Research on the optimization strategy of customers’electricity consumption based on big data

Current power systems face significant challenges in supporting large-scale access to new energy sources,and the potential of existing flexible resources needs to be fully explored from the power supply,grid,and customer perspectives.This paper proposes a multi-objective electricity consumption optimization strategy considering the correlation between equipment and electricity consumption.It constructs a multi-objective electricity consumption optimization model that considers the correlation between equipment and electricity consumption to maximize economy and comfort.The results show that the proposed method can accurately assess the potential for electricity consumption optimization and obtain an optimal multi-objective electricity consumption strategy based on customers’actual electricity consumption demand.

Analysis of Big Data＇s Impact on Social Consumption Values

1Since the middle of last century, the world has entered consumer society. Decided by consumerism, hedonic consumption has got popular. Hedonic consumption makes people be personalized during consumption and brings a high degree of prosperity in consumption. But at the same time, for the materialization logic in consumerism, people has been enslaved by substance and involved in the vicious circle about unlimited demand for substance, which brought a series of problems in consumption. Nowadays, sharing consumption is rapidly developing, which leads to the change of consumption values. The application of big data in the consumer area, through bringing ＂big data sense＂ and solving information barrier, is one of the most important reasons to cause the change. This change can help to establish a fair consumption environment and harmonious consumption relations, which will make the economic development faster and better

The Value Insistence of the Cultural Production in the Big Data Era

The ultimate value of cultural production should be realizing human's comprehensive and free development,and deconstructing the ultimate value would result in human alienation.In the era of big data,every domain of human's social life,even the mode of thinking,has been transformed significantly.However,when the big data technology entirely penetrates the field of cultural production especially inducts the cultural production depending on the demand forecasting techniques,it would inevitably lead to a worry about value of the cultural production.This paper formulates that the cultural production's essence in the era of big data remains for the purpose of maximizing profit of commercial manipulation based on the modeling analysis of cultural production mechanism in the big data times.If the tendency is not corrected,the two main factors of cultural consumerism prevalence and the instrumental reason dictatorship will gradually deconstruct the ultimate value of cultural production and bring about the alienation of human being.For the sake of avoiding the trend,we should cope with two relationships:one is the people as a means and as a purpose;the other is the instrumental reason and the value rationality,finally giving rise to human's comprehensive and free development rather than human alienation.

Fifty-Six Big Data V’s Characteristics and Proposed Strategies to Overcome Security and Privacy Challenges (BD2)

The amount of data that is traveling across the internet today, including very large and complex set of raw facts that are not only large, but also, complex, noisy, heterogeneous, and longitudinal data as well. Companies, institutions, healthcare system, mobile application capturing devices and sensors, traffic management, banking, retail, education etc., use piles of data which are further used for creating reports in order to ensure continuity regarding the services that they have to offer. Recently, Big data is one of the most important topics in IT industry. Managing Big data needs new techniques because traditional security and privacy mechanisms are inadequate and unable to manage complex distributed computing for different types of data. New types of data have different and new challenges also. A lot of researches treat with big data challenges starting from Doug Laney’s landmark paper, during the previous two decades;the big challenge is how to operate a huge volume of data that has to be securely delivered through the internet and reach its destination intact. The present paper highlights important concepts of Fifty-six Big Data V’s characteristics. This paper also highlights the security and privacy Challenges that Big Data faces and solving this problem by proposed technological solutions that help us avoiding these challenging problems.

基于PCA-ISSA-GRU的燃煤电厂供电煤耗计算研究

随着国内电力体制与市场交易机制的变革,燃煤电厂之间的竞争压力越来越激烈,供电煤耗作为衡量电厂经济效益的重要指标,其精准计算就显得愈发重要。提出一种基于PCA-ISSA-GRU方法的供电煤耗计算模型,首先采用滑动窗口法对数据进行稳态筛选,采用主成分分析法(PCA)对处理的数据进行特征筛选,选择最相关的输入参数。其次对机组的外部环境进行分析,采用K-means方法最终确定8种不同的工况。最后为了使模型计算更加精确,采用改进的麻雀算法(ISSA)对门控循环单元(GRU)的超参数进行寻优。以上海某600MW机组的历史数据进行验证,并对不同组合模型之间的预测精度进行对比。结果表明,本文的模型供电煤耗计算与实际相吻合,平均误差为1.32g/(kW·h),相对误差在±1%,模型计算精度高,泛化能力强,适用于燃煤电厂供电煤耗的计算。同时,综合评价指标对比显示,本文构建的预测模型比其它的预测模型精度更高,效果更好。

