CN111680851A - 基于k线图的企业用电趋势评估方法 - Google Patents
基于k线图的企业用电趋势评估方法 Download PDFInfo
- Publication number
- CN111680851A CN111680851A CN202010811177.5A CN202010811177A CN111680851A CN 111680851 A CN111680851 A CN 111680851A CN 202010811177 A CN202010811177 A CN 202010811177A CN 111680851 A CN111680851 A CN 111680851A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- line
- power consumption
- day
- graph
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 230000005611 electricity Effects 0.000 claims description 80
- 230000003442 weekly effect Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000012447 hatching Effects 0.000 claims description 12
- 239000007787 solid Substances 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明公开了一种基于K线图的企业用电趋势评估方法,解决了现有技术的不足,包括以下步骤:步骤1,获取企业的用电数据,步骤2,根据白天平均每小时用电量、夜间平均每小时用电量、全天最高单小时用电量和全天最低单小时用电量构建单日K线图;步骤3,单日K线图按照日期进行排列构成日K线图趋势图,根据所有单日K线图上引线的顶端构建全天最高单小时用电量拟合曲线,根据所有单日K线图下引线的底端构建全天最低单小时用电量拟合曲线,根据所有单日K线图的白天平均每小时用电量构建白天平均每小时用电量拟合曲线,根据所有单日K线图的夜间平均每小时用电量构建夜间平均每小时用电量拟合曲线,根据所有拟合曲线判断企业用电趋势。
Description
技术领域
本发明涉及能耗检测技术领域,尤其是指一种基于K线图的企业用电趋势评估方法。
背景技术
当今,全球掀起了节能减排浪潮,温室气体排放加剧地球气候的变暖,地球资源的日益减少。水气电是我国民经济发展和人类生活中应用最广泛、最具有依赖性的能源,节约能源刻不容缓。根据目前国内能耗市场的调查,企业能耗管理水平处于无法有效管理的状态。资源的浪费,利用效率的低、生产成本的增加,这些都大多因为能耗管理不完善,耗能居高不下,造成资源的浪费。在电力方面,进行企业用电趋势评估很有必要,目前的企业用电趋势无法进行有效评估,不能准确预测企业的用电能耗,会给供电企业和电力用户造成资源浪费、成本增加的问题。
发明内容
本发明的目的是克服现有技术中企业用电趋势无法进行有效评估的缺点,提供一种基于K线图的企业用电趋势评估方法。
本发明的目的是通过下述技术方案予以实现的:
一种基于K线图的企业用电趋势评估方法,包括以下步骤:
步骤1,获取企业的用电数据,用电数据包括白天平均每小时用电量、夜间平均每小时用电量、全天最高单小时用电量和全天最低单小时用电量;
步骤2,根据白天平均每小时用电量、夜间平均每小时用电量、全天最高单小时用电量和全天最低单小时用电量构建单日K线图,其中,单日K线图实体的底部为白天平均每小时用电量和夜间平均每小时用电量之间的较低值,单日K线图实体的顶部为白天平均每小时用电量和夜间平均每小时用电量之间的较高值,上影线的顶端为全天最高单小时用电量,下影线的底端为全天最低单小时用电量,单日K线图实体实心表示白天平均每小时用电量低于夜间平均每小时用电量,单日K线图实体空心表示白天平均每小时用电量高于夜间平均每小时用电量;
