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。     

模糊聚类在用电管理中的应用

由于线路异常电量与非异常电量数据不存在明确的差别，也不能把这种差异用函数表示．针对用电管理过程中的不可预知性，采用模糊c均值聚类算法对计量监测终端获取的实时数据进行分类，计算结果表明该算法能有效区分一些用电异常现象．     

基于二次聚类的电力负荷异常数据辨识

历史负荷数据是电力系统进行负荷预测的基础,历史数据异常将会影响负荷预测的准确性和有效性,因此需要对负荷数据进行异常数据辨识。本文以某一节点负荷数据为研究对象,提出一种基于二次聚类算法的异常电力负荷数据辨识方法。运用数据挖掘中模糊聚类算法并结合有效指数准则对负荷曲线进行一次聚类;将一次聚类结果结合神经网络实现对负荷曲线的二次聚类,提取出日负荷特征曲线;根据负荷曲线的相似性和平滑性,辨识异常负荷数据。算例分析结果表明,此方法效果良好。     

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。     

基于用电大数据的智能电能表异常评估系统

智能电能表在复杂的环境下运行,由于目前缺少一定的技术管理手段,因此通过合理的技术手段分析出智能电能表在运行中的状态能够有效减少人力物力的投入。基于用电大数据和决策树算法,设计了一种智能电能表异常评估系统。所设计的系统可以对智能电能表在运行过程所计的用电量、电压、电流以及档案信息进行分析,对智能电能表异常提供合理的评估分析。     

基于离散小波变换和模糊K-modes的负荷聚类算法

为了研究智能电网背景下用户的用电模式,考虑到现有聚类算法的不足,提出了一种基于离散小波变换的模糊K-modes聚类算法。利用离散小波变换将时域的负荷曲线转换到频域,从而将负荷曲线的不同特征隔离在不同的频域水平,并利用低阶近似的思想选取原始曲线的有效分量曲线;对所选的分量曲线进行趋势编码,将连续负荷数据转化为离散类属性数据;基于平均密度确定初始聚类条件,利用模糊K-modes聚类算法对曲线进行形态聚类,得到负荷曲线模板;将所提算法与传统K-means算法及层次聚类算法进行比较,从而验证了所提算法的有效性。     

灰色聚类与模糊聚类集成诊断变压器内部故障的方法研究

根据反映变压器绝缘状态的模糊和灰色特征，采用模糊聚类方法，对若干典型故障样本聚类成C个灰类，得到C个最优聚类中心。依据聚类中心矩阵并借助灰色系统理论，提出了一种确定故障诊断各灰类白化权函数的原则和算法，根据该算法，首先求出各待检模式状态的灰色聚类系数，进而建立了一种灰色聚类与模糊聚类相结合的变压器故障诊断的新模型，进行了大量的该模型应用实例分析，结果表明该文方法的诊断准确度高于现有的常用方法。     

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。     

基于用电异常数据的反窃电在线监测方法研究

研究基于用电异常数据的反窃电在线监测方法,精准确定用电异常数据,实现反窃电在线监测。该在线监测方法利用K-means聚类算法确定用电异常数据,通过有效指数度量方法确定用电数据聚类数量,提升用电异常数据确定精度;以电流三相不平衡、电压三相不平衡、线损与负荷为特征指标,在用电异常数据中选择用电异常特征数据;利用主成分分析法降维用电异常特征数据;通过模糊神经网络建立反窃电在线监测模型,在该模型内输入降维后的用电异常特征数据,输出窃电嫌疑系数,完成反窃电在线监测。实验证明该方法可精准确定偏小与偏大用电异常数据,有效选择并降维用电异常特征数据,获取窃电嫌疑系数,具备较高的反窃电在线监测精度。     

基于改进SVM的电力用户异常用电行为检测方法研究

针对现有异常用电行为检测方法提取特征单一、检测精度不高等问题,提出了一种将改进蚁狮优化算法和改进支持向量机相结合用于检测电力用户异常用电行为。采用决策树优化支持向量机转换为多级分类器,通过改进蚁狮优化算法优化支持向量机参数提高训练速度。通过试验对多种异常用电行为进行分析,验证了所提方法的优越性。结果表明,与传统的异常数据检测方法相比,该方法具有更高的检测精度和更低的训练时间。     

