基于朴素贝叶斯的电网用户行为分析

针对电网数据利用率低、精度低、分析结果粗糙和分析层面浅等问题,提出了一种基于朴素贝叶斯分析的电网用户行为分析方法.使用模糊C均值聚类将电网用户的用电数据聚类为不同的用电模式,使用朴素贝叶斯分类器将用户的用电行为分为不同的类别,提取出其中主要的用电模式.某纺织企业的48点负荷数据仿真与测试结果表明,所提出方法在分析用户用电模式时的有效性良好,为电力系统的调控与运行提供了一种合理、有效的方法.     

基于多视角网络融合的典型用电负荷模式挖掘

为了识别用户端典型用电负荷模式,解决传统聚类算法中仅使用单视角数据致使典型模式识别不全面的问题,提出一种基于多视角网络融合的典型用电负荷模式挖掘方法.采用多视角网络融合算法对三个粒度视角数据进行融合,利用谱聚类算法与共现矩阵度量方法识别典型用电负荷模式,结合教育行业和房地产行业用户基本信息对其用电负荷曲线趋势进行挖掘与分析.结果表明,与单视角数据相比,挖掘出的典型用电负荷模式更为准确且具有较好的鲁棒性,能够结合不同行业特点为电网系统在不同时段采取错峰用电、削峰填谷等措施提供指导.     

一种基于类内类间协同的用电数据聚类选择

为应对大数据环境下用户用电的最佳聚类数的选择问题,提出一种用户用电行为的聚类优选策略;针对用户用电的行为复杂性和特征选择的有效性,通过一种基于信息量的方法对用户用电进行聚类。首先,引入评价指标,提出一种合理的聚类优选方法。然后,针对用户用电特征选择,提出基于互信息的特征优选算法。在传统聚类算法中,聚类数是随机给定的,其值选取不合理会使聚类陷入局部最优,基于此,根据“类内相似度最大化,类间相似度最小化”原理,提出距离评价函数并将其作为评判最佳聚类数的标准,采用多种方法进行综合分析得到最优聚类数。最后,用具体的用电数据对用户进行计算机仿真,验证了聚类优选策略的合理性。以自适应分布式聚类算法作为对比算法,进一步验证了所提算法的有效性。     

基于模糊C均值聚类算法的区域用电特征分析

某区域内电力用户的用电行为往往会影响该区域电力公司的负荷调度以及分时电价等重要问题的决策.为使得这些决策更符合该区域的实际情况,必须对该区域的用电特征进行分析.针对这一问题,提出了一种基于聚类算法的区域用电特征分析方法.采用模糊C均值算法并结合K-means算法,按照某区域的电力用户分布情况,将数据样本聚类为居民区电力用户、商业区电力用户和工业区电力用户3个类簇,并结合该地区实际用电情况,对得到的类簇负荷曲线进行了分析,得出了该区域不同类型电力用户的用电特征.     

基于MACD指标与聚类算法的电力用户用电行为分析

深入挖掘用户用电行为是电力大数据背景下电力市场精细化发展的迫切需求。为满足该需求,提出了一种基于平滑异同移动平均线（MACD）指标提取特征的聚类分析方法。该方法首先计算用户用电量的MACD指标;然后以MACD指标为特征,采用K-means聚类算法对用户进行分类;最后利用分析股票的思想分析每一类用户的用电行为。对美国某一地区的实测居民用电量数据进行了算例分析,结果表明所提方法与传统方法相比具有更好的聚类效果,并且拓展了用户用电行为分析方式。     

基于特征优选和加权聚类的商场用电模式分析

随着用电信息的采集完善,准确的用户用电模式分析将为电力智能化建设提供重要依据,在此背景下,针对用电模式分析中考虑聚类特征类型单一的问题,提出一种考虑多类型特征优选的加权聚类分析方法.首先,将负荷类特征和气象类特征归一化建立待选择特征集合;然后,结合互信息和灰色关联度优选出聚类特征集;最后,采用权重分配的k-means方法对优选特征集合进行聚类,结合负荷曲线分析各用电模式的典型用电行为.通过对上海市某商场用电负荷数据的分析,证明该方法能够减少数据冗余信息的干扰并提升聚类质量.     

