CN113591900A - 一种高需求响应潜力用户的识别方法、装置及终端设备 - Google Patents

一种高需求响应潜力用户的识别方法、装置及终端设备 Download PDF

Info

Publication number
CN113591900A
CN113591900A CN202110648326.5A CN202110648326A CN113591900A CN 113591900 A CN113591900 A CN 113591900A CN 202110648326 A CN202110648326 A CN 202110648326A CN 113591900 A CN113591900 A CN 113591900A
Authority
CN
China
Prior art keywords
user
load
users
demand response
week
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
Application number
CN202110648326.5A
Other languages
English (en)
Inventor
李宏胜
武光华
李洪宇
王飞
胡嘉
付雨薇
白新雷
郭世萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, Marketing Service Center of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110648326.5A priority Critical patent/CN113591900A/zh
Publication of CN113591900A publication Critical patent/CN113591900A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种高需求响应潜力用户的识别方法、装置及终端设备。该方法包括：采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；根据负荷数据对用户进行分类，并对不同类别的用户赋予不同的标签；根据用户调查问卷和负荷数据，分别提取问卷特征和负荷特征；将提取问卷特征和负荷特征作为输入值、标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定分类后的用户中预设标签对应的用户为目标用户。本发明能够识别具有高响应潜力、适合参与分时电价的用户，为负荷聚合商选优质的需求响应资源提供理论支撑并且降低负荷需求响应项目的风险。

Description

一种高需求响应潜力用户的识别方法、装置及终端设备
技术领域
本发明涉及电力技术领域，尤其涉及一种高需求响应潜力用户的识别方法、装置及终端设备。
背景技术
在“碳达峰”“碳中和”能源革命大背景下，我国能源***正在发生重大变化，需求侧逐渐成为能源***的关键，其通过参与需求响应项目，逐步由被动向主动方向发展。
电力负荷需求响应(Demand Response，DR)是实现智能电网的重要手段，其潜力表征着DR的可利用裕度。拓展需求响应潜力，不仅能缓解电网运行压力、降低***运行成本，还能有效消纳间歇性能源、利于节能减排。电力需求响应按照响应信号可分为价格型和激励型，价格型指用户根据电价信息调整用电行为，激励型指用户根据电力调度机构制定激励政策调整用电行为。分时电价项目作为一种价格型需求响应，由于其控制成本较小、用户易参与、用户参与率较为稳定等优点而在需求响应项目中得到了广泛的应用。
在分时电价下，不同用户的响应程度不尽相同，这也是大多数分时电价项目实施效果低于预期的原因。因此开展分时电价下的高潜力需求响应用户的辨识具有十分重要的意义。通过对用户的类别进行预测，可以定性分析用户的响应潜力，对供电公司与聚合商筛选优质的需求响应资源提供理论支撑。然而，目前仍无法精准定位高响应潜力且适合参与分时电价的需求响应项目的用户，导致分时电价效果较差。
发明内容
本发明实施例提供了一种高需求响应潜力用户的识别方法、装置及终端设备，以解决目前仍无法精准定位高响应潜力且适合参与分时电价的需求响应项目的用户的问题。
第一方面，本发明实施例提供了一种高需求响应潜力用户的识别方法，包括：
采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；
根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签；
根据用户调查问卷和所述负荷数据，分别提取问卷特征和负荷特征；
将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定所述分类后的用户中预设标签对应的用户为目标用户。
在一种可能的实现方式中，所述根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签，包括：
根据所述负荷数据，计算每个用户的月度负荷需求响应削减量；
