CN106447206A - 基于用电信息采集数据的用电分析方法 - Google Patents
基于用电信息采集数据的用电分析方法 Download PDFInfo
- Publication number
- CN106447206A CN106447206A CN201610880295.5A CN201610880295A CN106447206A CN 106447206 A CN106447206 A CN 106447206A CN 201610880295 A CN201610880295 A CN 201610880295A CN 106447206 A CN106447206 A CN 106447206A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- load
- industry
- curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005265 energy consumption Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 10
- 238000010606 normalization Methods 0.000 abstract description 6
- 238000003064 k means clustering Methods 0.000 abstract description 2
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 238000002372 labelling Methods 0.000 abstract 1
- 230000003014 reinforcing effect Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006854 communication Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于用电信息采集数据的用电分析方法,涉及一种用电分析方法。目前,用电分析、监控困难且准确性低。本发明包括以下步骤:1)获取用户每天的分时负荷统计数据明细;2)将明细数据分别按用户、行业进行分组;3)进行归一化处理;4)进行k‑means聚类计算,得到每个行业和每个用户的特征负荷曲线;5)调整生成的曲线数量,得到各个特征化明显的曲线并进行标注,将各个行业和各个用户与各自的特征负荷曲线相对应;6)根据特征负荷曲线,抽取特征用户,对特征负荷曲线进行对比分析。本技术方案提升用电信息采集***准确性,为支撑阶梯电价执行,加强精益化管理、提高优质服务水平,延伸电力市场、创新交易平台提供基础保障。
Description
技术领域
本发明涉及一种用电分析方法,尤其指基于用电信息采集数据的用电分析方法。
背景技术
自2010年起全面推进用电信息采集***建设。截至2014年7月份,国网27家单位全部开展了用电信息采集***建设,全口径用户实现采集覆盖2.3亿户,采集覆盖率达到66.98%,采集的电量占总售电量比例达到93.49%。用电信息采集***由***主站、传输信道、采集终端以及智能电表组成。
***主站负责整个***的用电信息采集、存储、分析、处理和应用,由通信子***、数据库、业务应用、接口应用等组成。大部分网省公司采用省级集中部署方式建设。
传输信道分为***主站与终端之间的远程通信信道、终端与智能电表之间的本地通信信道。当前公司范围内采集***远程通信信道主要采用GPRS/CDMA无线公网***、230MHz无线专网信道、电话PSTN、光纤通信信道等。本地通信信道主要采用RS485、低压电力线载波(窄带、宽带)、微功率无线等。电力用户用电信息采集***是对电力用户的用电信息进行采集、处理和实时监控的***,实现用电信息的自动采集、计量异常监测、电能质量监测、用电分析和管理、相关信息发布、分布式能源监控、智能用电设备的信息交互等功能。
但由于精细化、精益化管理要求,这些实时数据都是离散型信息、准确性不高,而且不同来源的信息中存在时序差。分析、监控困难且准确性低,难以作为决策的基础。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进,提供基于用电信息采集数据的用电分析方法,以达到方便分析监控目的。为此,本发明采取以下技术方案。
基于用电信息采集数据的用电分析方法,其特征在于包括以下步骤:
1)获取用户每天的分时负荷统计数据明细;
2)将明细数据分别按用户、行业进行分组,得到用户负荷统计数据和行业负荷统计数据;
3)对用户负荷统计数据和行业负荷统计数据进行归一化处理;使各指标处于同一数量级,消除指标之间的量纲影响;
4)对归一化处理的数据进行k-means聚类计算,得到每个行业和每个用户的特征负荷曲线;
5)调整生成的曲线数量,得到各个特征化明显的曲线并进行标注,同时将各个行业和各个用户与各自的特征负荷曲线相对应;
6)根据特征负荷曲线,抽取特征用户,对用户的特征负荷曲线和对应行业的特征负荷曲线进行对比分析以进行问题识别和/辅助决策。
本技术方案基于大数据技术成果,在电力领域中通过应用大数据相关存储技术、计算技术提升用电信息采集***,为支撑阶梯电价执行,加强精益化管理、提高优质服务水平,延伸电力市场、创新交易平台提供基础保障。
作为对上述技术方案的进一步完善和补充,本发明还包括以下附加技术特征。