基于逻辑回归算法的异常用电辨识方法研究

检测异常用电的目的 是打击异常用电,并减少电能的非技术性损失.文中提出了一种基于逻辑回归算法的异常用电辨识方法,主要包括特征提取、算法构建以及检验模型等模块.提取电网用电量等相关数据,并从数据集中提取出电量下降趋势指标、线损指标和告警类指标用作异常用电评判体系.进行电量下降趋势指标、线损指标和告警类指标的归一化处理,再进行离群邻近度的计算,初步筛选异常用电用户.对初步筛选的结果进行逻辑回归算法的再次筛选,进一步提高识别准确率.经过电网部分用电数据的检验后,该算法相较于逻辑回归算法,识别率更高,识别效果更好.     

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。     

大规模风电下基于模糊场景聚类的网储协调规划方法

受限于已有的电网水平,新建成的风电场难以将大量风电送出。从电网规划建设的角度出发,基于风电就地消纳与跨区消纳结合的思路,通过为风电接入配置储能系统、在现有电网基础上扩展线路构建风电消纳的通道,以现有风电和负荷数据为基础,利用模糊聚类方法提取运行场景的时空特性,提出了扩展规划的多目标优化模型,并利用改进粒子群优化算法进行求解。通过仿真算例从成本、网损、弃风量3个角度验证了规划方案的可行性。     

基于流聚类的PMU异常数据辨识算法

为保证同步相量测量装置(phasor measurement unit,PMU)采集数据的准确应用,须排除其量测值中的异常数据。现有PMU异常数据辨识算法存在算法复杂度高、难以在线更新、多源数据难以校准、依赖多源数据应用难度大等不足。为此,文中从PMU事件数据和异常数据模型及PMU异常数据判别信息熵定义出发,提出基于该信息熵的异常数据辨识框架。在此框架基础上,基于利用层次方法的平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)算法提出PMU异常数据辨识算法;然后,对所提出的算法进行原型实现,并针对某变电站的PMU采集数据集进行算法实验验证。实验结果表明,与一类支持向量机(one-class support vector machine,OCSVM)算法与间隙统计算法相比,文中算法的准确度及实时性均具有较强的优势。     

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。     

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。     

基于欠完备自编码器的用户用电行为分类分析方法

针对电力大数据背景下用户用电行为复杂多变、分析困难的问题,提出了一种基于欠完备自编码器的用户用电行为分类分析方法。首先,通过欠完备自编码器对智能电表数据进行编码,实现对原始数据的特征抽取,并使用反向传播(BP)神经网络进行用户用电行为分类分析;然后,对最佳编码比率进行优选,并结合用户的典型用电特征作为神经网络的输入,提高了分类准确率;最后,在爱尔兰智能电表数据集上进行了仿真实验,并与直接使用BP神经网络进行对比,分析表明,文中所提出的用户用电行为分类分析方法不仅可以提高检测准确率,帮助电力公司更好地掌握用户用电规律,辅助需求响应实施,还能显著降低算法的运行时间。     

基于强化学习的异常用电判决方法

目前异常用电检测问题有许多基于分类的方法,但大多都是基于短期用电行为的判决来判断长期用电行为,判决阈值与比例难以确定,且在实际应用中,不同区域、时段的用户用电数据分布差异较大,比例与阈值也会有较大的不同,难以以固定的比例通用于所有的用户数据。针对此问题,文中提出一种基于强化学习的异常用电判决方法,创新地利用强化学习模型来动态生成阈值,以适应差异较大的不同数据集。首先获取分类器输出的数个用户短期行为的异常概率,然后输入到强化学习模型深度递归Q网络（DRQN）中,学习得到动态阈值即判决阈值与判决比例。试验结果表明,相比于人工调参的传统投票法,文中方法在评估指标上有明显提升,面对数据分布差异较大的数据集时也有较好的表现,说明文中方法具有较强的泛化能力,在数据类型复杂的现实环境中也有较好的应用场景。