CN116955968A - 一种基于机器学习的用户用电行为分析方法 - Google Patents

一种基于机器学习的用户用电行为分析方法 Download PDF

Info

Publication number
CN116955968A
CN116955968A CN202311218990.1A CN202311218990A CN116955968A CN 116955968 A CN116955968 A CN 116955968A CN 202311218990 A CN202311218990 A CN 202311218990A CN 116955968 A CN116955968 A CN 116955968A
Authority
CN
China
Prior art keywords
acquisition
electricity
point
target user
electricity 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.)
Granted
Application number
CN202311218990.1A
Other languages
English (en)
Other versions
CN116955968B (zh
Inventor
吴颖波
徐文峰
李文轩
陈莉娟
施志勇
夏勇军
罗宾
刘焱
余晓东
付文涛
易怡
廖子阳
李硕瑜
胡敏
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.)
Hubei Central China Technology Development Of Electric Power Co ltd
Original Assignee
Hubei Central China Technology Development Of 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 Hubei Central China Technology Development Of Electric Power Co ltd filed Critical Hubei Central China Technology Development Of Electric Power Co ltd
Priority to CN202311218990.1A priority Critical patent/CN116955968B/zh
Publication of CN116955968A publication Critical patent/CN116955968A/zh
Application granted granted Critical
Publication of CN116955968B publication Critical patent/CN116955968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于用电分析技术领域，具体公开一种基于机器学习的用户用电行为分析方法，本发明通过设定采集年度，并将一年的月份划分为季节阶段，进而在各采集年度对应各季节阶段中各采集日划分的若干采集时段进行目标用户用电量读取，同时根据读取的用电量数据进行用电量变化曲线绘制，由此解析出目标用户在各季节阶段的用电负荷模式，从而据此进行用电成本优化，实现了用户用电成本的针对性、灵活性优化，能够凸显不同季节阶段的用电习惯，使得优化方式与用户的用电习惯达到了极大的适配度，有利于提高优化效果，同时还由于最大限度避免用户用电习惯的改变，在一定程度上增强了用户的优化体验感，使得优化方式能够得到有效施展。

Description

一种基于机器学习的用户用电行为分析方法
技术领域
本发明属于用电分析技术领域，具体涉及到一种基于机器学习的用户用电行为分析方法。
背景技术
电能贯穿于我们日常生活的方方面面，成为人们不可或缺的能源来源，随着科技的进步和生活水平的提高，人们对电能的依赖性越来越强，但电能资源不是源源不竭的，大规模长期不停的用电不仅会造成电能供需失衡，还会增加电力系统负荷压力，为了促进电力供需平衡，减少电力系统负荷压力，同时避免电能资源的浪费，在电力运营中制定了峰谷分时电价机制，在这一机制下有些用户的用电成本呈现猛增趋势，为了降低用电成本，节约能源，有必要对用户的用电成本进行优化管理。
然而现有技术中对用电成本的优化基本都基于峰谷分时电价机制进行优化，具体为引导用户在高峰电价时段减少用电，鼓励在低谷电价时段进行高耗能活动，但这种优化方式没有考虑到用户的用电行为习惯，不同的用电行为习惯反映的用电负荷模式是不同的，而不同用电负荷模式适配不同的用电成本优化方式，由此可见现有优化方式统一、固化的缺陷，不具针对性，与用户的用电习惯不适配，一方面造成优化效果不佳，另一方面由于改变了用户的用电需求，无形之中降低了用户的体验感。
