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。     

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。     

基于聚类的用户用电行为及其影响因素分析

随着我国产业结构的不断调整,用户的用电特性也不断变化,且用户的用电行为逐渐向个性化发展。首先利用离散小波变换对用户负荷进行特征提取;然后利用改进快速密度峰值聚类算法进行聚类,根据用户特征聚类结果的不同,将用户分为不同群组,分析负荷群的时间分布特征;采用互信息方法分析用电量数据与经济、气温、行业关键指标等的相关性,提取出关键影响因素;最后,基于某省某行业典型用户的仿真实例验证了本文所提方法的有效性。     

基于聚类分析的用户分类和用电行为分析

针对用户用电行为特性和用户用电负荷特性,利用K均值聚类法和模糊C均值聚类法对用户用电行为进行了分类分析。依据用户用电负荷曲线特性,使用K均值聚类和模糊C均值聚类的方法对用户用电类型进行了分类;依据聚类分析结果对用户用电行为进行了分析,分别分析了各类用户与总负荷曲线的相似度,分析了2种聚类方法的差异,为供电公司针对不同类型用户提高差异化供电服务提供了参考依据。     

基于奇异谱分析的用户用电行为变化检测方法

用户的用电行为代表着用户的用电特征,是进行用电预测分析的基础条件.现实生活中由于外部因素导致的用电行为变化,会使得用电特征随之发生变化,在进行用电预测分析时就需要区分历史用电特征和当前用电特征.为此本文提出了基于奇异谱分析的用户用电行为检测方法,对检测点前后的用户用电数据进行奇异谱分析,通过计算奇异值向量与历史特征超平...     

基于云计算的居民用电行为分析模型研究

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k-means聚类算法,建立了峰时耗电率、负荷率、谷电系数等时间序列特征,并采用熵权法计算各类特征权重,实验数据来自已建的智能小区中的600名用户。实验结果表明,智能小区的居民用户被分成空置房、上班族、上班族+老人、老人家庭、商业用户等5类用户,聚类的准确率达到了91.2%,证明文中基于云计算平台和并行k_means聚类算法的居民用电行为分析模型是有效的。     

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。     

基于数据特征提取与自适应K-means聚类算法的用户用电画像*

随着大数据研究的不断深入与配电自动化建设的逐步完善,电网的态势感知功能正在发挥越来越大的作用,也越来越受到电力公司的重视,其中实现用户用电特征的画像是最重要与基础的一部分.首先对现有用电数据进行特征提取,通过这种方式实现了初步的用电特征提取,同时大大降低了后续算法运行所需的计算资源,随后通过自适应K-means聚类算法对用电特征进行自适应聚类.最后,将得到的结果与常规方法进行准确率比对,验证了该方法的有效性.     

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。     

智能用电中的用户行为分析

智能用电的理念与内涵2012年6月,在深圳召开的中美智能电网对话会上,中国国家能源局首次对中国智能电网的定义给出了明确的说明：集成新能源、新材料、新设备和先进的信息技术、控制技术、储能技术,以实现电力在发、输、配、用、储过程中的数字化管理、智能化决策、互动化交易,优化资源配置,满足用户多样化的电力需求,确保电力供应的安全、可靠和经济,满足环保约束,     

基于用电采集系统的负荷特性曲线聚类分析

基于用电采集系统的负荷曲线聚类分析,是获得典型负荷分布和按负荷特性对用户分类的重要手段,也是推进电力营销、配电生产与规划等精细化的重要前提。对常用的聚类方法进行了分析,采用K-means算法并编制算法程序,实际计算结果表明,此方法能获取用电负荷特性中很多有价值的认识。     

基于大数据分析的陕西省居民用电行为及影响因素研究

陕西省目前处于发展的关键时期,为了有效的了解陕西省居民用电模式,通过对陕西省居民用电量以及相关经济、社会指标等众多数据的统计计算,得到了2000年以来的社会经济以及用电大数据。主要从陕西省居民用电增长情况、居民用电占比、人均用电水平和城乡居民用电差异等方面做了详细的分析和研究,对全面了解及把控陕西省居民用电行为具有十分重要的意义。     

季节划分下产业用电量关联分析及预测

产业用电需求预测对于实现精细化用电管理、降低电力企业运行与规划成本具有十分重要的意义。鉴于常见的预测方法在产业结构划分下的中短期用电量预测中效果不佳,分析了不同季节下产业用电量之间内在关联关系以及气温对其的外在影响,结合计量经济学思想,分季节构建了用于电量预测的误差修正模型,并利用该模型对华中某省网月度用电量进行了预测分析,结果表明,该模型具有较高的预测精度。     

基于电力大数据的工业用户营商环境优化

作为工业大国,工业用电占我国电力消费的60%以上,为进一步优化工业用户营商环境,激发市场主体活力,以工业用户历史用电数据为数据源,结合现有云平台系统Spark内存批处理的大数据处理框架,建立工业用户电力运营成本分析优化模型。分析工业用户历史负荷情况,依据算法预测出其未来一年的负荷,将现有电价规则训练为电价分析模型,代入工业用户未来一年的负荷情况,可得到该工业用户最优的变压器配置和电价策略。科学分析工业用户电力运营成本,制定优化方案,可切实帮助用户降低企业用电成本,解决企业受电成本虚高问题,实现由被动服务向主动优质服务转变。     

智能用电用户行为分析特征优选策略

针对大数据应用背景下用户智能用电行为分类的计算复杂性和特征选择有效性的问题,提出一种基于特征信息量的特征优选策略。首先,以用电特征的互信息量与相关系数作为特征有效性和关联性判据,设计用电特征优选准则。然后,提出一种该准则下的用电行为特征优选策略,通过减少特征间的分类信息冗余实现高维特征的降维,并选取有效独立的特征,从而构建用户用电行为聚类精简特征集。最后,基于特征优选策略实现了一种特征自适应的用户用电行为分析方法,完成优化的用户用电行为分析。通过电网实际用电数据验证了所提策略能提高聚类准确率和减少计算复杂性的有效性。     

基于FDA的居民用户空调用电行为分类分析方法

针对居民空调用电行为分类中存在事件型数据,导致分类分析耗时长、结果不准确等问题,提出一种基于函数型数据分析（FDA）模型的居民空调用电行为分类分析方法。该方法采用多重分形理论提取居民用电行为特征,使用函数型数据分析算法对居民空调用电行为进行聚类后获取居民空调用电行为类别,采用改进动态时间规整算法对居民空调用电行为实施分类处理,得到居民空调用电行为。根据非介入式设备采集到的实际居民用电行为信息检验该方法的有效性,实验结果表明:该方法可以较好地提取居民用电行为特征,且可有效提高用户空调用电行为分类精度以及缩短分类耗时,可充分描述居民空调开启情况以及消耗电量,具备较好的应用效果。     

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。     

基于综合能源计量数据的区域用能特性分析

用户耗能的时空分布特性对于电网规划具有重要的参考价值,是电网建设的重要依据。电力运营商通过新型计量设备分析居民的用电行为,从而促进电网高效运营。针对区域用户画像问题,提出基于综合能源计量数据的区域用能特性分析方法。利用“多表合一”用能采集系统,引入用户的燃气消耗数据,基于层次聚类与自组织映射（self organized maps,SOM）聚类方法刻画用能特征分布,通过仿真实验说明所提方法在用能特性分析问题上具有实用价值,有利于挖掘高耗能区域,能帮助电力运营商制定规划方案。