在步骤6)中,对用户的特征负荷曲线和对应行业的特征负荷曲线进行相似度计算,当该用户的特征负荷曲线与其所在行业的特征负荷曲线相似度小于设定值时,继续查询该用户的每日用电量情况及每日负荷峰谷,推断出该用户是否存在负荷异动,及时提醒用户调整用电方案。
在步骤6)中,相似度计算为余弦相似度算法。
在步骤1)中,通过访问用电信息采集***数据库获取所有用户的负荷24点统计数据以及用户档案表数据生成明细清单,包括用户档案信息表和负荷数据明细表,所提取的字段信息包括:供电单位、户号、户名、用户分类、行业编码、受电容量、0-23点负荷。
得到明细清单后,对得到的明细清单进行筛选及预处理:
清洗数据缺失、数据冗余、数据不准确、不规范的用户数据,其中各字段任一数据缺失为数据缺失,当地市单位、区县单位、供电所单位、户号、户名、用户分类、行业编码、受电容量或0-23点负荷数据为空时认为数据缺失;明细条目重复出现为数据冗余,当如地市单位、区县单位、供电所单位、户号、户名、用户分类、行业编码、受电容量、0-23点负荷数据的数据重复时认为数据缺失;业务数据出现明显的常识性错误为数据不准确,当供电单位、户号、户名与常识不符时认为数据不准确;各字段任一数据格式不规范为不规范,当受电容量、0-23点负荷数据、数据时间格式不规范时认为不规范;
清洗完毕后,按户号合并用户档案信息表和负荷数据明细表,形成用户信息负荷数据表,以作为后序分析处理的数据基础。
在步骤3)中,进行归一化处理时,对原始数据的线性变换,将结果值映射到[0 -1]之间。表达式如下:y=(x-MinValue)/(MaxValue-MinValue),其中:x、y分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。
有益效果:
1、通过用户负荷特征库的建立,做到的对所有用户的用电情况进行历史趋势分析,更加准确的定位可能的窃电用户。有效提升窃电或违约用电行为的准确查处,减少供电企业的损失。
2、可根据用户及其所处行业的负荷特征,计算出一套针对该用户的优化用电建议方案,并进行方案的精准推送。使用户主动选择节约、经济的用电方式,逐步向主动发掘“移峰填谷”效益方向转变。以价格信号为导向,从被动消费者身份向主动参与者转变。
3、本技术方案对相同行业内的用户负荷可通过该行业的负荷特征,引导和推算用户的用电趋势,为长短期负荷预测提供另一种具有参考价值的基础数据。为合理安排电网供电,保障用户用电可靠性与安全性提供了一定的数据支撑。
4、对客户群进行细分,帮助电力企业更为准确地掌握用电客户差异化服务的业务需求,协助提供符合实际需要的主动服务,最终取得提升客户用电体验满意度和降低电力企业服务成本的成效。
附图说明
图1是本发明流程图。
图2是用户负荷特征曲线。
图3是行业负荷特征曲线。
图4是用户行业对比曲线。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示,本发明包括以下步骤:
1)获取用户每天的分时负荷统计数据明细;
2)将明细数据分别按用户、行业进行分组,得到用户负荷统计数据和行业负荷统计数据;
3)对用户负荷统计数据和行业负荷统计数据进行归一化处理;使各指标处于同一数量级,消除指标之间的量纲影响;
4)对归一化处理的数据进行k-means聚类计算,得到每个行业和每个用户的特征负荷曲线;
5)调整生成的曲线数量,得到各个特征化明显的曲线并进行标注,同时将各个行业和各个用户与各自的特征负荷曲线相对应;
6)根据特征负荷曲线,抽取特征用户,对用户的特征负荷曲线和对应行业的特征负荷曲线进行对比分析以进行问题识别和/辅助决策。
以上对上述步骤具体说明:
一、具体算法
对从用电信息采集***中取得的负荷数据进行分析,通过运用满足以下算法进行数据处理和计算。
(1)算法一:数据归一化,用于步骤3)。
【算法描述】数据归一化处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。
【计算公式】min-max标准化是对原始数据的线性变换,使结果值映射到[0 - 1]之间。表达式如下:
y=(x-MinValue)/(MaxValue-MinValue)
说明:x、y分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。
(2)算法二:K-means聚类算法,用于步骤4)。
【算法描述】K-means算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标。
【计算公式】
其中,k表示聚类的个数,x和u表示任意两点的数据值,si表示每一点与剩余点的距离值
处理流程
(1)从 n个数据对象任意选择 k 个对象作为初始聚类中心;
(2)根据每个聚类对象的均值(中心对象),计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个(有变化)聚类的均值(中心对象)
(4)循环(2)到(3)直到每个聚类不再发生变化为止
(3)算法二:余弦相似度算法,用于步骤6)用户的特征负荷曲线和对应行业的特征负荷曲线进行对比。
【算法描述】余弦相似度算法是基于向量的,它利用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小,注重两个向量在方向上的差异,在[0,1]内余弦值越大,说明两个向量相似度越大。
【计算公式】
其中,a和b分别代表需要进行比较的两个数值
二、数据及预处理,用于步骤1)。
(1)数据获取方式