Exploring the Pathways of Power Grid Marketing Management Based on Big Data

The electric power industry is undergoing profound transformations driven by big data,posing challenges to the traditional power grid marketing management model.These challenges include neglecting market demands,insufficient data support,and inadequate customer service.The application of big data technology offers innovative solutions for power grid marketing management,encompassing critical aspects such as data collection and integration,storage management,analysis,and mining.By leveraging these technologies,power grid enterprises can precisely understand customer needs,optimize marketing strategies,and enhance operational efficiency.This paper explores strategies for power grid marketing management based on big data,addressing areas such as customer segmentation and personalized services,as well as market demand forecasting and response.Furthermore,it proposes implementation pathways,including essential elements such as organizational structure and team building,data quality and governance systems,training,and cultural development.These efforts aim to ensure the effective application of big data technology and maximize its value.

基于Spark Streaming的实时能耗分项计量系统

能耗分项计量能够准确、及时、有效地发现能源使用问题,形成和实现最有效的节能措施。能耗分项计量系统需要对各项能源使用量在不同粒度上进行统计,既有实时性的需求,又需要涉及到聚合、去重、连接等较为复杂的统计需求。由于数据产生快、实时性强、数据量大,所以很难统一采集并入库存储后再作处理,这便导致传统的数据处理架构不能满足需求。为此,提出基于Spark Streaming大数据流式技术构建一个实时能耗分项计量系统,对实时能耗分项计量的系统架构和内部结构进行了详细介绍,并通过实验数据分析了系统的实时数据处理能力。与传统架构不同,实时能耗分项计量系统在数据流动的过程中实时地进行捕捉和处理,一方面把捕捉到的异常信息及时报警到前端,同时把分类分项统计处理的结果保存到数据库,以便进行离线分析和数据挖掘,能有效地解决上述数据处理过程中遇到的问题。

基于Spark的水泥厂煤耗特性分析与实时诊断

针对国内水泥厂煤耗较高、数据利用率低的问题,对大数据、数据挖掘技术应用于水泥厂煤耗管控进行了研究。搭建大数据计算平台,使用Spark计算引擎采集并清洗水泥厂生产设备的过往稳态数据,建立了煤耗特性的数学模型;研究实时诊断算法并运行于大数据计算平台上;对实时采集生产设备的运行参数进行计算,得出各运行参数当前的数值,并进行数据可视化,指导水泥厂改良将会造成能耗偏差的异常参数,以降低煤耗、改善生产。

基于大数据分析技术的家电企业物流运营策略——以S家电企业为例

以S家电企业为例,分析了其目前物流信息消费的现状,提出从物流信息数据采集策略、企业数据仓库基础设施构建、基于大数据分析的智能物流平台构架等方面入手,充分挖掘物流信息的价值,并对大数据下物流信息消费为S公司带来的效益进行分析,对未来家电大数据物流信息消费前景进行了展望。

基于K-means聚类分析5G时代下的数字营销策略研究——以杭州旅游营销为例

为贯彻落实《关于加快推进5G产业发展的实施意见》,推动5G场景应用,推进5G网络与超高清视频、AR/VR、机器人等技术结合,提升消费者在文化娱乐、在线购物、智能出行等场景的体验等,本文根据数字时代游客行为的3个子层面,对来杭游客的行为和偏好进行K-means聚类分析,将赴杭游客的偏好聚类为个性化推送敏感型、社交媒体和自媒体主动获取信息型、科技交互体验型、依赖出行路径定制+定位推送项目型四类,并以此构建为前端-消费数据挖掘与云计算、中端——数字媒介营销整合、后端——升级云端大数据服务信息平台组成的5G旅游数字营销体系,同时基于杭州旅游休闲产业、产品的特点策划详细方案,为各地的旅游管理、宣传部门和旅游商家提供适应5G时代数字营销的参考策略。

