基于画像的工业园区需求响应潜力评估

需求响应潜力的准确评估是电网调度部门制定科学合理调度计划的数据支撑,对于需求响应实施过程中涉及的各个利益主体均有重要意义。由于工业负荷用电量大且用电规律,其可挖掘的调节潜力巨大,是最理想的需求响应资源之一。首先,针对典型可调节用户,聚类分析其主要用电计划类型,并根据最大相关最小冗余准则对各用电计划进行画像;然后,以典型可调节用户不同用电计划的数据集作为训练集进行负荷超短期预测,得到典型用户在调度时段的可调节容量;最后,基于所提出的园区响应潜力评估框架,根据用电行为聚类确定各工厂所属典型可调节负荷类别,并根据各类型可调节负荷占比得到园区内对应类型负荷的可调节容量,进而得到园区总体的调节潜力。仿真结果表明,所提评估方法可分析出园区内各类可调节负荷的调节潜力,并结合园区总调节潜力的实际数据验证了评估方法的有效性。

基于深度学习和改进蝗虫优化算法的用户电力数据挖掘

为研究用户用电行为数据挖掘问题,提出一种基于深度学习和改进蝗虫优化算法的用户电力数据挖掘方法。利用皮尔逊相关系数法选取用电行为特征集合,最大限度地降低数据处理维度。设计线性加权KFCM算法,采用改进蝗虫优化算法初始化聚类中心和聚类个数以提升聚类效果。利用改进的KFCM对用户用电行为进行数据挖掘,为电网企业网决策提供数据支撑。仿真实验结果表明,所提方法在聚类效果上有较好的表现。

基于电力用户用电行为画像的个性化营销方法

针对现有电力营销方法在实际应用中存在严重不合理、无法满足用户用电负荷所需或造成电力资源严重浪费等问题,引入电力用户用电行为画像理论,开展对个性化营销方法的设计研究。利用电力用户用电行为画像,生成特征标签;结合t-SNE降维,提取日典型负荷;通过对峰、谷、平时段电价调整,达到削峰填谷的目的,实现个性化电力营销。结果表明,采用新的营销方法提供的电力负荷能在充分满足用户用电的同时,减少电力资源的浪费,提升电力企业的经济效益。

基于特征挖掘的低压台区窃电行为识别研究

为保障低压台区用电安全,提出一种基于特征挖掘的低压台区窃电行为识别方法。首先,采用ZigBee网络模型采集低压台区用户用电数据,并从中提取用电量突变指标、用电数据差别指标以及用电量变化指标等用户异常用电特征。然后,对提取到的特征量进行不确定度量、修正以及归一化处理,得到具有代表性的特征量。接着,采用主成分分析方法对特征量实施降维处理,以达到提高分类器效率的目的。最后,将降维后的特征作为支持向量机分类器的输入信息,通过与三类指标进行匹配,判断是否存在窃电行为。试验结果表明,该方法能够有效地识别低压台区的窃电行为,识别准确率达到93.4%。该方法可以为防范和打击窃电行为提供有效的技术支持。

智能用电用户行为分析特征优选策略

针对大数据应用背景下用户智能用电行为分类的计算复杂性和特征选择有效性的问题,提出一种基于特征信息量的特征优选策略。首先,以用电特征的互信息量与相关系数作为特征有效性和关联性判据,设计用电特征优选准则。然后,提出一种该准则下的用电行为特征优选策略,通过减少特征间的分类信息冗余实现高维特征的降维,并选取有效独立的特征,从而构建用户用电行为聚类精简特征集。最后,基于特征优选策略实现了一种特征自适应的用户用电行为分析方法,完成优化的用户用电行为分析。通过电网实际用电数据验证了所提策略能提高聚类准确率和减少计算复杂性的有效性。

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。

面向需求响应的电力用户行为建模:研究现状与应用

通过建模理解电力用户行为,有助于在需求响应中有效引导用户灵活用电,从而挖掘负荷侧的灵活性。面向需求响应场景的实际需求,系统梳理电力用户行为建模的研究现状与应用。分析并总结电力用户行为建模的研究进展,包括用户行为特性描绘、用户行为解析和用户行为定量建模3个不同层次。梳理电力用户行为建模在需求响应中的主要应用方向,包括需求响应潜力评估、考虑需求响应的能源系统协同优化、负荷零售商定价和考虑需求响应的市场机制设计。讨论现有电力用户行为建模研究所面临的不完全信息条件、用户的有限理性等实际问题,并对未来的研究方向进行展望。

