CN115238167A - 兼顾负荷与社会信息的电力用户精细化画像与管理方法 - Google Patents

兼顾负荷与社会信息的电力用户精细化画像与管理方法 Download PDF

Info

Publication number
CN115238167A
CN115238167A CN202210562052.2A CN202210562052A CN115238167A CN 115238167 A CN115238167 A CN 115238167A CN 202210562052 A CN202210562052 A CN 202210562052A CN 115238167 A CN115238167 A CN 115238167A
Authority
CN
China
Prior art keywords
user
load
power
potential
weight
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
CN202210562052.2A
Other languages
English (en)
Inventor
甘磊
陈少聪
陈星莺
余昆
陈灿洋
皮慧敏
钱子昂
代然
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202210562052.2A priority Critical patent/CN115238167A/zh
Publication of CN115238167A publication Critical patent/CN115238167A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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

Landscapes

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

Abstract

本发明公开一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，从能耗与负荷特性、可调潜力、行为意识、用户性质4个维度建立多维度电力用户用电行为评价体系，对单个用户进行精细化画像。面向需求响应，提出基于细粒度负荷数据及用户用电偏好调研信息挖掘的可调节潜力、负荷匹配程度以及行为意识的计算方法，以综合反映用户可调能力。基于DBSCAN聚类算法实现大规模电力用户的分类分群标签化管理。本发明能够深层次挖掘负荷数据以及社会信息的价值，充分体现用户负荷特征以及主观行为特征，在帮助用户了解自身用电行为的同时，能够支撑电力企业对用户提供个性化服务和辅助决策，从而有助于需求侧灵活资源整合，支撑新型电力系统的建设。

