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。     

基于家用电器特性的居民用电行为优化研究

随着电力竞争市场的发展与完善,电网利益主体逐步走向多元化,用户主动参与电网互动的背景下,开展用户用电行为研究具有重要意义。提出了一种基于家用电器特性的居民用电行为优化模型,首先,开展了居民家用电器的用电特性分析,对用户用电设备的使用效用和可调度潜力进行了研究,实现了典型家庭响应能力的评估;然后建立了计及用户舒适度的居民家用电器综合管理优化模型,该模型以使用时间期待、使用效果期待和电费变动期待为优化目标,以家用电器的使用和调控存在时间为约束条件;最后,基于家庭典型案例进行了算例测试,结果验证了模型的经济性与有效性。     

基于大数据分析的陕西省居民用电行为及影响因素研究

陕西省目前处于发展的关键时期,为了有效的了解陕西省居民用电模式,通过对陕西省居民用电量以及相关经济、社会指标等众多数据的统计计算,得到了2000年以来的社会经济以及用电大数据。主要从陕西省居民用电增长情况、居民用电占比、人均用电水平和城乡居民用电差异等方面做了详细的分析和研究,对全面了解及把控陕西省居民用电行为具有十分重要的意义。     

基于云计算的家庭智能用电策略

对智能小区的居民用电行为展开研究,基于云计算平台和并行关联规则Apriori算法,挖掘出了用户用电行为间的关联规则,根据挖掘出的关联规则使用遗传算法对家庭用电时间分布进行合理规划,达到经济用电的目标,给出了行之有效的智能用电策略。由供电局将用户的智能用电策略以短信等交互方式传递给智能用电家庭。经实例验证,文中基于云计算平台和并行Apriori算法的居民用电行为分析结果是有效的,可使居民高效智能用电,节约家庭能耗。     

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。     

基于模糊聚类的电力客户用电行为模式画像

随着电力客户数据采集频度不断提高、数据分析维度不断扩展,客户的用电行为变得更加复杂。客户标签和画像技术的发展,给客户用电行为分析带来了更直观、简洁的表现方式。论文基于海量的客户档案、负荷、电量数据,综合考虑客户用电特征、影响因素,建立了客户用电行为标签库,并采用模糊聚类算法进行客户用电模式分析,实现不同类型客户的用电行为模式画像。某地区20 000户工商业客户的用电行为模式画像分析结果表明:文中选取的用电行为标签合理有效、采用的聚类算法效果显著、客户画像精准,能够为电力公司掌握客户用电习性、挖掘客户需求、提高服务水平提供有力支撑。     

基于HDBSCAN动态跟踪客户用电行为模式

为了自动辨识出优质电力大客户并快速感知其负荷行为变化模式,文章通过HDBSCAN算法(hierarchical density-based spatial clustering of applications with noise),对大工业客户1个月内分钟级的负荷行为数据进行自动分类。依据聚类结果筛选出潜在优质的用电客户,对其负荷行为模式进行动态跟踪分析(这里所说的"动态"是指相邻时间段内不同负荷状态的转换模式,综合考虑状态特征和时域特征的变化),以找出用电行为异常、或存在负荷结构变化的客户,增强对电网系统的动态感知能力,降低潜在风险。该算法最大程度地避免了人为主观性经验的参与调整参数,采用这种无监督机器学习技术能极大程度地提高整体分析效率;属于自下而上的数据驱动感知用户侧精细行为模式,将能大面积快速感知到诸多潜在风险模式和异常行为模式。     

基于用电效率评估的居民用电行为优化研究

为提高居民用电的经济性和舒适性,提出一种基于用电效率评估的用电行为优化策略.首先根据家电的用途和工作机理,对家电进行分类,并根据不同的家电负荷类型建立3种不同的用电效率评估指标.然后,结合评估结果,对用户的用电行为进行优化.在该过程中考虑用户的用电经济性和舒适性,建立最小化电费且最大化能效指标的优化模型,在保证用户用电...     

