气候变化下居民用电行为对建筑能耗的影响研究

基于南京市历史气象资料以及2021年-2050年逐日气象数据信息,借助累积分布函数及Morphing方法,识别未来的典型气象年(TMY)、极端寒冷年(ECY)和极端高温年(EWY),并生成逐时气象数据。同时,引入居民用电行为测度框架,设定3种用能情景,模拟南京市典型住宅建筑能耗。结果表明:2021年-2050年南京市夏季平均气温上升0.58~5.62℃,居民夏季过热风险与空调依赖性显著增加,热舒适温度区间上升约1℃;建筑能耗受气候变化与居民用电行为耦合作用影响呈现上升趋势,极端寒冷年对建筑能耗影响最大;居民适应性行为可以有效降低建筑能耗,但减缓效应随着温度升高而降低。通过剖析气候变化对居民用电行为的影响以及两者耦合作用下建筑能耗变化情况,为气候变化背景下的建筑节能提供新思路。

基于云计算的居民用电行为分析模型研究

对智能小区的居民用电行为展开研究,基于云计算平台和并行k-means聚类算法,建立了峰时耗电率、负荷率、谷电系数等时间序列特征,并采用熵权法计算各类特征权重,实验数据来自已建的智能小区中的600名用户。实验结果表明,智能小区的居民用户被分成空置房、上班族、上班族+老人、老人家庭、商业用户等5类用户,聚类的准确率达到了91.2%,证明文中基于云计算平台和并行k_means聚类算法的居民用电行为分析模型是有效的。

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。

居民用电行为分析及潜力研究

居民用电水平的不断提高也对配供电工作提出了极大的挑战,如何保证居民高峰用电、平稳居民用电成为各供电公司需要关注的重点问题。本项目通过对武汉市居民用电情况的梳理和分析,以海量样本台区分时负荷、居民用电量、房价、小区建成年份等关键数据为基础,从电价政策、电力供应能力、需求侧管理措施、气温气候等负荷特性方面出发,以居民日基本负荷和夏季降温负荷为研究对象,进行聚类分析,深入研究各类居民用电行为特征和影响,建立多元回归模型,构建拟合函数,对武汉市未来居民用电量展开预测,研究得出以下成果:①台区用电负荷具有节日特征和季节特征;②不同节假日台区日负荷曲线具有较明显差异;③居民用电受温度因素影响较大;④居民用户在节假日平均每天比平时多用电0.17kW·h;电价每提高0.1元,居民平均每日用电就会下降1.5kW·h;⑤武汉市预计在2040年前后居民用电增长趋缓,预计在2050年左右达到饱和。

基于家用电器特性的居民用电行为优化研究

随着电力竞争市场的发展与完善,电网利益主体逐步走向多元化,用户主动参与电网互动的背景下,开展用户用电行为研究具有重要意义。提出了一种基于家用电器特性的居民用电行为优化模型,首先,开展了居民家用电器的用电特性分析,对用户用电设备的使用效用和可调度潜力进行了研究,实现了典型家庭响应能力的评估;然后建立了计及用户舒适度的居民家用电器综合管理优化模型,该模型以使用时间期待、使用效果期待和电费变动期待为优化目标,以家用电器的使用和调控存在时间为约束条件;最后,基于家庭典型案例进行了算例测试,结果验证了模型的经济性与有效性。

基于高斯分布的检测算法在居民用电行为异常分析中的应用

本文主要对常见的检测算法进行分析,并比较聚类分析法和高斯分布检测算法的应用效果,选用较优的高斯分布检测算法进行用电行为异常分析,并就其原理和具体应用进行详细解析。

基于用户用电行为和粒子群算法的非侵入式负荷识别方法

居民用电行为是影响负荷识别的重要因素之一,通过研究居民用电行为,结合粒子群算法,提出一种负荷识别方法。以负荷的有功功率和电流谐波作为负荷特征,引入正态分布的度量函数将2种负荷特征相结合作为目标函数,即粒子群算法的适应度函数。通过粒子群算法得到局部最优与次优的状态组合和适应度值,并将适应度值与居民用电行为相结合,得到最优电力负荷分解结果。基于REDD数据的实例仿真结果表明,居民用电行为与粒子群寻优算法相结合可以提高电力负荷分解的准确度。

基于改进Adaboost-BP算法的用电行为大数据分析

在智能电网的构建中,电网与居民用电信息的交互主要由用户侧安装的智能监测和计量设备提供。智能设备数量随电网建设扩大完善而不断增长,其记录的用电信息将构成规模庞大、结构多元、类型复杂的用户侧电力大数据,挖掘电力大数据背后隐藏的电力信息是智能电网建设的重要内容。非侵入式负荷监测技术相比于传统电力数据分析,一方面保护了用户的用能隐私,另一方面能够完成对负荷更详细的特征辨识。主要通过非侵入式负荷监测技术结合数据挖掘手段研究居民用电大数据,并准确快速地预测负荷类型和分析居民用电行为。首先设计基于滑动窗口电器投切探测算法,之后介绍机器学习领域中的经典算法Adaboost和BP神经网络,设计了用于居民负荷特征识别和分类的Adaboost-BP改进算法并提出相关标准。算例从BLUED数据库中提取居民用电功率和电流序列,通过滑动窗口算法提取功率序列探测电器投切情况,将libSVM算法、BP神经网络和Adaboost-BP改进算法进行负荷分类测试。测试结果验证了改进算法能够有效提升大量数据样本下对负荷的识别精度并正确分类,同时分类速度快,适用于居民用电行为在线分析的场景。

基于结构熵权法的非侵入式家电识别研究

单一特征所得到的识别结果可能会与实际用电情况不一致,并且居民用电行为是影响负荷识别的重要因素之一,为了更可靠地提升非侵入式电力负荷的分解能力,提出将居民用电行为作为负荷识别的特征之一,并通过结构熵权法将居民用电行为与有功功率、无功功率和电流谐波特征相结合的多特征识别算法,即将定量分析的熵值法和定性分析的主观赋值法相结合,确定最终权值,获得负荷识别结果。最后,采用案例分析,对采用结构熵权法的多特征识别算法与单一特征以及未考虑居民用电行为的负荷识别方式进行对比。结果证明,考虑居民用电行为的多特征识别算法可以有效地提高负荷识别的准确率。