CN111798333A - 一种用能评估与用电安全分析方法和*** - Google Patents
一种用能评估与用电安全分析方法和*** Download PDFInfo
- Publication number
- CN111798333A CN111798333A CN202010537138.0A CN202010537138A CN111798333A CN 111798333 A CN111798333 A CN 111798333A CN 202010537138 A CN202010537138 A CN 202010537138A CN 111798333 A CN111798333 A CN 111798333A
- Authority
- CN
- China
- Prior art keywords
- user
- utilization
- electricity
- energy
- safety
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 94
- 238000011156 evaluation Methods 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 230000006399 behavior Effects 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005265 energy consumption Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000010234 longitudinal analysis Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种用能评估与用电安全分析方法和***,所述方法包括:对用户用电行为特征进行提取,实现数据降维;对降维后的数据聚类分析,根据不同用电行为进行用户分类;计算用户用能综合评估值;根据综合评估值评估同一类型用户不同时间尺度上的综合能效;根据综合评估值,评估和比较相同时间段不同类型用户的综合能效;对历史用电安全事件进行分类,结合用户用能曲线,分析用电安全事件发生的原因;针对不同类型用户给出相应的用能策略。实现了用电行为分析,用户用能评估,用电安全分析,通过对用户用电行分析,研究用户类型,挖掘用户调控潜力,完善用能评估体系,保证电网的安全和经济运行。
Description
技术领域
本发明属于用能评估及用电安全技术领域,涉及一种用能评估与用电安全分析方法和***。
背景技术
综合能源是助力能源革命,推进电力行业向绿色低碳发展的重要手段之一。随着大数据技术的成熟及用能需求的增加,越来越多的企业针对智慧能源云服务提出了多种业务模式及创新理念。通过大数据分析手段,及时、准确地掌握客户用电行为特征,不仅可以帮助政府及工商业等部门提高服务水平,还可提升企业的盈利能力和竞争能力。在综合能源服务中,掌握园区用能数据,并基于此开展针对用户的智慧用能策略,可大大提高园区的用能效率及经济效益。
量化评估电力用户用电特征,建立相应的评价体系和技术评估方法,是实现智慧用能的重要依据。用户评价体系及相应技术已较为完善成熟,但现阶段市场上仍缺少相应的用户侧技术产品。用能安全研究是保证智慧用能安全有序实施的重要举措,结合云平台及大数据技术,分析综合能源***中用户的用能安全问题,并针对用户用能特征给出合理用能建议是智慧能源产品的发展方向之一。
发明内容
为解决现有技术中的不足,本申请提供一种用能评估与用电安全分析方法和***,通过对用户用电行为进行深入分析,研究用户类型,挖掘用户调控潜力,完善用能评估体系,解决无需求侧参与的传统模式下电网运行安全问题,保证电网的安全和经济运行。
为了实现上述目标,本申请的第一件发明采用如下技术方案:
一种用能评估与用电安全分析方法,所述方法包括:
对用户用电行为特征进行提取和分析,评估用户综合能效;
对用电安全事件进行分类和分析,给出用户用能策略,实现用户安全用能。
本发明进一步包括以下优选方案:
所述对用户用电行为特征进行提取和分析,评估用户综合能效,包括以下步骤:
步骤1:对用户用电行为特征进行提取,构成用户用电行为特征集,实现数据降维;
步骤2:对用户用电行为特征集中的特征进行聚类分析,实现根据不同用电行为的用户分类;
步骤3:对用户用电行为特征集中的各项特征进行权重计算,得到用户用电行为综合评估值;
步骤4:根据所述综合评估值,开展用户用能纵向分析,评估同一类型用户不同时间尺度上的综合能效;
步骤5:根据用户类别和所述综合评估值,开展不同类型用户用能横向比较,评估和比较相同时间段不同类型用户的综合能效。
