基于特征感知迭代的电网业务营销数据挖掘方法

"互联网+电力"的大数据挖掘能为精准用电提供基础支撑。现有电网营销数据挖掘对用户数据的挖掘粒度大,特征集区分度小,空间维度权值低,基于用户行为的电网营销策略准确度低。提出基于特征感知迭代的电网业务营销数据挖掘方法。构建结合空间特征的电力用户用电模型,设计营销管理决策树挖掘模型,对冗余数据特征进行过滤清洗,推导准确的电网营销行为。通过仿真和实验分析,验证新方法具有更好的预测精度和更低的数据消耗。     

基于调度业务模型和大数据驱动的电网智能状态感知体系

为了探讨调度业务模型和电力大数据在电网智能状态感知体系中的应用路径,同时为了提升电网智能状态感知体系对电力调度业务的支持接口效率,在对以往电力物联网硬件系统满足最小改动的前提下,充分利用之前物联网大数据系统开发一套独立于以往调度系统的智能电网感知体系。该研究的关键技术是电力物联网与大数据系统的数据穿透体系和数据导出体系。经过仿真分析,该研究设计的新体系驱动的调度业务模型管理信息系统拥有更高的效率、敏感度和更低的人为错误概率。     

一种基于随机森林的停电敏感模型

为深入全面地对不同用电群体用户进行分析,实现停电敏感用户的精准识别,制定针对性的风险防控策略,有效减少客户来电风险,本文提出一种基于随机森林的停电敏感模型,对客户停电的敏感程度进行划分,进而实现差异化地运营管理客户,为营销部、设备部、客服中心等部门提供有效数据支撑,助力电网营销管理.本文将随机森林模型引入停电敏感预测中...     

低压停电感知与检测系统设计与实现

随着国家对于新型智能电网发展要求不断提升,传统的电力监测与管理系统已经无法满足对数据可靠性与监测准确性日益增长的需求。相比于高压与中压电网,与人们生活密切相关的低压电网停电处理优化工作更易被忽视。针对该问题,结合高速电力线载波技术和通用大数据而设计的低压停电感知与监测系统,提供了友好的管理界面,实现了低成本的低压配电网服务提升,解决了停电信息的误判漏报等问题,为智能电网性能提升提供了值得参考的解决方案。     

基于电力光纤到户的智能用电小区介绍

概述 智能电网建设分为发电、输电、变电、配电、用电、调度等六大环节。作为智能电网用电环节建设的重要内容,基于电力光纤到户的智能用电小区是实现电网与用户之间实时交互响应,增强电网综合服务能力,满足互动营销需求,提升服务水平的重要手段。通过智能用电小区的建设,将改变过去用电环节中单向的“电力输送-电力消费”、“电力管理-电力被管理”的被动用电模式,     

一种用于构建用户画像的多视角融合框架

电网公司的电费敏感客户往往对由用电引发的电量、电价、电费、缴费、欠费等电力服务具有强烈反应。快速定位电费敏感客户,对降低客户投诉率、提升客户满意度、树立供电企业良好的服务形象具有重要的作用。基于电网用户数据,提出了一种用于构建用户画像的多视角融合框架,该框架能够快速、准确地识别出电费敏感客户。首先,对电网用户进行了分析研究,利用双通道对不同特性的用户分别建模预测;其次,提出了多种特征萃取方法,用于构建用户多源特征体系;最后,为了充分利用多源特征,进一步提出了基于双层Xgboost的多视角融合模型。该框架在2016CCF大数据与计算智能大赛“客户画像”竞赛中获得了F1值为0.90379(第一名)的成绩,其有效性得到了验证。     

基于大数据技术的供电可靠性中压停电事件实时智能分析研判与增益研究

当前供电企业中压用户停电事件已实现从用电采集信息系统采集终端自动接入并推送到配电网供电可靠性管理系统,相比传统的手工录入,及时性和准确性有了较大的进步。然而,由于中压配电网设备规模大,涉及专业面广,数据传输链条长,可靠性中压停电事件的准确性、完整性依然受到多种因素限制,对供电可靠性指标统计分析及应用造成不利影响。本文基于配电网中压用户停电事件智能分析处理,通过对中压停电事件相关业务系统进行调研分析和数据交互设计,从中压用户停复电信号采集、处理、到自动推送至供电可靠性管理系统的全流程,运用大数据技术和动态配电网模型,实现用户采集终端停复电数据实时分析和停电事件智能补全增益,确保停电事件集成完整性、准确性有效提升。     

