智能用电用户行为分析的聚类优选策略

针对大数据背景下用户智能用电行为最佳聚类数目的选择问题,提出一种用户用电行为分析的聚类优选策略。在前期智能用电用户行为分析的特征优选策略研究的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行聚类分析;然后提出聚类数优选策略,通过综合考虑准确度评价指标和有效度评价指标确定最佳聚类数目。以国内外的用电数据为数据源,仿真验证了所述策略可以选择合理的聚类数目,有效提高用电行为分析的数据聚类效果。     

基于多维特征分析与动态定权聚类的电力居民用户分类

由于居民用户用电需求的高度随机性和不规则性,亟需详细的数据分析来定义用户的行为特征,以提供更加合理的用电建议和需求响应潜力。为了进一步挖掘非介入式辨识数据的价值,提出一种基于多维用电行为数据的电力居民用户分类方法。首先通过非介入式智能电表获取居民细粒度用电数据,分析用户的用电行为,寻找到关键用电特征量;接着使用CRITIC权重法自适应配置各指标权重,通过6类聚类评价指标,对4种聚类算法和3个数据距离计算进行对比,实现最优聚类方法和聚类数目的选择。通过某小区实际数据验证了本文所提用电特征量以及定权聚类方法的有效性,将居民用户群体分成用电行为差异明显的两类。     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

基于特征优选策略的居民用电行为聚类方法

针对用电负荷数据聚类特征选择的有效性及互补性问题,提出了一种基于信息量准则的特征优选策略,并在该策略的基础上进行了居民用电行为聚类方法的研究。首先,将贝叶斯信息准则（BIC）和相关系数分别作为特征有效性和关联性的判据来优选聚类特征。然后,采用布谷鸟算法优化了密度峰值法的截断距离。同时,利用异常值检测的思想实现聚类中心的自动选取。最后,根据优选出来的特征集和改进的密度峰值快速搜索聚类（CFSFDP）算法对实际居民用电数据进行聚类分析,验证了所提出方法的聚类效果。不同聚类方法的实验结果表明,采用改进的CFSFDP算法得到的聚类效果最优。     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

基于AE-MFCM技术的电力用户响应特性分析方法

对电力用户用电特性的正确分析是实现电力系统高效运行和增值服务的关键。本文提出一种基于自动编码器与改进模糊C均值聚类算法结合技术的用户响应特征分析方法。首先,对用电模式进行聚类来确定用户的行为特性,利用自动编码器和改进模糊C均值聚类算法实现特征提取和数据处理。然后,基于用户用电模式的分类结果,利用神经网络等智能算法对每类用户进行需求响应建模,拟合激励信号与用户响应量之间的关系,获得准确反映用户需求的响应特性与响应能力。最后,通过某实际电网数据验证了该方法的有效性。     

基于欠完备自编码器的用户用电行为分类分析方法

针对电力大数据背景下用户用电行为复杂多变、分析困难的问题,提出了一种基于欠完备自编码器的用户用电行为分类分析方法。首先,通过欠完备自编码器对智能电表数据进行编码,实现对原始数据的特征抽取,并使用反向传播(BP)神经网络进行用户用电行为分类分析;然后,对最佳编码比率进行优选,并结合用户的典型用电特征作为神经网络的输入,提高了分类准确率;最后,在爱尔兰智能电表数据集上进行了仿真实验,并与直接使用BP神经网络进行对比,分析表明,文中所提出的用户用电行为分类分析方法不仅可以提高检测准确率,帮助电力公司更好地掌握用户用电规律,辅助需求响应实施,还能显著降低算法的运行时间。     

基于密度空间聚类和引力搜索算法的居民负荷用电模式分类模型

居民用户用电模式分类研究可为需求侧响应方案设计、负荷特性分析及其高精度预测提供支撑。首先,利用基于密度的空间聚类算法提取得到用户的典型用电模式;然后,考虑每天不同时段及季节变换对用户用电行为的影响,提取能够描述用户在不同时间尺度下用电行为的6个特征;在此基础上,提出了一种基于引力搜索算法的用户用电模式分类模型;最后,对实测居民用电数据进行聚类,并对各类用户的用电模式及其参与需求侧响应的潜力进行了分析。     

差分隐私保护下面向海量用户的用电数据聚类分析

智能电表实现了对用户用电信息全方位实时收集,使得对用户用电行为精准聚类分析成为了可能,然而在分析过程中易泄露用户信息。为此,提出了一种差分隐私保护下用户用电数据聚类分析的方法,该方法运用两阶段隐私保护聚类技术解决精准分析与隐私保护不能并存的矛盾。两阶段聚类采用了分布式的思想,包括局部聚类和全局聚类两部分。局部聚类采用了隐私保护下的自适应K-means算法对智能电表采集的原始用户用电数据进行初次聚类;全局聚类设计一种新的基于密度和层次思想的聚类算法用于对初次聚类结果进行二次优化聚类。相关实验表明了该方法的有效性。     

基于改进聚类融合的办公型建筑用电行为分析

以上海市长宁区的大型办公建筑为研究对象,利用数据分析方法分析其用电行为与节能潜力。针对传统用电行为分析,采用单一聚类算法拓展性较差的问题,文章提出通过优选方法进行聚类融合以吸收不同算法优点,增强算法适应能力。首先进行方法优选,针对聚类效果评价指标的不一致问题,提出综合聚类评价指标并对R语言库中大量的单一聚类方法进行评价,采用基于簇的相似度划分算法（CSPA）进行聚类融合。试验集的结果表明该聚类融合方法具有更好的有效性。利用该改进聚类融合算法对用户负荷曲线进行聚类,提取用户用电模式,分析其用电构成与特征,并进行节能策略的分析。结果表明,该办公类建筑具有4类基本用电模式,且有一定节能潜力。     

