基于加权随机森林算法的空巢电力用户识别方法

针对当前政府和社会对空巢老人的识别缺乏有效技术手段的问题,提出了一种基于加权随机森林算法的空巢电力用户识别方法。首先通过调查问卷获取部分准确空巢用户标签,并从用电水平、用电波动、用电趋势3个方面构建用户用电特征库,由于空巢与非空巢存在用户数据不平衡问题,采用加权随机森林算法改善机器学习对数据敏感的现象,将该算法模型在电力公司采集系统部署上线,并对2000户未知类型用户进行空巢识别,其空巢识别准确率达到74.2%。结果表明,从用电角度研究对空巢老人的识别,可以帮助电网公司了解空巢老人的个性化、差异化需求,从而为用户提供更精细的服务,也可以协助政府和社会开展帮扶工作。

基于异常事件故障关联度的电能表可靠性评价方法

文中应用用电信息采集系统所提供的大数据,提出了一种基于异常事件故障关联度的电能表可靠性评价方法。由于电能表故障引起的异常事件报警存在一定的耦合关系,所以将异常告警事件分为单异常事件和并发异常事件进行分析。对于单异常告警事件,分析电能表发生异常事件报警的次数与电能表故障有无直接关系;对于组合异常告警事件,利用Apriori算法筛选出频繁发生的组合异常告警事件,然后计算异常事件的故障关联度。最后通过异常事件的故障关联度对同地区尚在运行的电能表进行可靠性评价。实例分析结果验证了文中方法的可行性。

机器学习算法在电力贫困用户识别中的应用

目的:研究不同机器学习算法在电力贫困用户识别中的应用效果。方法:文中基于3000余户电力用户一年的日用电量进行分析,提取合适的分类特征量并加以预处理。分别采用支持向量机、逻辑回归和神经网络三种分类方法进行二分类,分类目标为贫困用户和非贫困用户。结果:结果表明在对电力用户进行分类时,三种分类方法均具有一定局限性,但支持向量机分类模型体现了更高的正样本分类精准率。结论:支持向量机分类模型更加符合电力贫困用户的高精度识别要求。本研究为电力企业基于用电信息对电力用户进行贫困用户识别提供了参考,有利于节省人力资源,便于开展精准帮扶工作。