检索结果-内蒙古大学图书馆

电力需求侧管理 2024年第2期26卷 34-40页

作者：李洁顾水福周磊李亚飞刘乙朱超群国网江苏省电力有限公司苏州供电分公司江苏苏州215004

为充分利用智能电表采集的细粒负荷数据并提高区域商业建筑负荷预测的精确度,提出一种基于用电行为模式的区域商业建筑负荷预测方法。首先,基于均值方差归一化方法对采集到的负荷数据进行标准化处理,通过肘方法确定聚类数目后进行k-Shap... 详细信息

为充分利用智能电表采集的细粒负荷数据并提高区域商业建筑负荷预测的精确度,提出一种基于用电行为模式的区域商业建筑负荷预测方法。首先,基于均值方差归一化方法对采集到的负荷数据进行标准化处理,通过肘方法确定聚类数目后进行k-Shape聚类,实现区域商业建筑负荷不同用电行为模式的提取;其次,针对大规模商业建筑负荷预测问题,考虑区域内大量商业建筑负荷预测时耗费大量内存资源却难以实现较准确预测问题,提出一种改进的Informer模型,该模型通过聚类算法识别具有相似用电行为模式的商业建筑,并充分考虑智能电表采集的异常负荷数据对模型训练结果的影响,能够良好的解决大规模商业建筑负荷预测精度不高问题;最后,采用加利福尼亚州商业建筑负荷进行实验,实验结果表明所提方法能够有效提高区域商业建筑负荷预测精度。

关键词：商业建筑负荷预测 k-Shape聚类用电行为模式 Informer模型

来源：评论

学校读者我要写书评

暂无评论

泛在电力物联网下基于DPSO-Kmeans的客户用电行为分析

引用

哈尔滨理工大学学报 2022年第2期27卷 106-113页

作者：王莹项雯张群高秀云哈尔滨工程大学智能科学与工程学院哈尔滨150001 东北农业大学电气与信息学院哈尔滨150038 国网黑龙江省电力有限公司经济技术研究院哈尔滨150036

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。... 详细信息

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。

关键词：用电行为分析 K-means聚类算法初始质心动态粒子群算法用电行为模式

来源：评论

学校读者我要写书评

暂无评论

基于细粒度数据的用户用电模式挖掘及应用研究

基于细粒度数据的用户用电模式挖掘及应用研究

引用

作者：陈敏芳华北电力大学(北京)

学位级别：硕士

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... 详细信息

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。

关键词：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

来源：评论

学校读者我要写书评

暂无评论

基于Spark Streaming的用电异常在线检测研究

基于Spark Streaming的用电异常在线检测研究

引用

作者：田璐华北电力大学(北京)

学位级别：硕士

我国的偷电窃电现象很严重,每年电力损失达到几百亿人民币以上,除了自然的线路损耗以外,绝大部分是非技术线损,即偷电窃电造成的损耗。在用电过程中,不法份子偷电窃电,民众私改电力设备等行为,严重影响电力企业健康发展和国家经济建设... 详细信息