storm平台下工作节点的内存电压调控节能策略

针对传统大数据流式计算平台节能策略并未考虑数据处理及传输的实时性问题,首先根据数据流处理的特点与storm集群的结构,建立有向无环图、实例并行度、任务资源分配与关键路径模型。其次结合拓扑执行关键路径与系统性能的分析,提出一种storm平台下工作节点的内存电压调控节能策略(WNDVR-storm,energy-efficient strategy for work node by dram voltage regulation in storm),该策略针对是否有工作节点位于拓扑执行的非关键路径上设计了2种节能算法。最后根据系统数据处理及传输的制约条件确定工作节点CPU使用率与数据传输量的阈值,并对选定的工作节点内存电压做出动态调整。实验结果表明,该策略能有效降低能耗,且制约条件越小节能效率越高。

基于Storm平台的数据迁移合并节能策略

针对Storm存在低效率、高能耗的问题,通过分析Storm平台的基本框架与拓扑结构,设计了资源约束模型、最优线程数据重组原则和节点降压原则,并在此基础上提出了基于Storm平台的数据迁移合并节能策略(DMM-Storm),包括资源约束算法、数据迁移合并算法和节点降压算法。其中资源约束算法根据资源约束模型,判断工作节点是否允许数据的迁移;数据迁移合并算法根据最优线程数据重组原则,设计了最优的线程数据迁移方法;节点降压算法根据节点降压限制条件,降低了工作节点的电压。实验结果表明,与现有的节能策略相比,执行DMM-Storm在不影响集群性能的前提下,有效降低了能耗。

基于AHP-TOPSIS算法的重要电力客户用电状态评估

在新型电力系统构建过程中,电力客户用电状态识别与评估将成为其参与需求响应、虚拟电厂等新兴业务的重要基础。以保障重要电力客户安全用电为出发点,挖掘应用电力大数据,提出了一种基于层次分析法(analytic hierarchy process,AHP)-优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS)的重要电力客户用电状态评估方法。首先搭建了基于Hadoop架构的用电大数据分析平台,为大数据分析提供高性能平台支撑。然后从电压、负荷和综合三类维度构建了9项评估指标,用以描述重要电力客户的用电状态。最后采用AHP-TOPSIS算法分别对电压类、负荷类、综合类指标进行分项评估分析,得出了三类指标各自的用电状态评估值,再通过变权重加权求和的方式确定重要电力客户的用电状态评分。经过算例分析和现场验证,证明了模型和算法的合理性、可行性,该方法有助于促进客户故障事后抢修向事前预警转变,具有保障安全用电、支撑精准巡视、服务主动抢修的多重功效。

Storm平台下的线程重分配与数据迁移节能策略

作为流式大数据计算的主要平台之一,Storm在设计过程中由于缺乏节能的考虑,导致其存在高能耗与低效率的问题.传统的节能策略并未考虑Storm的性能约束,可能会对集群的实时性造成影响.针对这一问题,设计了资源约束模型、最优线程重分配模型以及数据迁移模型.进一步提出了Storm平台下的线程重分配与数据迁移节能策略(energy-efficient strategy based on executor reallocation and data migration in Storm,简称ERDM),包括资源约束算法与数据迁移算法.其中,资源约束算法根据集群各工作节点CPU、内存与网络带宽的资源占用率,判断集群是否允许数据的迁移.数据迁移算法根据资源约束模型与最优线程重分配模型,设计了数据迁移的最优化方法.此外,ERDM通过分配线程减少了节点间的通信开销,并根据大数据流式计算的性能与能效评估ERDM.实验结果表明,与现有研究相比,ERDM能够有效降低节点间通信开销与能耗,并提高集群的性能.

基于Storm平台的数据恢复节能策略

作为目前主流的大数据流式计算平台之一,Storm在设计之初以性能为目的进行研究而忽视了高能耗的问题,但是其高能耗问题已经开始制约着平台的发展.针对这一问题,分别建立了任务分配模型、拓扑信息监控模型、数据恢复模型以及能耗模型,并进一步提出了基于Storm平台的数据恢复节能策略(energy-efficient strategy based on data recovery in Storm,DR-Storm),包括吞吐量检测算法与数据恢复算法.其中吞吐量检测算法根据拓扑信息监控模型反馈的拓扑信息计算集群吞吐量,并通过信息反馈判断是否终止整个集群内拓扑的任务.数据恢复算法根据数据恢复模型选择备份节点用于数据存储,并通过拓扑信息监控模型反馈的信息判断集群拓扑是否进行数据恢复.此外,DR-Storm通过备份节点内存恢复集群拓扑内的数据,并根据大数据流式计算的系统延迟与能效评估DR-Storm.实验结果表明:与现有研究成果相比,DR-Storm在减少系统计算延迟、降低集群功率的同时,有效节约了能耗.