Description

兼顾负荷与社会信息的电力用户精细化画像与管理方法
技术领域
本发明涉及电力系统，特别是一种兼顾负荷与社会信息的电力用户精细化画像与管理方法。
背景技术
双碳目标下，我国将建设以新能源为主体的新型电力系统，系统的调节能力将成为稀缺资源。随着我国城镇化的不断发展，城区用户用电量激增。由于生活水平的不断提高和电价水平偏低，大部分居民节能意识和节能需求不强，受自然环境、生活需求等非经济性因素影响较大，具有极大的负荷灵活调节空间。然而，电力企业难以准确对强主观性的电力用户进行用电行为画像，从而也无法针对性地制定有效互动策略激发用户参与互动调节的意愿，引导用户的用电行为。因此，如何综合考虑基于社会调研的主观电力消费行为信息与基于物联网技术采集的海量精细化负荷数据，对用户用电行为进行全方位精准刻画与大规模用户的分类管理是电力供需互动领域亟待解决的问题。
目前，已有较多关于用户用电行为的研究，但现有研究对于用户社会意识的调研考虑较为欠缺，难以在用户用电特性分析中反映用户的社会意识以及主观需求。由于我国居民电价存在交叉补贴的情况，居民用电费用在各个家庭中的支出占比不高，用户在某些情况下更愿意关注人体舒适度等各种主观的生活需求和社会需求，电力负荷需求弹性较低，用户对于电价的变化反应欠敏感。传统基于用户总用电负荷的分析难以实现对用户精细化用电行为的深度挖掘，缺乏社会环境、家庭成员、消费心理等非数据化信息的考量。电力企业难以准确地对电力用户进行可调能力评估，从而实现用户与电网供需友好互动，支撑新型电力系统的发展。
发明内容
发明目的：本发明的目的是提供一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，从而充分挖掘用户精细化用电行为，帮助用户自身以及电力企业充分了解用户的用电规律以及可调能力，实现面向需求响应的大规模用户分类分群管理。
技术方案：本发明所述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，包括以下步骤：
(1)提出从能耗与负荷特性、可调潜力、行为意识、用户性质4个维度，建立4个二级指标、14个三级指标的多维度电力用户用电行为评价体系，用以对单个用户进行精细化画像。
(2)通过对用户用电数据的挖掘，提出用户与地区电网负荷匹配度指标计算方法，以及负荷可调潜力指标计算方法，所述负荷可调潜力指标包括可平移负荷潜力、可削减负荷潜力、可中断负荷潜力。
(3)将用户用电数据与用电用户的问卷调查结果相结合，从政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识4个方面，基于层次分析法和熵权法结合的主客观评价方法对用户主观行为意识进行综合评价。
(4)根据步骤(2)和步骤(3)得到的用户负荷数据层面和主观意识层面的量化分数，基于DBSCAN聚类算法可以对考虑用户可调节潜力、负荷匹配程度、主观行为意识三个维度的画像结果进行聚类分析，实现面向需求响应的大规模用户的分类分群标签化管理。
所述步骤(1)具体为：
(1.1)建立电力用户用电行为评价的四个维度。
从能耗与负荷特性、可调潜力、行为意识、用户性质4个维度进行多维电力用户精细化画像，作为电力用户用电行为评价的二级指标。
(1.2)建立电力用户用电行为评价的14个三级指标。
二级指标能耗与负荷特性下考虑日负荷曲线、峰谷特性、负荷匹配度、能耗等级4个三级指标。
二级指标可调潜力下考虑可平移负荷潜力、可削减负荷潜力、可中断负荷潜力3个三级指标。
二级指标行为意识下考虑政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识4个三级指标。
二级指标用户性质下考虑用户用电习惯、用户家庭属性、新能源属性3个三级指标。
所述步骤(2)具体为：
(2.1)计算用户的可调节潜力：
通过将可转移负荷潜力和可削减负荷潜力相结合，计算出用户负荷功率，并将其作为用户可调节潜力的指标，来评估大规模用户可调节潜力；用户的可调潜力系数计算如下：
Figure BDA0003656991100000031
其中，n和m分别代表可转移负荷、可削减负荷与可中断负荷类别的电气设备数量；
Figure BDA0003656991100000032
为第i个设备的可转移负荷潜力；
Figure BDA0003656991100000033
为第j个设备的可削减负荷与可中断负荷潜力；LS为总负荷。
(2.2)计算负荷匹配程度：
对用户日负荷曲线进行分析，并将其与当地电网的日负荷曲线相匹配，根据相似度反映用户参与需求响应的潜力；负荷匹配度使用综合考虑曲线点位置与顺序的Fréchet距离进行曲线间的相似性度量。
令S为度量空间，令A和B为S中的两条给定曲线；那么，A和B之间的Fréchet距离被定义为：将α和β参量化后的S平面上A(α(t))与B(β(t))之间距离最大值的下确界，其中，α,β,t∈(0,1)；则Fréchet距离F(A,B)是：
Figure BDA0003656991100000034
其中，d是S的距离函数。
所述步骤(3)具体为：
(3.1)构建综合评价用户主观行为意识的层次体系：
通过对行为意识维度的政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识的评价需求分析，在调查问卷中选取相应问题作为4个指标的权衡依据，根据目标层、准则层和因素层的三层结构来建立层次体系；对调查问卷中涉及四个方面影响因素的问题的回答进行赋分；赋分的原则主要参考李克特量表的赋分方法，该量表由一组陈述组成，每一陈述有“非常同意”、“同意”、“不一定”、“不同意”、“非常不同意”五种回答，分别记为5、4、3、2、1，每个被调查者的态度总分就是他对各道题的回答所得分数的加总，这一总分能够说明他的态度强弱或他在这一量表上的不同状态。