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。

基于聚类和随机矩阵理论的用电行为刻画方法

针对配网大数据应用背景下难以建立用户用电行为刻画模型的问题,提出一种基于聚类和随机矩阵理论的电力用户用电行为刻画方法.首先利用K-means聚类法对海量用户用电特征数据进行分析,根据不同用电模式对用户进行群体划分.然后基于随机矩阵理论建立用户用电行为分析模型,利用各用户群体的经济数据、气候数据及电力价格数据等辨识与用户群体用电量相关联的因素,实现对电力用户用电行为的刻画.最后通过甘肃省武威市电网实际用电数据验证所提方法的有效性和准确性,为电力精准营销和制定电力需求侧响应策略提供数据支撑.

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民负荷的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。文中采用AMPds2公开数据集数据进行算法验证,证明文章算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。

社会媒体中用户的隐式消费意图识别

不同于已有的显式消费意图识别的研究,提出了社会媒体中用户的隐式消费意图自动识别方法.该方法将隐式消费意图识别视作多标记分类问题,并综合使用了基于用户关注行为、意图关注行为、意图转发行为以及个人信息的多种特征.由于隐式消费意图识别难以评价,自动抽取了大量跨社会媒体的用户链指信息,利用该方法,共抽取出12万余对的用户链指.在此自动评价集上的实验结果表明,所采用的多标记分类方法对于识别用户的隐式消费意图是行之有效的,其中使用的各种特征对于提高隐式消费意图识别的效果皆有帮助.

智能小区居民用电负荷特征权重分析

以往对智能小区居民用电行为聚类分析时,存在着负荷特征选择与权重计算描述不足的问题。为了提高居民用电行为聚类分析的准确率,降低聚类分析运行时间,提出一种基于Relief F算法建立的以峰时耗电率、日负荷峰值时刻、谷时耗电率、日负荷周期数、日最小负荷率等特征的数据模型。该模型可以对海量居民用电行为数据进行处理,并通过k-means算法对其进行聚类分析。实验数据来源为已建成的智能小区,结果准确率达94.61%,证明了基于Relief F算法建立的特征数据模型在居民用电行为类分析中是有效的。

基于CK-means算法的用户用电负荷聚类分析

针对传统K-means算法存在的对初始聚类中心敏感和需要预先给定K值的问题,提出了一种基于CK-means算法的用户用电负荷聚类分析方法。先对负荷数据进行预处理,通过密度Canopy算法可得到最优簇集值K与最佳初始聚类中心,将其代入K-means算法中可提取出典型的用户负荷模式、得到具有差异性的聚类成员,选取江西某地216名用户一个月的负荷数据进行实例仿真,通过与两种典型的聚类方法进行比较,并用不同的有效性指标来评价其聚类性能,实验结果证明改进后的新算法在准确性、稳定性和有效性方面都优于其它算法。

基于大数据技术的电力用户行为分析及应用现状

电力行业是大数据技术应用的重要领域之一,电力大数据产生于电力生产的各个环节,蕴藏着丰富的商业和社会价值。介绍了大数据技术在电力行业的应用现状,重点对基于大数据技术的电力用户行为分析方法进行了归纳总结,最后给出了几个面向电力用户行为分析的大数据应用案例。

基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析

海量用户用电特性的挖掘与分析对实现电网与用户间的双向互动具有十分重要的意义。提出一种适用于海量用户用电行为聚类及分析的算法,以降低算法时间复杂度,提升海量用户负荷数据分析效率。提取用户用电行为特征,构建多层去噪自编码网络,实现多维特征的降维;利用小批优化K均值算法进行聚类分析,并对算法进行初始聚类质心优化与超参数优化的改进以提升算法收敛速度与效果,其中超参数优化利用基于高斯过程的贝叶斯优化算法进行;利用类间分离度和类内内聚度的相关指标对聚类效果进行评价;通过互信息筛选有效聚类特征,实现用户画像。算例结果表明,所提方法在特征优化、聚类效果与收敛速度上均有较好的表现。