取得用电信息采集***数据库访问权限,编写相应查询语句,访问用电信息采集***数据库获取所有用户的负荷24点统计数据,以及用户档案表数据,所提取的字段信息包括:供电单位(包含地市、区县级、供电所)、户号、户名、用户分类、行业编码、受电容量、0点负荷、1点负荷、2点负荷、3点负荷。。。23点负荷等,明细清单导出形成《用户档案信息表》和《负荷数据明细表》。
数据表1:用户档案信息表
数据表2:负荷数据明细表
(2)数据清洗及预处理
抽取数据为业务明细,根据如下数据清洗规则,对不在聚类统计范围内的抽取数据进行清洗:
l 清洗规则一:各字段任一数据缺失即定义为数据缺失。如地市单位、区县单位、供电所单位、户号、户名、用户分类、行业编码、受电容量、0-23点负荷数据等为空。
清洗规则二:明细条目重复出现即定义为数据冗余。如地市单位、区县单位、供电所单位、户号、户名、用户分类、行业编码、受电容量、0-23点负荷数据等数据重复。
清洗规则三:业务数据出现明显的常识性错误,即定义为数据不准确。如供电单位(包含地市、区县级、供电所)、户号、户名等与常识不符。
清洗规则四:各字段任一数据格式不规范即定义为不规范。如受电容量、0-23点负荷数据、数据时间格式不规范。
清洗完毕后,按户号合并《用户档案信息表》和《负荷数据明细表》,形成《用户信息负荷数据表》作为本视角分析挖掘的数据基础,该表字段如下:
表3:用户信息负荷数据表
【数据基础】《用户信息负荷数据表》。
三、步骤4)生成特征曲线。
(1)展示一:分别按用户和行业进行聚类的特征曲线
经过对用户信息负荷数据表的归一化和聚类计算后,按照输入的聚类数量,展示出相应数量的负荷特征曲线(见图1图2)。
(2)展示二:用户行业特征曲线对比
将某个用户所属的用户特征曲线及其所属的行业特征曲线进行叠加对比展示(见图4)。
四、步骤6)比对用户及行业的特征曲线。
表3:用户行业负荷曲线对比偏离表
序号 | 对比对象 | 余弦值 | 基准值 |
1 | 用户曲线1-行业曲线1 | 0.9622560503163505 | 0.95 |
2 | 用户曲线2-行业曲线2 | 0.969670473957427 | 0.95 |
3 | 用户曲线3-行业曲线3 | 0.9459665643298746 | 0.95 |
在上表中,余弦值越接近1,表示两条曲线相似度越大
由上表可以看出,该用户的用电负荷模式与其所在行业的普遍用电模式有很大的区别。继续查询该用户的每日用电量情况及每日负荷峰谷,可推断出该用户是否存在窃电等负荷异动,及时提醒用户调整用电方案,进而保障用户用电,以减少因有序用电执行造成的电量损失和用户损失。
五.应用方式
(1)分析周期
考虑到负荷数据计算量比较大,需要一定的计算时间,建议本视角按日度开展滚动分析。
(2)分析层级
本视角分析的层级为三级,分别是地市公司、省(直辖市)公司及国网总部。
地市公司可开展本单位及所属县公司的管辖范围内的用户行业负荷聚类分析,可追溯查询用户负荷明细数据。
省(市)公司可基于全省数据开展统计、分析,可汇总显示、查询下属地市分析结果。
总部可汇总显示、穿透查询所有省(直辖市)聚类分析数据。
以上图1所示的基于用电信息采集数据的用电分析方法是本发明的具体实施例,已经体现出本发明实质性特点和进步,可根据实际的使用需要,在本发明的启示下,对其进行形状、结构等方面的等同修改,均在本方案的保护范围之列。
Claims (6)
1.基于用电信息采集数据的用电分析方法,其特征在于包括以下步骤:
a)获取用户每天的分时负荷统计数据明细;
b)将明细数据分别按用户、行业进行分组,得到用户负荷统计数据和行业负荷统计数据;
c)对用户负荷统计数据和行业负荷统计数据进行归一化处理;使各指标处于同一数量级,消除指标之间的量纲影响;
d)对归一化处理的数据进行k-means聚类计算,得到每个行业和每个用户的特征负荷曲线;
e)调整生成的曲线数量,得到各个特征化明显的曲线并进行标注,同时将各个行业和各个用户与各自的特征负荷曲线相对应;
f)根据特征负荷曲线,抽取特征用户,对用户的特征负荷曲线和对应行业的特征负荷曲线进行对比分析以进行问题识别和/辅助决策。
2.根据权利要求1所述的基于用电信息采集数据的用电分析方法,其特征在于:在步骤6)中,对用户的特征负荷曲线和对应行业的特征负荷曲线进行相似度计算,当该用户的特征负荷曲线与其所在行业的特征负荷曲线相似度小于设定值时,继续查询该用户的每日用电量情况及每日负荷峰谷,推断出该用户是否存在负荷异动,及时提醒用户调整用电方案。
3.根据权利要求2所述的基于用电信息采集数据的用电分析方法,其特征在于:在步骤6)中,相似度计算为余弦相似度算法。
4.根据权利要求1所述的基于用电信息采集数据的用电分析方法,其特征在于:在步骤1)中,通过访问用电信息采集***数据库获取所有用户的负荷24点统计数据以及用户档案表数据生成明细清单,包括用户档案信息表和负荷数据明细表,所提取的字段信息包括:供电单位、户号、户名、用户分类、行业编码、受电容量、0-23点负荷。
5.根据权利要求4所述的基于用电信息采集数据的用电分析方法,其特征在于:得到明细清单后,对得到的明细清单进行筛选及预处理:清洗数据缺失、数据冗余、数据不准确、不规范的用户数据,其中各字段任一数据缺失为数据缺失,当地市单位、区县单位、供电所单位、户号、户名、用户分类、行业编码、受电容量或0-23点负荷数据为空时认为数据缺失;明细条目重复出现为数据冗余,当如地市单位、区县单位、供电所单位、户号、户名、用户分类、行业编码、受电容量、0-23点负荷数据的数据重复时认为数据缺失;业务数据出现明显的常识性错误为数据不准确,当供电单位、户号、户名与常识不符时认为数据不准确;各字段任一数据格式不规范为不规范,当受电容量、0-23点负荷数据、数据时间格式不规范时认为不规范;