另外现有技术中对用电成本的优化在时间上忽略了对季节的分阶段优化，但不同的季节用户的用电习惯、用电需求是存在一定差异的，将用电成本在时间上进行统一优化很明显是不合理的，导致有些季节阶段的用电需求无法得到满足，同时还存在电能利用率不高的隐患。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于机器学习的用户用电行为分析方法，用于解决现有技术存在的问题。
本发明的目的可以通过以下技术方案实现：一种基于机器学习的用户用电行为分析方法，包括：S1、定位目标用户的坐落地区，由此获取目标用户所处坐落地区对应的气候类型，进而将一年的月份划分为季节阶段，其中季节阶段包括春季阶段、夏季阶段、秋季阶段和冬季阶段。
S2、设定采集年度，并将各季节阶段内存的各日均记为采集日，进而在各采集年度对应各季节阶段的各采集日内实时读取目标用户的用电量。
S3、将目标用户在各采集年度对应各季节阶段内各采集日的用电量进行用电量变化曲线绘制。
S4、将目标用户在各采集年度对应各季节阶段内各采集日的用电量变化曲线进行对比分析，由此解析目标用户在各季节阶段的用电负荷模式。
S5、获取目标用户所处坐落地区对应的峰谷分时电价收费标准，并结合目标用户在各季节阶段的用电负荷模式进行目标用户在各季节阶段的用电成本优化管理。
作为本发明的进一步创新，所述将一年的月份划分为季节阶段具体包括下述步骤：将目标用户所处坐落地区对应的气候类型与分析数据库中存储的各种气候类型对应的季节阶段进行匹配，从中匹配出目标用户所处坐落地区对应的季节阶段。
作为本发明的进一步创新，所述在各采集年度对应各季节阶段的各采集日内实时读取目标用户的用电量参见下述过程：将各采集日存在的时长按照设定时间间隔进行划分，得到若干采集时段。
在各采集年度对应各季节阶段中各采集日划分的各采集时段内读取目标用户的用电量。
作为本发明的进一步创新，所述用电量变化曲线绘制的具体操作方式为：以采集时段为横坐标，以用电量为纵坐标，构成二维坐标系。
针对各采集年度内各季节阶段的各采集日对应各采集时段的用电量在所构建的二维坐标系内标注多个点，形成目标用户在各采集年度对应各季节阶段内各采集日的用电量变化曲线。
作为本发明的进一步创新，所述解析目标用户在各季节阶段的用电负荷模式包括下述步骤：将各采集年度对应各季节阶段的各采集日按照季节阶段归类为各季节阶段对应各采集年度的各采集日。
从各季节阶段对应各采集年度内各采集日的用电量变化曲线中选取最大用电量和最小用电量对应的点，并将两点连接，形成用电量最值连线。
分别获取最大用电量和最小用电量对应点的横坐标，若最大用电量对应点的横坐标大于最小用电量对应点的横坐标，则沿着坐标系中横坐标方向以最小用电量对应的点为端点平行于横坐标作一条射线，若最大用电量对应点的横坐标小于最小用电量对应点的横坐标，则沿着坐标系中横坐标反方向以最小用电量对应的点为端点平行于横坐标作一条射线，所作射线与用电量最值连线形成偏角，记为用电量最值偏角。
获取用电量变化曲线中用电量最值偏角的数值，代入模型，分析得到各季节阶段对应各采集年度内各采集日的用电负荷模式/>，其中/>表示为用电量最值偏角，a表示为设定阈值。
从各季节阶段对应各采集年度的各采集日中选择用电负荷模式为非平稳负荷模式的采集日，记为特定采集日，并从相应采集日的用电量变化曲线中获取各点的斜率。
基于特定采集日用电量变化曲线中各点的斜率进行过渡点识别。
统计特定采集日对应的用电量变化曲线中是否存在过渡点，若某特定采集日对应的用电量变化曲线中存在过渡点，则该采集日的用电负荷模式为峰值负荷模式，若某特定采集日对应的用电量变化曲线中不存在过渡点，则该采集日的用电负荷模式为递增负荷模式。
将同一季节阶段对应各采集年度内各采集日的用电负荷模式进行对比，进而将相同用电负荷模式的采集日进行归类，构成各季节阶段对应各种用电负荷模式的采集日集合，并统计集合内采集日的数量。
基于集合内采集日的数量计算出各季节阶段对应各种用电负荷模式的占比率，进而从中选取最大占比率对应的用电负荷模式作为目标用户在各季节阶段的用电负荷模式。
作为本发明的进一步创新，所述基于特定采集日用电量变化曲线中各点的斜率进行过渡点识别具体实施方式为：将特定采集日对应的用电量变化曲线中各点的斜率按照各点的横坐标由小到大的顺序进行排列，并按照排列顺序选取斜率为0的点，进而以该点为界，选取该点之前的点和该点之后的点，若两点之中存在一点的斜率符号大于0，另一点的斜率符号小于0，则将该点记为过渡点。
作为本发明的进一步创新，所述S5包括下述步骤：S51、若目标用户在某季节阶段的用电负荷模式为峰值负荷模式，则从目标用户在该季节阶段的采集日中筛选峰值负荷模式对应的采集日，作为峰值代表采集日，进而从峰值代表采集日的用电量变化曲线中识别出高峰用电时段，从而结合目标用户所处坐落地区对应的峰谷分时电价收费标准判断是否需要进行用电成本优化，同时解析用电成本优化方式。
S52、若目标用户在某季节阶段的用电负荷模式为平稳负荷模式，则从目标用户在该季节阶段的采集日中筛选平稳负荷模式对应的采集日，作为平稳代表采集日，进而获取平稳代表采集日对应各采集时段的用电设备，并据此判断是否需要进行用电成本优化，同时解析用电成本优化方式。
