用电行为

摘要： 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。

摘要： 窃电是违法用电行为。由于国家法律法规并未对窃电的含义作出界定,各地方性法规对窃电含义的规定不同,体现出对窃电法律性质的认识也各不相同。因此,明晰窃电法律概念的内涵和外延,对于依法追究窃电行为人的法律责任,维护供电企业合法权益,制止窃电行为,有十分重要的意义。

摘要： 传统电力用户异常用电行为自动检测系统存在检测效率过低,检测过程不稳定等问题。为解决上述问题,基于深度挖掘设计了一种新的电力用户异常用电行为自动检测系统。系统硬件由采集器、微处理器、控制器和检测器组成;采集器选用TINKER&RASOR数据采集器DL-1,该芯片具有较高的数据采集能力,微处理器选用TI德州仪器的AM3352BZCZ60芯片,该芯片具备强大的数据处理能力。控制器包括时钟设置模块、接口模块、数据计数模块。通过原始数据分析、异常数据提取、显示异常用电用户实现软件流程。实验结果表明,基于深度挖掘的电力用户异常用电行为自动检测系统能够有效提高检测效率,保证检测过程的稳定性。

摘要： 为推动电力市场高质量发展,使用户获得很好的用电体验,有必要深入分析用户的用电行为和特征,而传统的电能监测已不能满足这一需求。为此,文中基于非接触式高频同步电力数据采集装置,设计了一种非侵入式负荷监测系统。通过离线建立负荷特征库并对模型进行训练,构建了一种非侵入式负荷在线监测系统。对电力数据采集装置发送给服务器的数据依次进行事件检测、特征提取后,再将这些数据输入模型进行负荷辨识。实验结果表明,该系统负荷识别的精确度较高,能够满足实际生活和工程的需求。

摘要： 针对人工智能技术在用电行为分析领域的应用问题,构建了基于人工智能技术的用电行为分析架构,其包括离线训练与实时分析两个环节,离线训练实现负荷特征库的构建,实时分析实现在线的负荷识别和用电行为分析.提出基于功率滑动窗口的事件检测方法及基于深度置信网络(Deep Belief Network,DBN)的负荷识别方法,进一步在负荷识别的基础上,实现用电时间、用电量与用电费用等用电行为进行负荷分类计算分析.以某居民用电统计数据进行的仿真分析结果表明,所提出负荷识别方法的识别准确率均大于95％,性能良好,通过用户用电情况分析为制定节能策略、优化用电计划提供指导.

摘要： 针对COVID-19这一特殊时期,利用大数据技术,处理原始不同数据结构的电力数据.将用户用电行为的数据分成内部数据和外部数据,其次是确定用电行为分析,通过对传统的K-means聚类算法改进,提高K-means效率.最后利用改进算法聚类出的类别构建用电行为模型,实现用户用电行为分析.最终实现达到帮助国家电网公司达到电力智能分配的目的,并且给出了大致的政策倾向.提升国家各部门监管能力,助力国家应急管理.

摘要： 针对非侵入式家庭负荷监测所需家庭用电设备实时运行数据难以获取的问题,分析不同家庭家电配置差异及使用习惯特性,提出虚拟家庭负荷生成方法。首先,采用多项式负荷模型生成家电负荷波形。其次,融合不同代际结构家庭家电配置和家电运行习惯特点,基于蒙特卡洛仿真生成计及家庭成员年龄、数量、身份用电关联的家庭用电时间分布。最后,虚拟生成4类典型的家庭日用电负荷曲线。研究结果表明,该方法虚拟生成的家庭用电负荷波形与实测波形的功率平均相对误差小,可生成最接近实际情况的虚拟家庭负荷波形,另外家庭用户关联性用电生成了大范围覆盖的低采样率实验数据,可用于后续非侵入式负荷辨识的检验,是目前所有方法中的最优方法。