根据所述月度负荷需求响应削减量对所述用户进行分类，并对不同类别的用户赋予不同的标签，确定各个用户对应的标签。
在一种可能的实现方式中，所述根据所述负荷数据，计算每个用户的月度负荷需求响应削减量，包括：
基于负荷需求响应前后的天气特征进行周匹配，确定天气特征相似的负荷需求响应前的第M周，以及负荷需求响应后的第K周；
根据所述第M周对应的负荷数据和所述第K周对应的负荷数据，计算每个用户由于负荷需求响应的影响在第M周对应的峰时段响应削减量；
根据每个用户的对照组用户在负荷需求响应前的负荷数据，计算每个用户的对照组用户在第M周对应的负荷平均削减量；
根据所述峰时段响应削减量和所述负荷平均削减量，计算每个用户在第M周的负荷需求响应削减量；
根据上述计算每个用户在第M周的负荷需求响应削减量的方式，计算每个用户的月度负荷需求响应削减量。
在一种可能的实现方式中，所述根据所述第M周对应的负荷数据和所述第K周对应的负荷数据，计算每个用户由于负荷需求响应的影响在第M周对应的峰时段响应削减量，包括：
根据
Figure BDA0003110087280000031
计算用户i由于负荷需求响应的影响在第M周中对应的峰时段响应削减量；
其中，
Figure BDA0003110087280000032
表示用户i在第M周中由于负荷需求响应的影响导致的峰时段响应削减量；
Figure BDA0003110087280000033
表示用户i在第K周中峰时段的负荷数据，
Figure BDA0003110087280000034
表示用户i在第M周中峰时段的负荷数据。
在一种可能的实现方式中，所述根据每个用户的对照组用户在负荷需求响应前的负荷数据，计算每个用户的对照组用户在预设时间段对应的负荷平均削减量，包括：
根据
Figure BDA0003110087280000035
计算用户i的对照组用户在第M周中对应的负荷平均削减量；
其中，
Figure BDA0003110087280000036
表示用户i的对照组用户在第M周中对应的负荷平均削减量，
Figure BDA0003110087280000037
表示用户i的对照组用户的元素数量，
Figure BDA0003110087280000038
表示用户i的对照组用户中第j个元素在第M周中对应的负荷削减量。
在一种可能的实现方式中，所述根据所述峰时段响应削减量和所述负荷平均削减量，计算每个用户的月度负荷需求响应削减量，包括：
计算所述峰时段响应削减量对应的削减量矩阵与所述负荷平均削减量对应的削减量矩阵的差，并将所述差作为对应用户的月度负荷需求响应削减量。
在一种可能的实现方式中，所述将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，包括：
采用随机森林方法对所述提取问卷特征和所述负荷特征进行降维处理，得到降维处理后的特征；
将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值，通过支持向量分类模型对用户进行分类，得到分类后的用户。
第二方面，本发明实施例提供了一种高需求响应潜力用户的识别装置，包括：
采集模块，用于采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；
计算模块，用于根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签；
提取模块，用于根据用户调查问卷和所述负荷数据，分别提取问卷特征和负荷特征；
分类模块，用于将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定所述分类后的用户中预设标签对应的用户为目标用户。
第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种高需求响应潜力用户的识别方法、装置、终端及存储介质，通过采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；根据负荷数据对用户进行分类，并对不同类别的用户赋予不同的标签；然后将调查问卷特征与负荷特征结合构建特征集，采用随机森林算法提取出与削减量有高关联性的特征，以此来识别具有高响应潜力、适合参与分时电价的用户，为负荷聚合商选优质的需求响应资源提供理论支撑并且降低负荷需求响应项目的风险。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的高需求响应潜力用户的识别方法的应用场景图；
图2是本发明实施例提供的削减量及削减百分比进行验证示意图；
图3是本发明实施例提供的高需求响应潜力用户的识别装置的结构示意图；
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的一种高需求响应潜力用户的识别方法的应用场景图。如图1所示，包括以下步骤。
步骤101，采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据。