(3.2)进行一致性检验：
根据专家打分结果构建M-C和Ci-P判断矩阵，分别记为M和Ci，其阶数分别为准则层维度数和第i个维度下因素个数，矩阵元素均为专家根据比例标度表所填写的数值；判断矩阵必须通过一致性检验才能够对其算得的权重结果进行采用，一致性检验公式如下：
CI＝(λmax-n)/(n-1)
CR＝CI/RI
其中，λmax为矩阵的最大特征值；CI为一致性指标；n为矩阵阶数；RI为随机一致性指标，其大小与n有关，能够通过查表获得具体数值；CR为一致性比率；
当CR<0.1时，认为矩阵通过一致性检验，否则应修正判断矩阵。
(3.3)确定综合评价权重：
(3.3.1)层次分析法定权：
采用特征根法从判断矩阵导出单一准则下元素相对排序权重，即对应于判断矩阵最大特征根λmax的特征向量，经归一化后得到排序权向量记为ω，记ωi为Ci的排序权向量，aij为Ci下第j个因素的权重，则：
ωi＝(ail,ai2,…,aij)
同样地能够得到M的排序权向量ωm，bi为Ci对于M的权重，则：
ωm＝(b1,b2,…,bi)
将Ci下某一因素权重与Ci对于M的权重相乘能够得到该因素对于M的权重，将因素层的第k个因素对于M的权重记为αk。
(3.3.2)熵权法定权：
在问卷赋分的基础上，列出m个用户对于每个因素的分值；设第i个用户的第k个指标是Xik，归一化后的结果为Yik，利用归一化后的结果计算出第i个用户的第k个指标的比重Zik，根据Zik又能够计算出第k个指标的信息熵Ek，最后得到第k个指标的客观权重，记为βk；公式如下：
Figure BDA0003656991100000041
Figure BDA0003656991100000042
Figure BDA0003656991100000051
Figure BDA0003656991100000052
(3.3.3)组合赋权：
将主观赋权和客观赋权进行结合，使最终所确定的权重同时体现主客观信息，从而使得最后的结果更为准确。
根据层次分析法和熵权法所得到的第k个因素的权重分别为αk和βk，由组合赋权公式能够得到组合赋权的权重Wk：
Figure BDA0003656991100000053
(3.3.4)计算行为意识综合评分：
根据赋分情况得到每一用户各个因素问题所得分值，并结合组合赋权中所求得的权重结果，将各因素的分数与对应权重进行加权求和后能够得到该用户响应意愿层面的最终得分；通过上述方法对自然信息处理之后得到的居民用户响应意愿层面的得分，能够反映用户的响应意愿高低，从而实现更精细化更高效的大规模用户可调资源的评估。
所述步骤(4)具体为：
(4.1)初始化核心对象集合
Figure BDA0003656991100000054
初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D，簇划分
Figure BDA0003656991100000055
(4.2)对于j＝1,2,...,m，按下面的步骤找出所有的核心对象。
(4.2.1)通过距离度量方式，找到样本xj的∈-邻域子样本集N∈(xj)。
(4.2.2)如果子样本集样本个数满足|N∈(xj)|≥MinPts，将样本xj加入核心对象样本集合：Ω＝Ω∪{xj}。
(4.3)如果核心对象集合
Figure BDA0003656991100000056
则算法结束，否则转入步骤(4.4)。
(4.4)在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合Ck＝{o}，更新未访问样本集合Γ＝Γ-{o}。
(4.5)如果当前簇核心对象队列
Figure BDA0003656991100000061
则当前聚类簇Ck生成完毕,更新簇划分C＝{C1,C2,…,Ck}，更新核心对象集合Ω＝Ω-Ck，转入步骤(3.3)；否则更新核心对象集合Ω＝Ω-Ck。
(4.6)在当前簇核心对象队列Ωcur中取出一个核心对象o′，通过邻域距离阈值∈找出所有的∈-邻域子样本集N∈(o′)，令Δ＝N∈(o′)∩Γ，更新当前簇样本集合Ck＝Ck∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ωcur＝Ωcur∪(Δ∩Ω)-o′，转入步骤(4.5)。
在整个过程中，输入为样本集D＝(x1,x2,…,xm)、邻域参数(∈,MinPts)和样本距离度量方式；输出结果为簇划分C＝{C1,C2,…,Ck}。
通过以上的步骤能够将步骤(2)和步骤(3)中得到的数据进行聚类分析，从而得到大规模用户分类分群结果。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法。
有益效果：与现有技术相比，本发明具有如下优点：
1、本发明能够充分挖掘细粒度负荷数据以及社会调研信息的价值，充分评价用户用电负荷特征以及用电行为意识，实现电力用户多维精细化画像。
2、本发明通过关键指标的选取，可面向需求响应场景，综合评估计及用户行为意识的负荷可调能力，并实现大规模用户的分类分群标签化管理。
3、在帮助用户了解自己的用电行为习惯同时还能够为电力企业提供画像理论与方法，支撑电力企业为用户提供个性化服务和辅助决策，从而更有助于需求侧灵活资源的整合，助力新能电力系统灵活资源池的构建。
附图说明
图1为本发明的步骤流程图；
图2为多维度电力用户用电行为评价体系；
图3位用户可调节潜力评估曲线示例；
图4为用户侧与电网侧的负荷匹配程度示例；
图5为用户行为意识的量化评估示例；
图6为对大量用户的聚类结果示例，其中，图6a为用户分类A-D组，图6b为用户分类E-H组。
具体实施方式