S53、若目标用户在某季节阶段的用电负荷模式为递增负荷模式，则从目标用户在该季节阶段的采集日中筛选递增负荷模式对应的采集日，作为递增代表采集日，进而从递增代表采集日的用电量变化曲线中选取最大斜率对应的点，并获取该点对应的采集时段，作为增益采集时段，从而结合目标用户所处坐落地区对应的峰谷分时电价收费标准判断是否需要进行用电成本优化，同时解析用电成本优化方式。
作为本发明的进一步创新，所述S51的具体实施过程如下：S511、从目标用户所处坐落地区对应的峰谷分时电价收费标准中获取高峰电价时段。
S512、将高峰用电时段与高峰电价时段进行对比，通过判断模型
，得到是否需要进行用电成本优化的判断结果/>，模型中/>、/>分别表示为高峰用电时段、高峰电价时段，/>表示为预先配置的交叉占比限定值，/>表示与。
S513、当判断需要进行用电成本优化时获取目标用户在高峰用电时段的用电设备名称，识别是否存在非必要的用电设备，进而利用解析算法
，得到目标用户在该季节阶段的用电成本优化方式/>，算法中/>表示为存在非必要的用电设备，/>表示为不存在非必要的用电设备。
作为本发明的进一步创新，所述S52的具体实施过程如下：S521、识别平稳代表采集日对应各采集时段的用电设备中是否存在非必要的用电设备，若均不存在非必要的用电设备，则判断不需要进行用电成本优化，若某采集时段存在非必要的用电设备，则执行S522。
S522、将该采集时段与高峰电价时段进行对比，若该采集时段未落在高峰电价时段内，则判断不需要进行用电成本优化，反之则判断需要进行用电成本优化，且用电成本优化方式为减少非必要用电设备的使用。
作为本发明的进一步创新，所述S53的具体实施过程如下：S531、将增益采集时段与高峰电价时段进行对比，并参照S512中的判断模型得到是否需要进行用电成本优化的判断结果。
S532、当判断需要进行用电成本优化时则解析目标用户在该季节阶段的用电成本优化方式为减少增益采集时段的用电量。
相较于现有技术，本发明的有益效果如下：1、本发明通过设定采集年度，并在各采集年度对应各采集日划分的若干采集时段进行目标用户用电量读取，同时根据读取的用电量数据进行用电量变化曲线绘制，由此解析出目标用户的用电负荷模式，从而据此进行用电成本优化，实现了用户用电成本的针对性、灵活性优化，使得优化方式与用户的用电习惯达到了极大的适配度，有利于提高优化效果，同时还由于最大限度避免用户用电习惯的改变，在一定程度上增强了用户的优化体验感，使得优化方式能够得到有效施展。
2、本发明通过基于目标用户所处坐落地区将一年的月份划分为季节阶段，并在各季节阶段进行用电负荷模式分析，进而依据各季节阶段的用电负荷模式进行用电成本优化，能够凸显不同季节阶段的用电习惯，使得用电优化更加合理有效，不仅满足了所有季节阶段的用电需求，还避免出现电能利用率不高的现象。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的实施步骤示意图。
图2为本发明中用电量最值偏角的示意图。
图3为本发明中峰值负荷模式对应的用电量变化曲线示意图。
图4为本发明中平稳负荷模式对应的用电量变化曲线示意图。
图5为本发明中递增负荷模式对应的用电量变化曲线示意图。
图6为本发明对应用电量变化曲线中过渡点的体现示意图。
附图标记：1——最小用电量对应的点，2——最大用电量对应的点。
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。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他实施例，都属于本发明保护的范围。
请参阅图1所示，本发明提出一种基于机器学习的用户用电行为分析方法，包括：S1、定位目标用户的坐落地区，由此获取目标用户所处坐落地区对应的气候类型，进而将一年的月份划分为季节阶段，其中季节阶段包括春季阶段、夏季阶段、秋季阶段和冬季阶段。
在上述方案的示例中，气候类型包括热带雨林气候、热带草原气候、热带季风气候、亚热带季风气候等，由于不同的气候类型对应的气候特征不同，由此引发的气候分布存在差异，这就使得不同气候类型对应的季节阶段不同，例如亚热带季风气候对应的春季阶段为3月-5月，夏季阶段为6月-9月，秋季阶段为9月-11月，冬季阶段为12月-来年2月。
需要说明的是，上述提到的月份是阳历月份。
优选地，目标用户所处坐落地区对应气候类型的获取方式为将目标用户所处坐落地区在气候分布地图上进行标记，由此从地图中获取标记地区对应的气候类型。
进一步优选地，将一年的月份划分为季节阶段具体包括下述步骤：将目标用户所处坐落地区对应的气候类型与分析数据库中存储的各种气候类型对应的季节阶段进行匹配，从中匹配出目标用户所处坐落地区对应的季节阶段。
本发明通过基于目标用户所处坐落地区将一年的月份划分为季节阶段，并在各季节阶段进行用电负荷模式分析，进而依据各季节阶段的用电负荷模式进行用电成本优化，能够凸显不同季节阶段的用电习惯，使得用电优化更加合理有效，不仅满足了所有季节阶段的用电需求，还避免出现电能利用率不高的现象。