清洗完毕后,按户号合并用户档案信息表和负荷数据明细表, 形成用户信息负荷数据表,以作为后序分析处理的数据基础。
6.根据权利要求1所述的基于用电信息采集数据的用电分析方法,其特征在于:在步骤3)中,进行归一化处理时,对原始数据的线性变换,将结果值映射到[0 - 1]之间。表达式如下:y=(x-MinValue)/(MaxValue-MinValue),其中:x、y分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610880295.5A CN106447206A (zh) | 2016-10-09 | 2016-10-09 | 基于用电信息采集数据的用电分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610880295.5A CN106447206A (zh) | 2016-10-09 | 2016-10-09 | 基于用电信息采集数据的用电分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447206A true CN106447206A (zh) | 2017-02-22 |
Family
ID=58172091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610880295.5A Pending CN106447206A (zh) | 2016-10-09 | 2016-10-09 | 基于用电信息采集数据的用电分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447206A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709822A (zh) * | 2017-03-14 | 2017-05-24 | 国家电网公司 | 一种行业用电数据关联关系挖掘方法及装置 |
CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和*** |
CN109117872A (zh) * | 2018-07-24 | 2019-01-01 | 贵州电网有限责任公司信息中心 | 一种基于自动最优聚类算法的用户用电行为分析方法 |
CN109190916A (zh) * | 2018-08-09 | 2019-01-11 | 国网浙江桐庐县供电有限公司 | 基于大数据分析的反窃电方法 |
CN109614997A (zh) * | 2018-11-29 | 2019-04-12 | 武汉大学 | 一种基于深度学习的窃电风险预测方法及装置 |
CN109767108A (zh) * | 2018-12-31 | 2019-05-17 | 国网安徽省电力有限公司 | 一种电力调度***线路状态精准分析方法 |
CN109784606A (zh) * | 2018-11-23 | 2019-05-21 | 国网江苏省电力有限公司电力科学研究院 | 一种企业用电逾期风险评估方法 |
CN109948909A (zh) * | 2019-02-26 | 2019-06-28 | 国网山东省电力公司莒县供电公司 | 一种电网数据采集分析方法及*** |
CN110298056A (zh) * | 2019-03-27 | 2019-10-01 | 国网浙江海盐县供电有限公司 | 一种配电网联络有效性评估方法 |
CN110334912A (zh) * | 2019-06-10 | 2019-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种分布式电源入网联络有效性评估方法 |
CN110572813A (zh) * | 2018-05-19 | 2019-12-13 | 北京融信数联科技有限公司 | 一种基于移动大数据的手机用户行为相似度分析方法 |
CN110689185A (zh) * | 2019-09-23 | 2020-01-14 | 国网青海省电力公司海西供电公司 | 用电处理方法及装置、存储介质、处理器 |
CN110807012A (zh) * | 2018-07-20 | 2020-02-18 | 国网山东省电力公司枣庄供电公司 | 一种全能供电所大数据支撑平台 |
CN111027741A (zh) * | 2019-10-28 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 一种面向时空维度的通用化负荷模型分析库构建方法 |
CN111209595A (zh) * | 2020-04-21 | 2020-05-29 | 国网四川省电力公司电力科学研究院 | 一种涉污企业用电信息匹配及数据处理方法 |
CN111612228A (zh) * | 2020-05-12 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于用电信息的用户用电行为分析方法 |
CN111626543A (zh) * | 2020-04-03 | 2020-09-04 | 国网浙江杭州市富阳区供电有限公司 | 电力相关数据的处理方法及装置 |
CN111680074A (zh) * | 2019-12-31 | 2020-09-18 | 国网浙江省电力有限公司 | 一种基于聚类算法的电力采集负荷漏点特征挖掘方法 |