摘要： 为掌握大客户的用电习惯和用电特征、满足不断变化的客户用电需求、逐步提升大客户领域供电服务水平,本文采用K-均值聚类算法、二八定律、归一化算法等统计分析方法,运用SPSS等数学分析工具,从行业特点、客户价值、用电需求、成长性等方面刻画用电客户群体特征,挖掘大客户用电数据中的隐藏数据和潜在价值,得出五类典型的大客户用电负荷特征曲线,建立对应的五类典型用户分类,得到了五类用电行为特征的结果,通过结果分析得出半数以上用户的用电特点、同类型的船舶制造业仍然具有不同的用电特点、电能紧张时优先对建筑业和采矿业实施有序用电可以取得较好效果,最终对企业的电力营销和调度进行决策支撑,为用电需求侧管理、优化客户服务管理规范提供辅助决策。

摘要： 针对传统的需求价格弹性理论仅考虑到需求与价格之间的关系,无法同时考虑到用户的意愿和反映用户对于分时电价的真实响应情况等问题,提出了基于戴蒙德模型的同时,可考虑价格与用户意愿的响应行为分析方法.首先,结合需求价格弹性、相对风险厌恶不变函数,考虑价格与用户意愿等因素对用户响应行为进行建模;其次以效用函数最大为目标,结合各时段的用电约束,构建了用户优化决策模型,继而进行优化求解,模拟用户的最优决策行为;最后通过算例验证了该模型改善了居民用户的用电曲线,降低了居民用户的电费成本,可以模拟拥有不同意愿的用户响应情况.

摘要： 为掌握大客户的用电习惯和用电特征、满足不断变化的客户用电需求、逐步提升大客户领域供电服务水平,本文采用K-均值聚类算法、二八定律、归一化算法等统计分析方法,运用SPSS等数学分析工具,从行业特点、客户价值、用电需求、成长性等方面刻画用电客户群体特征,挖掘大客户用电数据中的隐藏数据和潜在价值,得出五类典型的大客户用电负荷特征曲线,建立对应的五类典型用户分类,得到了五类用电行为特征的结果,通过结果分析得出半数以上用户的用电特点、同类型的船舶制造业仍然具有不同的用电特点、电能紧张时优先对建筑业和采矿业实施有序用电可以取得较好效果,最终对企业的电力营销和调度进行决策支撑,为用电需求侧管理、优化客户服务管理规范提供辅助决策.

摘要： 分析居民用户智能用电行为可以为电网负荷预测提供数据依据,用户智能用电行为的分析可通过居民用户智能用电行为分析系统实现.系统的设计包括智能用电数据采集、云数据处理、用户行为分析3个主要模块,结合无线通信技术、云处理技术和ASCF-Mine挖掘算法,对各模块的设计和功能进行优化,并通过实验对比分析,验证了系统对用户智能用电行为分析的高准确率.

摘要： 在数据领域中,数据挖掘技术是数据分析中的关键手段,其分析结果有助于做出高效、有力的信息决策.本文首先介绍了数据挖掘中聚类分析在电力用户分类中的应用,再通过K均值与模糊C均值两种方法对负荷数据进行聚类,根据聚类结果进行用电行为分析,应用CH等指标对聚类结果进行评价,在此基础上对两种算法进行优化.然后是将负荷特性分析应用于用电行为分析,通过运用负荷指标对聚类中心进行分析,之后运用负荷指标对负荷数据再次聚类,将两种聚类结果进行对比分析,最后对各类用户总体用电量进行分析.

摘要： 国网客服中心南北园区绿色复合型能源网是国家电网公司投建的能源技术与服务创新园区,也是能源互联网最佳应用的体现.提出了一种适用于该园区应用的用电行为分析和互动模式识别方法,首先给出了用户用电行为及互动模式识别流程,其次,阐述了所涉及的数据预处理、FCM聚类、ID3决策等算法的基本原理,最后,以240户用户的历史负荷数据作为数据源,在对负荷数据进行处理的基础上,分析单个和所有用户的用电行为,并建立互动模式决策树,可以实现互动模式的智能识别.算法有效地验证了该方法在用户用电分析和互动模式识别方面的正确性.