中美人工智能技术创新的动态比较——基于人工智能技术创新大数据的多S曲线模型分析

基于基础研究、技术创新、科技布局、产业规模与技术进步5个维度人工智能技术创新大数据,创新性地构建了人工智能技术创新发展水平多指标测度体系及技术创新综合发展指数;根据技术创新综合发展指数,拟合绘制出人工智能技术创新周期S演化曲线,较为准确定位了中美人工智能技术创新发展所处位置;由5个维度在技术不同发展阶段的权重分布动态,比较出中美新技术之间的创新发展差距,分析影响中国人工智能新技术创新发展的主要因素。研究发现,美国日本等世界主要发达国家的人工智能技术已步入创新成熟期,中国正处于创新成长期后期,技术创新十分活跃;借助于后发优势,中国人工智能技术创新逐年综合发展指数已超过美国,展现出非常强劲的增长态势。为赢得未来人工智能技术创新竞争的胜利,中国应在人工智能技术创新体制和技术创新资源配置机制等方面不断完善,确保中国人工智能技术创新中长期的领先地位。

基于HDFS优化传统信息化架构的数据存储模式

首先,分析了企业传统信息化架构下数据存储现状;然后,结合Hadoop技术特点,提出了运用Hadoop分布式文件系统(HDFS)提升企业数据存储能力的思路和系统架构;最后,通过经济、效率和可靠性等方面的分析,说明其可行性。

Storm平台非关键路径电压调控节能策略

针对流式大数据计算平台的高能耗问题,提出一种基于Storm平台的非关键路径电压调控节能策略.首先根据数据流处理特点建立有向无环图、关键路径及电压调节模型,确定位于拓扑执行非关键路径上的工作节点CPU使用率及数据传输量阈值;其次根据拓扑执行非关键路径上工作节点的不同情况,对工作节点内存电压进行调节,当工作节点的CPU使用率及数据传输量低于阈值时降低其内存电压,当工作节点CPU使用率及数据传输量高于阈值时则升高其内存电压,由工作节点内存电压确定系统功率;最后通过评估性能与能耗的关系验证算法的可行性.实验结果表明,系统实施节能策略后比原系统降低了约34.5%的能耗,且位于拓扑执行非关键路径上的节点越多节能效果越好.

基于Consume2Vec模型的校园一卡通大数据分析

现有的一卡通数据挖掘方法大多采用统计、聚类、关联规则等浅层机器学习和数据挖掘方法,忽略了消费数据的时序性,缺乏对数据的深度表达。基于深度神经网络,提出了能够对消费数据时序性和关联性进行深度挖掘的Consume2Vec模型,并在此模型的基础上构建消费异常检测模型。通过在大规模一卡通消费数据上进行实验,验证了两个具体Consume2Vec模型的性能,并从不同维度将学生划分为不同群体进行对比分析,发现学生的消费规律和特点。

基于改进K-均值联合SVDD的电力数据异常检测方法

电力数据高维、非线性特点导致传统单一异常检测模型存在检测准确率低、误漏报率高的问题,为了解决此问题,提出一种最小熵K-均值和果蝇算法(fruit fly optimization algorithm,FOA)优化支持向量数据描述(support vector data description,SVDD)相结合的电力数据异常检测方法。首先提取波动性特征、变动性特征和趋势性特征并利用主成分分析(principal component analysis,PCA)进行特征变换从而实现对高维电力数据的降维表征,其次利用最小熵理论改进的K-均值算法对用电数据进行自适应聚类,将用电模式接近的用户划分为同一聚类,采样SVDD对每个聚类进行异常检测,为了提升SVDD模型聚类性能,利用改进后的变步长FOA算法对其优化,提升异常检测性能。基于某电网实测用电数据开展试验,结果表明所提方法相对于单一检测模型能够获得更高的检测准确率和更低的误漏报率。