CN111738364A (zh) * | 2020-08-05 | 2020-10-02 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户负荷与用电参量相结合的窃电检测方法 |
CN112258052A (zh) * | 2020-10-26 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 电力负荷的预测方法及装置 |
CN112560934A (zh) * | 2020-12-10 | 2021-03-26 | 国家电网有限公司 | 多尺度电力消费行为分析方法 |
US11847619B2 (en) | 2018-09-20 | 2023-12-19 | Siemens Ltd., China | System-state monitoring method and device and storage medium |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067327A1 (en) * | 2011-05-03 | 2014-03-06 | China Real-Time Technology Co., Ltd. | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
CN104933630A (zh) * | 2015-05-21 | 2015-09-23 | 国家电网公司 | 一种负荷特性分析方法和*** |
CN105678314A (zh) * | 2015-10-15 | 2016-06-15 | 东南大学 | 一种基于模糊c聚类的典型需求侧用户筛选方法 |
-
2016
- 2016-10-09 CN CN201610880295.5A patent/CN106447206A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067327A1 (en) * | 2011-05-03 | 2014-03-06 | China Real-Time Technology Co., Ltd. | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
CN104933630A (zh) * | 2015-05-21 | 2015-09-23 | 国家电网公司 | 一种负荷特性分析方法和*** |
CN105678314A (zh) * | 2015-10-15 | 2016-06-15 | 东南大学 | 一种基于模糊c聚类的典型需求侧用户筛选方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709822A (zh) * | 2017-03-14 | 2017-05-24 | 国家电网公司 | 一种行业用电数据关联关系挖掘方法及装置 |
CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和*** |
CN110572813A (zh) * | 2018-05-19 | 2019-12-13 | 北京融信数联科技有限公司 | 一种基于移动大数据的手机用户行为相似度分析方法 |
CN110807012B (zh) * | 2018-07-20 | 2023-06-09 | 国网山东省电力公司枣庄供电公司 | 一种全能供电所大数据支撑平台 |
CN110807012A (zh) * | 2018-07-20 | 2020-02-18 | 国网山东省电力公司枣庄供电公司 | 一种全能供电所大数据支撑平台 |
CN109117872A (zh) * | 2018-07-24 | 2019-01-01 | 贵州电网有限责任公司信息中心 | 一种基于自动最优聚类算法的用户用电行为分析方法 |
CN109190916A (zh) * | 2018-08-09 | 2019-01-11 | 国网浙江桐庐县供电有限公司 | 基于大数据分析的反窃电方法 |
US11847619B2 (en) | 2018-09-20 | 2023-12-19 | Siemens Ltd., China | System-state monitoring method and device and storage medium |
CN109784606A (zh) * | 2018-11-23 | 2019-05-21 | 国网江苏省电力有限公司电力科学研究院 | 一种企业用电逾期风险评估方法 |
CN109614997A (zh) * | 2018-11-29 | 2019-04-12 | 武汉大学 | 一种基于深度学习的窃电风险预测方法及装置 |
CN109767108A (zh) * | 2018-12-31 | 2019-05-17 | 国网安徽省电力有限公司 | 一种电力调度***线路状态精准分析方法 |
CN109948909A (zh) * | 2019-02-26 | 2019-06-28 | 国网山东省电力公司莒县供电公司 | 一种电网数据采集分析方法及*** |
CN110298056A (zh) * | 2019-03-27 | 2019-10-01 | 国网浙江海盐县供电有限公司 | 一种配电网联络有效性评估方法 |
CN110334912A (zh) * | 2019-06-10 | 2019-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种分布式电源入网联络有效性评估方法 |
