面向能源互联网终端用户的异常数据检测方法

随着能源互联网的持续推进,电力系统的信息化程度不断提高,用户侧电量数据迅速增长,为开展基于大数据分析技术的用户用能特征检测提供了数据基础。针对传统的用户异常用电模式检测模型存在投入高、效率低的问题,提出了包含数据清洗-特征筛选-模型训练的用户异常用电全周期检测模型。为了综合考虑用户异常用电模式的影响因素,建立了包含负荷曲线斜率指标、线损指标和告警类指标的评估指标体系;并对初始数据进行数据清洗及缺失值处理以提高用户异常用电模式检测的精确度,然后使用极端梯度提升树(extreme gradient boosting,XGBoost)进行异常检测。最后,通过算例验证了检测模型的有效性,并通过与决策树、随机森林及Adaboost的对比分析,得出了XGBoost在用户异常用电模式检测中以较短的训练时间获得了较高的检测精度的结论。     

基于高维随机矩阵的配电网用户侧用电行为分析

为了准确掌握配电网用户侧异常用电行为以及智能电表的故障情况,基于随机矩阵理论进行低压用户侧智能电表的数据分析与建模,以高维数据统计指标对用户侧的用电数据进行状态表征,在此基础上提出一种低压配电网用户侧异常用电及电表故障诊断分析方法。该方法通过对随机矩阵特征根平均谱半径(mean spectral radius,MSR)指标的分析,给出了随机矩阵原理应用于用户用电异常区域定位的具体步骤,同时也可以实现用户侧用电异常时刻点的特征发现。最后,以某用电台区智能电表历史与实时量测数据为实际算例,分别在不同采样时刻点与不同用户处设置用户窃电与电表损坏等异常用电类型进行计算分析,结果证明了所提方法的有效性与适用性。     

基于智能电能表开盖事件的用电异常分析方法

为防止窃电行为给供电企业带来经济损失,充分利用智能表事件信息和电表电量等数据的关系开展用户用电异常分析,提出了一种基于智能电能表开盖事件的用电异常分析方法。以用户电能表开盖事件的时间为数据分析的时间节点,对在该时间节点前后14天的用户用电数据、台区线损数据进行分析,实现对存在异常用电用户的有效识别,并通过某供电公司的实例验证了该分析方法的实用性和有效性。     

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。     

某居民小区用电调查与负荷分析

基于发展新能源,节能减排,提高电网运行效率,改善供电服务质量等现代化智能电网发展的要求,智能电表已经普及到居民小区中。本文在分析我国当前智能电表数据特征的基础上,探讨了国内外对智能电表数据典型分析方法,并对国内外智能电表数据分析的主要应用场景进行了总结。最后以某居民小区用户智能电表的数据为基础,给出了四个季节的用户用电曲线,以及节假日和工作日、周末的用电曲线,分析了用户的用电行为,为用电客户、供电企业和社会环境的创新服务提供了依据。     

浅谈统筹协调优质服务与有序用电工作

依靠科技手段提升优质服务水平 依靠科技手段引导客户合理用电,科学用电是供电优质服务的一个新课题. 近两年,国家电网公司加大了对智能电网和智能小区的实施建设,大客户可通过互联网远程登陆,及时了解本企业的系统电流、电压、负荷、功率因数等运行数据,了解用电过程中是否出现异常,并能提供异常报警和数据分析.根据客户典型负荷曲线,结合峰平谷电价分析客户电费构成,提出合理化用电建议,挖掘客户移峰填谷的潜力,大客户可以登陆系统查看自己用电情况,还能利用系统找出与企业自身相匹配的节能技术和办法,利用其用电优化功能量身定制自己最优用电方式.同时系统还对需求侧客户按照用电类型、企业类型、供电单位的用电量、用电增加率、用电增加贡献率等各种数据的排序分析,有效实现了供电部门与客户企业之间的互动交流.     

基于不平衡电能数据的反窃电智能监测系统研究

面对电网中的窃电行为,设计一个基于不平衡电能数据的反窃电智能监测系统,完成用电负荷数据的预处理后,运用随机过采样—迭代决策树算法建立计量装置的异常监测和用户异常用电行为的智能分析数学模型,快速检测出异常用电客户,并在此基础上开发嵌入式专家分析系统,实现用户的电能数据在线监测分析,自动展示异常用电数据,定位窃电用户。     

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。     

基于电力市场交易规则的最优用能策略研究

在电力市场开放的条件下,园区用户的综合能源优化可通过参与电力市场购电的方式进一步优化用能曲线,从而达到电力市场环境下的智慧用能。相较于峰谷平电价,电力市场中的实时电价与多个因素相关,包括长期签约电量、日前电价、日前申报用电曲线及实时用电量。该文研究重点是如何综合考虑各个因素对实时电价的影响,并对用户的用能曲线进行最优化平移,达到用户在电力市场环境下的用电经济性最优。基于山东省某一园区用户的用电曲线进行了电力市场环境下的不同用能曲线平移策略分析,并比较了不同用能策略可节约的成本空间。     

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。     

利用电能计量自动化系统开展负荷管理的探索简

介绍电能计量自动化系统在停电管理、配变重过载管理工作中的作用以及该系统在配网规划和业扩报装的辅助作用,阐述该系统利用其庞大的数据量,结合工作经验和实际需要,将其拓展应用到负荷管理工作中,规范了电力需求侧管理,提高了工作效率。     

基于模糊聚类的异常用电行为识别研究

窃电等异常用电行为的识别是用电检查的重点和难点。由于数据采集问题,以往研究大多专注于大客户窃电行为方面,对居民窃电行为的研究相对较为薄弱。针对小用户级别的窃电等窃电监测问题,提出一种基于聚类的异常用电行为识别方法。该方案首先从智能电表收集的数据中提取用电特征,然后使用模糊聚类分析数据结构,提取出正常用户的行为特征。在真实数据集上的实验结果表明了该方法的有效性。     

