基于细粒度数据的用户用电模式挖掘及应用研究

作     者：陈敏芳 

作者单位：华北电力大学(北京) 

学位级别：硕士

导师姓名：焦润海;鲍镇

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

主      题：用电行为模式 用户负荷预测 双向长短期记忆网络 前馈神经网络 

摘      要：在智能电网迅猛发展的大背景之下,需求侧资源在电力市场中的重要性日益凸显。一方面,居民用户作为电力需求侧的重要组成部分,分析其用电行为模式,提出针对性的用电服务策略并引导其参与需求响应等,对于提高用户管理水平具有重要的现实意义。另一方面,以家庭为单位的单个用户负荷规模较小,任何电器的使用状态都会影响到整个家庭耗能,然而传统的用户负荷预测没有充分利用用户设备级的负荷特性,导致预测精度不高。为此,本文首先挖掘分析居民用户用电行为模式,进而研究用户级负荷预测算法,主要研究内容及成果包括以下三点:(1)以用户可控设备分析为研究点,分析电器设备运行所表征的用户用电行为。根据各电器设备属性确定其是否可控,筛选并分析能够反映用户用电行为的电器设备,定义各可控设备处于运行状态时与用户行为活动的一一映射关系,为后续的研究奠定基础。(2)以用户日常用电序列分析为研究点,设计了一套适合于居民用户的用电模式挖掘分析方法。针对现实生活中用户每天使用电器的情况,采用统计学方法、聚类算法以及序列关联规则挖掘算法等挖掘用户家庭单电器运行状态时间分布模式和多电器运行状态时序关联模式,从多角度展示居民用户的用电行为模式。(3)以居民用户负荷预测为研究点,构建了一种考虑用户用电模式的负荷预测模型。首先,构建基于双向长短期记忆网络的编码器解码器结构模型,提取用户用电模式并进行初始预测;然后,构建基于前馈神经网络的误差修正模型,修正初始预测值。实验结果表明,相比于TCN和LSTM模型,本文模型的MAPE指标值平均降低了 10.1%,预测效果提升明显。本文研究成果一方面丰富了用户用电模式挖掘的分析方法,另一方面验证了用户用电行为模式在用户级负荷预测领域的应用价值,为促进需求侧资源的优化利用和降低家庭能源消耗提供支撑。