我国的偷电窃电现象很严重,每年电力损失达到几百亿人民币以上,除了自然的线路损耗以外,绝大部分是非技术线损,即偷电窃电造成的损耗。在用电过程中,不法份子偷电窃电,民众私改电力设备等行为,严重影响电力企业健康发展和国家经济建设以及社会稳定。虽然电力企业在打击偷电窃电行为上,不遗余力,但是异常用电检测时间长,用户分布广,不能快速乃至实时地得到结果。随着电网的发展,各种智能电量计量装置被广泛使用,产生了大量的电力数据,这给基于电力大数据的用电异常检测的研究带来了新的契机。但以往的用电异常检测方法通常是通过历史数据分析,对实时传输的用电数据流优势不明显,检测结果往往滞后,不能满足现有环境下的时效性要求,帮助电力企真业实现及时止损。针对上述问题,本文提出将流数据挖掘算法与Spark相结合,实现用户用电异常在线检测。首先针对历史数据,使用Kmeans算法横向和纵向对用户的历史数据进行聚类,得到用户的聚类标签和行为模式,然后通过设置滑动窗口的大小选择当前的用户数据流,并通过流聚类算法一流式Kmeans快速得到用户的当前用电行为模式,最后将用户的当前用电行为模式与同类用户的行为模式以及该用户的历史的用电行为模式进行比较,以此来发现潜在的异常用户,为电力企业缩小检查范围,实现快速检测。本文的主要工作如下:1、对流数据处理技术以及流数据聚类技术做了详细研究。本文将界标模型、滑动窗口模型和快照模型进行了对比介绍;对常用的流聚类算法,如流式Kmeans、层次聚类、流式DBSCAN等的算法流程、适用特性进行了研究比较。2、介绍实现数据传输的Kafka消息订阅发布系统、Spark Streaming流处理技术。然后搭建了带有Kafka的流处理平台,并在该平台上实现了流式Kmeans算法,以此验证流处理平台的数据吞吐能力和快速处理性能。3、使用UCI公开的葡萄牙居民用户用电数据在搭建的平台上进行离线聚类分析和在线异常检测。实验数据包括葡萄牙2011-2014年的370户用户用电采集数据,数据量为4*365*96*370点数据。实验证明所提算法和方案的有效性,为疑似窃电用户的判别提供了依据。

关键词：用电行为模式异常检测流聚类 Spark Streaming 时间滑动窗口

来源：评论

学校读者我要写书评

暂无评论

基于Storm流数据聚类算法的用电异常行为在线监测研究

基于Storm流数据聚类算法的用电异常行为在线监测研究

引用

作者：于小青华北电力大学(北京)

学位级别：硕士

随着电网的不断建设,电力的普及与发展给居民带来了极大的便利,然而在用电的过程中,出现了各种异常用电问题,比如随意搭接线路、窃电以及篡改电表等,给国家电网以及相关企业带来了不少损失。随着智能电网的普及以及机器学习的兴起,各种... 详细信息

随着电网的不断建设,电力的普及与发展给居民带来了极大的便利,然而在用电的过程中,出现了各种异常用电问题,比如随意搭接线路、窃电以及篡改电表等,给国家电网以及相关企业带来了不少损失。随着智能电网的普及以及机器学习的兴起,各种基于人工智能的电力大数据挖掘方法也层出不穷,但大都基于历史数据不能进行实时在线的处理,很多方法不仅不能及时杜绝这种行为,还会浪费大量的人力、物力、财力,得不偿失。在此形势下,本文针对流数据聚类算法进行了研究,并针对现有流数据聚类算法在线数据流维护阶段容易造成部分数据缺失、断电易丢失以及流数据聚类算法的低时间复杂度要求,提出流式k-means聚类算法,对流数据聚类算法的在线微簇维护阶段进行改进:使用Redis集群将某一时间段内的数据全部进行存储,并随时间进行迭代更新;对离线聚类算法k-means进行优化,使用最佳距离法快速确定聚类中心,减少算法的迭代次数,降低流数据聚类算法的时间复杂度,从而使改进的流数据聚类算法能够应用于某些对数据敏感的应用。其次,为了完成用户用电异常行为的检测,本文设计使用流式k-means聚类算法提取用户的簇典型用电曲线与用户典型用电曲线,并以此为度量依据判定用户用电是否存在异常。最后,本文使用流式数据处理框架Storm构建用户用电异常行为监测模型,将流式k-means聚类算法与Storm相结合并完成拓扑实现,实现了异常用户的在线监测,为相关企业及时止损。通过仿真实验表明,基于Storm流数据处理框架构建的用户用电在线监测模型能够很好的监测异常用电的用户,具有很好的实际应用价值。

关键词：异常值检测用电行为模式流数据聚类 Storm

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：