基于多源多维度用能数据的用户标签萃取方法研究

随着电力行业数字化、智能化水平稳步提升,电力公司利用大数据技术精准识别用户需求、掌握用户用能规律,进而满足用户多样化的用能需求成为营造良好用电体验的关键.为此提出一种基于多源多维度用能数据的用户标签萃取方法,旨在通过采用模糊C均值聚类算法进行标签聚类、用户智能画像,更好支撑用户用电行为掌握、精准营销策略执行,辅助制定电力需求侧响应策略,推动电力服务质效提升.     

基于多维细粒度行为数据的居民用户画像方法研究

以电网供需互动为目标,基于非入户终端的细粒度用电行为量测数据及营销系统的网络行为统计数据,开展居民用户画像方法研究。从用户行为、用电特性、消费习惯三大维度建立用户多源特征标签体系,并提出各个特征标签的萃取方法;基于欧式距离和曼哈顿距离提出改进K均值聚类算法,并应用此方法进行电力客户总体调控簇别分析,作为互动目标用户精准定位的依据;应用特征标签体系及总体调控簇别的划分结果,对居民用户进行综合画像及可视化呈现。最后以苏州金鸡湖示范区的1 500户居民用户进行画像及应用效果分析。     

基于人工免疫系统聚类算法的用电客户信用分析

在分析人工免疫系统聚类算法的基础上研究基于人工免疫系统聚类算法的用电客户信用分析原理,建立用电客户信用分析指标体系,根据电力公司客户数据,采用人工免疫系统聚类分析方法对用电客户信用进行分析,将用电客户信用按高、中、低三类进行聚类,经计算得到信用高、中、低的用电客户分别为2家、3家、1家。结果表明人工免疫系统聚类分析方法只要确定了浓度阈值和聚类个数就可得到结果,计算过程简单,能够适用于大数据量,对专业知识的要求较低,对于数据的顺序不敏感,是一种进行用电客户信用分析的较好方法。     

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。     

基于聚类分析的客户用电模式智能识别方法

结合k-means、k-medoids、SOM以及FCM等聚类算法,构建了电力大客户典型用电模式的聚类分析模型,提出了一种评估聚类效果的新方法。首先通过分析电力客户用电指标数据及其特点,提出采用高斯滤波器对含"噪声"曲线数据进行平滑处理来获取客户用电数据。然后提出了聚类平均半径、平均直径和平均最小间距等3个评价指标,并以此为基础设计出一种评估聚类得分的新方法。最后使用聚类分析模型对某地区电力大客户日用电量曲线进行聚类分析,实现了地区典型用电模式的自动识别功能。实际算例分析结果表明,该评估方法物理概念清晰、简便、实用。     

考虑尖峰负荷特性指标的用户用电行为分析

针对当前电力大数据背景下用户用电行为分析对尖峰负荷特性挖掘不足的问题,提出一种考虑尖峰负荷特性指标的用户用电行为分析方法。首先,对尖峰负荷定义及尖峰负荷特性指标进行说明,并根据尖峰负荷特性指标构建尖峰特性特征集;然后,使用K-means算法对特征集进行聚类并获取聚类结果标签,使用轮廓系数评估不同类别的聚类性能;最后对不同标签用户用电特性进行分析。采用美国国家可再生能源实验室开源用户用电数据进行仿真计算,计算结果表明,使用尖峰特性特征集较原始用户数据集具有更好的聚类效果。     

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,文中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K-means聚类算法.首先,对聚类过程中初始聚...     

基于改进聚类融合的办公型建筑用电行为分析

以上海市长宁区的大型办公建筑为研究对象,利用数据分析方法分析其用电行为与节能潜力。针对传统用电行为分析,采用单一聚类算法拓展性较差的问题,文章提出通过优选方法进行聚类融合以吸收不同算法优点,增强算法适应能力。首先进行方法优选,针对聚类效果评价指标的不一致问题,提出综合聚类评价指标并对R语言库中大量的单一聚类方法进行评价,采用基于簇的相似度划分算法（CSPA）进行聚类融合。试验集的结果表明该聚类融合方法具有更好的有效性。利用该改进聚类融合算法对用户负荷曲线进行聚类,提取用户用电模式,分析其用电构成与特征,并进行节能策略的分析。结果表明,该办公类建筑具有4类基本用电模式,且有一定节能潜力。     

基于凝聚层次聚类的电力用户服务方法

随着电网数字化转型工作的逐步推进,电力营销服务方式不断完善。为解决电力营销服务中存在的服务模式单一,用户体验差的问题,提出了基于凝聚层次聚类的电力用户服务方法。首先,对电力用户的电力数据与行为数据进行交叉分析,获得电力用户的典型数据特征;其次,采用凝聚层次聚类算法对电力用户进行分析,评估电力用户的偏好和用电趋势,并对电力用户进行画像。在此基础上,针对不同类型的电力用户制定差异化的营销服务策略,以提高电力用户的满意度。最后,在某城市应用该方法,其电力用户线上渗透率由38.2%提升至69.1%,用户满意度提升41.5%,其结果验证了该电力用户服务方法的有效性。     