计及用户需求响应的智能用电互动潜力分析

针对用户用电行为特征进行分析是一项重要的工作。针对需求响应下居民用电互动行为模式与响应潜力问题,以及负荷聚类中不同特征之间相关性干扰的问题,提出一种基于响应特征聚类的分析方法。考虑实际运行中用户对电价的反应,通过提取用户在分时电价政策下的互动响应特征,使用改进马氏距离的模糊C均值(FCM)算法,对负荷进行聚类分析,并利用马氏距离中协方差因子排除特征之间的相关性干扰,最后对某电网用户负荷数据进行实验,将用户分为特征较明显的5类,并对其互动响应潜力进行分析。实验结果验证了该文方法的有效性与实用性。     

基于行业特性的路灯用电异常检测方法

数据驱动的用电异常检测一般根据设置的特征指标项,对用户用电行为进行分类或聚类分析来识别用电异常,受不同行业用电行为多样性影响,实际应用中往往存在误报率偏高的问题.在此背景下,利用同类细分行业用户具有类似用电行为规律的特点,提出基于行业性用电特性提炼特征指标项进行用电异常检测的方法.基于路灯专变用户的实际负荷数据,首先分析路灯专变用户的负荷构成和用电行为特性,进而建立能准确刻画路灯专变用户用电行为的特征指标项;其次根据特征指标项的统计特性分析,采用直方图双峰法设置了用电异常路灯用户的判定阈值,识别实际电网中特征指标项超阈值的用电异常路灯专变用户;最后验证所提方法的有效性,并分析总结用电异常路灯专变用户在地域分布上的一般性规律.     

基于行业特性的路灯用电异常检测方法

数据驱动的用电异常检测一般根据设置的特征指标项,对用户用电行为进行分类或聚类分析来识别用电异常,受不同行业用电行为多样性影响,实际应用中往往存在误报率偏高的问题.在此背景下,利用同类细分行业用户具有类似用电行为规律的特点,提出基于行业性用电特性提炼特征指标项进行用电异常检测的方法.基于路灯专变用户的实际负荷数据,首先分析路灯专变用户的负荷构成和用电行为特性,进而建立能准确刻画路灯专变用户用电行为的特征指标项;其次根据特征指标项的统计特性分析,采用直方图双峰法设置了用电异常路灯用户的判定阈值,识别实际电网中特征指标项超阈值的用电异常路灯专变用户;最后验证所提方法的有效性,并分析总结用电异常路灯专变用户在地域分布上的一般性规律.     

基于模糊聚类的混合朴素贝叶斯分类模型

针对朴素贝叶斯分类器硬分类的不足,将模糊C-均值聚类与朴素贝叶斯分类相结合,提出一类新的基于模糊聚类的混合朴素贝叶斯分类模型,并给出它的分类误差估计方法。理论分析与实验结果表明,基于模糊聚类的混合朴素贝叶斯分类模型可行,其分类的误差估计方法有效。新的基于模糊聚类的混合朴素贝叶斯分类模型提高了模式分类能力。     

基于NWPSO-BP神经网络的异常用电行为检测算法

用户的异常用电行为会导致电力负荷异常增长,给电力公司造成巨大损失,同时也易造成输电线路故障,从而危害公共安全,然而传统人工检查异常用电行为的检测效率低下且精度较低。针对上述问题,首先分析了异常用电用户存在的行为特征,然后选择用于训练模型的最佳特征指标,最后提出了基于改进的非线性权重调整粒子群优化算法优化BP神经网络(NWPSO-BP)的异常用电行为检测算法。结果表明,与现有的异常用电行为检测方法相比,所提算法具有更高的精度,且误差收敛速度更快。     