所述步骤1基于主成分分析法对用户用电行为特征进行提取,构成用户用电行为特征集,实现数据降维,具体包括:
步骤1.1:将用户用电行为作为负荷样本,得到m*n维特征矩阵:
X′={xij|i=1,...,m,j=1,...,n}
其中,n为负荷样本包括的特征数,m为n维特征中每一维对应的样本数量;则特征矩阵X′的协方差矩阵Z为:
步骤1.2:计算协方差矩阵Z的特征值λ1,λ2,...,λn与特征向量e1,e2,...,en,其中λ1≥λ2≥...≥λn≥0;
步骤1.3:解协方差矩阵Z的特征方程|Z-λIn|=0得到n个特征根,根据特征根筛选主成分,构成用户用电行为特征集X,实现数据降维。
步骤1还包括步骤1.4:计算协方差矩阵Z的方差贡献率ηi以及累计方差贡献率η∑(k):
计算公式为:
其中,ηi为第i个成分的方差贡献率;k为根据特征根筛选确定的主成分个数;方差贡献率ηi和累计方差贡献率η∑(k)的结果表示已确定的主成分能够解释原变量的信息量的百分比。
步骤1.3中选用特征根大于1的成分作为主成分。
步骤1所述用户用电行为特征包括日用电量、日最大负荷、日最小负荷、日平均负荷、日负荷率、峰时耗电率、谷电系数、日最小负荷率、日峰谷差和日峰谷差率。
步骤3中,将步骤1得到的k项主成分作为评估指标,则每项指标有m个被评价对象;基于熵权法,对用户用电行为特征集X中的各项特征进行权重计算,得到用户用电行为综合评估值。
步骤3具体包括以下步骤:
步骤3.1:将用户用电行为特征集X中的xij归一化得到yij,归一化公式为:
其中,yij表示归一化后的第i个对象的第j个指标值,xij表示第i个对象的第j个指标的原始值,Xjmin表示第j个指标的最小值,Xjmax表示第j个指标的最大值;
步骤3.2:计算第j项指标下第i个样本值占该指标的比重:
步骤3.3:计算第j项指标的熵值:
步骤3.4:计算第j项指标的信息熵冗余度:
dj=1-Ej,j=1,...,k
步骤3.5:计算各项指标的权重即熵权:
其中,0≤ωj≤1;
步骤3.6:计算用户用电行为综合评估值:
F=∑ωjyij。
步骤2所述K-means算法采用距离作为相似性的评价指标,将距离靠近即相似度高于相似度阈值的对象分为一簇。
所述K-means算法采用的距离计算公式为:
其中,xi和yi是d维欧几里得空间中的任意两个点。
所述用户的类型划分为居民用户和工业用户,所述居民用户类型划分为:上班族、学生及老人混居家庭;老人家庭;以及闲置房。
步骤4所述不同时间尺度包括日内时间段、日类型、周、月、季度和年。
所述对用电安全事件进行分类和分析,给出用户用能策略,实现用户安全用能,包括以下步骤:
对历史用电安全事件进行分类,结合用户用能曲线,分析用电安全事件发生的原因;
根据用电安全事件发生的原因,针对不同类型用户给出相应的用能策略,实现用户安全用能。
所述用电安全事件包括电压电流越限、电压电流三相不平衡以及漏电及电压暂降;
所述用电安全事件发生的原因包括三相负载分配严重不平衡,无功过补偿或欠补偿以及***接线问题;
所述用户用能曲线为用电功率曲线。
所述对历史用电安全事件进行分类,结合用户用能曲线,分析用电安全事件发生的原因,具体为:将用户一天24小时的用电功率曲线与不同时刻发生的用电安全事件进行关联分析,分析安全事件发生时刻用电功率是否发生异常或此时刻的用电功率特点。
本申请还公开了另一件发明,即一种用能评估与用电安全分析***,包括用能评估模块和用电安全分析模块,其特征在于:
所述用能评估模块,用于对用户用电行为特征进行提取和分析,评估用户综合能效;
所述用电安全分析模块,用于对用电安全事件进行分类和分析,给出用户用能策略,实现用户安全用能。
本申请所达到的有益效果:
1.本申请的数据降维方法,避免了特征间存在相关性,避免了特征过多使得数据集规模过大,冗余度上升的问题,降低了计算的复杂程度;
2.本申请对用电行为特征进行客观评估,可以有效提高评估效率,其评价结果可以反映电力用户在不同时间尺度的综合能效,并可在不同类型用户间进行对比,掌握区域整体能效水平;
3.本申请针对不同类型用户给出相应的用能策略,向用户推送最佳用能策略提高用电安全并增加经济效益,从而实现用能安全。
4.本申请实现了用电行为分析,用户用能评估,用电安全分析,通过对用户用电行为进行深入分析,研究用户类型,挖掘用户调控潜力,完善用能评估体系,解决无需求侧参与的传统模式下电网运行安全问题,保证电网的安全和经济运行。
附图说明
图1是本申请的一种用能评估与用电安全分析方法的流程示意图;
图2是本申请实施例中计算的多个类型用户的某月综合能效水平图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本申请的一种用能评估与用电安全分析方法,包括:
对用户用电行为特征进行提取和分析,评估用户综合能效,具体包括以下步骤:
步骤1:对用户用电行为特征进行提取,构成用户用电行为特征集,实现数据降维;
本申请具体实施时,所述用户用电行为特征包括日用电量、日最大负荷、日最小负荷、日平均负荷、日负荷率、峰时耗电率、谷电系数、日最小负荷率、日峰谷差和日峰谷差率等。
所述步骤1基于主成分分析法对用户用电行为特征进行提取,构成用户用电行为特征集,实现数据降维,具体包括:
步骤1.1:将用户用电行为作为负荷样本,得到m*n维特征矩阵:
X′={xij|i=1,...,m,j=1,...,n}
其中,n为负荷样本包括的特征数,m为n维特征中每一维对应的样本数量;则特征矩阵X′的协方差矩阵Z为:
步骤1.2:计算协方差矩阵Z的特征值λ1,λ2,...,λn与特征向量e1,e2,...,en,其中λ1≥λ2≥...≥λn≥0;
步骤1.3:解协方差矩阵Z的特征方程|Z-λIn|=0得到n个特征根,根据特征根筛选主成分,构成用户用电行为特征集X,实现数据降维。
选用特征根大于1的成分作为主成分,由此确定主成分的个数为k,将k个主成分构成用户用电行为特征集X,当成分的特征根大于1时,表明引入该成分是有意义的,否则说明引入该成分对原始变量的解释力度不如引入一个原始变量的解释力度大,因此选用特征根大于1的成分作为主成分。
步骤1还包括步骤1.4:计算协方差矩阵Z的方差贡献率ηi以及累计方差贡献率η∑(k):
计算公式为:
其中,ηi为第i个成分的方差贡献率;方差贡献率ηi和累计方差贡献率η∑(k)的结果表示已确定的主成分能够解释原变量的信息量的百分比,方差贡献率越大,表明该主成分所含信息越多。
步骤2:对用户用电行为特征集中的特征进行聚类分析,实现根据不同用电行为的用户分类;
所述步骤2基于K-means算法对用户用电行为特征集中的特征进行聚类分析,实现根据不同用电行为的用户分类;
所述K-means算法采用距离作为相似性的评价指标,将距离靠近即相似度高于相似度阈值的对象分为一簇。
所述K-means算法采用的距离计算公式为:
其中,xi和yi是d维欧几里得空间中的任意两个点。
所述用户的类型划分为居民用户和工业用户,所述居民用户类型划分为:上班族、学生及老人混居家庭;老人家庭;以及闲置房。
本申请实施例的聚类结果如表1所示,本实施例中得到了三类用户分类。
表1聚类结果
类别 | 类型 |
类别一 | 上班族、学生及老人混居家庭 |
类别二 | 老人家庭 |
类别三 | 闲置房 |
步骤3:对用户用电行为特征集中的各项特征进行权重计算,得到用户用电行为综合评估值;
步骤3中,将步骤1得到的k项主成分作为评估指标,则每项指标有m个被评价对象;基于熵权法,对用户用电行为特征集X中的各项特征进行权重计算,得到用户用电行为综合评估值。具体包括:
步骤3.1:将用户用电行为特征集X中的xij归一化得到yij,归一化公式为:
其中,yij表示归一化后的第i个对象的第j个指标值,xij表示第i个对象的第j个指标的原始值,Xjmin表示第j个指标的最小值,Xjmax表示第j个指标的最大值;
步骤3.2:计算第j项指标下第i个样本值占该指标的比重:
步骤3.3:计算第j项指标的熵值:
步骤3.4:计算第j项指标的信息熵冗余度:
dj=1-Ej,j=1,...,k
步骤3.5:计算各项指标的权重即熵权:
其中,0≤ωj≤1;
步骤3.6:计算用户用电行为综合评估值:
F=∑ωjyij。
步骤4:根据所述综合评估值,开展用户用能纵向分析,评估同一类型用户不同时间尺度上的综合能效;
所述不同时间尺度包括日内时间段、日类型、周、月、季度和年。
可以按照一日内早中晚、工作日和休息日等不同时间尺度,对用户数据进行用能纵向分析。
例如,计算多个类型用户的某月综合评估值如图2所示,开展用户用能纵向分析:第1类和第2类用户一整个月的综合评估值周变化规律较为明显,工作日,即周一至周五,与休息日,即周六日的综合能效差异较大,前者曲线较为平稳,波动起伏小,后者的综合能效呈峰状,说明其在周六日的用电活动异于工作日。
第3类用户一整个月的综合评估值持续保持平稳,波动较小,结合用电行为可分析出,其用电量少且平稳。
步骤5:根据用户类别和所述综合评估值,开展不同类型用户用能横向比较,评估和比较相同时间段不同类型用户的综合能效;
由上面分析可看出,三类用户在相同时间段的综合能效特性各异,第1类用户整体能效高于第2类用户,但这两类用户用电特性类似,周规律明显,且休息日的综合能效高于工作日;第3类用户综合评估值持续保持平稳,波动较小,明显异于前两类用户用电特性。
对用电安全事件进行分类和分析,给出用户用能策略,实现用户安全用能,包括以下步骤:
对历史用电安全事件进行分类,结合用户用能曲线,分析用电安全事件发生的原因;
所述用电安全事件包括电压电流越限、电压电流三相不平衡以及漏电及电压暂降等。
所述用电安全事件发生的原因包括三相负载分配严重不平衡,无功过补偿或欠补偿以及***接线等问题。
