面向售电侧改革的用户分层聚类与套餐推荐方法

针对售电公司实现多样化服务类型,吸引更多用户的需求,提出了一种基于差异化特征提取的用户分层聚类方法,并对传统的k-medoids聚类算法进行改进,实现了聚类数目可变的自适应k-medoids算法。分层聚类中第1层聚类先基于马尔科夫模型提取代表用户用电行为多样性的用电特征,并运用自适应的k-medoids聚类算法实现对用户用电行为多变与否的识别。第2层聚类首先针对第1层聚类得到的各类用户提取差异化的用电特征,接着分别运用合适的聚类算法实现用户的再次分类。最后,为两层聚类后的子类用户推荐合适的电价套餐。实验结果表明,基于该差异化特征提取的分层聚类方法能够为售电公司实现有效的用户差异化套餐推荐服务,进而为吸引更多用户购电、扩大售电公司规模提供技术支撑。     

基于KL变换和KL散度的电网数据特征提取与分类

智能电网用户行为特征的分析在电力营销策略中扮演者重要的角色。文中结合KL变换和KL散度的方法,提取与分类用电数据信息的特征,实现不同类型的用电数据划分。同时通过综合分析所有用户的日负荷曲线,提取不同类型用户的典型日负荷曲线。研究结果表明:基于KL变换的方法,通过对原始数据的压缩和主要特征的保留,大大降低了智能电网数据提取与分类的计算量,提高了时间效率;基于KL散度的方法,通过对k-means算法中的k值和初始聚类中心的选择进行优化,提高了聚类效果的准确率;实例中电网用户正常数据为38组,可分为3类典型用户,迎峰用电型、错峰用电型、部分迎峰用电型。该研究结果可以更加有效地对电网用户用电行为进行分类,从而为售电公司进行业务拓展提供技术基础。     

基于密度空间聚类和引力搜索算法的居民负荷用电模式分类模型

居民用户用电模式分类研究可为需求侧响应方案设计、负荷特性分析及其高精度预测提供支撑。首先,利用基于密度的空间聚类算法提取得到用户的典型用电模式;然后,考虑每天不同时段及季节变换对用户用电行为的影响,提取能够描述用户在不同时间尺度下用电行为的6个特征;在此基础上,提出了一种基于引力搜索算法的用户用电模式分类模型;最后,对实测居民用电数据进行聚类,并对各类用户的用电模式及其参与需求侧响应的潜力进行了分析。     

开放售电环境下用户短期负荷预测方法

开放售电环境下用户负荷预测精度将直接影响售电公司的利益和电力系统的稳定性。提出了一种开放售电环境下的用户短期负荷预测方法,首先根据用户历史负荷数据计算用户的典型日(工作日,节假日)负荷曲线;然后,利用Kohonen神经网络挖掘用户用电行为之间的相似性,对用户用电负荷进行聚类,将用电行为相似的用户划分到同一个聚类中;最后在考虑电价和温度等影响因素下,利用在线顺序极限学习机(OS-ELM)负荷预测模型对已经聚类的用户分别进行负荷预测,并对负荷预测结果求和得到系统负荷。为了验证提出方法的可行性,采用某地区的智能电表数据进行试验,试验结果表明,该方法能够深入挖掘用户的用电行为,揭示了用户聚类数目与系统负荷预测精度的关系,能很好地满足系统短期负荷预测的精度要求。     

基于奇异值分解和改进FCM的日负荷聚类方法

随着电力体制改革的不断深入,为争夺市场份额、吸引潜在用户购电并提高自身收益,售电公司愈发重视用户的用电体验.对用户日负荷曲线的聚类分析能够有效挖掘用户的用电行为特性,进而为售电公司提供决策依据.针对FCM算法运行时间较长、对初始数据敏感、容易陷入局部最优、需要人为给定类簇数以及聚类结果不稳定等问题,提出了一种基于奇异值...     

