基于数据中台的电力大数据高效挖掘分析技术研究

构建基于数据中台的电力大数据挖掘分析平台,其中数据源层获取来自不同渠道的电力初始大数据,数据中台层数据接入模块负复制传输数据源层获取的多种电力大数据;数据挖掘分析模块在数据服务、运营模块支持下,通过提取电力大数据语义关联特征量,结合模糊C均值算法的特征聚类融合,高效挖掘电力大数据,并利用密度峰值聚类方法分析数据挖掘结果,检测电力数据异常值;业务应用层呈现挖掘分析结果。实验表明该技术可以挖掘到不用电力大数据之间的潜在关系,通过电力正常数据样本点的聚类,筛选出异常电力数据,实现异常电力大数据分析。     

面向海量用户用电特性感知的分布式聚类算法

智能电表的普及促进了配用电大数据的发展。通过对用户用电数据的挖掘和用电特性的感知,能够有效识别用户用电模式、评估需求响应潜力、指导电价制定等。然而,用户用电数据一方面随时间不断更新,增长迅速,呈海量态势;另一方面,数据采集点分布在用户侧,具有极强的分散性。针对海量、分散的用电数据带来的挑战,文中提出一种新的分布式聚类算法。首先利用自适应k-means聚类算法对分布在各区域的用电数据进行局部聚类分析,提取各局部数据的典型负荷曲线,构建局部模型;然后利用传统聚类算法对获取的局部模型进行二次聚类分析,获取全局的典型负荷曲线,构建全局模型;最后向局部数据中心反馈全局聚类结果,实现全局聚类分析。通过爱尔兰实际量测用电数据证明了所提出算法的有效性。     

采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法

随着智能电网的不断发展,电力企业积累的大量数据为用户用电量精细化预测提供了数据基础。针对与用电量预测相关的大数据种类多、体量大、维度高和生成速度快等特点,在研究用户用电特性评价指标的基础上,提出海量用户用电特性子空间聚类分析方法,挖掘用户多种用电模式。根据不同用电模式对用户进行群体划分,并利用互信息矩阵从区域及行业经济数据、气候条件,以及电力价格等方面辨识与用户群体用电量相关联的因素,进而构建基于随机森林算法的用电量大数据预测模型。该文方法可以有效识别不同用户群体的用电关联因素,规避用电模式差异性为用电量预测带来的不利影响。仿真结果表明,该方法具有较高的预测精度,且适用于大数据分析处理。     

基于贝叶斯网络的电力客户停电敏感度预测

精准预测停电敏感的电力客户群体,能够有效感知客户用电需求,提升客户用电满意度,助力提高电力服务水平。文中提出基于贝叶斯网络构建电力客户停电敏感度预测模型,从95598客服平台、营销业务系统、用电信息采集系统获取分析数据,结合客户基本信息、用电信息、智能电能表计量信息以及用户用电交互行为,定义客户停电敏感度数据标签,对用户的停电投诉进行分析与预测。采用K折交叉验证法对停电敏感度预测模型进行实验验证。实验表明,基于贝叶斯网络构建的电力客户停电敏感度预测模型,在停电投诉分析应用中具备较高的精准度,验证了模型的有效性。     

基于空间相似度和深度学习的中长期用电量预测

准确地预测用户中长期用电量对电力系统优化与调度具有重要意义。为此,提出一种根据用电曲线空间相似性划分用电用户类别,进而利用深度网络预测单类用户中长期用电量的方法,用以提升预测精度。首先,计算用电数据间的动态时间规整距离,基于规整距离利用层次聚类法绘制层次聚类树对用户分类。然后,通过离差标准化约束分类后每类用户数据的取值范围,进而通过深度神经网络建立单类用户的中长期用电量预测模型。最后,通过实例分析了传统方法与所提方法的用户聚类效果,并对比单类用户的总体、个体用电量预测结果,证明了所提依据空间形状相似度指标可较准确地划分用户类别,提升了中长期用电量的预测精度。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于自组织映射网络和遗传算法优化Elman神经网络的全网短期负荷预测模型

电网数据具有海量、高维的特点,现有的短期电力负荷预测模型无法提取用户的用电习惯.提出一种基于负荷聚类的全网短期负荷预测模型,首先采用自组织映射网络对全网负荷进行聚类,将不同特性的用户负荷曲线作为子网;然后引入遗传算法对Elman神经网络的参数进行寻优,得到针对不同子网负荷特性的差异化预测网络;最后基于负荷综合稳定度得到全网负荷预测结果.将该集成模型用于某市电网进行算例仿真,预测结果表明,所提方法比传统预测方法的准确率更高,同时适用于部分子网数据缺失而需要得到全网结果的情况.     