本发明的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，建立多维度电力用户用电行为评价体系，用以实现单个用户多维度精细化画像；面向需求响应，提出了基于细粒度负荷数据的负荷匹配度以及可调潜力计算方法，采用层次分析法与熵权法组合赋权法，提出了一种基于社会调研信息的用户主观行为意识综合评估方法；并提出了基于DBSCAN的大规模用户分类分群标签化管理方法，实现了基于精细化画像的大规模用户可调能力综合分类评估与管理。
下面结合附图和具体实施例，进一步阐明本发明的技术方案。
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，具体包括以下步骤：
(1)提出从能耗与负荷特性、可调潜力、行为意识、用户性质4个维度，建立4个二级指标、14个三级指标的多维度电力用户用电行为评价体系，如图2所示，用以对单个用户进行精细化画像。
(2)通过对用户用电数据的挖掘，提出用户与地区电网负荷匹配度指标计算方法，以及负荷可调潜力指标计算方法，所述负荷可调潜力指标包括可平移负荷潜力、可削减负荷潜力、可中断负荷潜力。
(2.1)计算用户的可调节潜力：
通过将可转移负荷潜力和可削减负荷潜力相结合，计算出用户负荷功率，并将其作为用户可调节潜力的指标，来评估大规模用户可调节潜力；用户的可调潜力系数计算如下：
Figure BDA0003656991100000071
其中，n和m分别代表可转移负荷和可削减负荷类别的电气设备数量；
Figure BDA0003656991100000072
为第i个设备的可转移负荷潜力；
Figure BDA0003656991100000073
为第j个设备的可削减负荷潜力；LS为总负荷。
(2.2)计算负荷匹配程度：
对用户日负荷曲线进行分析，并将其与当地电网的日负荷曲线相匹配，根据相似度反映用户参与需求响应的潜力；负荷匹配度使用综合考虑曲线点位置与顺序的Fréchet距离进行曲线间的相似性度量。
令S为度量空间，令A和B为S中的两条给定曲线；那么，A和B之间的Fréchet距离被定义为：将α和β参量化后的S平面上A(α(t))与B(β(t))之间距离最大值的下确界，其中，α,β,t∈(0,1)；则Fréchet距离F(A,B)是：
Figure BDA0003656991100000081
其中，d是S的距离函数。
(3)将用户用电数据与用电用户的问卷调查结果相结合，从政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识4个方面，基于层次分析法和熵权法结合的主客观评价方法对用户主观行为意识进行综合评价。
(3.1)构建综合评价用户主观行为意识的层次体系：
通过对行为意识维度的政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识的评价需求分析，在调查问卷中选取相应问题作为4个指标的权衡依据，根据目标层、准则层和因素层的三层结构来建立层次体系；对调查问卷中涉及四个方面影响因素的问题的回答进行赋分；赋分的原则主要参考李克特量表的赋分方法，该量表由一组陈述组成，每一陈述有“非常同意”、“同意”、“不一定”、“不同意”、“非常不同意”五种回答，分别记为5、4、3、2、1，每个被调查者的态度总分就是他对各道题的回答所得分数的加总，这一总分能够说明他的态度强弱或他在这一量表上的不同状态。
(3.2)进行一致性检验：
根据专家打分结果构建M-C和Ci-P判断矩阵，分别记为M和Ci，其阶数分别为准则层维度数和第i个维度下因素个数，矩阵元素均为专家根据比例标度表所填写的数值；判断矩阵必须通过一致性检验才能够对其算得的权重结果进行采用，一致性检验公式如下：
CI＝(λmax-n)/(n-1)
CR＝CI/RI
其中，λmax为矩阵的最大特征值；CI为一致性指标；n为矩阵阶数；RI为随机一致性指标，其大小与n有关，能够通过查表获得具体数值；CR为一致性比率；
当CR<0.1时，认为矩阵通过一致性检验，否则应修正判断矩阵。
(3.3)确定综合评价权重。
(3.3.1)层次分析法定权：
采用特征根法从判断矩阵导出单一准则下元素相对排序权重，即对应于判断矩阵最大特征根λmax的特征向量，经归一化后得到排序权向量记为ω，记ωi为Ci的排序权向量，aij为Ci下第j个因素的权重，则：
ωi＝(ail,ai2,…,aij)
同样地能够得到M的排序权向量ωm，bi为Ci对于M的权重，则：
ωm＝(b1,b2,…,bi)
将Ci下某一因素权重与Ci对于M的权重相乘能够得到该因素对于M的权重，将因素层的第k个因素对于M的权重记为αk。
(3.3.2)熵权法定权：
在问卷赋分的基础上，列出m个用户对于每个因素的分值；设第i个用户的第k个指标是Xik，归一化后的结果为Yik，利用归一化后的结果计算出第i个用户的第k个指标的比重Zik，根据Zik又能够计算出第k个指标的信息熵Ek，最后得到第k个指标的客观权重，记为βk；公式如下：
Figure BDA0003656991100000091
Figure BDA0003656991100000092
Figure BDA0003656991100000093
Figure BDA0003656991100000094
(3.3.3)组合赋权：
将主观赋权和客观赋权进行结合，使最终所确定的权重同时体现主客观信息，从而使得最后的结果更为准确。
根据层次分析法和熵权法所得到的第k个因素的权重分别为αk和βk，由组合赋权公式能够得到组合赋权的权重Wk：
Figure BDA0003656991100000101
(3.3.4)计算行为意识综合评分：