可选的，所述采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据，可以包括：基于现有的分时电价试点项目，对每个用户在分时电价前与分时电价后分别每隔时间间隔Δt采集一个功率数据，记为Pt,i,k，其中，t为采样时刻，i为用户序号，k为采集日期的编号，Pt,i,k表示第i个用户在第k个采集日的t时刻的功率，t＝1,2......T，T为在时间间隔Δt下的时刻数，i＝1,2.....I，I为用户总数，k＝1,2......K，K为采集负荷数据的日期编号，k中包括分时电价前和分时电价后。
步骤102，根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签。
可选的，本步骤中根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签，可以包括：
根据所述负荷数据，计算每个用户的月度负荷需求响应削减量；
根据所述月度负荷需求响应削减量对所述用户进行分类，并对不同类别的用户赋予不同的标签，确定各个用户对应的标签。
在计算每个用户的月度负荷需求响应削减量时，可采用双重差分模型计算每个用户在分时电价前后月度峰时需求响应削减量。双重差分模型的基本思想就是通过对政策实施前后对照组和处理组之间进行差异的比较构造出反映政策效果的双重差分统计量。
在一实施例中，所述根据所述负荷数据，计算每个用户的月度负荷需求响应削减量，可以包括：
基于负荷需求响应前后的天气特征进行周匹配，确定天气特征相似的负荷需求响应前的第M周，以及负荷需求响应后的第K周；
根据所述第M周对应的负荷数据和所述第K周对应的负荷数据，计算每个用户由于负荷需求响应的影响在第M周对应的峰时段响应削减量；
根据每个用户的对照组用户在负荷需求响应前的负荷数据，计算每个用户的对照组用户在第M周对应的负荷平均削减量；
根据所述峰时段响应削减量和所述负荷平均削减量，计算每个用户在第M周的负荷需求响应削减量；
根据上述计算每个用户在第M周的负荷需求响应削减量的方式，计算每个用户的月度负荷需求响应削减量。
即首先采用差分法基于天气匹配原则计算分时电价前后导致的峰时段响应削减量。根据所述第M周对应的负荷数据和所述第K周对应的负荷数据，计算每个用户由于负荷需求响应的影响在第M周对应的峰时段响应削减量，可以包括：
根据
Figure BDA0003110087280000071
计算用户i由于负荷需求响应的影响在第M周中对应的峰时段响应削减量；
其中，
Figure BDA0003110087280000072
表示用户i在第M周中由于负荷需求响应的影响导致的峰时段响应削减量；
Figure BDA0003110087280000073
表示用户i在第K周中峰时段的负荷数据，
Figure BDA0003110087280000074
表示用户i在第M周中峰时段的负荷数据。
可以根据上述计算方式，计算每个用户由于负荷需求响应的影响在月度峰时需求响应削减量，计算结果可以构成削减量矩阵PDRT。
然后再计算对照组用户的负荷平均削减量。这里对照组用户即没有实施分时电价时与当前用户的用电规律相似的用户。所述根据每个用户的对照组用户在负荷需求响应前的负荷数据，计算每个用户的对照组用户在第M周对应的负荷平均削减量，可以包括：
根据
Figure BDA0003110087280000075
计算用户i的对照组用户在第M周中对应的负荷平均削减量；
其中，
Figure BDA0003110087280000081
表示用户i的对照组用户在第M周中对应的负荷平均削减量，
Figure BDA0003110087280000082
表示用户i的对照组用户的元素数量，
Figure BDA0003110087280000083
表示用户i的对照组用户中第j个元素在第M周中对应的负荷削减量。
可以根据上述计算方式，计算每个用户的对照组用户由于负荷需求响应的影响在月度峰时需求响应削减量，计算结果可以构成削减量矩阵Trend。
最后，根据峰时段响应削减量和所述负荷平均削减量，计算每个用户的月度负荷需求响应削减量，可以包括：
计算所述峰时段响应削减量对应的削减量矩阵PDRT与所述负荷平均削减量对应的削减量矩阵Trend的差，并将所述差作为对应用户的月度负荷需求响应削减量。
可选的，根据所述月度负荷需求响应削减量对所述用户进行分类，并对不同类别的用户赋予不同的标签，确定各个用户对应的标签，可以包括：
采用四分位距法去除所述月度负荷需求响应削减量中的异常值，将剩余用户按照月度负荷需求响应削减量的大小分为两类，一类为高潜力用户，一类为低潜力用户，并将高潜力用户赋予标签1，低潜力用户赋予标签2。
步骤103，根据用户调查问卷和所述负荷数据，分别提取问卷特征和负荷特征。
可选的，提取的调查问卷特征可以包括：社会人口(性别、年龄、就业状况、家庭人口、教育水平、收入)，住宅特点(住宅类型、房屋已居住年限、房间数、节能灯比例、双层玻璃比例、是否有保温墙)，电器及加热设备(洗衣机数量、烘干机数量、洗碗机数量、电热水器数量、电炉数量、电暖器数量、独立式冰箱数量、电视尺寸、是否有台式电脑、笔记本电脑与游戏机)，能源态度(可以改变行为来节能、可以改变行为来保护环境、已经做了很多来节能)。