步骤3,单日K线图按照日期进行排列构成日K线图趋势图,根据所有单日K线图上影线的顶端构建全天最高单小时用电量拟合曲线,根据所有单日K线图下影线的底端构建全天最低单小时用电量拟合曲线,根据所有单日K线图的白天平均每小时用电量构建白天平均每小时用电量拟合曲线,根据所有单日K线图的夜间平均每小时用电量构建夜间平均每小时用电量拟合曲线,根据所有拟合曲线判断企业用电趋势。
日K线趋势图可以直观反映出企业每天的用电情况,且可以根据日K线趋势图对企业的用电趋势有较为科学准确的预估,最高单小时用电量拟合曲线可以判断企业最高的单小时用电负荷趋势,同理最低单小时用电量拟合曲线可以判断企业最低的单小时用电负荷趋势,白天平均每小时用电量拟合曲线和夜间平均每小时用电量拟合曲线也可以给企业日后平均用电量趋势做参考。多条拟合曲线的运用,可以从多维度评估企业用电趋势,对企业的能耗水平可以预测判断,提高了企业用电能耗管理水平。
基于K线图的企业用电趋势评估方法还包括判断企业用电行为是否异常的方法,具体为:首先将单个企业的日K线趋势图转换成周K线趋势图或月K线趋势图,然后提取单个企业的周K线趋势图或月K线趋势图的特征值,并根据特征值对企业进行聚类;聚类完成后,通过单个企业的日K线趋势图和聚类中心企业的日K线趋势图进行比较,判断单个企业用电行为是否异常。
如果仅仅看单个企业的日K线趋势图,对于企业的用电趋势还不能做到准确的评估,因此需要和类似的企业进行比较,不仅可以得出较为准确的用电趋势,还可以判断企业的用电水平。企业的日K线趋势图转换成周K线趋势图或月K线趋势图,避免了单日用电水平差别过大容易造成聚类不准确的问题,通过一个较长的周期内的企业用电趋势进行聚类,可以得出日K线趋势图较为相似的企业,即用电行为较为相似的企业,然后通过目标企业和中心企业的日K线趋势图的比较分析可以更准确的对企业的用电趋势进行预判。
作为一种优选方案,提取单个企业的周K线趋势图或月K线趋势图的特征值具体为:
首先获取单个企业周或月白天平均每小时用电量、周或月夜间平均每小时用电量、周或月最高单小时用电量和周或月最低单小时用电量,然后取周或月白天平均每小时用电量的中位值、周或月夜间平均每小时用电量的中位值、周或月最高单小时用电量的中位值和周或月最低单小时用电量中位值,所有中位值进行归一化处理后即为单个企业的周K线趋势图或月K线趋势图的特征值。由于需要提取多个特征值来进行聚类,本方案巧妙的通过周K线趋势图或月K线趋势图的特征值对企业进行聚类,具有相似的周或月白天平均每小时用电量的中位值、周或月夜间平均每小时用电量的中位值、周或月最高单小时用电量的中位值和周或月最低单小时用电量中位值即可判断为相似的企业,可以对这类企业进行统计分析。
作为一种优选方案,根据特征值对企业进行聚类的具体方法为:
子步骤1,选取若干个企业为聚类中心企业,则其他企业为待聚类企业;
子步骤2,根据待聚类企业的特征值和聚类中心企业的特征值计算欧式距离,若一个待聚类企业与某个聚类中心企业距离最短,则将这一个待聚类企业分到此聚类中心企业的类中,完成初始聚类;
子步骤3,初始聚类完成后,计算此聚类下所有企业所对应的均值作为该类别新的聚类中心,离聚类中心最近的企业为聚类中心企业;
子步骤4,判断重新选取的聚类中心企业是否和子步骤1中的聚类中心企业相同,若相同,则聚类完成跳转至步骤2,若不相同,则重复子步骤2和子步骤3,直到重新选取的聚类中心企业和子步骤1中的聚类中心企业相同或达到设定的最大迭代次数,跳转至步骤2。
欧式距离计算的公式为:
其中,m表示数据的m个维度,即m种特征值,k表示数据的第k个维度,Dij表示多元异构数据点ai到聚类中心企业中心点Mj的欧式距离。
子步骤4更新聚类中心的方法可以更为准确的寻找出最优的聚类中心,选取当前聚类中所有点的重心作为新的中心点,达到了最优的行业划分,子步骤5中,多次迭代优化可以寻找出最优的聚类中心,同时设置最大迭代次数,避免出现重新选取的聚类中心企业和子步骤2中的聚类中心企业始终不同导致一直需要重新选取的情况。
作为一种优选方案,判断单个企业用电行为是否异常具体为:首先选取单个企业和聚类中心企业在设定的日期内日K线趋势图,计算日K线趋势图内所有日K线的面积并求和,其中,实体的日K线的面积为正值,空心的日K线的面积为负值,计算在设定的日期内单个企业和聚类中心企业日K线的面积和的差值,若差值大于等于设定的第一阈值,则判断企业用电异常,若差值小于设定的第一阈值,则判断企业用电正常。