摘要： 随着电力信息化的深化应用,电力信息数据呈现爆炸式增长趋势,电力行业的大数据时代已经到来.传统的在小规模数据量下对客户用电行为进行统计分析,具备一定的指导价值,但在海量数据情况下的应用效果不是很理想.与传统的客户用电行为分析相比,基于大数据的客户用电行为分析更注重对客户用电价值的挖掘,可以实现对海量客户用电行为的定量分析,提高客户行为定位的准确度,为更有效地开展客户服务、提高客户满意度、降低运营风险提供决策参考.rn 本文在研究电力业务的基础上，提出了一种面向削峰填谷的海量电力客户用电行为分析方法，为解决海量电力客户的削峰填谷问题，需要分析电力客户的用电行为特征与主网负荷特征的匹配关系。首先基于EM算法对主网历史1年的日负荷曲线数据进行聚类分析，得到不同时期主网的负荷特征，再分别利用分布式k-means算法对每一时期的海量电力客户的日负荷曲线数据进行聚类分析，得到不同主网特征对应电力客户的负荷特征。对比主网负荷特征曲线与客户负荷特征曲线可以得到电力客户的用电行为类型，如迎峰型（用户负荷特征曲线与主网负荷特征曲线走势相同，应该采取削峰填谷措施）、逆峰型（用户负荷特征曲线与主网负荷特征曲线走势相反，应该鼓励客户保持用电习惯）等，从而建立主网和电力客户群体的削峰填谷匹配模式。最后利用DTW对未来目标日和历史日进行日期匹配，分析未来目标日主网与用电客户的削峰填谷匹配关系，以确定电力客户群体在目标日的削峰填谷模式，进而对不同模式的客户群体采取不同的削峰填谷措施。

摘要： 针对智能电表高频率快速采集的实时数据,采用BP神经网络的方法对用户的用电行为进行分析预测.通过制定分时电价将用户的用电行为从用电高峰向低谷时段引导,平衡用电高峰和低谷的波动幅度,减少最大用电负荷,提高电网的运行效率.

摘要： 本发明提供一种考虑用户用电行为不确定性的家庭智能用电优化方法，以克服因电力用户用电行为的不确定性导致用电计划不能正常进行的问题。将电力用户用电的不确定性行为分为调整用电计划和增减用电任务。对于电力用户调整用电计划的不确定性行为，提出了可靠性指标法，并将各类负荷的可靠性指标进行归一化处理，制定日前用电计划；对于电力用户增减用电任务的不确定性行为，提出了用电紧急系数和综合用电紧急指标，根据用户的具体行为，重新安排用电，制定实时用电计划。基于上述两类用户用电不确定性行为，将家庭智能用电优化过程分为两个部分，从而提高了家庭智能用电计划的可靠性。

摘要： 本发明涉及一种基于用电行为轨迹的异常用电识别方法，包括以下步骤：S1.采集用户用电的数据信息；S2.基于采集的数据信息，计算用户日总功率；S3.收集用户日总功率的数据信息，判断用户是否存在日电量与日总功率差值的比值异常；S4.基于步骤S1～S3的数据信息，构建用户用电轨迹特征模型；S5.基于步骤S4构建的特征模型构建用户用电与用电轨迹异常的识别模型；S6.基于步骤S1～S5的数据信息，建立用户行为轨迹异常模型，并判断用户是否用电行为异常。

摘要： 本发明提供一种基于用电信息的用户用电行为分析显示终端，涉及用电分析显示终端技术领域，解决了现有的显示终端仅能实现固定观测或小幅度调整，不便于使用者进行便捷的观察分析及处理，长时间的人工监测使用会使得监测人员出现不适的问题，包括壳体，所述壳体的内部固定连接有导轨，导轨共设有两处，且两处导轨呈对向固定连接在壳体的内部左右两侧面位置，导轨用于滑动连接导块，导块共设有两处，且两处导块的内侧安装有导轴，在导轴的前侧还通过铰块铰接有中控终端，由于中控终端与壳体之间通过导轨滑动连接，而中控终端既可以选择安装在壳体内部进行使用，也可以选择将中控终端与壳体脱离后通过中控终端内部所安装的无线模块进行无线分析使用。