基于NLP技术实现停电原因智能分析的方法

针对用电网络中出现的各种电力不稳定现象,如何快速、高效地发现电力网络中停电问题,成为提升电网质量急需解决的关键问题.提出了基于NLP技术分析停电原因的方法,该方法通过将NLP技术与互联网技术和大数据处理技术相结合的形式,实现电力、电网停电数据的智能处理.该系统包括电力设备检测层,数据存储层、数据分析层和数据运用层,在工作过程中,通过数据检测层将检测数据初步处理后存入相应数据库,之后经过降维与分析出便于用户处理、使用的数据,最后通过数据应用层按照根据用户需求自适应调用,进而实现了自然语言的高维度电力数据分析.通过试验分析,与传统的停电原因分析方法相比,本研究设计的方案分析误差数据小,具有较好的实用价值,为下一步电网安全工作提供了理论依据.     

计及需求响应的电网安全优化调度模型

针对传统的发电日前调度方案,提出一种计及需求响应的电力系统安全优化调度模型.以峰谷分时电价为基础,建立激励补偿机制,鼓励用户积极参与需求侧资源调度,从而使得“削峰填谷”的效果更加明显.同时,为了合理配置电网运行的备用容量,在所提出的模型中融入期望停电损失,保证电网运行的安全性.基于IEEE24节点的算例分析表明,所提出的考虑需求响应和期望停电损失的电力优化调度模型可以在保证一定可靠性水平的前提下,降低电网的运营成本,实现市场环境下电力系统的经济和安全运行.     

一种基于遗传算法的智能电网调度方法

随着智慧电网的发展,调度控制系统中的数据规模和种类呈指数型上升并且处理复杂度较高。为了更好地进行电力调度,给予电力系统相应的决策支持和更好地为客户服务,满足用户在不同时段的电力需求,本文基于遗传算法提出一种多种类型可控电器的G-DSM算法,将负荷调度问题定义为成本最小化问题,并用遗传算法求解;结合从用户侧获取的电力大数据对用户的电力需求进行规划,降低了用户的花销以及峰值电力负荷,从而避免电力资源的浪费,提高了电网的工作效率。实验结果表明,该算法具有较好的可行性,并在实际操作中易于实现。     

基于粒子群算法的低压用户超容用电优化研判策略

随着我国的经济不断发展,电网规模逐渐扩大,面临的挑战也逐渐增加。电网末端极容易出现低电压和用户超容用电等问题,低压用户超容用电会严重影响局部电力系统稳定性,容易造成线损增加甚至威胁电网安全。本文提出了一种基于粒子群算法的低压用户超容用电优化研判策略,建立了用户特征优化模型,通过分析海量用户数据中出现的异常情况来准确判断用户是否为低压超容用户,同时针对海量低压超容用户研判的常规流程进行改进,提出了优化研判策略。算例结果表明,本文所述方法能够从海量用户中准确研判低压超容用户,并且较人工审核方式提高了2.86%的判断准确率。     

基于Hash算法的大数据架构下电力系统风险评估研究

为解决电力系统风险评估传统方法存在的处理数据耗时长、实时交互性能欠缺、难以全面反应电网状态等问题,本文提出一种基于Hash算法的大数据架构下电力系统风险评估方法,利用Hash算法将电力系统基础数据关联至服务平台和风险评估系统,采用架空线路停运模型、变压器时变停运模型对电力系统进行大数据建模,融合静态和暂态安全性风险指标,依托多维度数据源,形成电力系统风险评估关联大数据分析体系。该方法有效解决了电力系统风险评估所涉及的多样性和不确定性问题,提升了风险评估实效。将其应用到重庆市某区域电网全年风险评估中,得到的评估结果符合实际情况,验证了所述方法能够综合反应电网设备状态演变和电网外部环境变迁,提高风险评估的准确性和实时性。     

基于用户消费行为的电力数据客户立体画像构建

针对现有技术中用户消费行为数据繁多,电力数据分析能力较差的问题,构建了电力数据客户立体画像系统,实现了对用户消费行为的多信息分析。设计了FCM分类算法模型,实现对电力用户消费行为数据信息立体画像原始数据信息分类,提高了数据分类能力。构建了灰色GM(1,1)模型,实现对用电行为数据信息的分析,从而提高电力数据客户立体画像分析和应用能力。试验表明,研究所提方法分类准确率达95%以上,误差在1%以下,准确度高,研究所提方法方法提高了电力用户消费行为数据信息分析能力。     