CN110689185A (zh) * | 2019-09-23 | 2020-01-14 | 国网青海省电力公司海西供电公司 | 用电处理方法及装置、存储介质、处理器 |
CN111027741A (zh) * | 2019-10-28 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 一种面向时空维度的通用化负荷模型分析库构建方法 |
CN111680074A (zh) * | 2019-12-31 | 2020-09-18 | 国网浙江省电力有限公司 | 一种基于聚类算法的电力采集负荷漏点特征挖掘方法 |
CN111680074B (zh) * | 2019-12-31 | 2023-07-04 | 国网浙江省电力有限公司 | 一种基于聚类算法的电力采集负荷漏点特征挖掘方法 |
CN111626543A (zh) * | 2020-04-03 | 2020-09-04 | 国网浙江杭州市富阳区供电有限公司 | 电力相关数据的处理方法及装置 |
CN111209595B (zh) * | 2020-04-21 | 2020-08-11 | 国网四川省电力公司电力科学研究院 | 一种涉污企业用电信息匹配及数据处理方法 |
CN111209595A (zh) * | 2020-04-21 | 2020-05-29 | 国网四川省电力公司电力科学研究院 | 一种涉污企业用电信息匹配及数据处理方法 |
CN111612228A (zh) * | 2020-05-12 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于用电信息的用户用电行为分析方法 |
CN111738364A (zh) * | 2020-08-05 | 2020-10-02 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户负荷与用电参量相结合的窃电检测方法 |
CN112258052A (zh) * | 2020-10-26 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 电力负荷的预测方法及装置 |
CN112560934A (zh) * | 2020-12-10 | 2021-03-26 | 国家电网有限公司 | 多尺度电力消费行为分析方法 |
CN112560934B (zh) * | 2020-12-10 | 2024-03-01 | 国家电网有限公司 | 多尺度电力消费行为分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447206A (zh) | 基于用电信息采集数据的用电分析方法 | |
US11043808B2 (en) | Method for identifying pattern of load cycle | |
CN110223196A (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN106485262A (zh) | 一种母线负荷预测方法 | |
CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
CN107507038A (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
CN108959424A (zh) | 一种用于电力***负荷监测的城市用电地图的操作方法 | |
CN111080101A (zh) | 一种基于ahp对供电渠道服务效能多维度评价的方法 | |
CN101398919A (zh) | 利用模式分析的电力需求信息分析***及其方法 | |
CN110119948B (zh) | 基于时变权重动态组合的电力用户信用评价方法及*** | |
CN107248086A (zh) | 基于用户用电行为分析的广告投放辅助分析方法 | |
CN108388974A (zh) | 基于随机森林和决策树的优质客户优化识别方法及装置 | |
CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及*** | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
Panapakidis et al. | Implementation of modified versions of the K-means algorithm in power load curves profiling | |
CN110675020A (zh) | 一种基于大数据的高价低接用户识别方法 | |
CN107578277A (zh) | 用于电力营销的出租房客户定位方法 | |
CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
CN104239722A (zh) | 一种基于因素间相关关系识别的预测方法 | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN112200209A (zh) | 一种基于日差分用电量的贫困用户识别方法 | |
CN110009427B (zh) | 一种基于深度循环神经网络的电力销售金额智能预测方法 | |
CN110503145A (zh) | 一种基于k-shape聚类的典型负荷曲线获取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170222 |