智能小区居民用电负荷特征权重分析

以往对智能小区居民用电行为聚类分析时,存在着负荷特征选择与权重计算描述不足的问题。为了提高居民用电行为聚类分析的准确率,降低聚类分析运行时间,提出一种基于ReliefF算法建立的以峰时耗电率、日负荷峰值时刻、谷时耗电率、日负荷周期数、日最小负荷率等特征的数据模型。该模型可以对海量居民用电行为数据进行处理,并通过k-means算法对其进行聚类分析。实验数据来源为已建成的智能小区,结果准确率达94.61%,证明了基于ReliefF算法建立的特征数据模型在居民用电行为类分析中是有效的。     

基于NILM数据的电力用户能效量化分析方法

随着节能减排理念的普及,通过大数据技术分析用户用电情况,引导用户改善用电习惯、提高用电效率、降低用电成本已成为趋势。本文通过分析影响电力用户能效的因素,结合非侵入式负荷监测NILM(non-intru?sive load monitoring)技术可获得的数据,构建了易于获取和量化的家庭能效评估指标体系。在上述基础上提出了基于NILM数据的家庭电力用户能效量化分析方法,给出了能效量化分析和综合评估的具体流程,并提供了可构建的电力用户能效分析系统架构。最后,通过一些案例分析,验证了所提能效评估方法的有效性。     

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民符合的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。本文采用AMPds2公开数据集数据进行算法验证,证明本文算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。     

基于高斯混合模型的居民聚合响应潜力多重置信评估

针对居民用电负荷与源端出力多变背景下传统电力系统运行灵活性不足的现实问题,需求响应可有效提高系统运行灵活性与安全经济效益,价值尤为凸显,其中响应潜力的精细化评估是其重要基础支撑。文章提出一种在缺少历史响应数据支撑时基于高斯混合模型的聚合响应潜力评估方法。首先通过家庭及相似日的两次聚类分析选取典型样本数据,强化数据的代表性;然后引入高斯混合模型精准挖掘家庭用电行为的概率分布,形成单个家庭的响应潜力;最后自下而上加权汇总,实现多重置信情景下聚合需求响应潜力的评估。实证分析表明该方法能够仅从历史用电数据中挖掘出小时级的居民需求响应潜力信息,充分反映用电负荷分布及响应潜力分布特征,并通过对比分析验证了两次聚类选取典型样本数据的有效性。     

基于FDA的居民用户空调用电行为分类分析方法

针对居民空调用电行为分类中存在事件型数据,导致分类分析耗时长、结果不准确等问题,提出一种基于函数型数据分析（FDA）模型的居民空调用电行为分类分析方法。该方法采用多重分形理论提取居民用电行为特征,使用函数型数据分析算法对居民空调用电行为进行聚类后获取居民空调用电行为类别,采用改进动态时间规整算法对居民空调用电行为实施分类处理,得到居民空调用电行为。根据非介入式设备采集到的实际居民用电行为信息检验该方法的有效性,实验结果表明:该方法可以较好地提取居民用电行为特征,且可有效提高用户空调用电行为分类精度以及缩短分类耗时,可充分描述居民空调开启情况以及消耗电量,具备较好的应用效果。     

基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析

海量用户用电特性的挖掘与分析对实现电网与用户间的双向互动具有十分重要的意义。提出一种适用于海量用户用电行为聚类及分析的算法,以降低算法时间复杂度,提升海量用户负荷数据分析效率。提取用户用电行为特征,构建多层去噪自编码网络,实现多维特征的降维;利用小批优化K均值算法进行聚类分析,并对算法进行初始聚类质心优化与超参数优化的改进以提升算法收敛速度与效果,其中超参数优化利用基于高斯过程的贝叶斯优化算法进行;利用类间分离度和类内内聚度的相关指标对聚类效果进行评价;通过互信息筛选有效聚类特征,实现用户画像。算例结果表明,所提方法在特征优化、聚类效果与收敛速度上均有较好的表现。     

用户能效分析系统研究与应用

针对用户设备用电状况和用电需求了解还不够充分、难以开展设备用电行为分析以及提出有效的节能措施的问题,提出了有效的解决方案。扩大用电在线监测覆盖面,在线监测企业用户用能状况,为分析企业用户节能潜力打下基础;根据用电情况分析客户用电行为,生成并推送客户用能分析报告,建议用户调整用电习惯,推动企业节能业务发展;基于企业内部运行设备数据,开展用户能效诊断分析,为用户提供用能指导,降低用户用能成本。     

提高月度售电量预测精度的一种新方法

通过对地区售电量历史数据的研究分析,挖掘出其发展的规律和特点,并创新性地提出了一种月度售电量预测的新疗法该方法在预测某月售电量时,先预测出该月所在季度的季度售电量,再根据占季比和所在季度的季度售电量的预测值,预测出该月的售电量,若该月处于春节影响期将最后给予修正．利用该预测新方法对江苏某市2005年4月至2007年12月的月度售电量进行了预测,预测的平均相对误差为2．35％,顶测精度得到了较大的提高,证明了该预测新方法的准确性和可靠性。