基于聚类分析的用户分类和用电行为分析

针对用户用电行为特性和用户用电负荷特性,利用K均值聚类法和模糊C均值聚类法对用户用电行为进行了分类分析。依据用户用电负荷曲线特性,使用K均值聚类和模糊C均值聚类的方法对用户用电类型进行了分类;依据聚类分析结果对用户用电行为进行了分析,分别分析了各类用户与总负荷曲线的相似度,分析了2种聚类方法的差异,为供电公司针对不同类型用户提高差异化供电服务提供了参考依据。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

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。     

基于分布式聚类模型的电力负荷特性分析

电力系统的负荷模型是决定电力系统可靠性的关键要素,传统的负荷特性数据聚类算法计算复杂、运行时间长。将K-means和Canopy聚类算法有机地结合,建立一种分布式聚类模型。在此基础上,对用户整点负荷数据进行归一化处理,利用负荷规范化区间值与24个整点时间的参数关系,得到聚类中心分布。以福建省历史日负荷数据为例,验证分布式聚类模型运行的快速性。结果表明:距离阈值T₂与算法运行时间成反比;簇个数越多,运行时间越长;大工业行业聚类中心分布稳定,显著性不明显,农业生产行业聚类中心分布显著性明显,为预测用户负荷特征及用电特性提供思路借鉴。     

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。     

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征，聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题，提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征，并配合K-means进行负荷聚类任务，最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证，结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index, DBI)相较于传统聚类方法 K-means、PCA+K-means等下降明显，说明类内更加紧密，类间更加远离，提高了聚类质量。然后利用高斯距离加权改进了聚类中心，提取到更加典型日负荷曲线，使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。     

模糊聚类方法在用户负荷曲线分析中的应用

采用基于负荷曲线进行用户分类的方法,运用数据挖掘技术中的模糊C均值聚类,将不同行业的用户混合在一起,利用聚类的观点将其分类,对各类负荷曲线进行分析和比较;将模糊C均值聚类算法应用在单个典型行业典型用户(主要是工业和三产的大用户)的分析中,可以发现不同季节、不同月份的负荷数据之间有一定的共性.     

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。     

基于用户日负荷曲线的用电行业分类与综合方法

利用实时日负荷曲线进行综合负荷在线建模需解决用户日负荷曲线的正确分类与有效综合以及变电站日负荷曲线的行业构成比例识别2个关键问题.运用模糊C均值聚类和模式识别原理,提出一种基于日负荷曲线的用户所属用电行业的分类与综合方法.首先在有功功率空间进行用户的行业归属分类和行业用户精选,得到行业综合日负荷曲线;然后在定义的特征空间获得描述行业综合用电特性的特征参数,并以此作为检验分类与综合结果合理性的测度指标.实际应用表明,该方法物理概念清晰、简便、实用.     

基于KL变换和KL散度的电网数据特征提取与分类

智能电网用户行为特征的分析在电力营销策略中扮演者重要的角色。文中结合KL变换和KL散度的方法,提取与分类用电数据信息的特征,实现不同类型的用电数据划分。同时通过综合分析所有用户的日负荷曲线,提取不同类型用户的典型日负荷曲线。研究结果表明:基于KL变换的方法,通过对原始数据的压缩和主要特征的保留,大大降低了智能电网数据提取与分类的计算量,提高了时间效率;基于KL散度的方法,通过对k-means算法中的k值和初始聚类中心的选择进行优化,提高了聚类效果的准确率;实例中电网用户正常数据为38组,可分为3类典型用户,迎峰用电型、错峰用电型、部分迎峰用电型。该研究结果可以更加有效地对电网用户用电行为进行分类,从而为售电公司进行业务拓展提供技术基础。     

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。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

开放售电环境下用户短期负荷预测方法

开放售电环境下用户负荷预测精度将直接影响售电公司的利益和电力系统的稳定性。提出了一种开放售电环境下的用户短期负荷预测方法,首先根据用户历史负荷数据计算用户的典型日(工作日,节假日)负荷曲线;然后,利用Kohonen神经网络挖掘用户用电行为之间的相似性,对用户用电负荷进行聚类,将用电行为相似的用户划分到同一个聚类中;最后在考虑电价和温度等影响因素下,利用在线顺序极限学习机(OS-ELM)负荷预测模型对已经聚类的用户分别进行负荷预测,并对负荷预测结果求和得到系统负荷。为了验证提出方法的可行性,采用某地区的智能电表数据进行试验,试验结果表明,该方法能够深入挖掘用户的用电行为,揭示了用户聚类数目与系统负荷预测精度的关系,能很好地满足系统短期负荷预测的精度要求。     

一种基于时间序列数据挖掘的用户负荷曲线分析方法

针对目前用户负荷曲线分析方法研究中传统方法在单一用户典型负荷曲线提取以及负荷曲线特征提取的不足,提出了一种基于时间序列数据挖掘的用户负荷曲线分析方法。该方法首先基于分段聚合近似方法对单一用户的负荷曲线降维,并基于符号聚合近似方法对该用户一段时期内的负荷曲线重表达,用符号化序列表示该用户的负荷曲线,提取该用户的典型负荷曲线。然后结合不同用户典型负荷曲线的负荷特性、指标特征和时间序列特征,基于k-means算法对不同用户的典型负荷曲线聚类分析,分析不同类型用户的用电特征。以UCI一个测试数据集进行算例分析,结果表明所提方法能够挖掘出用户的典型用电行为特征,并提升用户负荷曲线分析效率与聚类质量。     

