基于K-均值聚类算法的大客户用电行为分析

为掌握大客户的用电习惯和用电特征、满足不断变化的客户用电需求、逐步提升大客户领域供电服务水平,本文采用K-均值聚类算法、二八定律、归一化算法等统计分析方法,运用SPSS等数学分析工具,从行业特点、客户价值、用电需求、成长性等方面刻画用电客户群体特征,挖掘大客户用电数据中的隐藏数据和潜在价值,得出五类典型的大客户用电负荷特征曲线,建立对应的五类典型用户分类,得到了五类用电行为特征的结果,通过结果分析得出半数以上用户的用电特点、同类型的船舶制造业仍然具有不同的用电特点、电能紧张时优先对建筑业和采矿业实施有序用电可以取得较好效果,最终对企业的电力营销和调度进行决策支撑,为用电需求侧管理、优化客户服务管理规范提供辅助决策。     

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。     

多变量数据聚类最优选择的用电关联分析算法

针对多源用电大数据典型性分析结果不唯一且精度不高等问题,提出了一种多变量数据聚类最优选择的用电关联分析算法。算法借助小波变换日负荷聚类实现多源用电日负荷的相似性聚类,以提高数据分析的准确性;然后在获得分组上进行单次细粒度典型相关分析;利用典型相关分析的预测性验证典型权重准确性,以实现单次分析结果的最优选择,实现分析结果的唯一性。算法在北京地区非居民用电客户的用电、用气和天气三元数据集上仿真实验,结果发现在不同用户群体上三元数据的典型性相关曲线存在基本稳定、季节性和周期性变化等三种模式。与其他8种算法对比可知,所提算法的关联挖掘最为深入和准确,其中平均相关系数至少提高了1.52%,均方差误差至少降低了2.09%。     

环保节能下的电力客户价值评价

在提倡环保节能的大环境下,供电公司的客户服务领域将由单一的供电营销向全面指导用户优化用电方式和节能减排的方向拓展。考虑电力用户的环保节能水平,构建了低碳经济下电力客户价值指标体系,并提出了运用入侵杂草聚类算法评价电力客户价值的新方法。对某市10个工业客户实证分析表明,新算法能有效提高收敛速度和避免陷入局部最优,对聚类性能有较大的提升。通过对电力客户数据进行客观、科学的挖掘分析,实现了对电力大客户全面、准确细分和评价,为供电企业制定有针对性的营销策略提供了依据。     

结合降维技术的电力负荷曲线集成聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。分析3种典型聚类有效性指标,指出Davies-Bouldin有效性指标更适用于评估负荷曲线的聚类结果。研究基于层次、基于划分、基于密度、基于模型等类型的聚类算法,从聚类效率和聚类质量两方面评价各种算法。层次聚类的质量较高,效率较低;划分聚类的效率较高,质量较低。针对单一聚类算法的不足,研究基于经典聚类算法的集成聚类算法并将其应用于负荷曲线聚类。该算法包括bootstrap重采样、划分聚类、层次聚类3步,对不同规模数据集的聚类结果表明集成算法具有更好的性能,特别适用于大规模数据集聚类。针对电力负荷曲线的特征,研究多种数据集降维算法,在降维后的数据集上进行集成聚类,比较各种降维算法的信息损失和计算效率。研究结果表明,对于大规模电力负荷曲线的聚类问题,结合主成分分析降维的集成聚类算法可以取得最佳效果。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

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。     

面向海量用户用电特性感知的分布式聚类算法

智能电表的普及促进了配用电大数据的发展。通过对用户用电数据的挖掘和用电特性的感知,能够有效识别用户用电模式、评估需求响应潜力、指导电价制定等。然而,用户用电数据一方面随时间不断更新,增长迅速,呈海量态势;另一方面,数据采集点分布在用户侧,具有极强的分散性。针对海量、分散的用电数据带来的挑战,文中提出一种新的分布式聚类算法。首先利用自适应k-means聚类算法对分布在各区域的用电数据进行局部聚类分析,提取各局部数据的典型负荷曲线,构建局部模型;然后利用传统聚类算法对获取的局部模型进行二次聚类分析,获取全局的典型负荷曲线,构建全局模型;最后向局部数据中心反馈全局聚类结果,实现全局聚类分析。通过爱尔兰实际量测用电数据证明了所提出算法的有效性。     

基于K均值聚类算法的大客户用电行为分析

为主动应对电力体制改革产生的影响,分析研究售电侧大客户群体用电行为,梳理不同类型客户负荷特性规律,选取某地区电力企业2014年5月份营销数据,以该地区所有专变客户为分析对象,借用二八定律(帕累托法则)确定分析范围,通过用电信息明细数据开展相关分析,将专变大客户按用电负荷特性进行聚类分析,挖掘不同大客户用电行为潜在市场,为科学制定可开放容量、优化售电侧客户结构、迎峰度夏错避峰用电建议等提供支撑。     

纵横交叉算法优化FCM在电力客户分类中的应用

电力客户分类是供电企业客户关系管理的基石,为了提高聚类算法的稳定性和精确性,提出了一种纵横交叉算法(CSO)与模糊C均值算法(FCM)有机结合的新聚类算法(CSO-FCM),并用新算法进行客户分类。新方法有效弥补了单一算法的不足,拥有模糊理论处理不确定信息的能力以及纵横交叉算法全局收敛性强的特点。利用新算法对电力客户数据进行客观、科学的挖掘分析,实现了对电力大客户较全面和准确的精细化分类,为供电企业制定有针对性的营销策略提供了依据。     