基于SAE云计算平台的家庭智能用电策略优化研究

家庭用户作为整个电网的重要组成部分,家庭中智能用电的实现是智能电网实现的基础。家庭用电策略的研究是将用户的用电行为习惯与电网侧分时电价政策相结合,建立以家庭用电设备的启动时间为决策变量,以家庭总用电费用最少为优化目标的优化模型。选择SAE云计算平台为用户群体设计了日常生活可触及的网站平台,并选用遗传算法对策略优化求解,最终可将家庭智能用电的人机交互界面、所求优化结果等展示在此网站,方便用户查询最优的电器使用方案,方便用户浏览并可智能控制各类家用电器的启停情况。     

基于改进Adaboost-BP算法的用电行为大数据分析

在智能电网的构建中,电网与居民用电信息的交互主要由用户侧安装的智能监测和计量设备提供。智能设备数量随电网建设扩大完善而不断增长,其记录的用电信息将构成规模庞大、结构多元、类型复杂的用户侧电力大数据,挖掘电力大数据背后隐藏的电力信息是智能电网建设的重要内容。非侵入式负荷监测技术相比于传统电力数据分析,一方面保护了用户的用能隐私,另一方面能够完成对负荷更详细的特征辨识。主要通过非侵入式负荷监测技术结合数据挖掘手段研究居民用电大数据,并准确快速地预测负荷类型和分析居民用电行为。首先设计基于滑动窗口电器投切探测算法,之后介绍机器学习领域中的经典算法Adaboost和BP神经网络,设计了用于居民负荷特征识别和分类的Adaboost-BP改进算法并提出相关标准。算例从BLUED数据库中提取居民用电功率和电流序列,通过滑动窗口算法提取功率序列探测电器投切情况,将libSVM算法、BP神经网络和Adaboost-BP改进算法进行负荷分类测试。测试结果验证了改进算法能够有效提升大量数据样本下对负荷的识别精度并正确分类,同时分类速度快,适用于居民用电行为在线分析的场景。     

基于Logit模型的华东四省一市居民生活用电预测研究

分析了华东居民家用电器及照明需求的变化规律及用电特征,利用Logit模型自下而上构建了居民生活用电模型,在验证模型稳健性的基础上,对未来华东居民生活用电进行了情景预测。     

上海城市居民空调用电调查报告

随着家用电器的不断普及,居民用电,特别是空调用电在类似上海这样的大城市中变得日益重要,在总用电消费中所占比重越来越大。本文详细报道了对上海居民用电特性的调查,结论是为了优化电力系统运行和扩大电力市场,电力部门必须调查、开放和适应电力市场。     

居民用户智能用电建模及优化仿真分析

随着居民用户智能家电普及率的不断提高,实现智能用电优化已成为电力需求侧管理的重要研究内容。通过对居民用户智能家电的用电起始时间、用电时长、用电时段数的设计,并结合智能家电的用电特征及电价机制,给出了一种以用电费用最小为目标的智能用电优化方法。该方法同时考虑了用电起始时间、结束时间和允许的最大中断次数等约束条件。通过算例中电价机制及智能家电约束对用电安排影响的仿真分析,验证了该方法可有效减少用电费用及降低居民用户用电负荷峰值;同时探讨了在实时电价机制及更灵活的家电中断约束下,智能用电优化效果更为显著。     

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。     

智能用电用户行为分析特征优选策略

针对大数据应用背景下用户智能用电行为分类的计算复杂性和特征选择有效性的问题,提出一种基于特征信息量的特征优选策略。首先,以用电特征的互信息量与相关系数作为特征有效性和关联性判据,设计用电特征优选准则。然后,提出一种该准则下的用电行为特征优选策略,通过减少特征间的分类信息冗余实现高维特征的降维,并选取有效独立的特征,从而构建用户用电行为聚类精简特征集。最后,基于特征优选策略实现了一种特征自适应的用户用电行为分析方法,完成优化的用户用电行为分析。通过电网实际用电数据验证了所提策略能提高聚类准确率和减少计算复杂性的有效性。     

基于云计算的用电信息采集系统性能提升关键技术研究及应用

随着智能电网建设的开展,不断增长的海量数据使得传统的Oracle数据库无法满足当前用电信息采集系统的需要。基于云计算技术设计了一个智能电网的用电信息采集系统,利用数据存储环境实现对采集前置机集群获取的大规模用电信息的高吞吐写入,利用并行ETL实现与传统应用之间数据的可靠共享,在云计算环境中实现复杂查询和分析计算并高效运行。实验表明,该系统相对于传统关系型数据库集群方案,具有明显的性能优势。     

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。     

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。