S2、设定采集年度，并将各季节阶段内存的各日均记为采集日，进而在各采集年度对应各季节阶段的各采集日内实时读取目标用户的用电量。
需要补充的是，目标用户用电量具体读取过程为：将各采集日存在的时长按照设定时间间隔进行划分，得到若干采集时段。
需要解释的是，各采集日的时长为24小时，采集时段的划分方式可以设定起始时刻，并由此按照设定时间间隔进行划分，在具体的示例中，设定的起始时刻为6:00，设定的时间间隔为2小时，在该示例下采集时段的划分结果为6:00-8:00，8:00-10:00，10:00-12:00，12:00-14:00，14:00-16:00，16:00-18:00，18:00-20:00，20:00-22:00，22:00-24:00，24:00-2:00，2:00-4:00，4:00-6:00。
在各采集年度对应各季节阶段中各采集日划分的各采集时段内读取目标用户的用电量。
可理解的是用电量的读取可通过电能表读取。
本发明在进行用电量数据读取时通过设定采集年度，在各采集年度对应各季节阶段的各采集日进行用电量读取，使得用电量数据足够多，这是由于用电负荷模式的解析采用机器学习的方式，而过少的用电量数据会给用电负荷模式解析造成较大误差，影响用电负荷模式解析的真实可信度，不利于用电成本的精准优化。
S3、将目标用户在各采集年度对应各季节阶段内各采集日的用电量进行用电量变化曲线绘制，具体绘制方式为：以采集时段为横坐标，以用电量为纵坐标，构成二维坐标系。
针对各采集年度内各季节阶段的各采集日对应各采集时段的用电量在所构建的二维坐标系内标注多个点，形成目标用户在各采集年度对应各季节阶段内各采集日的用电量变化曲线。
S4、将目标用户在各采集年度对应各季节阶段内各采集日的用电量变化曲线进行对比分析，由此解析目标用户在各季节阶段的用电负荷模式，具体实施过程为：将各采集年度对应各季节阶段的各采集日按照季节阶段归类为各季节阶段对应各采集年度的各采集日。
从各季节阶段对应各采集年度内各采集日的用电量变化曲线中选取最大用电量和最小用电量对应的点，并将两点连接，形成用电量最值连线。
分别获取最大用电量和最小用电量对应点的横坐标，若最大用电量对应点的横坐标大于最小用电量对应点的横坐标，则沿着坐标系中横坐标方向以最小用电量对应的点为端点平行于横坐标作一条射线，若最大用电量对应点的横坐标小于最小用电量对应点的横坐标，则沿着坐标系中横坐标反方向以最小用电量对应的点为端点平行于横坐标作一条射线，所作射线与用电量最值连线形成偏角，记为用电量最值偏角，参见图2所示。
获取用电量变化曲线中用电量最值偏角的数值，代入模型，分析得到各季节阶段对应各采集年度内各采集日的用电负荷模式/>，其中/>表示为用电量最值偏角，a表示为设定阈值。
上述中。
从各季节阶段对应各采集年度的各采集日中选择用电负荷模式为非平稳负荷模式的采集日，记为特定采集日，并从相应采集日的用电量变化曲线中获取各点的斜率。
基于特定采集日用电量变化曲线中各点的斜率进行过渡点识别，具体识别方式为：将特定采集日对应的用电量变化曲线中各点的斜率按照各点的横坐标由小到大的顺序进行排列，并按照排列顺序选取斜率为0的点，进而以该点为界，选取该点之前的点和该点之后的点，若两点之中存在一点的斜率符号大于0，另一点的斜率符号小于0，则将该点记为过渡点。
在上述方案中，斜率为0的点可能是一个，也可能存在连续多个，当斜率为0的点为一个时，则选取该点之前的点和该点之后的点，当斜率为0的点存在连续多个时，则从斜率连续为0的点中选取两侧边界斜率为0的点，具体为左侧边界斜率为0的点和右侧边界斜率为0的点，并按照排列顺序选取左侧边界斜率为0的点上一位的点和右侧边界斜率为0的点下一位的点，若两点之中存在一点的斜率符号大于0，另一点的斜率符号小于0，则斜率连续为0的点均作为过渡点，参见图6所示。
示例性的，斜率连续为0的点为A、B、C、D、E，此时左侧边界斜率为0的点为A，右侧边界斜率为0的点为E。
需要说明的是，当某用电量变化曲线中存在过渡点时说明过渡点之前的用电量和过渡点之后的用电量变化趋势相反，进一步地，该过渡点的用电量为极值，可能为最值，当过渡点为一个时，说明极值只存在一个采集时段，当过渡点连续多个时，说明极值延续多个采集时段。
统计特定采集日对应的用电量变化曲线中是否存在过渡点，若某特定采集日对应的用电量变化曲线中存在过渡点，则该采集日的用电负荷模式为峰值负荷模式，若某特定采集日对应的用电量变化曲线中不存在过渡点，则该采集日的用电负荷模式为递增负荷模式。
上述中峰值负荷模式、平稳负荷模式、递增负荷模式对应的用电量变化曲线示意参见图3、图4、图5。
将同一季节阶段对应各采集年度内各采集日的用电负荷模式进行对比，进而将相同用电负荷模式的采集日进行归类，构成各季节阶段对应各种用电负荷模式的采集日集合，并统计集合内采集日的数量。
基于集合内采集日的数量计算出各季节阶段对应各种用电负荷模式的占比率，进而从中选取最大占比率对应的用电负荷模式作为目标用户在各季节阶段的用电负荷模式。