泛在电力物联网下基于DPSO-Kmeans的客户用电行为分析

在泛在电力物联网的建设中,电力企业针对客户的用电行为进行分析是必不可少的。在以往的研究中,k均值聚类算法是常用的客户用电行为分析方法之一,然而由于初始质心采用随机选择的方式,使得其容易陷入局部最优且难以收敛到全局最小值。针对该问题,提出了基于改进的动态粒子群算法优化的K-means算法(DPSO-Kmeans),并将其用于客户用电行为的分析中。在实验中,通过对312个家庭用户的用电消费行为记录进行聚类分析,结果证明DPSO-Kmeans相对于传统的K-means算法具有更好的聚类效果,能够提取更为典型的客户用电行为模式。

基于改进K-Means++分时电量聚类与行业用电行为分析

由于能源互联网中分时电量分布不仅为分时电价的制定提供依据还代表着用户的用电意识,提出改进K-Means++的聚类算法与典型用户筛选模型对分时电量进行挖掘。首先对K-Means++进行改进,利用模拟退火算法(simulated annealing,SA)与中位数阈值分割自动确定聚类初始质心与聚类数,弗雷歇与欧式距离的加权复合作为相似性的度量,权值由信息熵与层次分析法(analytic hierarchy process,AHP)确定。然后对分时电量进行聚类,从每簇聚类结果中依据典型用户筛选模型筛选典型用户,得到3种用电类型,最后从主要用电类型与用电类型转变的角度对行业用电行为分析,得到不同行业相同的用电行为。有助于供电侧初步掌控区域性行业用电群体的用电特征,为精细有序的用电管理做准备。

老年人电动康复轮椅创新设计

为更好地满足老年人出行和下肢康复的用户需求,将用户行为分析方法运用到老年人电动康复轮椅的设计中。在设计过程中,采用用户观察试验和用户访谈试验等方法对老年人康复训练过程进行研究,通过对调研数据进行量化分析和转化挖掘用户的潜在需求,制订基于用户行为的设计策略,从提升用户体验角度寻求新的解决方案。针对老年人在使用轮椅时出现的问题,采用水平仪控制方案将康复功能与轮椅相结合进行创新设计,并运用ADAMS软件对设计方案进行仿真分析,进一步验证了水平仪控制方案的可行性,为电动康复轮椅结构的进一步优化提供参考。

电动汽车充电平台充电桩数量和价格协同优化

基于随机效用最大化理论,提出电动汽车充电平台用户端的用户行为决策模型.在满足车辆服务需求和充电站约束条件下,分别推导企业利润最大化和社会福利最大化目标函数下的卡罗需-库恩-塔克(KKT)条件、最优数量和最优价格,通过数值实验分析参数敏感性.最优化结果表明,合适的充电价格和充电桩数量决定用户前往不同区域充电的意愿,充电价格和充电桩数量在多区域多时段都有最优解.模型结果表明:在空间上,价格和数量随距离增加呈现递减趋势,且递减幅度增大;在时间上,高峰期的定价高于低谷期的定价,低谷期的区域间定价差异大于高峰期的区域间定价差异.对比不同目标,社会福利最大化目标下的最优充电价格普遍低于利润最大化目标下的价格,社会福利最大化下的最优充电桩数量多于利润最大化下的充电桩数量.敏感性参数分析结果表明,电池容量、单位电池容量的充电时长、多项Logit(MNL)模型中的敏感度均与目标结果呈现负相关,与感知效用呈正相关.

基于模糊C均值聚类算法的区域用电特征分析

某区域内电力用户的用电行为往往会影响该区域电力公司的负荷调度以及分时电价等重要问题的决策.为使得这些决策更符合该区域的实际情况,必须对该区域的用电特征进行分析.针对这一问题,提出了一种基于聚类算法的区域用电特征分析方法.采用模糊C均值算法并结合K-means算法,按照某区域的电力用户分布情况,将数据样本聚类为居民区电力用户、商业区电力用户和工业区电力用户3个类簇,并结合该地区实际用电情况,对得到的类簇负荷曲线进行了分析,得出了该区域不同类型电力用户的用电特征.