考虑集群辨识的海量用户负荷分层概率预测

随着电力公司等传统能源企业向综合能源服务商的加速转型,原有的粗放式用户用电管理模式逐渐难以满足电力营销管理的需求。针对海量用户场景提出了用电模式分层聚类方法及用户集群辨识模型。基于用户集群辨识结果提出了条件残差模拟负荷概率预测模型,进行负荷分层概率预测,以实现对用户精细化用电管理。通过典型案例验证了所提方法的可行性与优越性。     

多源异构大数据下综合能源系统用户用能行为预测分析研究

在综合分析用户侧用能数据特征和数据来源基础上,建立了基于Spark平台和平衡迭代规约聚类分析(BIRCH)的用户用能行为聚类分析算法,并提出了算法并行化策略和聚类结果评价指标。针对用户用能行为聚类结果,结合Spark平台和深度信念神经网络(DBN)构建了用户用能需求多线程预测模型。通过算例对并行化聚类算法和多线程需求预测模型进行了仿真分析,结果表明,构建的基于Spark-BIRCH的用户用能行为聚类算法具有较高的准确度和有效度,基于Spark-DBN的预测模型比单一预测模型的预测精度更高。仿真结果验证了2种模型的有效性和可行性。     

基于多维特征分析与动态定权聚类的电力居民用户分类

由于居民用户用电需求的高度随机性和不规则性,亟需详细的数据分析来定义用户的行为特征,以提供更加合理的用电建议和需求响应潜力。为了进一步挖掘非介入式辨识数据的价值,提出一种基于多维用电行为数据的电力居民用户分类方法。首先通过非介入式智能电表获取居民细粒度用电数据,分析用户的用电行为,寻找到关键用电特征量;接着使用CRITIC权重法自适应配置各指标权重,通过6类聚类评价指标,对4种聚类算法和3个数据距离计算进行对比,实现最优聚类方法和聚类数目的选择。通过某小区实际数据验证了本文所提用电特征量以及定权聚类方法的有效性,将居民用户群体分成用电行为差异明显的两类。     

含高比例风电的电力市场电价预测

在解除管制的电力市场中,精确预测电价有助于市场各方有效参与市场运营与管理。清洁能源渗透率的提高,给电价预测精度带来了新的挑战。文中选择不同的输入特征变量并结合长短期记忆(LSTM)网络的特点,构建含高比例风电的电力市场电价预测模型对含有风电的电力市场电价进行预测。研究表明,风能和负荷的比值是含高比例风电的电力市场风电电价预测的关键输入参数。LSTM具备时间延迟记忆特点,拥有较好的电力市场时间序列电价预测能力。以北欧市场中DK1电力市场实际数据为基础,采用3种模型进行对比分析,结果表明含有风能和负荷的比值且考虑多时刻信息输入的LSTM模型可以较大地提高低谷时段的电价预测精度。     

基于多模型融合Stacking集成学习的异常用电检测方法研究

针对单一异常用电检测方法对于存在不平衡性的数据集检测效率普遍不高的问题,提出了一种基于多模型融合Stacking集成学习的异常用电检测方法。首先,以居民用电数据作为研究对象,分析用户在习惯上表现的不同特征,结合不平衡处理技术和分类预测算法进行研究;其次,为了提高模型的整体性能,采用量子遗传算法对集成学习模型中的参数做优化处理;最后,通过云南某地区用电数据集进行验证,证明所提模型相比单一学习模型检测的准确率有明显提升,对提升异常排查效率,降低电力公司的运营成本具有重要意义。     

电力市场代理交易目标客户群体分析

为协助售电公司提升市场化售电服务质量,利用支持向量机-混沌时间序列模型对陕西省可参与市场化售电的用户用电量进行动态预测.然后根据对未参与市场化用户的用电预测偏差和成本降幅测算结果,对未参与市场化售电的用户进行分析与评估,并给出售电公司开展售电业务的代理建议.最后根据考核要求,利用已参与市场化客户的动态预测偏差值来进一步对客户是否被考核进行预警分析.初步应用结果表明,售电公司从这2方面开展代理业务已取得较好成果,可进一步深化应用.     