基于聚类分群的线损特征分析方法

电力用户窃漏电和异常用电的重要评价指标包括：电量异常、负荷异常、终端报警、线损异常等,其中线损异常是最为直接和最重要的指标．基于数据挖掘相关技术,提出一种线损分析方法;通过提取分线线损的表征变量,建立线损分析的指标体系;并应用K—means聚类算法对特征样本进行聚类分群,基于线损聚类分群类别分析线损特征规则;最后经实例分析证明了该方法的有效性．     

基于分段线性模型的专变用户电能配给估计

针对专变用户数量激增引起的用电配给管理问题,提出一种分段线性模型来预测专变用户月平均用电占比数据,实现节能配给的目标.采用N点长数据分段更新生成分段线性模型,从而估计得到下一个月的平均用电占比数值.讨论分析了分段点长N分别取4~8时,分段线性模型预测精度的差异.针对某专变用户2015年以来的实际用电数据进行预测分析,比较验证了预测数值和实际数据之间的误差.结果表明,当最优建模点长N=6时,模型的平均预测误差最小.     

基于SOM-RBF神经网络的用电量预测模型研究

随着我国电网建设的高速发展,从日常电力负荷变化趋势剖析未来年度用电量已经成为电网建设的关键问题之一。根据1997~2016年湖北省年用电量及其10个影响因子的数据作为样本,提出了一种自组织特征映射神经网络(Self-organizing Feature Maps,SOM)与多变量的径向基函数(Radial Basis Function,RBF)结合的人工神经网络预测模型新方法。采用先聚类、再分类预测的方法,解决了由于RBF神经网络对于少量样本和训练样本点分散所导致的预测精度降低的问题,改进的神经网络泛化能力有所提高。结果表明:通过SOM-RBF组合算法进行预测,其相对误差维持在3%以下,平均相对误差为1.88%,预测效果较BP神经网络和RBF神经网络有较大的提升。这表明SOM-RBF组合算法可有效的用于用电量预测,具有较高的实用价值。     

基于随机森林的用电行为分析

长期以来窃电问题一直困扰着电力企业,它不仅损害了供电企业的合法权益,扰乱了正常的供用电秩序,而且给安全用电带来了威胁.通过机器学习算法,对电力用电数据进行分析处理,可以预测用户是否存在窃电行为.基于电力数据中用户用电量提取相关特征,结合随机森林算法,提出了一种预测用户是否具有窃电行为的方法.对比多组实验数据,调节特征数量以及算法参数,以提高预测准确率和预测速度.     

Sensitivity to electricity consumption in urban business and commercial area buildings according to climatic change

Recently, urban high temperature phenomenon has become a problem which results from human activities, the increase in energy consumption, and land-cover change in urban areas. As extremely hot weather caused by urban high temperature continues, demand for power is increased and results in the degradation of electricity reserves. The current trend in climate change, regardless of the summer and winter power demand, is likely to have much effect on the power demand. Thus, sensitivity to electricity consumption in urban areas due to climate change was researched. The results show that, 1) the basic unit of the sensitivity to electricity consumption in the target areas is 1.25–1.58W/(m²·°C); 2) The maximum sensitivity is recorded at around 8:00 pm in the area crowded with commercial and business area. And in the business area, electricity consumption load is even from 9:00 am to 6:00 pm.     

县级电网实用负荷预测方法研究

提出一种根据负荷性质采用相应的预测方法。以某县为算例,根据弹性系数法,从全局、分区和分产业用电量三种负荷预测的方法中,选定最切合当地负荷发展情况的预测结果作为电网规划的依据,实验证明,该方法优于传统的人工统计预测法。     

基于模糊聚类算法的智能电网用户分类

随着智能电网建设的深入,许多智能仪表被接入电网以获取用户的实时负荷数据。由于用户数量众多,单独对个体进行数据处理和分析是不现实的,所以需要对用户进行分类。采用模糊聚类算法来处理负荷侧不同用户的用电负荷数据,随机抽取了某小区的25个用户数据,并对其用电行为进行了分类。结合聚类有效性指标得到了算法的最佳聚类数,并进行了仿真分析。结果表明,模糊聚类算法在负荷侧不同用户用电行为分类中有着较好的表现。