比如:将一天24小时的用电功率曲线与不同时刻发生的用电安全事件进行关联分析,分析安全事件发生时刻用电功率是否发生异常或此时刻的用电功率特点。
根据用电安全事件发生的原因,针对不同类型用户给出相应的用能策略,实现用户安全用能。
基于实时采集的电压电流数据,判断是否存在三相不平衡及漏电事件,实时告知用户,并基于大数据分析,向此类用户推送最为安全的用电策略。针对大型工业用户,基于有功无功数据的采集,以降低最小力率调整费为目标,向用户推送最经济的用电策略。
一种用能评估与用电安全分析***,包括用能评估模块和用电安全分析模块,其特征在于:
所述用能评估模块,用于对用户用电行为特征进行提取和分析,评估用户综合能效;
所述用电安全分析模块,用于对用电安全事件进行分类和分析,给出用户用能策略,实现用户安全用能。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (16)
1.一种用能评估与用电安全分析方法,其特征在于:
所述方法包括:
对用户用电行为特征进行提取和分析,评估用户综合能效;
对用电安全事件进行分类和分析,给出用户用能策略,实现用户安全用能。
2.根据权利要求1所述的一种用能评估与用电安全分析方法,其特征在于:
所述对用户用电行为特征进行提取和分析,评估用户综合能效,包括以下步骤:
步骤1:对用户用电行为特征进行提取,构成用户用电行为特征集,实现数据降维;
步骤2:对用户用电行为特征集中的特征进行聚类分析,实现根据不同用电行为的用户分类;
步骤3:对用户用电行为特征集中的各项特征进行权重计算,得到用户用电行为综合评估值;
步骤4:根据所述综合评估值,开展用户用能纵向分析,评估同一类型用户不同时间尺度上的综合能效;
步骤5:根据用户类别和所述综合评估值,开展不同类型用户用能横向比较,评估和比较相同时间段不同类型用户的综合能效。
3.根据权利要求2所述的一种用能评估与用电安全分析方法,其特征在于:
所述步骤1基于主成分分析法对用户用电行为特征进行提取,构成用户用电行为特征集,实现数据降维,具体包括:
步骤1.1:将用户用电行为作为负荷样本,得到m*n维特征矩阵:
X′={xij|i=1,...,m,j=1,...,n}
其中,n为负荷样本包括的特征数,m为n维特征中每一维对应的样本数量;
则特征矩阵X′的协方差矩阵Z为:
步骤1.2:计算协方差矩阵Z的特征值λ1,λ2,...,λn与特征向量e1,e2,...,en,其中λ1≥λ2≥...≥λn≥0;
步骤1.3:解协方差矩阵Z的特征方程|Z-λIn|=0得到n个特征根,根据特征根筛选主成分,构成用户用电行为特征集X,实现数据降维。
5.根据权利要求3所述的一种用能评估与用电安全分析方法,其特征在于:
步骤1.3中选用特征根大于1的成分作为主成分。
6.根据权利要求3所述的一种用能评估与用电安全分析方法,其特征在于:
步骤1所述用户用电行为特征包括日用电量、日最大负荷、日最小负荷、日平均负荷、日负荷率、峰时耗电率、谷电系数、日最小负荷率、日峰谷差和日峰谷差率。
7.根据权利要求3所述的一种用能评估与用电安全分析方法,其特征在于:
步骤3中,将步骤1得到的k项主成分作为评估指标,则每项指标有m个被评价对象;基于熵权法,对用户用电行为特征集X中的各项特征进行权重计算,得到用户用电行为综合评估值。
8.根据权利要求7所述的一种用能评估与用电安全分析方法,其特征在于:
步骤3具体包括以下步骤:
步骤3.1:将用户用电行为特征集X中的xij归一化得到yij,归一化公式为:
其中,yij表示归一化后的第i个对象的第j个指标值,xij表示第i个对象的第j个指标的原始值,Xjmin表示第j个指标的最小值,Xjmax表示第j个指标的最大值;
步骤3.2:计算第j项指标下第i个样本值占该指标的比重:
步骤3.3:计算第j项指标的熵值:
步骤3.4:计算第j项指标的信息熵冗余度:
dj=1-Ej,j=1,...,k
步骤3.5:计算各项指标的权重即熵权:
其中,0≤ωj≤1;
步骤3.6:计算用户用电行为综合评估值:
F=∑ωjyij。
9.根据权利要求2所述的一种用能评估与用电安全分析方法,其特征在于:
步骤2所述K-means算法采用距离作为相似性的评价指标,将距离靠近即相似度高于相似度阈值的对象分为一簇。
11.根据权利要求9所述的一种用能评估与用电安全分析方法,其特征在于:
所述用户的类型划分为居民用户和工业用户,所述居民用户类型划分为:上班族、学生及老人混居家庭;老人家庭;以及闲置房。
12.根据权利要求2所述的一种用能评估与用电安全分析方法,其特征在于:
步骤4所述不同时间尺度包括日内时间段、日类型、周、月、季度和年。
13.根据权利要求1所述的一种用能评估与用电安全分析方法,其特征在于:
所述对用电安全事件进行分类和分析,给出用户用能策略,实现用户安全用能,包括以下步骤:
对历史用电安全事件进行分类,结合用户用能曲线,分析用电安全事件发生的原因;
根据用电安全事件发生的原因,针对不同类型用户给出相应的用能策略,实现用户安全用能。
14.根据权利要求13所述的一种用能评估与用电安全分析方法,其特征在于:
所述用电安全事件包括电压电流越限、电压电流三相不平衡以及漏电及电压暂降;
所述用电安全事件发生的原因包括三相负载分配严重不平衡,无功过补偿或欠补偿以及***接线问题;
所述用户用能曲线为用电功率曲线。
15.根据权利要求14所述的一种用能评估与用电安全分析方法,其特征在于:
所述对历史用电安全事件进行分类,结合用户用能曲线,分析用电安全事件发生的原因,具体为:将用户一天24小时的用电功率曲线与不同时刻发生的用电安全事件进行关联分析,分析安全事件发生时刻用电功率是否发生异常或此时刻的用电功率特点。
16.一种用能评估与用电安全分析***,包括用能评估模块和用电安全分析模块,其特征在于:
所述用能评估模块,用于对用户用电行为特征进行提取和分析,评估用户综合能效;
所述用电安全分析模块,用于对用电安全事件进行分类和分析,给出用户用能策略,实现用户安全用能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537138.0A CN111798333A (zh) | 2020-06-12 | 2020-06-12 | 一种用能评估与用电安全分析方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537138.0A CN111798333A (zh) | 2020-06-12 | 2020-06-12 | 一种用能评估与用电安全分析方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798333A true CN111798333A (zh) | 2020-10-20 |
Family
ID=72804718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010537138.0A Pending CN111798333A (zh) | 2020-06-12 | 2020-06-12 | 一种用能评估与用电安全分析方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798333A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112413720A (zh) * | 2021-01-25 | 2021-02-26 | 北京嘉洁能科技股份有限公司 | 一种碳纤维电供暖的谷电应用控制方法及*** |
CN114623569A (zh) * | 2021-11-04 | 2022-06-14 | 国网浙江省电力有限公司湖州供电公司 | 一种基于深度强化学习的集群空调负荷差异化调控方法 |
CN115238753A (zh) * | 2022-09-21 | 2022-10-25 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109599874A (zh) * | 2018-10-29 | 2019-04-09 | 国网江苏省电力有限公司 | 基于电压暂降事件关联分析的治理设备选择方法 |
CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、***、设备及介质 |
CN110557457A (zh) * | 2019-09-18 | 2019-12-10 | 杭州安廷电力科技有限公司 | 智能用电安全预警及保护云*** |
CN110782153A (zh) * | 2019-10-23 | 2020-02-11 | 国网湖南省电力有限公司 | 一种企业园区综合能效评估体系建模方法及*** |
CN111160750A (zh) * | 2019-12-23 | 2020-05-15 | 东南大学 | 一种基于关联规则挖掘的配网分析和投资决策方法 |
-
2020
- 2020-06-12 CN CN202010537138.0A patent/CN111798333A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109599874A (zh) * | 2018-10-29 | 2019-04-09 | 国网江苏省电力有限公司 | 基于电压暂降事件关联分析的治理设备选择方法 |
CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、***、设备及介质 |