S5、获取目标用户所处坐落地区对应的峰谷分时电价收费标准，并结合目标用户在各季节阶段的用电负荷模式进行目标用户在各季节阶段的用电成本优化管理，具体如下：S51、若目标用户在某季节阶段的用电负荷模式为峰值负荷模式，则从目标用户在该季节阶段的采集日中筛选峰值负荷模式对应的采集日，作为峰值代表采集日，进而从峰值代表采集日的用电量变化曲线中识别出高峰用电时段，从而结合目标用户所处坐落地区对应的峰谷分时电价收费标准判断是否需要进行用电成本优化，同时解析用电成本优化方式，实际操作过程如下：S511、从目标用户所处坐落地区对应的峰谷分时电价收费标准中获取高峰电价时段。
S512、将高峰用电时段与高峰电价时段进行对比，通过判断模型
，得到是否需要进行用电成本优化的判断结果/>，模型中/>、/>分别表示为高峰用电时段、高峰电价时段，/>表示为预先配置的交叉占比限定值，/>表示与。
应用于上述方案一个示例，，/>，此时/>与/>存在交叉，其中/>，式中1H为1小时。
S513、当判断需要进行用电成本优化时获取目标用户在高峰用电时段的用电设备名称，识别是否存在非必要的用电设备，进而利用解析算法
，得到目标用户在该季节阶段的用电成本优化方式/>，算法中/>表示为存在非必要的用电设备，/>表示为不存在非必要的用电设备。
上述中非必要用电设备的识别可基于用户的类型进行识别，若用户为住宅用户，则非必要用电设备一般为非生活必备电器，若用户为工业用户，则非必要用电设备为当前生产非必需电器。
需要补充的是，高峰用电时段的具体识别方式为从各峰值代表采集日的用电量变化曲线中分别提取最高用电量对应的采集时段，作为各峰值代表采集日的高峰用电时段，此时将所有峰值代表采集日的高峰用电时段进行对比，进而将相同高峰用电时段进行归类，计算各高峰用电时段的出现频次，并取最大出现频次对应的高峰用电时段作为峰值代表采集日的高峰用电时段。
S52、若目标用户在某季节阶段的用电负荷模式为平稳负荷模式，则从目标用户在该季节阶段的采集日中筛选平稳负荷模式对应的采集日，作为平稳代表采集日，进而获取平稳代表采集日对应各采集时段的用电设备，并据此判断是否需要进行用电成本优化，同时解析用电成本优化方式，实际操作过程如下:S521、识别平稳代表采集日对应各采集时段的用电设备中是否存在非必要的用电设备，若均不存在非必要的用电设备，则判断不需要进行用电成本优化，若某采集时段存在非必要的用电设备，则执行S522。
S522、将该采集时段与高峰电价时段进行对比，若该采集时段未落在高峰电价时段内，则判断不需要进行用电成本优化，反之则判断需要进行用电成本优化，且用电成本优化方式为减少非必要用电设备的使用。
需要解释的是由于平稳负荷模式在所有采集时段的用电量相差不大，不存在高峰用电时段，因而在进行用电成本优化时不需要进行用电时段调整。
S53、若目标用户在某季节阶段的用电负荷模式为递增负荷模式，则从目标用户在该季节阶段的采集日中筛选递增负荷模式对应的采集日，作为递增代表采集日，进而从递增代表采集日的用电量变化曲线中选取最大斜率对应的点，并获取该点对应的采集时段，作为增益采集时段，从而结合目标用户所处坐落地区对应的峰谷分时电价收费标准判断是否需要进行用电成本优化，同时解析用电成本优化方式，实际操作过程为：S531、将增益采集时段与高峰电价时段进行对比，并参照S512中的判断模型得到是否需要进行用电成本优化的判断结果。
可理解的是最大斜率对应的点增长幅度最大，对用电成本的影响最大。
S532、当判断需要进行用电成本优化时则解析目标用户在该季节阶段的用电成本优化方式为减少增益采集时段的用电量。
需要解释的是，当增益采集时段存在不必要的用电设备时可以通过减少不必要的用电设备使用，由此减少了增益采集时段的用电量，当增益采集时段不存在不必要的用电设备时可以通过减少增益采集时段的用电量使得增益采集时段的增长幅度降低，使其不处于增益采集时段，由此可见这两种方式都是通过减少增益采集时段的用电量达到优化目的。
本发明通过设定采集年度，并在各采集年度对应各采集日划分的若干采集时段进行目标用户用电量读取，同时根据读取的用电量数据进行用电量变化曲线绘制，由此解析出目标用户的用电负荷模式，从而据此进行用电成本优化，实现了用户用电成本的针对性、灵活性优化，使得优化方式与用户的用电习惯达到了极大的适配度，有利于提高优化效果，同时还由于最大限度避免用户用电习惯的改变，在一定程度上增强了用户的优化体验感，使得优化方式能够得到有效施展。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种基于机器学习的用户用电行为分析方法，其特征在于，包括：
S1、定位目标用户的坐落地区，由此获取目标用户所处坐落地区对应的气候类型，进而将一年的月份划分为季节阶段，其中季节阶段包括春季阶段、夏季阶段、秋季阶段和冬季阶段；
S2、设定采集年度，并将各季节阶段内存的各日均记为采集日，进而在各采集年度对应各季节阶段的各采集日内实时读取目标用户的用电量；
S3、将目标用户在各采集年度对应各季节阶段内各采集日的用电量进行用电量变化曲线绘制；
S4、将目标用户在各采集年度对应各季节阶段内各采集日的用电量变化曲线进行对比分析，由此解析目标用户在各季节阶段的用电负荷模式；