提取的负荷特征可以包括：(以下数据为30min的耗电量)，峰谷差特征(0am-12pm的峰谷差、6am-11pm的峰谷差、8am-12am的峰谷差、2pm-9pm的峰谷差、0am-12pm的峰谷差率、6am-11pm的峰谷差率、14pm-21pm的峰谷差率)，电力负荷特征(最大负荷、最小负荷、平均负荷、负荷率、最小负荷率)，方差特征(0am-12pm的最大方差、5pm-7pm的最大方差、0am-12pm的最小方差、5pm-7pm的最小方差、0am-12pm的平均方差)。
问卷特征和负荷特征可以构成特征集。
步骤104，将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定所述分类后的用户中预设标签对应的用户为目标用户。
可选的，本步骤中将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，可以包括：
采用随机森林方法对所述提取问卷特征和所述负荷特征进行降维处理，得到降维处理后的特征；
将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值，通过支持向量分类模型对用户进行分类，得到分类后的用户。
输出为标签1和标签2，即高潜力用户和低潜力用户。
这里可以将特征集中的提取问卷特征和负荷特征分为训练集和测试集训练支持向量分类模型。训练集用于训练模型，测试集用户对训练得到的模型进行测试，看精度和可靠性是否达到预设要求。
本步骤中，当预设目标用户数量大于标签1对应的高潜力用户数量时，目标用户为全部标签1对应的用户和部分标签2对应的用户；当预设目标用户数量小于等于标签1对应的高潜力用户数量时，则目标用户为标签1对应的用户。
如图2所示，为验证本发明方法的有效性，以分类精确度为标准，分别对两种方式选择用户所得的削减量及削减百分比进行验证。此实验在得到月度负荷需求响应削减量，并去除异常值后的用户数设为1299户，按照7比3原则，将900户用户的特征与类别标签作为训练集，余下的399户用户的特征作为测试集。将采用支持向量分类模型得到的预测标签与实际标签做比较，得到分类精确度，最终支持向量分类模型做二分类的预测精度为81.666％。两种选择方式分别为随机选择用户与按照用户标签，优先选择标签为1的高潜力用户，若高潜力用户的数量小于要求选择用户总数时，再选择标签为2的低潜力用户。此实验采用方式1(随机选择)与方式2(本发明提供的高需求响应潜力用户的识别方法)下选择了50个用户进行验证，削减量和削减百分比结果如图2所示。
由图2所示，斜线代表方式1，横线代表方式2。按照方式2所得的总削减量为1202.86kWh，削减百分比为3.22％，按照方式1所得的总削减量为1006.96kWh，削减百分比为2.24％。由此，说明了按照本发明所提出的用户识别方法能够在峰时实现更多的负荷削减，能够在事前为聚合商进行有效的高潜力用户识别提供技术支撑。
上述高需求响应潜力用户的识别方法，通过采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；根据负荷数据对用户进行分类，并对不同类别的用户赋予不同的标签；根据用户调查问卷和负荷数据，分别提取问卷特征和负荷特征；将提取问卷特征和负荷特征作为输入值、标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定分类后的用户中预设标签对应的用户为目标用户。本申请通过调查问卷特征与负荷特征结合构建特征集，采用随机森林算法提取出与削减量有高关联性的特征，以此来识别具有高响应潜力、适合参与分时电价的用户，为负荷聚合商选优质的需求响应资源提供理论支撑并且降低负荷需求响应项目的风险。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的高需求响应潜力用户的识别装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图3所示，高需求响应潜力用户的识别装置3包括：采集模块301、计算模块302、提取模块303和分类模块304。
采集模块301，用于采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；
计算模块302，用于根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签；
提取模块303，用于根据用户调查问卷和所述负荷数据，分别提取问卷特征和负荷特征；
分类模块304，用于将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定所述分类后的用户中预设标签对应的用户为目标用户。
在一种可能的实现方式中，所述计算模块302根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签时，可以用于：
根据所述负荷数据，计算每个用户的月度负荷需求响应削减量；
根据所述月度负荷需求响应削减量对所述用户进行分类，并对不同类别的用户赋予不同的标签，确定各个用户对应的标签。