基于时序分解的用电负荷分析与预测

在智能电网普及的大数据背景下,对电力数据进行精准的分析和预测对电网规划和经济部门的管理决策具有重要的指导意义,但大多数模型都只是在单一的时间尺度上进行研究。针对这一问题提出一种基于时序分解的后向传播算法的循环神经网络预测模型。通过对真实的居民用电消费数据以及外部因素数据统计处理,深入地分析了居民用电特点以及行为规律,并根据其数据的特征以及天气、节假日等外部因素对用户用电行为的影响建立预测模型,对用户未来时段的用电量进行预测。此外,考虑到居民用电消费数据的时序特征在不同时间尺度呈现不同的变化规律,通过时序分解建立预测模型来对用户用电行为的周期性和趋势性进行建模,并通过加权融合达到一起训练的效果,具有一定的协同性,提升预测精度。     

电力改革和大数据发展背景下的大用户接入电网电压等级选择研究

为了利用输配电价改革、配电网络、用户负荷特征等信息和数据资源,给用户提供全方位、精细化的供电服务,并针对高耗能企业提出的期望通过选择高一级的电压等级电网供电降低用电成本的升压诉求,本文分析了用户选择高一级的电压等级供电进行技改升压的技术原则和要求以及用电成本要素,提出了新增大用户接入电网电压等级选择经济评价模型和已有大用户技改升压经济评价模型,并对贵州省高耗能企业技改升压典型项目进行了经济评价。在贵州省现有输配电价下,用户年平均用电量大于1.2亿kWh,用户供电从35kV技改升压到110kV的静态投资回收期少于5年,技改升压项目具有经济效益;用户年平均用电量大于10亿kWh,用户供电从110kV技改升压到220kV的静态投资回收期少于5年,技改升压项目具有经济效益。     

基于海量运行数据挖掘的电网拓扑关系分析及应用

针对电网中GIS系统与用电信息采集等系统中停电数据不一致问题,本文利用大数据分析技术对停电运行数据与拓扑关系的规律进行数据挖掘,构建变压器停电信息与GIS等系统的拓扑优化关系模型.从GIS系统、用电信息采集系统抽取数据,以GIS系统中线路-变压器关系表为基准,以变压器停电信息为校验数据,通过变压器停电与GIS拓扑关系的...     

煤改电用户补贴电量的影响因素及模型分析

为了分析煤改电用户补贴电量的影响因素,需要在煤改电设备数据采集的基础上,运用定性和定量相结合的方法对数据进行分析.为避免无关因素对用户补贴电量分析的影响,采用线性回归的数学模型对相关变量进行分析.通过对模型的综合分析,验证影响用户补贴电量的影响因素,该结果为政府补贴煤改电用户提供参考依据,同时提高政府对煤改电用户补贴的...     

基于正则化矩阵分解的用户用电行为分析

针对细粒度、多类别的用户用电行为分析问题,提出了基于地理信息正则化矩阵分解的居民用户用电行为分析算法,探索用户用电的群体特点,为个性化的、更优的电力调度提供决策支持依据。该模型首先基于矩阵分解理论将用户映射到能表征其用电行为特点的潜在特征空间,然后采用k-means聚类算法在潜在特征空间上实现用电用户群的细分聚类。特别地引入了地理信息作为矩阵分解的正则化因子,使得学习到的潜在特征空间不仅满足用户群特征的正交,而且使得地理位置相近的用户在潜在特征空间的映射也相近,与真实物理空间保持一致。将所提方法应用于中新天津生态城智能电网采集到的真实居民用电数据分析挖掘任务中。实验结果表明,与基准的向量空间模型（VSM）和非负矩阵分解（NMF）算法相比,所提方法能够取得更好的用户细分聚类结果,挖掘出一定的用户群体用电模式,有助于辅助智能电网提升经营和服务水平。     

Residential Electricity Classification Method Based On Cloud Computing Platform and Random Forest

With the rapid development and popularization of new-generation technologies such as cloud computing, big data, and artificial intelligence, the construction of smart grids has become more diversified. Accurate quick reading and classification of the electricity consumption of residential users can provide a more in-depth perception of the actual power consumption of residents, which is essential to ensure the normal operation of the power system, energy management and planning. Based on the distributed architecture of cloud computing, this paper designs an improved random forest residential electricity classification method. It uses the unique out-of-bag error of random forest and combines the Drosophila algorithm to optimize the internal parameters of the random forest, thereby improving the performance of the random forest algorithm. This method uses MapReduce to train an improved random forest model on the cloud computing platform, and then uses the trained model to analyze the residential electricity consumption data set, divides all residents into 5 categories, and verifies the effectiveness of the model through experiments and feasibility.