根据赋分情况得到每一用户各个因素问题所得分值，并结合组合赋权中所求得的权重结果，将各因素的分数与对应权重进行加权求和后能够得到该用户响应意愿层面的最终得分；通过上述方法对自然信息处理之后得到的居民用户响应意愿层面的得分，能够反映用户的响应意愿高低，从而实现更精细化更高效的大规模用户可调资源的评估。
(4)根据步骤(2)和步骤(3)得到的用户负荷数据层面和主观意识层面的量化分数，基于DBSCAN聚类算法可以对考虑用户可调节潜力、负荷匹配程度、主观行为意识三个维度的画像结果进行聚类分析，实现面向需求响应的大规模用户的分类分群标签化管理。
(4.1)初始化核心对象集合
Figure BDA0003656991100000102
初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D，簇划分
Figure BDA0003656991100000103
(4.2)对于j＝1,2,...,m，按下面的步骤找出所有的核心对象：
(4.2.1)通过距离度量方式，找到样本xj的∈-邻域子样本集N∈(xj)。
(4.2.2)如果子样本集样本个数满足|N∈(xj)|≥MinPts，将样本xj加入核心对象样本集合：Ω＝Ω∪{xj}。
(4.3)如果核心对象集合
Figure BDA0003656991100000104
则算法结束，否则转入步骤(4.4)。
(4.4)在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合Ck＝{o}，更新未访问样本集合Γ＝Γ-{o}。
(4.5)如果当前簇核心对象队列
Figure BDA0003656991100000105
则当前聚类簇Ck生成完毕,更新簇划分C＝{C1,C2,…,Ck}，更新核心对象集合Ω＝Ω-Ck，转入步骤(3.3)；否则更新核心对象集合Ω＝Ω-Ck。
(4.6)在当前簇核心对象队列Ωcur中取出一个核心对象o′，通过邻域距离阈值∈找出所有的∈-邻域子样本集N∈(o′)，令Δ＝N∈(o′)∩Γ，更新当前簇样本集合Ck＝Ck∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ωcur＝Ωcur∪(Δ∩Ω)-o′，转入步骤(4.5)。
在整个过程中，输入为样本集D＝(x1,x2,…,xm)、邻域参数(∈,MinPts)和样本距离度量方式；输出结果为簇划分C＝{C1,C2,…,Ck}。
通过以上的步骤能够将步骤(2)和步骤(3)中得到的数据进行聚类分析，从而得到大规模用户分类分群结果。
实施例：
如图3所示，根据步骤(2)可得到用户可调节潜力评估曲线。以苏州市某典型家庭2019年夏季一天的数据为例，对其可调潜力进行评估，并计算其数据驱动负荷特征系数。图3为某用户的单日负荷曲线，横坐标是全天以十五分钟为间隔记录的总共96个时间点，纵坐标是用户在每个时间点的归一化负荷。计算得到的TPC＝86.72，该用户在城市用户中具有较高的可调潜力。
如图4所示，根据步骤(2)可得到用户侧与电网侧的负荷匹配程度曲线。根据该用户日负荷曲线和苏州负荷标准，用Fréchet距离来反映用户负荷曲线与电网总负荷曲线的相似程度。Fréchet距离为1.376。由于用户与电网的负荷匹配度越高，反映了用户在高峰和低谷时的响应潜力越大，曲线匹配度越高，用户的指标得分越高。数据经过去比例化和百分位指数化，从而获得66.51的指数。
如图5所示，根据步骤(3)可得到用户行为意识的综合得分。本实施例首先通过层次分析法对目标层、准则层和因素层进行分析，得到因素层中19个问题所对应的权重，其次，通过熵权法对算例进行分析，也可以得到关于19个问题的权重。再者，采用组合赋权的方法，将层次分析法和熵权法结合，得到19个问题的最终的权重。结合方案层的得分情况与行为意识下四个维度的权重，进行加权求和，得到用户各个维度的指数以及用户用电主观意识的总指数，最终通过雷达图进行结果的呈现，雷达图四个轴上的指数代表着用户政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识四个方面的得分，中间的指数代表着用户用电主观意识的总得分。
如图6所示，根据步骤(4)可得到对大量用户的聚类结果图。以江苏省苏州市的504户居民负荷作为样本，基于物联网技术量测所得历史细粒度家用电器负荷数据和《江苏省城区居民用户基本信息及参与供需互动意愿调查》问卷结果对用户构建画像。通过对用户的负荷匹配度，用户互动意愿和可调节潜力三个指标的量化结果进行聚类分析，将504个用户分类成不同的用户群，以助于负荷聚合商根据实际情况对不同类别的用户采取不同的辅助决策。在504个用户中，优质用户A有39个，占总用户量的7.7％，预计可调潜力为293kW·h/天；Ⅰ级潜在用户B有57个，占总用户量的11.3％，预计可调潜力为170kW·h/天；Ⅰ级潜在用户C有57个，占总用户量的11.3％，预计可调潜力为435kW·h/天；Ⅱ级潜在用户D有86个，占总用户量的17.1％，预计可调潜力为254kW·h/天；Ⅱ级潜在用户E有74个，占总用户量的14.7％，预计可调潜力为490kW·h/天；Ⅰ级潜在用户G有62个，占总用户量的12.3％，预计可调潜力为457kW·h/天；劣质用户H、F有129个，占总用户量的25.6％，预计可调潜力为382kW·h/天。
可以看出，本发明能从负荷数据和社会信息方面对用户的用电行为进行全面的刻画，并且对具有深层次潜力、高互动意愿度和客观互动条件的用户进行评估。分析用户的用电行为有助于电力企业了解辖区内用户的互动意愿以及行为意识，而对于大量用户进行聚类分析有助于负荷聚合商更直观更迅速地区分不同类型的用户，对电力企业制定交互式用户邀约集和需求响应策略具有重要意义，在一定程度上能够提升新型电力系统的灵活性。