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。     

基于遗传改进蚁群聚类算法的电力客户价值评价

对电力客户价值进行评价是供电企业优化服务资源配置的重要步骤。分析了蚁群聚类算法,并针对蚁群聚类算法进行评价时参数组合设置盲目性、收敛速度慢、容易陷入局部收敛的缺点,提出了运用遗传算法改进蚁群聚类算法评价电力客户价值的新方法。该新方法利用遗传算法对蚁群聚类算法的参数进行优化,进而再对电力客户价值进行聚类评价。通过实例验证表明,该新方法聚类性能有较大的提升,能够提升收敛速度和避免陷入局部收敛,并且减少了聚类评价时的主观因素,其具有准确、高效、实用等优点。最后,运用该新方法对某市供电公司的10个工业客户进行了评价,总结了不同类别电力客户的特点,对供电企业如何优化服务资源提出了建议。     

基于用电客户群体细分的差异化用电行为特征分析

随着电网优化升级,电力客户用电行为差异化变得更为显著。通过对用电客户群体差异化用电行为进行细分管理、建立细分结构模型来提升供电企业服务质量成为发展方向。以电力大数据为依托,通过数据挖掘技术,建立满足用电客户群体细分的模型结构。首先根据用电客户群体实际运营情况,建立基于客户供电可靠性要求、客户行为、客户价值的模型评价指标,然后针对庞大的数据群体,采用K-eans聚类算法进行数据清洗预处理,获得精细化的细分数据,最后实现对用电客户的差异化评价和管理,满足“智慧能源”发展模式的需求。     

考虑电能使用行为的用户碳画像研究

随着我国提出“碳达峰、碳中和”的双碳建设目标,节能减碳成为当下的热点问题。用户碳画像对电力公司分析居民用户的电能使用行为,制定合理的电能减碳调控措施具有重要意义。为此,对基于电能使用行为的用户碳画像标签体系和画像方法进行研究。首先对用户多维用能数据进行搜集和筛选;然后根据筛选后的用户电能使用行为数据,结合画像目的,从用户减碳负荷特性、用户低碳用电特性、用户电能产消碳特性3个维度设计用户碳画像的标签体系;再将子标签进行数据处理并对各类综合指标分析得到各维标签数据。最后通过使用k-means聚类算法判断并确定用户的所属簇别,以三维散点图进行展示;再根据标签体系计算获得用户的减碳综合指数并以柱状图进行展示,实现了用户碳画像的可视化呈现,反映了用户电能减碳的综合能力;通过选取典型用户对比实施减碳措施前后的碳排放量,验证了所提方法的有效性。     

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。     

基于差异化密度聚类的电力客户画像分析

针对不同电力客户的用电和缴费等行为特征,本文利用密度聚类算法将不同电力客户划分成不同属性的簇。并根据不同类别电力客户簇密度空间的差异性,采取差异化分析的方法为不同客户簇建立标签化的客户画像模型,能够为电力精准营销提供有效的管控手段,极大降低电力企业经营风险。     

基于改进TF-IDF算法的供电营销服务方法

针对传统的供电营销服务方式单一、服务成本高和电力客户体验差等情况,提出了一种基于改进TF-IDF算法的供电营销服务方法。首先,构建电力客户信息数据分类方法,基于电力客户的“行为-需求-价值”,建立电力客户信息数据分类;其次,构建特征标签指标集,采用多标签分类算法实现电力客户新增信息类别的标签识别;再次,充分计及电网规划、建设、运行维护等影响供电企业运营的因素,构建电力客户经济贡献画像模型,基于改进TF-IDF算法,形成全面的电力客户行为特征评估结果,并针对不同类型的客户,提供多种供电营销服务套餐;最后,通过对四川某供电服务区域的实例分析,验证了该算法的可行性和实用性,实际应用结果表明该方法在服务成本和客户体验方面优于传统的供电营销服务方法。     

基于大数据平台的居民负荷变尺度画像技术实现与应用

传统的负荷曲线描述方法难以全面描述负荷变化特征。文章尝试采用用户画像技术进行居民负荷多尺度立体化的用电特性研究。首先,基于大数据平台中的可用数据资源,建立了表征居民负荷用电特性的标签体系。为了快速高效地获取各类典型用户特征,应用标签体系,在大数据平台支撑下,应用分布式聚类算法对海量居民用户用电数据进行聚类分析。最后,针对每类用户,文章绘制了四季的典型日和典型月负荷曲线以及年持续负荷曲线并进行了对比,同时分析了每类用户的负荷波动率和需求响应水平,以构建包含用户的用电时序规律和用电弹性特征的变时间尺度用户画像。分析结果能够可视化地描述居民负荷的时间分布特性及用户用电特性,可为合理制定电价套餐及优化用电模式提供参考。     

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。