基于时间序列的用电数据趋势分析

用电数据分析在电力行业有着广泛的应用前景,通过对用电数据进行大数据挖掘,结合相似用户的普遍用电特征,来分析用电数据的趋势,研究基于时间序列的用电数据趋势分析方法,并建立了可回溯的动态窗口分析模型,从用电数据趋势变化的角度出发,揭示用电趋势变化的规律,并利用实际的用电数据对算法进行了验证。     

计及输电网络时空风险的动态电价模型

开展大用户直购电能够激发电力市场的潜力,是中国电力市场化改革的突破口,其中的输电定价方法是影响电力市场发展的关键因素。已有的输配电价年度成本核算方法不能灵活反映用户选择不同购电对象、不同用电方式对输电成本的影响。为此提出基于输电网络时空风险因素的大用户直购电动态电价模型,用以反映用户从不同电源点购电以及不同时间段用电带来的输电成本的变化。将输电成本分解为反映输电网络受气象环境时空变化特征的故障风险成本和不随时空关系变化的固定成本两类,由此确定按月计算的动态电价核定方法。通过构建动态电价模型可以引导用户根据自身特点选择低风险月份多用电、高风险月份少用电的用电模式,降低电网高风险时间段的输电压力,提高电网可靠性。算例给出了大用户从不同空间位置的电厂以及在不同月份购电的风险成本及价格差异,验证了所提模型的有效性和实用性,可为政府核定输配电电价提供借鉴。     

水风光互补系统碳电打捆交易技术及闭环回购策略

文中提出了一种发电企业碳电打捆交易技术及闭环回购策略,并提出了发电企业与用户之间通过签订“中长期电量+附加CCER(国家核证自愿减排量)”的合约交易模式,形成发电企业与用户之间的碳电打捆交易与闭环回购模式。同时,计入电力现货市场和碳市场,发电企业和用户均可以在碳电市场中出售电力或CCER提升其经济性。进一步以水风光互补系统为例,建立了一体化电站碳电市场交易效益评估模型和用户成本评估模型。最后,通过算例仿真,分析了水风光互补系统中长期市场和现货市场下的碳电综合效益,并评估了该碳电交易模式下的用户侧经济性成本。所提方法可以在增加发电企业综合收益、降低用户成本的同时,推动可再生能源消纳,促进电力市场与碳市场的协同发展。     

考虑电能质量的配电网增值服务双层优化模型

大规模分布式光伏接入使得配电网谐波污染严重，而谐波治理效果与网络拓扑结构相关，存在其他就近节点“搭便车”的现象。为改善用户的用电效率和提升配电网的经济效益，提出一种考虑电能质量的配电网增值服务双层优化模型。首先，采用支持向量机算法预测谐波源不同出力情况下负荷节点的谐波电压畸变率。然后，建立了配电网与需求用户的购售电双层优化模型。上层以配电网运营商作为主体，考虑网络拓扑结构对电能质量治理效果和成本的影响，以配电网运营商收益最大为目标，建立谐波电压治理模型，制定不同电能质量等级的电价。下层以对电能质量有需求用户作为主体，根据不同电能质量等级的电价，用户以运行成本最小为目标，建立电能质量选购策略模型。最后采用IEEE14节点算例进行分析验证，结果表明所提模型能够更有针对性地提升电能质量，提高配电网的经济收益，并为用户的差异化用电提供了解决方案。     

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。     

数据挖掘技术及其在电力系统中的应用

电力大数据下的数据挖掘技术应用贯穿于发、输、变、配、用各个环节,介绍了分类分析、关联分析、聚类分析和异常检测等智能算法在输电系统雷电预测、设备运行状态分析、配电系统运行故障预警及风险预测、用户用电行为特性聚类、电力市场行为分析、电力市场中负荷及电价预测等的应用。数据挖掘技术可显著提升电网运行效益,是未来智能电网发展的核心技术之一。