作为一种优选方案,判断单个企业用电行为是否异常具体为:首先选取单个企业和聚类中心企业在设定的日期内日K线趋势图,计算日K线趋势图内所有日K线的面积,其中,实体的日K线的面积为正值,空心的日K线的面积为负值,计算在设定的日期内同一日期单个企业和聚类中心企业日K线的面积的差值,并对设定的日期内所有日期面积的差值计算方差,若方差大于等于设定的第二阈值,则判断企业用电异常,若差值小于设定的第二阈值,则判断企业用电正常。
作为一种优选方案,基于K线图的企业用电趋势评估方法还计算日K线趋势图内所有日K线的影线的长度并求和,再计算在设定的日期内单个企业和聚类中心企业日K线的影线的长度和的差值,若设定的日期内单个企业和聚类中心企业日K线的面积和的差值和日K线的影线的长度和的差值的加权平均值大于等于设定的第一阈值,则判断企业用电异常,若差值和影线的长度和的加权平均值小于设定的第一阈值,则判断企业用电正常。
作为一种优选方案,基于K线图的企业用电趋势评估方法还计算日K线趋势图内所有日K线的影线的长度,计算在设定的日期内同一日期单个企业和聚类中心企业日K线影线长度的差值,并对设定的日期内所有日期影线长度的差值计算方差,若面积的差值的方差和影线长度的差值的方差的加权平均值大于等于设定的第二阈值,则判断企业用电异常,若差值小于设定的第二阈值,则判断企业用电正常。
作为一种优选方案,基于K线图的企业用电趋势评估方法还包括计算企业周期性用电规律的方法,具体为:寻找日K线趋势图中大于一定数量的相邻排列的日K线组,然后寻找与此日K线组左右相邻的数量相等的日K线组,若三组日K线组中实体的K线图和空心的K线图数量相等且均按照相同的顺序排列,则判断此日K线组包含的日期为一个企业用电周期,通过周期性的规律判断企业的用电趋势。由于企业的用电趋势很可能会周期性的进行变化,通过日K线趋势图可以判断企业用电变化的周期,进而可以通过周期内企业用电的变化来判断企业用电的趋势。
作为一种优选方案,全天最低单小时用电量为企业开工时的最低单小时用电量,即全天最低单小时用电量不为0。在企业停工停产时,单小时用电量为0,则这个单位时间内的用电量不应计入企业最低单小时用电量,否则会造成误差。
本发明的有益效果是:本发明通过对企业用电量的K线趋势图来判断企业的用电趋势,对企业的能耗水平可以预测判断,提高了企业用电能耗管理水平,同时通过对类似企业的K线趋势图进行对比,可以判断企业用电的情况是否处于正常状态,对于用电异常的情况可以做出预警。更多的,通过K线趋势图可以寻找企业周期性的用电规律,进一步的准确预估企业的用电趋势。
附图说明
图1是本发明的一种流程图;
图2是本发明对企业聚类时的流程图;
图3是本发明单日K线图示意图;
图4是本发明的另一种单日K线图示意图;
图5是本发明的电量拟合曲线图。
其中:1、顶部,2、底部,3、上影线,4、下影线,5、全天最高单小时用电量拟合曲线,6、白天平均每小时用电量拟合曲线,7、夜间平均每小时用电量拟合曲线,8、全天最低单小时用电量拟合曲线。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例1:
基于K线图的企业用电趋势评估方法,如图1所示,包括以下步骤:
步骤1,获取企业的用电数据,用电数据包括白天平均每小时用电量、夜间平均每小时用电量、全天最高单小时用电量和全天最低单小时用电量;
步骤2,根据白天平均每小时用电量、夜间平均每小时用电量、全天最高单小时用电量和全天最低单小时用电量构建单日K线图,其中如图3、图4所示,单日K线图实体的底部2为白天平均每小时用电量和夜间平均每小时用电量之间的较低值,单日K线图实体的顶部1为白天平均每小时用电量和夜间平均每小时用电量之间的较高值,上影线3的顶端为全天最高单小时用电量,下影线4的底端为全天最低单小时用电量,单日K线图实体实心表示白天平均每小时用电量低于夜间平均每小时用电量,单日K线图实体空心表示白天平均每小时用电量高于夜间平均每小时用电量;
步骤3,单日K线图按照日期进行排列构成日K线图趋势图,如图5所示,根据所有单日K线图上影线的顶端构建全天最高单小时用电量拟合曲线5,根据所有单日K线图下影线的底端构建全天最低单小时用电量拟合曲线8,根据所有单日K线图的白天平均每小时用电量构建白天平均每小时用电量拟合曲线6,根据所有单日K线图的夜间平均每小时用电量构建夜间平均每小时用电量拟合曲线7,根据所有拟合曲线判断企业用电趋势。
