面向售电侧改革的用户分层聚类与套餐推荐方法

针对售电公司实现多样化服务类型,吸引更多用户的需求,提出了一种基于差异化特征提取的用户分层聚类方法,并对传统的k-medoids聚类算法进行改进,实现了聚类数目可变的自适应k-medoids算法。分层聚类中第1层聚类先基于马尔科夫模型提取代表用户用电行为多样性的用电特征,并运用自适应的k-medoids聚类算法实现对用户用电行为多变与否的识别。第2层聚类首先针对第1层聚类得到的各类用户提取差异化的用电特征,接着分别运用合适的聚类算法实现用户的再次分类。最后,为两层聚类后的子类用户推荐合适的电价套餐。实验结果表明,基于该差异化特征提取的分层聚类方法能够为售电公司实现有效的用户差异化套餐推荐服务,进而为吸引更多用户购电、扩大售电公司规模提供技术支撑。     

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。     

一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。     

基于改进 K-means聚类算法的行业用电画像∗

随着大数据研究的深入以及配电网自动化的建设,电力大数据日益得到重视.如何基于配电网大数据实现电网用户感知,支撑配电网相关业务,是当前电力公司关注的重点问题.首先对用户年行度数据进行预处理,通过改进K-means算法对用户用电数据进行聚类;随后结合用户所属行业信息,从用电特征对行业用电进行画像;最后基于实际数据实现行业用电画像,验证方法的有效性.     

基于扩展面板大数据的电力经济特征提取新方法

电力作为经济的"示波器",对海量电力用电大数据进行特征提取和智能参数估计是电力经济评估的关键步骤。提出了一种适用于海量电力经济大数据的建模方法和经济相关特征提取方法。首先针对电力经济二元大数据的时空特征构造扩展面板数据模型,并进行平稳性和协整性检验;然后以用电量为因变量,通过构造回归方程确定与其他电力经济特征量的权重因子;最后采用灰色关联聚类进行特征提取,并以权重因子为判据进行聚类中心选择,从而获取最优特征子集。通过对某省实际用电数据的仿真对比分析,验证所提方法能够在保存特征子集物理含义的前提下,极大消除冗余,满足了经济评估的需要,并具有一定的通用性。     

基于最小二乘法和聚类的用电数据异常分析算法

针对智能配用电大数据中数据质量差,造成用电异常分析结果不准确的问题,提出基于最小二乘法和聚类的用电数据异常分析算法,首先,对用户用电数据进行分析,并将数据特征进行规范化,其次,通过对已有聚类算法特点分析,采用K-means算法实现数据分析,并利用最小二乘法对数据点进行拟合,计算离心点数据的阈值,并将离心点数据加入噪声集进行隔离,从而提高K-means算法的效率,最后,将传统的K-means聚类算法与该算法进行比较,验证了该算法在准确率和误报率方面都取得了较好效果。     

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。     

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。     

引入改进模糊C均值聚类的负荷数据辨识及修复方法

高级量测体系的建设促使大量用电负荷数据增加了可观性,但由于通信等原因,量测数据中存在不良数据。文中提出一种引入改进模糊C均值(FCM)聚类算法的负荷数据辨识及修复方法,该方法利用快速爬山技术,对标准FCM聚类算法中聚类数目难以预先确定、初始聚类中心随机选取等缺点进行改进,实现用电负荷数据的精准聚类。在此基础上提取可行域矩阵及特征曲线,实现对新量测数据的辨识及修正。最后采用某地实际负荷测量数据进行分析,并通过与基于标准FCM聚类算法的对比,验证了该方法的快速性、高效性及其应用前景。