基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法

随着售电侧市场的逐步开放,集中式的供售电模式被打破,为获取更精确的区域短期负荷预测值,提出一种基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法。首先利用传统的k-means聚类算法对历史电力负荷数据进行负荷模式的提取,获取相同用电行为的用户负荷曲线。然后采用变分位鲁棒极限学习机对不同类负荷曲线分别建立预测模型,最后叠加单个的预测值形成最终的预测结果。通过设定不同的分位值来模拟不同的预测场景,以此得到所有可能性的预测值,即实现变分位-多场景的VQR-ORELM灵活预测。为验证所提方法的有效性,采用2个实际案例进行仿真分析。结果表明,相对于支持向量机、BP神经网络、极限学习机模型、鲁棒极限学习机模型,所提模型在聚类前后预测精度始终最高,进一步验证了所提方法的优越性和灵活性。通过k-means聚类后,所有模型预测性能都有较大提高。     

基于BLAP聚类和多粒度犹豫模糊集的售电套餐推荐方法

现有基于用户评价信息的售电套餐推荐方法因忽略了差异化用户评价信息的多样性,且仅考虑了用户擅长评价售电套餐所有属性的情形,给推荐结果带来较大偏差。为此,提出了一种基于双层邻近传播(BLAP)聚类和多粒度犹豫模糊语言评价集的售电套餐推荐方法。首先,提出了基于用户画像标签体系和BLAP聚类的样本用户集划分方法,以辨别用电特性相似的用户;然后,考虑多粒度犹豫模糊语言评价集和权重不完整信息,提出了样本用户集对售电套餐选择的模糊评价方法;接着,提出了基于样本用户集评价信息的新用户满意度评估方法和售电套餐的全排序推荐方法,以实现售电公司对售电套餐的精准推荐。最后,以中国某地区用户为对象进行算例分析,结果表明基于BLAP聚类和多粒度犹豫模糊集的售电套餐推荐方法能够帮助售电公司提高推荐质量,进而提升用户满意度,增强用户黏性。     

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。     

基于多目标聚类的用电集群特征属性计算

提出售电市场中用电集群与分析维度概念.确定集群特征变量后,采用自组织映射神经网络与k-均值混合可视化聚类技术对售电空间进行自定义目标划分.基于负荷与经济指标,设计熵权改进的多指标属性测度算法对多目标划分下用电集群特性进行精细化定量综合计算,以分析各对象属性整体相对优劣.采集某电网317个用户数据进行算例分析,结果表明该算法能区别于传统负荷特性分析方法,在扩大售电市场研究对象基础上实现更多有效信息挖掘与多目标售电对象特征精细分析.     

考虑用户差异性的售电公司需求响应电价模型

随着售电市场的放开,大量社会资本进入电力市场,售电公司数量急剧增加。在激烈的市场竞争下,如何保证自身收益的同时,提高用户的用电满意度,是售电公司亟待解决的问题。为此,构建了基于电力用户用电差异性的售电侧定价策略。首先,根据负荷曲线,分析不同用户用电行为的相似性和差异性,对用户进行细分;然后,为获得售电公司及其用户收益最大化的最优定价策略,构建定制化的分时电价模型;最后,通过电力用户的实际负荷数据,利用遗传算法和纵横交叉算法对模型进行求解,对比证明所提的电价决策模型的有效性。     

基于数据挖掘与需求响应的个性化智能用电套餐研究

在电力体制改革的背景下,有必要精细化挖掘用户用电特性,同时考虑售电商偏差考核控制的问题,制定套餐优化需求响应策略。首先基于自编码神经网络和模糊C均值聚类的方法对用户用电曲线进行模式分类,然后基于消费者心理学用户响应模型,对用户不同用电模式建立峰谷分时电价优化模型,在此基础上,对不同用电模式建立峰平时段叠加电价模型。研究表明,套餐制定可以有效引导用户调整用电行为,降低用电模式间差异,从偏差考核的角度看,有助于制定月购电策略。     