日K线趋势图可以直观反映出企业每天的用电情况,且可以根据日K线趋势图对企业的用电趋势有较为科学准确的预估,最高单小时用电量拟合曲线可以判断日后企业最高的单小时用电负荷,同理最低单小时用电量拟合曲线可以判断日后企业最低的单小时用电负荷,白天平均每小时用电量拟合曲线和夜间平均每小时用电量拟合曲线也可以给企业日后平均用电量做参考。多条拟合曲线的运用,可以从多维度评估企业用电趋势,对企业的能耗水平可以预测判断,提高了企业用电能耗管理水平。
如图2所示,基于K线图的企业用电趋势评估方法还包括判断企业用电行为是否异常的方法,具体为:首先将单个企业的日K线趋势图转换成周K线趋势图或月K线趋势图,然后提取单个企业的周K线趋势图或月K线趋势图的特征值,并根据特征值对企业进行聚类;聚类完成后,通过单个企业的日K线趋势图和聚类中心企业的日K线趋势图进行比较,判断单个企业用电行为是否异常。
如果仅仅看单个企业的日K线趋势图,对于企业的用电趋势还不能做到准确的评估,因此需要和类似的企业进行比较,不仅可以得出较为准确的用电趋势,还可以判断企业的用电水平。企业的日K线趋势图转换成周K线趋势图或月K线趋势图,避免了单日用电水平差别过大容易造成聚类不准确的问题,通过一个较长的周期内的企业用电趋势进行聚类,可以得出日K线趋势图较为相似的企业,即用电行为较为相似的企业,然后通过目标企业和中心企业的日K线趋势图的比较分析可以更准确的对企业的用电趋势进行预判。
提取单个企业的周K线趋势图或月K线趋势图的特征值具体为:
首先获取单个企业周或月白天平均每小时用电量、周或月夜间平均每小时用电量、周或月最高单小时用电量和周或月最低单小时用电量,然后取周或月白天平均每小时用电量的中位值、周或月夜间平均每小时用电量的中位值、周或月最高单小时用电量的中位值和周或月最低单小时用电量中位值,所有中位值进行归一化处理后即为单个企业的周K线趋势图或月K线趋势图的特征值。由于需要提取多个特征值来进行聚类,本方案巧妙的通过周K线趋势图或月K线趋势图的特征值对企业进行聚类,具有相似的周或月白天平均每小时用电量的中位值、周或月夜间平均每小时用电量的中位值、周或月最高单小时用电量的中位值和周或月最低单小时用电量中位值即可判断为相似的企业,可以对这类企业进行统计分析。
根据特征值对企业进行聚类具体方法为:
子步骤1,选取若干个企业为聚类中心企业,则其他企业为待聚类企业,
子步骤2,根据待聚类企业的特征值和聚类中心企业的特征值计算欧式距离,若一个待聚类企业与某个聚类中心企业距离最短,则将这一个待聚类企业分到此聚类中心企业的类中,完成初始聚类;
子步骤3,初始聚类完成后,计算此聚类下所有企业所对应的均值作为该类别新的聚类中心,离聚类中心最近的企业为聚类中心企业;
子步骤4,判断重新选取的聚类中心企业是否和子步骤1中的聚类中心企业相同,若相同,则聚类完成跳转至步骤2,若不相同,则重复子步骤2和子步骤3,直到重新选取的聚类中心企业和子步骤1中的聚类中心企业相同或达到设定的最大迭代次数,跳转至步骤2。
欧式距离计算的公式为:
其中,m表示数据的m个维度,即m种特征值,k表示数据的第k个维度,Dij表示多元异构数据点ai到聚类中心企业中心点Mj的欧式距离。
子步骤4更新聚类中心的方法可以更为准确的寻找出最优的聚类中心,选取当前聚类中所有点的重心作为新的中心点,达到了最优的行业划分,子步骤5中,多次迭代优化可以寻找出最优的聚类中心,同时设置最大迭代次数,避免出现重新选取的聚类中心企业和子步骤2中的聚类中心企业始终不同导致一直需要重新选取的情况。
判断单个企业用电行为是否异常具体为:首先选取单个企业和聚类中心企业在设定的日期内日K线趋势图,计算日K线趋势图内所有日K线的面积并求和,其中,实体的日K线的面积为正值,空心的日K线的面积为负值,计算在设定的日期内单个企业和聚类中心企业日K线的面积和的差值,若差值大于等于设定的第一阈值,则判断企业用电异常,若差值小于设定的第一阈值,则判断企业用电正常。