Claims (7)

1.一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，其特征在于，包括以下步骤：
(1)提出从能耗与负荷特性、可调潜力、行为意识、用户性质4个维度，建立4个二级指标、14个三级指标的多维度电力用户用电行为评价体系，用以对单个用户进行精细化画像；
(2)通过对用户用电数据的挖掘，提出用户与地区电网负荷匹配度指标计算方法，以及负荷可调潜力指标计算方法，所述负荷可调潜力指标包括可平移负荷潜力、可削减负荷潜力、可中断负荷潜力；
(3)将用户用电数据与用电用户的问卷调查结果相结合，从政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识4个方面，基于层次分析法和熵权法结合的主客观评价方法对用户主观行为意识进行综合评价；
(4)根据步骤(2)和步骤(3)得到的用户负荷数据层面和主观意识层面的量化分数，基于DBSCAN聚类算法可以对考虑用户可调节潜力、负荷匹配程度、主观行为意识三个维度的画像结果进行聚类分析，实现面向需求响应的大规模用户的分类分群标签化管理。
2.根据权利要求1所述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，其特征在于，所述步骤(1)具体为：
(1.1)建立电力用户用电行为评价的四个维度：
从能耗与负荷特性、可调潜力、行为意识、用户性质4个维度进行多维电力用户精细化画像，作为电力用户用电行为评价的二级指标；
(1.2)建立电力用户用电行为评价的14个三级指标：
二级指标能耗与负荷特性下考虑日负荷曲线、峰谷特性、负荷匹配度、能耗等级4个三级指标；
二级指标可调潜力下考虑可平移负荷潜力、可削减负荷潜力、可中断负荷潜力3个三级指标；
二级指标行为意识下考虑政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识4个三级指标；
二级指标用户性质下考虑用户用电习惯、用户家庭属性、新能源属性3个三级指标。
3.根据权利要求1所述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，其特征在于，所述步骤(2)具体为：
(2.1)计算用户的可调节潜力：
通过将可转移负荷潜力和可削减负荷潜力相结合，计算出用户负荷功率，并将其作为用户可调节潜力的指标，来评估大规模用户可调节潜力；用户的可调潜力系数计算如下：
Figure FDA0003656991090000021
其中，n和m分别代表可转移负荷和可削减负荷类别的电气设备数量；
Figure FDA0003656991090000022
为第i个设备的可转移负荷潜力；
Figure FDA0003656991090000023
为第j个设备的可削减负荷潜力；LS为总负荷；
(2.2)计算负荷匹配程度：
对用户日负荷曲线进行分析，并将其与当地电网的日负荷曲线相匹配，根据相似度反映用户参与需求响应的潜力；负荷匹配度使用综合考虑曲线点位置与顺序的Fréchet距离进行曲线间的相似性度量；
令S为度量空间，令A和B为S中的两条给定曲线；那么，A和B之间的Fréchet距离被定义为：将α和β参量化后的S平面上A(α(t))与B(β(t))之间距离最大值的下确界，其中，α,β,t∈(0,1)；则Fréchet距离F(A,B)是：
Figure FDA0003656991090000024
其中，d是S的距离函数。
4.根据权利要求1所述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，其特征在于，所述步骤(3)具体为：
(3.1)构建综合评价用户主观行为意识的层次体系：
通过对行为意识维度的政策敏感程度、电费敏感程度、用户互动意愿、绿色用电意识的评价需求分析，在调查问卷中选取相应问题作为4个指标的权衡依据，根据目标层、准则层和因素层的三层结构来建立层次体系；对调查问卷中涉及四个方面影响因素的问题的回答进行赋分；赋分的原则主要参考李克特量表的赋分方法，该量表由一组陈述组成，每一陈述有“非常同意”、“同意”、“不一定”、“不同意”、“非常不同意”五种回答，分别记为5、4、3、2、1，每个被调查者的态度总分就是他对各道题的回答所得分数的加总，这一总分能够说明他的态度强弱或他在这一量表上的不同状态；
(3.2)进行一致性检验：
根据专家打分结果构建M-C和Ci-P判断矩阵，分别记为M和Ci，其阶数分别为准则层维度数和第i个维度下因素个数，矩阵元素均为专家根据比例标度表所填写的数值；判断矩阵必须通过一致性检验才能够对其算得的权重结果进行采用，一致性检验公式如下：
CI＝(λmax-n)/(n-1)
CR＝CI/RI
其中，λmax为矩阵的最大特征值；CI为一致性指标；n为矩阵阶数；RI为随机一致性指标，其大小与n有关，能够通过查表获得具体数值；CR为一致性比率；
当CR＜0.1时，认为矩阵通过一致性检验，否则应修正判断矩阵；
(3.3)确定综合评价权重：
(3.3.1)层次分析法定权：