CN110557457A (zh) * | 2019-09-18 | 2019-12-10 | 杭州安廷电力科技有限公司 | 智能用电安全预警及保护云*** |
CN110782153A (zh) * | 2019-10-23 | 2020-02-11 | 国网湖南省电力有限公司 | 一种企业园区综合能效评估体系建模方法及*** |
CN111160750A (zh) * | 2019-12-23 | 2020-05-15 | 东南大学 | 一种基于关联规则挖掘的配网分析和投资决策方法 |
Non-Patent Citations (1)
Title |
---|
徐超: "大数据智能电网用户行为特征辨识与能效评估体系研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊),2018年第03期, vol. 978, no. 3, pages 11 - 20 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112413720A (zh) * | 2021-01-25 | 2021-02-26 | 北京嘉洁能科技股份有限公司 | 一种碳纤维电供暖的谷电应用控制方法及*** |
CN112413720B (zh) * | 2021-01-25 | 2021-04-06 | 北京嘉洁能科技股份有限公司 | 一种碳纤维电供暖的谷电应用控制方法及*** |
CN114623569A (zh) * | 2021-11-04 | 2022-06-14 | 国网浙江省电力有限公司湖州供电公司 | 一种基于深度强化学习的集群空调负荷差异化调控方法 |
CN114623569B (zh) * | 2021-11-04 | 2023-09-29 | 国网浙江省电力有限公司湖州供电公司 | 一种基于深度强化学习的集群空调负荷差异化调控方法 |
CN115238753A (zh) * | 2022-09-21 | 2022-10-25 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
CN115238753B (zh) * | 2022-09-21 | 2022-12-06 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测*** | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和*** | |
CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
CN106096805A (zh) | 一种基于熵权法特征选择的居民用电负荷分类方法 | |
CN109636146A (zh) | 一种用户需求响应潜力画像方法 | |
CN106779478A (zh) | 一种负荷调度价值评估方法 | |
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 | |
CN106709821A (zh) | 一种基于主成分分析的中压配电网供电可靠性评估方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
CN106447108A (zh) | 一种考虑业扩报装数据的用电需求分析预测方法 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN106022578A (zh) | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 | |
CN113450031B (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
CN103345662A (zh) | 一种基于小波网络法的商业能效综合评价方法 | |
CN115205068A (zh) | 计及净负荷需求分布式的储能最优峰谷时段划分方法 | |
CN113095669A (zh) | 一种基于用能耦合协调性的综合能源调度方法及*** | |
CN109784748B (zh) | 一种市场竞争机制下用户用电行为辨识方法及装置 | |
CN111861587A (zh) | 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的***及方法 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 |
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 |