S5、获取目标用户所处坐落地区对应的峰谷分时电价收费标准，并结合目标用户在各季节阶段的用电负荷模式进行目标用户在各季节阶段的用电成本优化管理；
其中，所述S5包括下述步骤：
S51、若目标用户在某季节阶段的用电负荷模式为峰值负荷模式，则从目标用户在该季节阶段的采集日中筛选峰值负荷模式对应的采集日，作为峰值代表采集日，进而从峰值代表采集日的用电量变化曲线中识别出高峰用电时段，从而结合目标用户所处坐落地区对应的峰谷分时电价收费标准判断是否需要进行用电成本优化，同时解析用电成本优化方式；
S52、若目标用户在某季节阶段的用电负荷模式为平稳负荷模式，则从目标用户在该季节阶段的采集日中筛选平稳负荷模式对应的采集日，作为平稳代表采集日，进而获取平稳代表采集日对应各采集时段的用电设备，并据此判断是否需要进行用电成本优化，同时解析用电成本优化方式；
S53、若目标用户在某季节阶段的用电负荷模式为递增负荷模式，则从目标用户在该季节阶段的采集日中筛选递增负荷模式对应的采集日，作为递增代表采集日，进而从递增代表采集日的用电量变化曲线中选取最大斜率对应的点，并获取该点对应的采集时段，作为增益采集时段，从而结合目标用户所处坐落地区对应的峰谷分时电价收费标准判断是否需要进行用电成本优化，同时解析用电成本优化方式。
2.如权利要求1所述的一种基于机器学习的用户用电行为分析方法，其特征在于：所述将一年的月份划分为季节阶段具体包括下述步骤：
将目标用户所处坐落地区对应的气候类型与分析数据库中存储的各种气候类型对应的季节阶段进行匹配，从中匹配出目标用户所处坐落地区对应的季节阶段。
3.如权利要求1所述的一种基于机器学习的用户用电行为分析方法，其特征在于：所述在各采集年度对应各季节阶段的各采集日内实时读取目标用户的用电量参见下述过程：
将各采集日存在的时长按照设定时间间隔进行划分，得到若干采集时段；
在各采集年度对应各季节阶段中各采集日划分的各采集时段内读取目标用户的用电量。
4.如权利要求3所述的一种基于机器学习的用户用电行为分析方法，其特征在于：所述用电量变化曲线绘制的具体操作方式为：
以采集时段为横坐标，以用电量为纵坐标，构成二维坐标系；
针对各采集年度内各季节阶段的各采集日对应各采集时段的用电量在所构建的二维坐标系内标注多个点，形成目标用户在各采集年度对应各季节阶段内各采集日的用电量变化曲线。
5.如权利要求1所述的一种基于机器学习的用户用电行为分析方法，其特征在于：所述解析目标用户在各季节阶段的用电负荷模式包括下述步骤：
将各采集年度对应各季节阶段的各采集日按照季节阶段归类为各季节阶段对应各采集年度的各采集日；
从各季节阶段对应各采集年度内各采集日的用电量变化曲线中选取最大用电量和最小用电量对应的点，并将两点连接，形成用电量最值连线；
分别获取最大用电量和最小用电量对应点的横坐标，若最大用电量对应点的横坐标大于最小用电量对应点的横坐标，则沿着坐标系中横坐标方向以最小用电量对应的点为端点平行于横坐标作一条射线，若最大用电量对应点的横坐标小于最小用电量对应点的横坐标，则沿着坐标系中横坐标反方向以最小用电量对应的点为端点平行于横坐标作一条射线，所作射线与用电量最值连线形成偏角，记为用电量最值偏角；
获取用电量变化曲线中用电量最值偏角的数值，代入模型，分析得到各季节阶段对应各采集年度内各采集日的用电负荷模式/>，其中/>表示为用电量最值偏角，a表示为设定阈值；
从各季节阶段对应各采集年度的各采集日中选择用电负荷模式为非平稳负荷模式的采集日，记为特定采集日，并从相应采集日的用电量变化曲线中获取各点的斜率；
基于特定采集日用电量变化曲线中各点的斜率进行过渡点识别；
统计特定采集日对应的用电量变化曲线中是否存在过渡点，若某特定采集日对应的用电量变化曲线中存在过渡点，则该采集日的用电负荷模式为峰值负荷模式，若某特定采集日对应的用电量变化曲线中不存在过渡点，则该采集日的用电负荷模式为递增负荷模式；
将同一季节阶段对应各采集年度内各采集日的用电负荷模式进行对比，进而将相同用电负荷模式的采集日进行归类，构成各季节阶段对应各种用电负荷模式的采集日集合，并统计集合内采集日的数量；
基于集合内采集日的数量计算出各季节阶段对应各种用电负荷模式的占比率，进而从中选取最大占比率对应的用电负荷模式作为目标用户在各季节阶段的用电负荷模式。
6.如权利要求5所述的一种基于机器学习的用户用电行为分析方法，其特征在于：所述基于特定采集日用电量变化曲线中各点的斜率进行过渡点识别具体实施方式为：
将特定采集日对应的用电量变化曲线中各点的斜率按照各点的横坐标由小到大的顺序进行排列，并按照排列顺序选取斜率为0的点，进而以该点为界，选取该点之前的点和该点之后的点，若两点之中存在一点的斜率符号大于0，另一点的斜率符号小于0，则将该点记为过渡点。
7.如权利要求1所述的一种基于机器学习的用户用电行为分析方法，其特征在于：所述S51的具体实施过程如下：
S511、从目标用户所处坐落地区对应的峰谷分时电价收费标准中获取高峰电价时段；
S512、将高峰用电时段与高峰电价时段进行对比，通过判断模型
，得到是否需要进行用电成本优化的判断结果/>，模型中/>、/>分别表示为高峰用电时段、高峰电价时段，/>表示为预先配置的交叉占比限定值，/>表示与；