采用特征根法从判断矩阵导出单一准则下元素相对排序权重，即对应于判断矩阵最大特征根λmax的特征向量，经归一化后得到排序权向量记为ω，记ωi为Ci的排序权向量，aij为Ci下第j个因素的权重，则：
ωi＝(ail,ai2,…,aij)
同样地能够得到M的排序权向量ωm，bi为Ci对于M的权重，则：
ωm＝(b1,b2,…,bi)
将Ci下某一因素权重与Ci对于M的权重相乘能够得到该因素对于M的权重，将因素层的第k个因素对于M的权重记为αk；
(3.3.2)熵权法定权：
在问卷赋分的基础上，列出m个用户对于每个因素的分值；设第i个用户的第k个指标是Xik，归一化后的结果为Yik，利用归一化后的结果计算出第i个用户的第k个指标的比重Zik，根据Zik又能够计算出第k个指标的信息熵Ek，最后得到第k个指标的客观权重，记为βk；公式如下：
Figure FDA0003656991090000031
Figure FDA0003656991090000041
Figure FDA0003656991090000042
Figure FDA0003656991090000043
(3.3.3)组合赋权：
将主观赋权和客观赋权进行结合，使最终所确定的权重同时体现主客观信息，从而使得最后的结果更为准确；
根据层次分析法和熵权法所得到的第k个因素的权重分别为αk和βk，由组合赋权公式能够得到组合赋权的权重Wk：
Figure FDA0003656991090000044
(3.3.4)计算行为意识综合评分：
根据赋分情况得到每一用户各个因素问题所得分值，并结合组合赋权中所求得的权重结果，将各因素的分数与对应权重进行加权求和后能够得到该用户响应意愿层面的最终得分；通过上述方法对自然信息处理之后得到的居民用户响应意愿层面的得分，能够反映用户的响应意愿高低，从而实现更精细化更高效的大规模用户可调资源的评估。
5.根据权利要求1所述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法，其特征在于，所述步骤(4)具体为：
(4.1)初始化核心对象集合
Figure FDA0003656991090000045
初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D，簇划分
Figure FDA0003656991090000046
(4.2)对于j＝1,2,...,m，按下面的步骤找出所有的核心对象：
(4.2.1)通过距离度量方式，找到样本xj的∈-邻域子样本集N∈(xj)；
(4.2.2)如果子样本集样本个数满足|N∈(xj)|≥MinPts，将样本xj加入核心对象样本集合：Ω＝Ω∪{xj}；
(4.3)如果核心对象集合
Figure FDA0003656991090000047
则算法结束，否则转入步骤(4.4)；
(4.4)在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合Ck＝{o}，更新未访问样本集合Γ＝Γ-{o}；
(4.5)如果当前簇核心对象队列
Figure FDA0003656991090000051
则当前聚类簇Ck生成完毕,更新簇划分C＝{C1,C2,…,Ck}，更新核心对象集合Ω＝Ω-Ck，转入步骤(3.3)；否则更新核心对象集合Ω＝Ω-Ck；
(4.6)在当前簇核心对象队列Ωcur中取出一个核心对象o′，通过邻域距离阈值∈找出所有的∈-邻域子样本集N∈(o′)，令Δ＝N∈(o′)∩Γ，更新当前簇样本集合Ck＝Ck∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ωcur＝Ωcur∪(Δ∩Ω)-o′，转入步骤(4.5)；
在整个过程中，输入为样本集D＝(x1,x2,…,xm)、邻域参数(∈,MinPts)和样本距离度量方式；输出结果为簇划分C＝{C1,C2,…,Ck}；
通过以上的步骤能够将步骤(2)和步骤(3)中得到的数据进行聚类分析，从而得到大规模用户分类分群结果。
6.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法。
7.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的一种兼顾负荷与社会信息的电力用户精细化画像与管理方法。
CN202210562052.2A 2022-05-23 2022-05-23 兼顾负荷与社会信息的电力用户精细化画像与管理方法 Pending CN115238167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210562052.2A CN115238167A (zh) 2022-05-23 2022-05-23 兼顾负荷与社会信息的电力用户精细化画像与管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210562052.2A CN115238167A (zh) 2022-05-23 2022-05-23 兼顾负荷与社会信息的电力用户精细化画像与管理方法