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。     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征，聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题，提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征，并配合K-means进行负荷聚类任务，最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证，结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index, DBI)相较于传统聚类方法 K-means、PCA+K-means等下降明显，说明类内更加紧密，类间更加远离，提高了聚类质量。然后利用高斯距离加权改进了聚类中心，提取到更加典型日负荷曲线，使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。     

基于多任务联合模型的居民用电模式分类方法

识别海量居民用户的用电行为模式并进行合理分类,可为需求侧精益化管理提供辅助决策。该文提出一种基于卷积神经网络自动编码器与层次聚类多任务联合模型的居民用电模式分类方法。首先,提出基于同时刻量测数据均值的缺失值填补方法和基于季节性极端学生化偏差检验的异常点检测方法,对海量且高维的用电数据进行数据清洗与修正;其次,利用卷积神经网络自动编码器对居民用电数据进行特征提取,获取可表征用户用电行为的特征向量;然后,结合层次聚类算法以及轮廓系数指标确定用户聚类个数以及聚类中心向量,并利用聚类中心向量初始化神经网络聚类层,进行用户聚类,将特征提取过程与用户聚类过程进行联合,组成多任务学习神经网络,实现端到端的用电模式分类;最后,结合环境温度和电价影响因素,在实际数据集进行验证。     

基于自组织中心K-means 算法的用户互动用电行为聚类分析

电力用户参与电网侧互动用电和辅助服务已成为国内外关注热点,用户互动用电行为分析是其中一项核心工作。结合自组织映射SOM神经网络和K-means聚类算法,采用一种自组织中心K-means算法用于用户互动用电行为聚类分析,能够实现更加精准识别和快速聚类。首先,对自组织中心K-means算法原理进行分析,说明其与传统聚类算法相比在用电行为聚类分析中的优势;然后,构建峰谷分时电价背景下,基于用户心理学的调节潜力指标,并分析基于负荷数据和调节潜力指标的用户互动用电行为;最后,以某电力公司管辖区域用户的日常负荷数据为研究对象,将基于自组织中心K-means算法的聚类结果与其他传统聚类方法进行对比,证明基于调节潜力指标的自组织中心K-means算法在用户互动用电行为上的精准识别和准确聚类优势。     

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。     

面向电力大数据的用户负荷特性和可调节潜力综合聚类方法

深度探索用户负荷特性及可调节潜力是电力大数据背景下电力市场精细化发展的迫切需求。该文提出一种考虑用户负荷特性和可调节潜力的用户用电行为综合分类方法,适用于电力系统负荷数据量大、用户用电行为影响因素较多的情况。首先,通过面向电力大数据的用户用电行为影响因素多维分析,提出考虑用户负荷特性和可调节潜力的用电行为综合分析实施架构。其次,为实现考虑用户用电行为多维影响因素作用下的精准聚类,该文设计一种融合K-means和SOM进行二次聚类以及BP神经网络进行反向调整修正的综合聚类方法。最后,通过选取爱尔兰地区实测负荷数据及用户用电行为相关影响因素数据,验证该文所提分类方法的有效性和实用性,同时也证明该方法对于多场景下所具有的泛化能力。     

考虑电动汽车用户有限理性的定制化电价套餐设计

考虑到售电公司对提高市场占有率和收益的需求,电动汽车用户对经济和舒适的追求,以及电动汽车保有量基数大且还在持续快速上升的情况,提出了一种考虑电动汽车用户有限理性的定制化电价套餐设计方法。首先,利用蒙特卡洛方法模拟生成一些电动汽车用户的充电需求以增加充电负荷数据,并采用k-medoids聚类算法对电动汽车用户按其充电负荷聚类出典型电动汽车用户的充电需求曲线。然后,通过熵权法计算电动汽车用户效用,并在此基础上应用演化博弈论分析电动汽车用户在有限理性情况下的电价套餐选择情况。最后,建立考虑电动汽车用户有限理性的电价套餐双层优化模型,上层模型优化目标为售电公司购售电收益最大,下层模型优化目标为电动汽车用户效用最大。算例结果表明该定制化电价套餐不但能够有效地提高售电公司的营业利润,而且能够降低用户用电成本。