在一种可能的实现方式中，所述计算模块302根据所述负荷数据，计算每个用户的月度负荷需求响应削减量时，可以用于：
基于负荷需求响应前后的天气特征进行周匹配，确定天气特征相似的负荷需求响应前的第M周，以及负荷需求响应后的第K周；
根据所述第M周对应的负荷数据和所述第K周对应的负荷数据，计算每个用户由于负荷需求响应的影响在第M周对应的峰时段响应削减量；
根据每个用户的对照组用户在负荷需求响应前的负荷数据，计算每个用户的对照组用户在第M周对应的负荷平均削减量；
根据所述峰时段响应削减量和所述负荷平均削减量，计算每个用户在第M周的负荷需求响应削减量；
根据上述计算每个用户在第M周的负荷需求响应削减量的方式，计算每个用户的月度负荷需求响应削减量。
在一种可能的实现方式中，所述计算模块302根据所述第M周对应的负荷数据和所述第K周对应的负荷数据，计算每个用户由于负荷需求响应的影响在第M周对应的峰时段响应削减量时，可以用于：
根据
Figure BDA0003110087280000121
计算用户i由于负荷需求响应的影响在第M周中对应的峰时段响应削减量；
其中，
Figure BDA0003110087280000122
表示用户i在第M周中由于负荷需求响应的影响导致的峰时段响应削减量；
Figure BDA0003110087280000123
表示用户i在第K周中峰时段的负荷数据，
Figure BDA0003110087280000124
表示用户i在第M周中峰时段的负荷数据。
在一种可能的实现方式中，所述计算模块302根据每个用户的对照组用户在负荷需求响应前的负荷数据，计算每个用户的对照组用户在第M周对应的负荷平均削减量时，可以用于：
根据
Figure BDA0003110087280000125
计算用户i的对照组用户在第M周中对应的负荷平均削减量；
其中，
Figure BDA0003110087280000126
表示用户i的对照组用户在第M周中对应的负荷平均削减量，
Figure BDA0003110087280000127
表示用户i的对照组用户的元素数量，
Figure BDA0003110087280000128
表示用户i的对照组用户中第j个元素在第M周中对应的负荷削减量。
在一种可能的实现方式中，所述计算模块302根据所述峰时段响应削减量和所述负荷平均削减量，计算每个用户的月度负荷需求响应削减量时，可以用于：
计算所述峰时段响应削减量对应的削减量矩阵与所述负荷平均削减量对应的削减量矩阵的差，并将所述差作为对应用户的月度负荷需求响应削减量。
在一种可能的实现方式中，分类模块304将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户时，可以用于：
采用随机森林方法对所述提取问卷特征和所述负荷特征进行降维处理，得到降维处理后的特征；
将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值，通过支持向量分类模型对用户进行分类，得到分类后的用户。
上述高需求响应潜力用户的识别装置，通过采集模块采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；计算模块根据负荷数据对用户进行分类，并对不同类别的用户赋予不同的标签；提取模块根据用户调查问卷和负荷数据，分别提取问卷特征和负荷特征；分类模块将提取问卷特征和负荷特征作为输入值、标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定分类后的用户中预设标签对应的用户为目标用户。本申请通过调查问卷特征与负荷特征结合构建特征集，采用随机森林算法提取出与削减量有高关联性的特征，以此来识别具有高响应潜力、适合参与分时电价的用户，为负荷聚合商选优质的需求响应资源提供理论支撑并且降低负荷需求响应项目的风险。
图4是本发明实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个高需求响应潜力用户的识别方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块/单元301至304的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成图3所示的模块/单元301至304。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个高需求响应潜力用户的识别方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高需求响应潜力用户的识别方法，其特征在于，包括：
采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；
根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签；
根据用户调查问卷和所述负荷数据，分别提取问卷特征和负荷特征；