Publications (1)

Publication Number Publication Date
CN115238167A true CN115238167A (zh) 2022-10-25

Family

ID=83668034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210562052.2A Pending CN115238167A (zh) 2022-05-23 2022-05-23 兼顾负荷与社会信息的电力用户精细化画像与管理方法

Country Status (1)

Country Link
CN (1) CN115238167A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796559A (zh) * 2023-02-03 2023-03-14 国网江苏省电力有限公司营销服务中心 一种考虑需求响应场景的可调负荷排序方法及系统
CN116128552A (zh) * 2023-04-14 2023-05-16 深圳江行联加智能科技有限公司 电力交易系统的用户管理方法、装置、设备及存储介质
CN116579590A (zh) * 2023-07-13 2023-08-11 北京圆声能源科技有限公司 一种虚拟电厂中的需求响应评估方法和系统
CN118378851A (zh) * 2024-06-21 2024-07-23 南京中电科能技术有限公司 一种考虑不同时间尺度的聚合资源逐级参与电力需求响应的方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796559A (zh) * 2023-02-03 2023-03-14 国网江苏省电力有限公司营销服务中心 一种考虑需求响应场景的可调负荷排序方法及系统
CN116128552A (zh) * 2023-04-14 2023-05-16 深圳江行联加智能科技有限公司 电力交易系统的用户管理方法、装置、设备及存储介质
CN116579590A (zh) * 2023-07-13 2023-08-11 北京圆声能源科技有限公司 一种虚拟电厂中的需求响应评估方法和系统
CN116579590B (zh) * 2023-07-13 2023-11-10 北京圆声能源科技有限公司 一种虚拟电厂中的需求响应评估方法和系统
CN118378851A (zh) * 2024-06-21 2024-07-23 南京中电科能技术有限公司 一种考虑不同时间尺度的聚合资源逐级参与电力需求响应的方法及系统
CN118378851B (zh) * 2024-06-21 2024-10-01 南京中电科能技术有限公司 一种考虑不同时间尺度的聚合资源逐级参与电力需求响应的方法及系统

Similar Documents

Publication Publication Date Title
Wang et al. Association rule mining based quantitative analysis approach of household characteristics impacts on residential electricity consumption patterns
CN115238167A (zh) 兼顾负荷与社会信息的电力用户精细化画像与管理方法
Belaïd et al. Features of residential energy consumption: Evidence from France using an innovative multilevel modelling approach
CN107480856A (zh) 基于改进逼近理想解排序法的售电公司电力客户评估方法
CN112330077B (zh) 电力负荷预测方法、装置、计算机设备和存储介质
Chen et al. Multistage decision framework for the selection of renewable energy sources based on prospect theory and PROMETHEE
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN114139940A (zh) 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法
CN108805471A (zh) 基于复合系统作用关系分析的水资源承载能力评价方法
CN108647869A (zh) 工程评估方法和装置
CN114036570A (zh) 一种智能电网信息敏感度的动态评估方法及系统
Zheng et al. Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit
Assimakopoulos Residential energy demand modelling in developing regions: The use of multivariate statistical techniques
Shekarian A novel application of the VIKOR method for investigating the effect of education on housing choice
Lynn et al. The british crime survey: A review of methodology
CN114626655A (zh) 一种区域综合能源系统多标准综合评价方法
Yu et al. Residential load forecasting based on electricity consumption pattern clustering
CN115564495A (zh) 一种适用于新能源电站选址的综合评价方法
CN114154888A (zh) 一种智慧用能业务推荐方法及装置
CN113256083A (zh) 一种输电线路选址选线模型的评价方法
CN110807599A (zh) 电化学储能方案的决策方法、装置、服务器和存储介质
WO2022153624A1 (ja) 施策決定支援装置および施策決定支援方法
CN111861056A (zh) 一种技术创新水平的评价方法
Onile et al. Leveraging Digital Twins and Demand Side Recommender Chatbot for Optimizing Smart Grid Energy Efficiency
Wong et al. Decentralized Deep Learning Approach for Lithium-Ion Batteries State of Health Forecasting Using Federated Learning

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