判断单个企业用电行为是否异常具体为:首先选取单个企业和聚类中心企业在设定的日期内日K线趋势图,计算日K线趋势图内所有日K线的面积,其中,实体的日K线的面积为正值,空心的日K线的面积为负值,计算在设定的日期内同一日期单个企业和聚类中心企业日K线的面积的差值,并对设定的日期内所有日期面积的差值计算方差,若方差大于等于设定的第二阈值,则判断企业用电异常,若差值小于设定的第二阈值,则判断企业用电正常。
基于K线图的企业用电趋势评估方法还包括计算企业周期性用电规律的方法,具体为:寻找日K线趋势图中大于一定数量的相邻排列的日K线组,然后寻找与此日K线组左右相邻的数量相等的日K线组,若三组日K线组中实体的K线图和空心的K线图数量相等且均按照相同的顺序排列,则判断此日K线组包含的日期为一个企业用电周期,通过周期性的规律判断企业的用电趋势。由于企业的用电趋势很可能会周期性的进行变化,通过日K线趋势图可以判断企业用电变化的周期,进而可以通过周期内企业用电的变化来判断企业用电的趋势。
全天最低单小时用电量为企业开工时的最低单小时用电量,即全天最低单小时用电量不为0。在企业停工停产时,单小时用电量为0,则这个单位时间内的用电量不应计入企业最低单小时用电量,否则会造成误差。
实施例2:一种基于K线图的企业用电趋势评估方法,其原理和实施方法和实施例1基本相同,不同之处在于基于K线图的企业用电趋势评估方法还计算日K线趋势图内所有日K线的影线的长度,计算在设定的日期内同一日期单个企业和聚类中心企业日K线影线长度的差值,并对设定的日期内所有日期影线长度的差值计算方差,若面积的差值的方差和影线长度的差值的方差的加权平均值大于等于设定的第二阈值,则判断企业用电异常,若差值小于设定的第二阈值,则判断企业用电正常。
实施例3:一种基于K线图的企业用电趋势评估方法,其原理和实施方法和实施例1基本相同,不同之处在于基于K线图的企业用电趋势评估方法还计算日K线趋势图内所有日K线的影线的长度并求和,再计算在设定的日期内单个企业和聚类中心企业日K线的影线的长度和的差值,若设定的日期内单个企业和聚类中心企业日K线的面积和的差值和日K线的影线的长度和的差值的加权平均值大于等于设定的第一阈值,则判断企业用电异常,若差值和影线的长度和的加权平均值小于设定的第一阈值,则判断企业用电正常。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (9)
1.基于K线图的企业用电趋势评估方法,其特征是,包括以下步骤:
步骤1,获取企业的用电数据,用电数据包括白天平均每小时用电量、夜间平均每小时用电量、全天最高单小时用电量和全天最低单小时用电量;
步骤2,根据白天平均每小时用电量、夜间平均每小时用电量、全天最高单小时用电量和全天最低单小时用电量构建单日K线图,其中,单日K线图实体的底部为白天平均每小时用电量和夜间平均每小时用电量之间的较低值,单日K线图实体的顶部为白天平均每小时用电量和夜间平均每小时用电量之间的较高值,上影线的顶端为全天最高单小时用电量,下影线的底端为全天最低单小时用电量,单日K线图实体实心表示白天平均每小时用电量低于夜间平均每小时用电量,单日K线图实体空心表示白天平均每小时用电量高于夜间平均每小时用电量;
步骤3,单日K线图按照日期进行排列构成日K线图趋势图,根据所有单日K线图上影线的顶端构建全天最高单小时用电量拟合曲线,根据所有单日K线图下影线的底端构建全天最低单小时用电量拟合曲线,根据所有单日K线图的白天平均每小时用电量构建白天平均每小时用电量拟合曲线,根据所有单日K线图的夜间平均每小时用电量构建夜间平均每小时用电量拟合曲线,根据所有拟合曲线判断企业用电趋势;
企业用电趋势评估方法还包括判断企业用电行为是否异常的方法,具体为:
首先将单个企业的日K线趋势图转换成周K线趋势图或月K线趋势图,然后提取单个企业的周K线趋势图或月K线趋势图的特征值,并根据特征值对企业进行聚类;聚类完成后,通过单个企业的日K线趋势图和聚类中心企业的日K线趋势图进行比较,判断单个企业用电行为是否异常。
2.根据权利要求1所述的基于K线图的企业用电趋势评估方法,其特征是,提取单个企业的周K线趋势图或月K线趋势图的特征值具体为:
首先获取单个企业周或月白天平均每小时用电量、周或月夜间平均每小时用电量、周或月最高单小时用电量和周或月最低单小时用电量,然后取周或月白天平均每小时用电量的中位值、周或月夜间平均每小时用电量的中位值、周或月最高单小时用电量的中位值和周或月最低单小时用电量中位值,所有中位值进行归一化处理后即为单个企业的周K线趋势图或月K线趋势图的特征值。
