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。     

基于改进密度峰值聚类的超短期工业负荷预测

密度峰值聚类的收敛速度较快且无需人工设置最佳聚类数,更具备高鲁棒性特点,可以在工业负荷预测中进行用户用电行为的模式识别与分类,然后进行预测,具有较高的实际应用价值。但是该算法在小样本条件下聚类效果不佳,容易“遗漏”样本中的聚类中心。针对这种情况,进行类间距离优化和类内距离优化,使待聚类数据更容易被分类,对用户用电行为进行深入地挖掘分类,再使用灰色关联度确定待预测日所属类簇,使用GRNN神经网络进行负荷预测。通过Matlab仿真,可以得出结论,文中方法可以有效提高工业用户用电负荷数据的聚类效果,并提高负荷预测的精度。     

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。     

优化模糊C均值聚类的台区用户用电特征分析方法

精准的用户特性分析方法是配电网模型计算与电力服务制定的重要基础之一,为克服现有配电台区多样性用户划分的数量选择与特征选择难题,提出一种优化模糊C-均值聚类的用户用电特征分析方法。利用优化的模糊C-均值算法实现聚类分析,通过聚类中心建立特征模型,从而获知多样化场景下配电台区用户特性。在聚类过程中,通过蜜獾算法优化选取模糊C-均值聚类初值,来应对易局部最优的难题,找到目标函数最小的结果;利用指标自适应极小值的原则选取最佳聚类数,使聚类中心代表性更强。通过天津地区的典型案例获取用户用电特征,实现聚类目标函数与结果综合性评价指标最优的目的。     

基于改进聚类融合的办公型建筑用电行为分析

以上海市长宁区的大型办公建筑为研究对象,利用数据分析方法分析其用电行为与节能潜力。针对传统用电行为分析,采用单一聚类算法拓展性较差的问题,文章提出通过优选方法进行聚类融合以吸收不同算法优点,增强算法适应能力。首先进行方法优选,针对聚类效果评价指标的不一致问题,提出综合聚类评价指标并对R语言库中大量的单一聚类方法进行评价,采用基于簇的相似度划分算法（CSPA）进行聚类融合。试验集的结果表明该聚类融合方法具有更好的有效性。利用该改进聚类融合算法对用户负荷曲线进行聚类,提取用户用电模式,分析其用电构成与特征,并进行节能策略的分析。结果表明,该办公类建筑具有4类基本用电模式,且有一定节能潜力。     

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。     

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。     

基于日负荷指标及改进分布式K-means聚类的用户用电规律研究

负荷聚类不仅能为精细化负荷预测提供高质量数据,还能结合用电规律进行用户行为分析;为应对海量负荷数据挑战,提出一种基于日负荷指标的降维及分布式K-means聚类算法。通过建立日负荷指标,将原始高维负荷数据转化为低维负荷指标;基于负荷指标,利用熵权法改进的分布式K-means算法进行聚类,挖掘出隐藏的典型负荷类型;结合算例,根据得到的典型负荷类型进行用电规律分析,与实际用户类型匹配,实现四类典型用电规律的归纳。     

售电市场环境下基于数据驱动的用户用电行为分析

智能电能表能够实时采集用户的用电数据,在未来数字化配用电系统中将得到广泛普及。在我国售电市场进一步放开并逐步繁荣的背景下,售电商能够通过分析海量用户用电数据,掌握用户用电行为,从而实现更好的服务。探讨了面向售电市场用户行为分析的特征提取方法,采用了k-means、模糊聚类、层次聚类等不同的聚类算法实现典型用户用电行为的模式提取,分析了不同用户用电行为的基本特征。对爱尔兰地区6 445名用户的公开用电数据进行实证分析,结果表明,该方法能够有效提取用户的用电行为模式,分辨用户用电行为异同。     

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。     

基于需求响应的居民可控能效负荷优化

为解决居民生活用电需求不断增加,居民生活用电方式不合理造成能源浪费越来越严重的问题,从居民用户的可控能效负荷入手,对典型可控能效负荷空调、热水器和照明负荷进行分析,建立负荷能耗数学模型,根据其运行特性,结合居民用户用电习惯和分时电价,制定居民可控能效负荷优化策略;建立以居民用户用电成本和用电满意度为目标的优化模型。为提高和声搜索算法的求解速度与计算精度,对其参数进行动态调整,并与差分进化算法进行融合,应用于可控能效负荷的优化求解。算例结果表明了改进算法具有较好的收敛性和较高的准确性,验证了居民可控能效负荷优化策略的可行性,实现了从需求响应的角度对可控能效负荷进行优化管理的思想。     

基于调节潜力指标的用户用电行为聚类分析算法研究

摘 要：针对柔性负荷不断接入背景下,用户参与电网调节潜力能力的持续提升,基于负荷用户的调节潜力大小对用户的用电行为进行聚类分析。在峰谷分时电价背景下,基于用户心理学原理构建基于峰谷分时电价的负荷转移率模型,以该模型为基础构建基于峰谷分时电价的用户调节潜力指标,并利用该指标对负荷用户的用电行为进行聚类分析,通过与传统基于日负荷曲线以及典型负荷特性指标的聚类算法进行结果对比,证明了该算法聚类结果的有效性与正确性,同时通过对大规模用户的用电行为进行聚类分析,证明基于调节潜力指标的聚类分析算法的聚类效果更佳。     

基于数据挖掘的新型低压窃电识别方法

针对现今反窃电技术往往采用单一算法分析,导致反窃电效果差强人意的现状,文中提出一种针对低压用户窃电的识别方法.剥离台区线损当中的技术线损部分,采用K-means聚类算法对处理过的线损数据进行分析,识别出线损率异常波动或持续偏高的台区,并根据聚类结果定义时间离散度来衡量窃电疑似度.分析异常台区下的用户,通过相关性分析研究...     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,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分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

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。