将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定所述分类后的用户中预设标签对应的用户为目标用户。
2.根据权利要求1所述的方法，其特征在于，所述根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签，包括：
根据所述负荷数据，计算每个用户的月度负荷需求响应削减量；
根据所述月度负荷需求响应削减量对所述用户进行分类，并对不同类别的用户赋予不同的标签，确定各个用户对应的标签。
3.根据权利要求2所述的方法，其特征在于，所述根据所述负荷数据，计算每个用户的月度负荷需求响应削减量，包括：
基于负荷需求响应前后的天气特征进行周匹配，确定天气特征相似的负荷需求响应前的第M周，以及负荷需求响应后的第K周；
根据所述第M周对应的负荷数据和所述第K周对应的负荷数据，计算每个用户由于负荷需求响应的影响在第M周对应的峰时段响应削减量；
根据每个用户的对照组用户在负荷需求响应前的负荷数据，计算每个用户的对照组用户在第M周对应的负荷平均削减量；
根据所述峰时段响应削减量和所述负荷平均削减量，计算每个用户在第M周的负荷需求响应削减量；
根据上述计算每个用户在第M周的负荷需求响应削减量的方式，计算每个用户的月度负荷需求响应削减量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第M周对应的负荷数据和所述第K周对应的负荷数据，计算每个用户由于负荷需求响应的影响在第M周对应的峰时段响应削减量，包括：
根据
Figure FDA0003110087270000021
计算用户i由于负荷需求响应的影响在第M周中对应的峰时段响应削减量；
其中，
Figure FDA0003110087270000022
表示用户i在第M周中由于负荷需求响应的影响导致的峰时段响应削减量；
Figure FDA0003110087270000023
表示用户i在第K周中峰时段的负荷数据，
Figure FDA0003110087270000024
表示用户i在第M周中峰时段的负荷数据。
5.根据权利要求3所述的方法，其特征在于，所述根据每个用户的对照组用户在负荷需求响应前的负荷数据，计算每个用户的对照组用户在第M周对应的负荷平均削减量，包括：
根据
Figure FDA0003110087270000025
计算用户i的对照组用户在第M周中对应的负荷平均削减量；
其中，
Figure FDA0003110087270000026
表示用户i的对照组用户在第M周中对应的负荷平均削减量，
Figure FDA0003110087270000027
表示用户i的对照组用户的元素数量，
Figure FDA0003110087270000028
表示用户i的对照组用户中第j个元素在第M周中对应的负荷削减量。
6.根据权利要求3所述的方法，其特征在于，所述根据所述峰时段响应削减量和所述负荷平均削减量，计算每个用户的月度负荷需求响应削减量，包括：
计算所述峰时段响应削减量对应的削减量矩阵与所述负荷平均削减量对应的削减量矩阵的差，并将所述差作为对应用户的月度负荷需求响应削减量。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，包括：
采用随机森林方法对所述提取问卷特征和所述负荷特征进行降维处理，得到降维处理后的特征；
将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值，通过支持向量分类模型对用户进行分类，得到分类后的用户。
8.一种高需求响应潜力用户的识别装置，其特征在于，包括：
采集模块，用于采集现有的分时电价试点项目中用户负荷需求响应前和负荷需求响应后的负荷数据；
计算模块，用于根据所述负荷数据对所述用户进行分类，并对不同类别的用户赋予不同的标签；
提取模块，用于根据用户调查问卷和所述负荷数据，分别提取问卷特征和负荷特征；
分类模块，用于将所述提取问卷特征和所述负荷特征作为输入值、所述标签作为输出值对用户进行分类，得到分类后的用户，并根据预设目标用户数量确定所述分类后的用户中预设标签对应的用户为目标用户。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
CN202110648326.5A 2021-06-10 2021-06-10 一种高需求响应潜力用户的识别方法、装置及终端设备 Pending CN113591900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110648326.5A CN113591900A (zh) 2021-06-10 2021-06-10 一种高需求响应潜力用户的识别方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110648326.5A CN113591900A (zh) 2021-06-10 2021-06-10 一种高需求响应潜力用户的识别方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN113591900A true CN113591900A (zh) 2021-11-02