3.根据权利要求1或2所述的基于K线图的企业用电趋势评估方法,其特征是,所述根据特征值对企业进行聚类的具体方法为:
子步骤1,选取若干个企业为聚类中心企业,则其他企业为待聚类企业;
子步骤2,根据待聚类企业的特征值和聚类中心企业的特征值计算欧式距离,若一个待聚类企业与某个聚类中心企业距离最短,则将这一个待聚类企业分到此聚类中心企业的类中,完成初始聚类;
子步骤3,初始聚类完成后,计算此聚类下所有企业所对应的均值作为该类别新的聚类中心,离聚类中心最近的企业为聚类中心企业;
子步骤4,判断重新选取的聚类中心企业是否和子步骤1中的聚类中心企业相同,若相同,则聚类完成跳转至步骤2,若不相同,则重复子步骤2和子步骤3,直到重新选取的聚类中心企业和子步骤1中的聚类中心企业相同或达到设定的最大迭代次数,跳转至步骤2。
4.根据权利要求1或2所述的基于K线图的企业用电趋势评估方法,其特征是,所述的判断单个企业用电行为是否异常具体为:首先选取单个企业和聚类中心企业在设定的日期内日K线趋势图,计算日K线趋势图内所有日K线的面积并求和,其中,实体的日K线的面积为正值,空心的日K线的面积为负值,计算在设定的日期内单个企业和聚类中心企业日K线的面积和的差值,若差值大于等于设定的第一阈值,则判断企业用电异常,若差值小于设定的第一阈值,则判断企业用电正常。
5.根据权利要求1或2所述的基于K线图的企业用电趋势评估方法,其特征是,所述的判断单个企业用电行为是否异常具体为:首先选取单个企业和聚类中心企业在设定的日期内日K线趋势图,计算日K线趋势图内所有日K线的面积,其中,实体的日K线的面积为正值,空心的日K线的面积为负值,计算在设定的日期内同一日期单个企业和聚类中心企业日K线的面积的差值,并对设定的日期内所有日期面积的差值计算方差,若方差大于等于设定的第二阈值,则判断企业用电异常,若差值小于设定的第二阈值,则判断企业用电正常。
6.根据权利要求4所述的基于K线图的企业用电趋势评估方法,其特征是,还计算日K线趋势图内所有日K线的影线的长度并求和,再计算在设定的日期内单个企业和聚类中心企业日K线的影线的长度和的差值,若设定的日期内单个企业和聚类中心企业日K线的面积和的差值和日K线的影线的长度和的差值的加权平均值大于等于设定的第一阈值,则判断企业用电异常,若差值和影线的长度和的加权平均值小于设定的第一阈值,则判断企业用电正常。
7.根据权利要求5所述的基于K线图的企业用电趋势评估方法,其特征是,还计算日K线趋势图内所有日K线的影线的长度,计算在设定的日期内同一日期单个企业和聚类中心企业日K线影线长度的差值,并对设定的日期内所有日期影线长度的差值计算方差,若面积的差值的方差和影线长度的差值的方差的加权平均值大于等于设定的第二阈值,则判断企业用电异常,若差值小于设定的第二阈值,则判断企业用电正常。
8.根据权利要求1或2所述的基于K线图的企业用电趋势评估方法,其特征是,还包括计算企业周期性用电规律的方法,具体为:寻找日K线趋势图中大于一定数量的相邻排列的日K线组,然后寻找与此日K线组左右相邻的数量相等的日K线组,若三组日K线组中实体的K线图和空心的K线图数量相等且均按照相同的顺序排列,则判断此日K线组包含的日期为一个企业用电周期,通过周期性的规律判断企业的用电趋势。
9.根据权利要求1或2所述的基于K线图的企业用电趋势评估方法,其特征是,所述的全天最低单小时用电量为企业开工时的最低单小时用电量,即全天最低单小时用电量不为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010811177.5A CN111680851B (zh) | 2020-08-13 | 2020-08-13 | 基于k线图的企业用电趋势评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010811177.5A CN111680851B (zh) | 2020-08-13 | 2020-08-13 | 基于k线图的企业用电趋势评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680851A true CN111680851A (zh) | 2020-09-18 |