基于Grassmann流形的谱聚类分析算法

在标准谱聚类分析算法中,基于欧氏空间的度量不能完全反映数据集合复杂的空间分布特性,导致聚类结果不够准确。而使用流形空间能够更准确的描述数据之间的几何结构关系。在基于规范化拉普拉斯矩阵的谱聚类算法基础上,研究Grassmann流形的光滑曲面的空间表达方式,应用适合度量数据点之间距离的特性,提出基于Grassmann距离度量的改进的谱聚类分析算法,在流形空间上分析待聚类数据点之间的相似性。实验结果表明,该算法不仅能够对分布在相同或不同子空间上的数据进行有效聚类,而且能够对具有复杂几何结构的数据集合进行分析,在流形空间上进行有效聚类。     

风电场群出力的汇聚效应分析

分析大规模风电场群的汇聚效应特性,找出其中的规律,可以帮助电网更为合理的接纳风电,提高新能源利用效率。通过实测某省级电网的风电场群运行数据,基于时间序列、频谱分析、概率统计等方法,分析风电场、风电场群的风电功率变化特征,获取风电场群出力的汇聚效应特性。     

一种基于时空分析的事件抽取方法

新闻媒体及社交网站每天呈现大规模的时空文本数据，人们难以从中获取有价值的事件信息。针对前人方法依赖大量的标注数据，同时以孤立的方式考虑事件的时间要素和空间要素等的问题。该文提出一种基于时空分析的事件抽取方法，该方法首先引入数据立方体结构存储事件信息，用户可基于不同的时空粒度抽取出重要的事件；然后提出一种基于语义相似性的实时事件聚类算法，该聚类算法采用GloVe 模型训练词的语义关联性，使聚在同一事件类的事件元素具有强的语义关联性。在大量未标注的网络文本中，该方法取得了77.4%的F1值，表明了该方法能够实现时空分析下的事件抽取任务。     

基于频谱分析的负荷形态分类研究

为了更好地对电力系统进行经济分析、运行与规划,需要寻求高效可靠的负荷形态分类方法。对电力用户日平均负荷数据进行频谱分析,采用动态聚类法将不同的电力用户负荷形态进行聚类并将此方法与传统时域上的负荷形态分类方法比较,算例结果表明,基于频域分析的负荷形态分类方法综合聚类有效性更高,其改善了负荷特性时域分析的不足,为电力公司准确进行电价定制、负荷预测及制定有序用电决策方案提供参考。     

Research on practical power systemstability analysis algorithm based onmodified SVM

Stable and safe operation of power grids is an important guarantee for economy development. Support Vector Machine (SVM) based stability analysis method is a significant method started in the last century. However, the SVM method has several drawbacks, e.g. low accuracy around the hyperplane and heavy computational burden when dealing with large amount of data. To tackle the above problems of the SVM model, the algorithm proposed in this paper is optimized from three aspects. Firstly, the gray area of the SVM model is judged by the probability output and the corresponding samples are processed. Therefore the clustering of the samples in the gray area is improved. The problem of low accuracy in the training of the SVM model in the gray area is improved, while the size of the sample is reduced and the efficiency is improved. Finally, by adjusting the model of the penalty factor in the SVM model after the clustering of the samples, the number of samples with unstable states being misjudged as stable is reduced. Test results on the IEEE 118-bus test system verify the proposed method.     

基于大数据处理的配网运行效率关联性分析

随着配网系统不断发展,系统结构更为复杂,所产生的运行数据量也极为丰富。通过对大数据的有效快速分析,能及时准确提取相关数据,对系统运行效率产生积极影响。基于大数据处理技术,提出一种用于计算配网运行效率相关性的分析方法。首先介绍了大数据处理的相关技术,详细分析了模糊聚类分析在数据提取中的作用。然后对配网运行进行相关讨论,并分析了可能影响配网运行效率的有关因素。随后,利用主成分分析法确定主要影响因素。最后通过算例验证了该方法的有效性,并根据结果为系统运行提供相关参考意见。     

基于聚类分析思想的水电站水库优化调度规律的提取

本文首次尝试应用聚类分析思想和基尼系数分析水库优化调度规律。结果表明:用聚类分析思想,根据水库优化调度结果,提取水库调度规律是可行的;本文提出的距离基尼系数,在水库调度规律分析中优于传统的相似性指标,是有效的;金沙江中游梯级水电站的优化调度规律根据来水的丰枯呈现出规律性的衍变,各年的调度规律都是由"保证出力"、"递增流量"和"不弃流量"这三个基本元素中的一个或几个根据当年来水的丰枯按一定规律组合而成。     

电力系统中基于聚类分析的主导因素挖掘方法

影响电力系统发展的指标可能很多,在众多的因素中挖掘出最具代表性和影响力的若干主导因素,是有着重要需求的现实问题。借鉴聚类分析和数据挖掘的基本原理,提出了基于聚类分析的电力系统主导因素挖掘方法。对于电力系统某种指标,每一种相关指标都是一个衡量尺度,利用聚类分析法,综合多种衡量尺度对相关指标群体进行划分和识别,从而得到影响电力需求的主导因素。文中的方法可望在电力需求分析中发挥重要的作用。     

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。     

基于分类概率综合多场景分析的分布式电源多目标规划

为了在配电网分布式电源规划中更加准确合理地考虑分布式电源出力及负荷需求的不确定性,基于风电、光伏和负荷的随机性分布特征差异,提出分类概率综合多场景分析方法以实现更合理的多场景生成,并融合K-Means聚类方法和层次凝聚聚类(HAC)算法形成H-K复合聚类场景压缩方法,实现更高效的场景压缩;以年均收益率和配电系统电压分布改善率最大化为目标构建多场景分布式电源多目标规划模型,并采用基于HAC种群截断策略的改进非劣排序复合微分进化算法对模型进行求解;以IEEE33节点配电系统为例进行了分布式电源多目标规划,仿真结果验证了所提方法的有效性和优越性。