基于日负荷指标及改进分布式K-means聚类的用户用电规律研究

负荷聚类不仅能为精细化负荷预测提供高质量数据,还能结合用电规律进行用户行为分析;为应对海量负荷数据挑战,提出一种基于日负荷指标的降维及分布式K-means聚类算法。通过建立日负荷指标,将原始高维负荷数据转化为低维负荷指标;基于负荷指标,利用熵权法改进的分布式K-means算法进行聚类,挖掘出隐藏的典型负荷类型;结合算例,根据得到的典型负荷类型进行用电规律分析,与实际用户类型匹配,实现四类典型用电规律的归纳。     

基于AI的电网母线负荷典型特征提取技术

母线负荷量级小,母线曲线特征在不同时空下的差异较明显。传统技术中,通常对呈现相对固定特征的曲线开展分析,忽略了关键的“异常用电曲线”,实用性较差。针对此种问题构建了基于聚类技术的电力负荷特征提取分析综合框架,基于海量母线负荷数据,首先利用基于密度的聚类算法提取母线典型负荷曲线,然后利用K means算法对母线典型负荷曲线进行聚类,最后利用LOF算法对聚类结果中的异常数据进行检测,通过人工干预的方法对各异常检测结果进行单独分析,实现了对“典型”和“异常”用电曲线的全覆盖。通过对广东省内1062条实际母线进行算例验证,表明该技术框架具有可行性及实际意义。     

面向分布式电源就地消纳的园区分时电价定价方法

在能源互联网的背景下,园区运营商首先对内利用分布式电源满足园区用电需求,然后对外进行不平衡能量交换。园区运营商通过制定差异化分时电价套餐,挖掘园区用户的需求响应潜力,能够促进分布式电源就地消纳,优化园区内外交换负荷,对此提出一种园区分时电价定价方法。首先,综合考虑园区用户的用电负荷和需求响应特征,基于谱聚类算法形成园区用户群体;然后,根据园区用户群体的用电负荷特征,基于k-means聚类算法确定分时时段;最后,构建园区分时电价定价优化模型,形成面向不同园区用户群体的差异化分时电价套餐。根据算例分析可知,基于该方法制定园区分时电价,能够有效提高园区分布式电源的就地消纳率和综合利用效率、与外部电网的友好程度和整体经济性。     

改进的电力负荷曲线集成K-medoids聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。针对常规K-medoids聚类算法的不足,利用CH指标和启发式方法对常规K-medoids聚类算法进行了改进,实验结果表明,改进的K-medoids聚类算法具有更高的聚类有效性,克服了传统K-medoids聚类算法由用户指定簇族数和随机选取初始质心的问题。为方便分析对22个典型用户年负荷曲线进行归一化处理,并分别采用行业性质、常规K-medoids聚类算法和改进K-medoids聚类算法对经过归一化处理的22个典型用户年负荷曲线进行分类,实验结果表明,根据年负荷曲线特性对负荷曲线进行分类相较于按行业性质对负荷曲线进行分类有更好的效果,而且改进K-medoids聚类算法相较于常规K-medoids聚类算法,能够更客观、准确地对负荷曲线进行有效分类,改进K-medoids聚类算法在电力负荷大数据挖掘具有良好的应用前景。     

基于聚类法的工业用户需求侧管理(DSM)方案分析与研究

为了解决只是按照电价对用户负荷特性进行分析带来的问题,达到需求侧管理的有序用电,提出了基于聚类法的负荷特性分析方法。以工业企业DSM方案为背景,利用模糊C均值聚类法,对重要企业用户的用电负荷进行聚类。利用基于可能性分布的聚类有效性函数指标作为分类依据,对某公司的负荷特性进行精细挖掘,对聚类结果进行了详细分析。分析结果显示,负荷峰值时段,其在需求响应事件中,可提供气候敏感负荷中断容量和生产负荷中断容量两种类型,并得出了其对应适合的需求响应类型。     

一种基于双层聚类分析的负荷形态组合识别方法

区别于传统用户用电行为分析方法,提出一种以聚类算法为基础的双层聚类分析方法。该方法结合给出的内、外层变随机设置为有目的选取初始聚类中心的选取规则,解决了聚类算法受初始聚类中心随机选取的影响,其收敛容易陷入局部最小化的问题。利用余弦相似度形态相似作为外层聚类的判据、欧式距离相近作为内层聚类的判据,对不需要经过归一化处理的用户用电轨迹向量进行分类。最后对某地区电力用户日负荷曲线进行算例分析,结果表明:双层聚类组合方法能把不同负荷形态及其大、小用户准确识别出来,实现了地区负荷形态的自动分类识别功能,证明了上述方法的有效性和优越性。