CN111680851B CN111680851B (zh) | 2020-11-03 |
Family
ID=72458264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010811177.5A Active CN111680851B (zh) | 2020-08-13 | 2020-08-13 | 基于k线图的企业用电趋势评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680851B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614005A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 企业复工状态的处理方法和装置 |
CN112686491A (zh) * | 2020-10-30 | 2021-04-20 | 国网浙江省电力有限公司台州供电公司 | 一种基于用电行为的企业电力数据分析方法 |
CN113190796A (zh) * | 2021-04-14 | 2021-07-30 | 黄河水利委员会黄河水利科学研究院 | 多维度表征水位变化的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294093A (zh) * | 2017-07-26 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 基于k线图的电力数据分析方法、装置及智能终端 |
CN107808337A (zh) * | 2017-11-03 | 2018-03-16 | 上海宽全智能科技有限公司 | 因子聚类方法与装置、设备与存储介质 |
CN109086930A (zh) * | 2018-07-27 | 2018-12-25 | 广东电网有限责任公司 | 一种基于电力k线图及深度网络的用户用电行为分析方法 |
CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
CN110689162A (zh) * | 2019-08-12 | 2020-01-14 | 国电南瑞科技股份有限公司 | 一种基于用户侧分类的母线负荷预测方法、装置及*** |
-
2020
- 2020-08-13 CN CN202010811177.5A patent/CN111680851B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294093A (zh) * | 2017-07-26 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 基于k线图的电力数据分析方法、装置及智能终端 |
CN107808337A (zh) * | 2017-11-03 | 2018-03-16 | 上海宽全智能科技有限公司 | 因子聚类方法与装置、设备与存储介质 |
CN109086930A (zh) * | 2018-07-27 | 2018-12-25 | 广东电网有限责任公司 | 一种基于电力k线图及深度网络的用户用电行为分析方法 |
CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
CN110689162A (zh) * | 2019-08-12 | 2020-01-14 | 国电南瑞科技股份有限公司 | 一种基于用户侧分类的母线负荷预测方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
彭显刚 等: "基于聚类分析的客户用电模式智能识别方法", 《电力***保护与控制》 * |
田璐: "基于Spark_Streaming的用电异常在线检测研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686491A (zh) * | 2020-10-30 | 2021-04-20 | 国网浙江省电力有限公司台州供电公司 | 一种基于用电行为的企业电力数据分析方法 |