Family

ID=78243668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110648326.5A Pending CN113591900A (zh) 2021-06-10 2021-06-10 一种高需求响应潜力用户的识别方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN113591900A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155038A (zh) * 2021-12-09 2022-03-08 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法
CN115358534A (zh) * 2022-07-28 2022-11-18 河海大学 基于同态加密强化学习的电器负荷需求响应方法
CN116914760A (zh) * 2023-06-21 2023-10-20 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于随机森林算法的新型电力***柔性负荷响应潜力量化评估方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155038A (zh) * 2021-12-09 2022-03-08 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法
CN114155038B (zh) * 2021-12-09 2024-05-31 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法
CN115358534A (zh) * 2022-07-28 2022-11-18 河海大学 基于同态加密强化学习的电器负荷需求响应方法
CN115358534B (zh) * 2022-07-28 2024-04-23 河海大学 基于同态加密强化学习的电器负荷需求响应方法
CN116914760A (zh) * 2023-06-21 2023-10-20 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于随机森林算法的新型电力***柔性负荷响应潜力量化评估方法

Similar Documents

Publication Publication Date Title
CN107168854B (zh) 互联网广告异常点击检测方法、装置、设备及可读存储介质
CN113591900A (zh) 一种高需求响应潜力用户的识别方法、装置及终端设备
CN112541745B (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN110381126A (zh) 基于边缘计算的用电设备识别方法、***、设备及介质
CN111931047B (zh) 基于人工智能的黑产账号检测方法及相关装置
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113688923A (zh) 订单异常智能检测方法、装置、电子设备及存储介质
CN113961473A (zh) 数据测试方法、装置、电子设备及计算机可读存储介质
CN113591899A (zh) 电力客户画像识别方法、装置及终端设备
CN112306835A (zh) 用户数据监控分析方法、装置、设备及介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113435308B (zh) 文本多标签分类方法、装置、设备及存储介质
CN114756669A (zh) 问题意图的智能分析方法、装置、电子设备及存储介质
CN110070383B (zh) 基于大数据分析的异常用户识别方法及装置
CN111402068A (zh) 基于大数据的保费数据分析方法、装置及存储介质
CN111460293A (zh) 信息推送方法、装置及计算机可读存储介质
CN108830302B (zh) 一种图像分类方法、训练方法、分类预测方法及相关装置
CN114625975B (zh) 一种基于知识图谱的客户行为分析***
CN115641186A (zh) 直播产品偏好的智能分析方法、装置、设备及存储介质
CN113434660A (zh) 基于多领域分类的产品推荐方法、装置、设备及存储介质
CN114580255A (zh) 一种设备剩余寿命预测模型的构建方法及终端设备
CN114155038B (zh) 受疫情影响用户识别方法
CN116541766B (zh) 脑电数据修复模型的训练方法、脑电数据修复方法及装置
CN114723488B (zh) 课程推荐方法、装置、电子设备及存储介质

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