大规模用电数据流的快速聚类和异常检测技术

对近年来在电力系统中出现的大规模数据流进行了探讨,目的是利用流式计算技术提高系统的实时性和安全性。针对大规模用电信息采集中用电数据流的快速聚类和异常检测技术展开研究。结合分布式流式计算平台Spark Streaming,基于用电行为在纵向时间和横向空间上表现出的聚类特性,即同类用户具有相似用电模式和同一用户历史数据具有相似性,设计并实现了流式DBSCAN聚类算法,以实现对大规模用电数据流的快速异常检测。设计并搭建了支持大规模数据流处理的实验环境,证明了算法的有效性。     

基于长短期记忆网络算法的电费回收风险预警

电力大客户电费回收风险一直都是电力公司关注的热点,但由于缺乏外部数据支撑和高效预警模型,使电费回收风险预警成为了一个难题。文中首先综合电力客户的电量、电费数据,以及电力客户在工商、税务、法院等部门的风险信息,建立电力大客户的电费回收风险指标体系。其次,基于熵值法得到的风险指标权重系数,过滤弱影响指标,采用相关性分析剔除重叠作用指标,得到客户电费回收风险预警指标。最后,基于深度学习中的长短期记忆(long short-term memory,LSTM)网络算法进行了客户电费回收风险预警。算例结果表明,提出的风险预警模型精确有效,且LSTM在准确率、查准率和查全率3个指标上较Logistic回归更加精准,能够精准定位风险客户,提高电费回收效率。     

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。     

考虑信息动态表达的异常用电模式识别云边协同方法

异常用电识别是用电稽查、计量装置运行状态辨识的重要内容,对维护电网的安全运行和保障正常用户权益有重要的意义。已有方法为了识别用户的多元用电模式,在保证识别准确性的基础上容易造成计算过于复杂的问题,而考虑效率的简单计算方法又难以准确度量不同用电模式的相似性,因此难以兼顾计算效率与准确性;此外,将用电数据上传至云端集中计算会占用大量的网络带宽和计算资源,进一步限制了异常辨识的应用。为此,提出了一种考虑信息动态表达的异常用电模式识别云边协同方法。根据边缘端和云端的计算资源合理分配协作任务,实现了异常用电的云边协同识别。针对边缘服务器算力有限的问题,对用电数据进行动态压缩重表达,在缩减数据量的同时保证数据信息的准确性。云端在收到压缩数据后以分段加权动态时间规整距离作为压缩数据相似性度量的依据,基于自适应参数选择的密度聚类算法识别异常用电。基于实际数据集验证了所提方法的有效性。     

基于神经网络的状态估计方法研究

智能电网建设的快速推进,导致状态估计算法所处理的数据量急剧增加。串行状态估计算法求解速度慢,无法满足电力系统实时分析的要求;而并行状态估计方法需要大规模计算集群的支持,会占据大量的硬件资源并产生高能耗。为解决上述问题,提出一种基于神经网络的状态估计方法。该方法以离线方式搭建并训练神经网络。在状态估计的实际计算中,以神经网络的前向计算代替传统算法中的迭代最小二乘拟合,从而大幅减少状态估计算法的执行时间。由于神经网络的前向计算所需时间很短,即使处理大规模电网,提出的方法仍可在单机平台上运行,从而避免使用大规模计算集群所需的能耗。同时,神经网络自身的高容错性还能有效地修正量测数据中的误差。实验结果表明,与串行方法相比,所提方法计算速度提升了约205倍。     

基于弹性分布数据集和有向无环图的潮流优化云计算系统设计研究

随着智能电网数据量的不断增加,现有的电力平台无法满足系统高性能计算的需求。针对这一问题,引入云计算进行分布式电力系统内存计算框架的设计,在分布式文件系统中存储智能电表、电子设备等采集数据。结合内存计算框架Spark和牛顿-拉夫逊法,提出弹性分布数据集(RDD)和有向无环图(DAG)优化的牛顿-拉夫逊法。通过实验分析潮流计算时间、加速比和实验集群规模,验证所提算法具有良好的性能。所做研究工作为国内智能电网发展提供参考和借鉴。     

基于AE-MFCM技术的电力用户响应特性分析方法

对电力用户用电特性的正确分析是实现电力系统高效运行和增值服务的关键.本文提出一种基于自动编码器与改进模糊C均值聚类算法结合技术的用户响应特征分析方法.首先,对用电模式进行聚类来确定用户的行为特性,利用自动编码器和改进模糊C均值聚类算法实现特征提取和数据处理.然后,基于用户用电模式的分类结果,利用神经网络等智能算法对每类...     

基于并行化K-means的综合能源服务客户识别

随着电力体制改革的不断深入以及大数据互联网技术的发展,传统的供电公司和综合能源服务企业急需改善现有的粗放型营销模式,实现不同用户需求的快速响应。针对综合能源服务潜在客户的精准识别问题,本文通过对综合能源服务潜在客户的标签进行分析,基于Spark内存计算平台提出了一种改进的并行化Kmeans聚类算法,对聚类过程中初始聚类中心的选取和样本影响因素的权值进行改进,基于优化后的权值对客户数据集进行聚类分析,对综合能源服务潜在客户进行识别。采集综合能源服务企业的近期交易数据,在多节点的物理机上进行实验与分析,结果表明改进后的聚类算法更准确,在执行效率上,并发度高的算法执行效率优于单线程的算法,算法具有较好的并行能力。