S513、当判断需要进行用电成本优化时获取目标用户在高峰用电时段的用电设备名称，识别是否存在非必要的用电设备，进而利用解析算法
，得到目标用户在该季节阶段的用电成本优化方式/>，算法中/>表示为存在非必要的用电设备，/>表示为不存在非必要的用电设备。
8.如权利要求1所述的一种基于机器学习的用户用电行为分析方法，其特征在于：所述S52的具体实施过程如下：
S521、识别平稳代表采集日对应各采集时段的用电设备中是否存在非必要的用电设备，若均不存在非必要的用电设备，则判断不需要进行用电成本优化，若某采集时段存在非必要的用电设备，则执行S522；
S522、将该采集时段与高峰电价时段进行对比，若该采集时段未落在高峰电价时段内，则判断不需要进行用电成本优化，反之则判断需要进行用电成本优化，且用电成本优化方式为减少非必要用电设备的使用。
9.如权利要求7所述的一种基于机器学习的用户用电行为分析方法，其特征在于：所述S53的具体实施过程如下：
S531、将增益采集时段与高峰电价时段进行对比，并参照S512中的判断模型得到是否需要进行用电成本优化的判断结果；
S532、当判断需要进行用电成本优化时则解析目标用户在该季节阶段的用电成本优化方式为减少增益采集时段的用电量。
CN202311218990.1A 2023-09-21 2023-09-21 一种基于机器学习的用户用电行为分析方法 Active CN116955968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311218990.1A CN116955968B (zh) 2023-09-21 2023-09-21 一种基于机器学习的用户用电行为分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311218990.1A CN116955968B (zh) 2023-09-21 2023-09-21 一种基于机器学习的用户用电行为分析方法

Publications (2)

Publication Number Publication Date
CN116955968A true CN116955968A (zh) 2023-10-27
CN116955968B CN116955968B (zh) 2023-12-12

Family

ID=88449645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311218990.1A Active CN116955968B (zh) 2023-09-21 2023-09-21 一种基于机器学习的用户用电行为分析方法

Country Status (1)

Country Link
CN (1) CN116955968B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117874470A (zh) * 2024-03-11 2024-04-12 中电装备山东电子有限公司 一种专变采集终端监测数据分析处理方法
CN117874470B (zh) * 2024-03-11 2024-06-07 中电装备山东电子有限公司 一种专变采集终端监测数据分析处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679357A (zh) * 2013-12-06 2014-03-26 国网山东省电力公司 基于价格和激励的电力需求响应的智能决策方法
CN115600729A (zh) * 2022-09-27 2023-01-13 国网四川省电力公司经济技术研究院（Cn） 一种考虑多属性网格电网负荷预测方法
CN115601073A (zh) * 2022-11-02 2023-01-13 国网四川省电力公司经济技术研究院（Cn） 一种电碳市场耦合效应的分析方法、系统、设备和介质
CN115619439A (zh) * 2022-12-15 2023-01-17 国能日新科技股份有限公司 电力负荷运行管理系统、装置和方法
CN115829101A (zh) * 2022-11-21 2023-03-21 国网甘肃省电力公司酒泉供电公司 一种基于多尺度时间卷积网络的用电成本预测及优化方法
CN116562916A (zh) * 2023-07-12 2023-08-08 国网安徽省电力有限公司经济技术研究院 一种光伏直流配电系统经济效益分析评价系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679357A (zh) * 2013-12-06 2014-03-26 国网山东省电力公司 基于价格和激励的电力需求响应的智能决策方法
CN115600729A (zh) * 2022-09-27 2023-01-13 国网四川省电力公司经济技术研究院（Cn） 一种考虑多属性网格电网负荷预测方法