CN112614005A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 企业复工状态的处理方法和装置 |
CN112614005B (zh) * | 2020-11-30 | 2024-04-30 | 国网北京市电力公司 | 企业复工状态的处理方法和装置 |
CN113190796A (zh) * | 2021-04-14 | 2021-07-30 | 黄河水利委员会黄河水利科学研究院 | 多维度表征水位变化的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111680851B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680851B (zh) | 基于k线图的企业用电趋势评估方法 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
Rajabi et al. | A comparative study of clustering techniques for electrical load pattern segmentation | |
CN111160617B (zh) | 一种电力日负荷预测方法及装置 | |
CN109657891B (zh) | 一种基于自适应k-means++算法的负荷特性分析方法 | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及*** | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN111680764B (zh) | 一种行业复工复产程度监控方法 | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及*** | |
CN114417971A (zh) | 一种基于k近邻密度峰值聚类的电力数据异常值检测算法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN112836911A (zh) | 小区节能参数的确定方法、装置、电子设备及存储介质 | |
CN113065278A (zh) | 一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法 | |
CN112766590B (zh) | 一种居民典型电力消费模式的提取方法与*** | |
CN114519651A (zh) | 基于电力大数据的智能配电方法 | |
Park et al. | Demand power forecasting with data mining method in smart grid | |
CN117151495A (zh) | 一种光伏发电***运行效率评估分析方法 | |
CN114169590B (zh) | 一种基于多情景划分的水库入库径流预报校正方法和*** | |
CN114091782B (zh) | 中长期电力负荷预测方法 | |
CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、*** | |
CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 | |
CN113344073A (zh) | 一种基于融合进化算法的日负荷曲线聚类方法及*** | |
Wen et al. | A novel approach for identifying customer groups for personalized demand-side management services using household socio-demographic data | |
CN113723776A (zh) | 一种宏观经济景气指数的预测方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |