲线，描述用电特征，统计表格示例如下：
表4主要用电模式识别统计表
Figure 982658DEST_PATH_IMAGE018
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于用电负荷二次聚类的电力用户画像标签建立方法，其特征在于，包括以下步骤：
步骤S1：定位相关用户群，选定分析目标用户；
选取目标行业用电用户，将生产经营高度相关的用户群作为分析对象；
步骤S2：收集目标用户的用电负荷数据；
获取目标用户在电网企业中的用户编号与计量点编号，并获取计量点下用电负荷及用电量数据，查询每个计量点在一个自然年中每15分钟的用电负荷数据；
步骤S3：数据处理清洗；
使用差值法，计算每15分钟的实际正向有功电量实际值,将同一个小时内的每15分钟正向有功电量求和，计算0至23点的小时正向有功电量数据；剔除异常数据，避免脏数据影响分析结果；
采用下式，对小时用电量进行标准化处理，消除每个用户用电量水平差异对聚类分析结果的影响：
Figure DEST_PATH_IMAGE002
（1）
对于异常用电量数据处理，方法如下：
步骤S3.3.1：用电量数据连续为零异常识别；
记
Figure DEST_PATH_IMAGE004
为某用户某日第m时的小时用电量数据，其中
Figure DEST_PATH_IMAGE006
；当满足以下条件时，判断当日用电量连续为零：
Figure DEST_PATH_IMAGE008
即，如果当日连续三个小时用电量为零，则判定当日用电量数据异常；
步骤S3.3.2：用电量数据连续为零异常剔除；
对当日用电量数据异常记录直接剔除，不进入下一步聚类分析环节；
步骤S4：日用电量曲线聚类计算；
使用欧氏距离，计算用户日用电量曲线差异值
Figure DEST_PATH_IMAGE010
：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
,
Figure DEST_PATH_IMAGE016
，分别表示第
Figure DEST_PATH_IMAGE018
条和第
Figure DEST_PATH_IMAGE020
条记录0点至23点标准化日用电量序列；
Figure DEST_PATH_IMAGE022
表示第
Figure 711773DEST_PATH_IMAGE018
条记录0点的标准化日用电量序列，
Figure DEST_PATH_IMAGE024
第
Figure 487968DEST_PATH_IMAGE020
条记录0点的标准化日用电量序列；
选取k个聚类个数，并判定最优的聚类个数；逐次计算不同聚类个数下的聚类中心：依次令k=3,4,5,…,10，计算不同k值下的聚类中心；以0至23点为横轴，以聚类中心小时用电量为纵轴，绘制用电量曲线及聚类中心曲线；
对比不同聚类个数下的聚类中心曲线，以充分刻画不同用电特征、避免出现重复相近聚类曲线为原则，确定合理的聚类个数；标记用户-日用电记录聚类结果；
其中，以每个用户每日用电记录为单位，标记一次聚类结果，作为二次聚类分析数据源；
步骤S5：产业链用户二次聚类，统计用户-日用电记录聚类结果；
以每个用户为单位，统计每个用户不同聚类结果标识出现频次；
进行用户群二次聚类，聚类对象为产业链用户，选定合理的聚类个数，以能够充分刻画不同用电特征、避免出现重复相近聚类曲线为标准，并记录每个用户的聚类结果；
识别每类用户的用电模式，统计用户分组-用电模式占比，即，统计每一类用户分组下的每类用电模式出现天数，计算每类用电模式在不同用户分组下的占比；根据用电模式占比，挑选每组用户的用电模式，形成用电模式曲线，结合曲线得出用户的用电特征；
最后，根据用户的用电特征，对用户群体进行划分。
CN202210776736.2A 2022-07-04 2022-07-04 一种基于用电负荷二次聚类的电力用户画像标签建立方法 Active CN114841832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776736.2A CN114841832B (zh) 2022-07-04 2022-07-04 一种基于用电负荷二次聚类的电力用户画像标签建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776736.2A CN114841832B (zh) 2022-07-04 2022-07-04 一种基于用电负荷二次聚类的电力用户画像标签建立方法

Publications (2)

Publication Number Publication Date
CN114841832A CN114841832A (zh) 2022-08-02
CN114841832B true CN114841832B (zh) 2023-01-24

Family

ID=82575021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776736.2A Active CN114841832B (zh) 2022-07-04 2022-07-04 一种基于用电负荷二次聚类的电力用户画像标签建立方法

Country Status (1)

Country Link
CN (1) CN114841832B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956075B (zh) * 2023-09-18 2024-01-12 国网山西省电力公司营销服务中心 电力用户侧类型自动识别方法、系统、设备及存储介质
CN118153926B (zh) * 2024-05-11 2024-08-06 湖北华中电力科技开发有限责任公司 一种电力营销一体化管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145586A (zh) * 2017-05-10 2017-09-08 中国电力科学研究院 一种基于电力营销数据的标签产出方法和装置
CN110866841A (zh) * 2019-11-20 2020-03-06 江苏方天电力技术有限公司 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统
CN111612275A (zh) * 2020-05-29 2020-09-01 云南电网有限责任公司 一种预测区域用户负荷量的方法及装置
CN111724278A (zh) * 2020-06-11 2020-09-29 国网吉林省电力有限公司 一种面向电力多元负荷用户的精细分类方法及系统
CN114444573A (zh) * 2021-12-27 2022-05-06 国网河南省电力公司郑州供电公司 基于大数据聚类技术的电力客户标签生成方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685581A (zh) * 2019-01-03 2019-04-26 江苏方天电力技术有限公司 一种基于标签聚类技术的电力大客户用电行为分析方法
WO2020053846A2 (en) * 2019-11-22 2020-03-19 Symbiosis International (Deemed University) A system and method for analysis of smart meter data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145586A (zh) * 2017-05-10 2017-09-08 中国电力科学研究院 一种基于电力营销数据的标签产出方法和装置
CN110866841A (zh) * 2019-11-20 2020-03-06 江苏方天电力技术有限公司 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统
CN111612275A (zh) * 2020-05-29 2020-09-01 云南电网有限责任公司 一种预测区域用户负荷量的方法及装置
CN111724278A (zh) * 2020-06-11 2020-09-29 国网吉林省电力有限公司 一种面向电力多元负荷用户的精细分类方法及系统
CN114444573A (zh) * 2021-12-27 2022-05-06 国网河南省电力公司郑州供电公司 基于大数据聚类技术的电力客户标签生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于聚类算法的大用户用电模式识别研究;赵志宇等;《中国管理信息化》;20171001(第19期);第179-181页 *
大数据背景下电力需求侧管理的应用策略研究;刘俊等;《电力需求侧管理》;20160320(第02期);第11-16页 *

Also Published As

Publication number Publication date
CN114841832A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN114841832B (zh) 一种基于用电负荷二次聚类的电力用户画像标签建立方法
CN106570778B (zh) 一种基于大数据的数据集成与线损分析计算的方法
JP7319757B2 (ja) データ処理システム及びデータ処理方法
US10664931B2 (en) Data analyzing system and method
JP2018092439A5 (zh)
CN107248086A (zh) 基于用户用电行为分析的广告投放辅助分析方法
CN109165763A (zh) 一种95598客服工单的潜在被投诉的评估方法及装置
CN110378510B (zh) 一种基于时间序列和层次聚合的配网物资需求预测方法
CN114022205A (zh) 基于改进聚类法的电力用户缴费渠道偏好匹配方法及系统
CN114611738A (zh) 一种基于用户用电行为分析的负荷预测方法
CN116611862A (zh) 一种供电公司月度市场化采购电量的预测方法
CN116187808A (zh) 一种基于虚拟电厂用户-套餐标签画像的电力套餐推荐方法
CN112116205A (zh) 针对台区用电特征的画像方法、装置和存储介质
CN114565293A (zh) 一种工业负荷提供长周期需求响应能力的评估方法
CN114118672A (zh) 电力系统项目需求自动生成方法及系统
CN117522208A (zh) 一种基于电力现货市场的指标评价体系的构建方法
CN116258280A (zh) 一种基于时间序列聚类的短期负荷预测方法
CN112001551A (zh) 一种基于大用户电量信息的地市电网售电量预测方法
CN115374857A (zh) 电力客户用电行为的分类方法及装置
CN114757596B (zh) 电力业务监测预警方法、系统和可读存储介质
CN116226293A (zh) 一种电力客户画像生成管理的方法及系统
Wang et al. Application of clustering technique to electricity customer classification for load forecasting
CN116308494A (zh) 供应链需求预测方法
CN113902485B (zh) 一种专变电力用户行业识别方法、装置及设备
Fan et al. Digital Marketing Technology Based on Electricity User Portrait and K-means Clustering Algorithm

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