CN115601073A (zh) * 2022-11-02 2023-01-13 国网四川省电力公司经济技术研究院（Cn） 一种电碳市场耦合效应的分析方法、系统、设备和介质
CN115829101A (zh) * 2022-11-21 2023-03-21 国网甘肃省电力公司酒泉供电公司 一种基于多尺度时间卷积网络的用电成本预测及优化方法
CN115619439A (zh) * 2022-12-15 2023-01-17 国能日新科技股份有限公司 电力负荷运行管理系统、装置和方法
CN116562916A (zh) * 2023-07-12 2023-08-08 国网安徽省电力有限公司经济技术研究院 一种光伏直流配电系统经济效益分析评价系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆燕;谈健;: "江苏电网负荷结构分析", 华东电力, no. 07 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117874470A (zh) * 2024-03-11 2024-04-12 中电装备山东电子有限公司 一种专变采集终端监测数据分析处理方法
CN117874470B (zh) * 2024-03-11 2024-06-07 中电装备山东电子有限公司 一种专变采集终端监测数据分析处理方法

Also Published As

Publication number Publication date
CN116955968B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
Bazen et al. Feasibility of solar technology (photovoltaic) adoption: A case study on Tennessee's poultry industry
CN109934395B (zh) 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法
CN116797049B (zh) 配电网差异化节能潜力量化评估方法
CN111612228A (zh) 一种基于用电信息的用户用电行为分析方法
CN113224756B (zh) 一种应用于光伏建筑一体化最佳装机容量测算的方法
CN116565846A (zh) 一种虚拟电厂需求预测方法、系统及可读存储介质
CN107248031B (zh) 一种针对负荷曲线峰谷差的快速电力用户分类方法
CN111798333A (zh) 一种用能评估与用电安全分析方法和系统
CN111428745A (zh) 一种基于聚类分析的低压用户用电特征提取方法
CN114819626A (zh) 区域电力碳排放核算方法
Sailor et al. Natural gas consumption and climate: a comprehensive set of predictive state-level models for the United States
CN116955968B (zh) 一种基于机器学习的用户用电行为分析方法
CN114399136A (zh) 一种基于用户负荷特性分析的需求侧响应能力评估方法
CN113657789A (zh) 一种分布式光伏屋顶资源多维评估方法
Guo et al. China’s potential for trade in renewable energy products in RCEP countries: a gravity model analysis
CN116862129B (zh) 一种零耗能建筑数据分析方法及系统
CN113269360A (zh) 一种基于电力用户用电行为画像的数据采集方法
CN116957842A (zh) 一种电力数据分析处理方法、系统及存储介质
CN114048200A (zh) 一种计及缺失数据补齐的用户用电行为分析方法
Wang et al. Analysis of user’s power consumption behavior based on k-means
CN111199337B (zh) 一种新能源规划方法
Li et al. Sensitivity analysis and forecast of power load characteristics based on meteorological feature information
CN117134322A (zh) 一种低压台区用户用电偏好预测方法、系统、设备及介质
Tavares US State Renewable Portfolio Standards and Employment Effects
CN115983576A (zh) 一种自适应的多元能源负荷特性识别方法

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
GR01 Patent grant
GR01 Patent grant