摘要： 本发明公开了一种基于用户用电行为的违约用电研判方法及系统，其中，方法包括如下步骤：步骤一：获取用户用电数据；步骤二：基于步骤一获取的用户用电数据，通过如下四种方式进行研判：（1）电量超容用户违约用电研判；（2）光伏发电超阈用户违约用电研判；（3）用户暂停电表异常研判；（4）充电桩违约用电研判；步骤三：输出步骤二进行研判的结果。本发明从四个技术层面对违约用电进行判断。从用户用电数据中，筛选与四个技术层面相对应的用户用电数据，并将筛选的用户用电数据，采用具有创新性的数据处理方式进行研判，从而输出违约用电用户线索，进行违约用电用户的挖掘，效果较好，便于在产业上推广和使用。

摘要： 本发明提供一种基于用电行为特征进行异常用电识别的方法及系统，包括，获取用电客户的档案信息、用电信息及缴费信息；将所述档案信息、所述用电信息及所述缴费信息分别输入预设的关联模型，得到用电客户的用电行为特征；并按照时间序列对得到的用电行为特征进行排序；将排序后的用电行为特征输入预设的用电行为分析模型，得到用电量异常分析结果；根据所述用电量异常分析结果进行异常用电识别。本发明提前对用电量异常进行分析和判断，指导计量用检专业人员进行现场处理，以提高抄表准确率。

摘要： 本发明公开了一种基于用电特性分析的用户用电行为画像方法及装置，所述方法包括：对收集到的负荷数据进行预处理；对预处理后的负荷数据采用k‑shape聚类算法进行聚类分析，对用户用电行为进行簇别的划分；采用随机森林方式进行用户用电行为的特征提取，确定用户用电行为的特征标签；根据所述用户用电行为的簇别和所述特征标签，获取用户用电行为画像。

摘要： 本发明提供一种基于用电行为偏好的居民用电提醒方法及系统，所述方法包括：获取用户缴费数据，所述缴费数据包括用户标识以及与所述用户标识对应的预设时间段内的每个月的缴费日期；在所述预设时间段内的每个月的缴费日期中取所述每个月的缴费日期的众数，将所述每个月的缴费日期的众数作为初始的聚类中心，利用K均值聚类算法对所述预设时间段内的每个月的缴费日期进行运算直到符合终止条件，得到预测的缴费日期；根据所述预测的缴费日期、实施日与预测的缴费日期的关联关系确定实施日，在实施日当日进行用户缴费提醒，或者在预测的缴费日期进行用户缴费提醒。通过本发明，解决了现有缺乏有效的手段根据每个客户的情况分别提醒客户缴费的问题。

摘要： 本发明提供一种基于用电行为偏好的居民用电分配决策方法及系统，所述方法包括获取用户的用电信息，用户的用电信息包括与用户标识对应的预缴电费以及与用户标识对应的第一预设时间段内和第二预设时间段内每天高峰时段、平时时段和低谷时段的用电量；根据获取数据计算与所述用户标识对应的剩余电费并计算与剩余电费对应的剩余电量在高峰时段、平时时段和低谷时段的分配量；根据所述用户标识，将所述剩余电量在高峰时段、平时时段和低谷时段的分配量发送给该用户。通过本发明，解决了现有用户用电用能行为缺乏消费决策依据的问题。

摘要： 本发明涉及一种基于用电量数据的异常用电行为识别方法，属于异常用电识别技术领域。该方法包括数据采集、数据预处理、用电行为特征构建、用电行为特征提取、异常用电行为识别模型训练、异常用电行为识别几大步骤。通过本发明方法能提高用户用电异常行为识别的精准度，缩小了排查范围，从而保证排查能够得到有效执行，最终提升公司用户管理水平，达到降损增效的目的，易于推广应用。

摘要： 属于用户用电行为类别分析技术领域，具体涉及一种用户用电行为类别和典型用电模式精细化辨识方法，包括如下步骤：S1.数据预处理，对海量负荷数据进行预处理，修正问题数据；S2.海量负荷数据分类算法模型建立，建立基于改进深度LSTM网络的负荷分类模型；S3.海量负荷数据特征提取，从各类负荷曲线中提取典型曲线模型表示此类曲线的共同特征；S4.典型地市用户用电行为实例分析。该方法具有高稳定性、高效性以及精准性，分析不同用户用电特征，展现其地域差异性、时域关联性以及空间相关性。