CN116956075B - 电力用户侧类型自动识别方法、***、设备及存储介质 - Google Patents
电力用户侧类型自动识别方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN116956075B CN116956075B CN202311202642.5A CN202311202642A CN116956075B CN 116956075 B CN116956075 B CN 116956075B CN 202311202642 A CN202311202642 A CN 202311202642A CN 116956075 B CN116956075 B CN 116956075B
- Authority
- CN
- China
- Prior art keywords
- power
- load
- power generation
- consumer
- aggregator
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000010248 power generation Methods 0.000 claims abstract description 172
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000007621 cluster analysis Methods 0.000 claims abstract description 24
- 230000005611 electricity Effects 0.000 claims description 67
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005612 types of electricity Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力用户侧类型识别的技术领域,特别是涉及一种电力用户侧类型自动识别方法、***、设备及存储介质,其节省用户侧聚合商自行分析和选择发电企业的时间和精力,并提高发电企业与用户侧聚合商之间匹配度;方法应用于电力交易平台,方法包括:获取参与电力市场活动的聚合商电力用户信息;构建电力用户类型识别模型,并利用电力用户类型识别模型对聚合商电力用户信息进行特征识别,获得电力用户类型信息,电力用户类型信息包括电力用户身份ID、用电数据、负荷曲线和用电行为;根据电力用户类型信息,对所属聚合商的电力用户进行聚类分析,获得工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集。
Description
技术领域
本发明涉及电力用户侧类型识别的技术领域,特别是涉及一种电力用户侧类型自动识别方法、***、设备及存储介质。
背景技术
随着电力体制改革的逐步深入,尤其是电力市场的加速推进,电力交易平台的建立和运营可以促进电力市场的透明度、竞争性和效率;它提供了便捷的电力交易渠道,并为不同的能源市场参与者提供了更多的机会和灵活性。其中用户侧聚合商通过电力交易平台与发电企业进行协商和谈判,采购所需的电力供应,以满足其所管理用户的需求。
现有的电力交易平台通常需要用户侧聚合商自行分析、选择发电企业,由于存在信息不对称、缺乏科学的方法和工具等问题,导致聚合商难以评估发电企业与自身的匹配度,如果选择了不适合的发电企业供应商,最终会影响到聚合商业务的稳定性和成本效益。
发明内容
为解决上述技术问题,本发明提供一种节省用户侧聚合商自行分析和选择发电企业的时间和精力,并提高发电企业与用户侧聚合商之间匹配度的电力用户侧类型自动识别方法。
第一方面,本发明提供了电力用户侧类型自动识别方法,所述方法应用于电力交易平台,所述方法包括:
获取参与电力市场活动的聚合商电力用户信息;
构建电力用户类型识别模型,并利用所述电力用户类型识别模型对所述聚合商电力用户信息进行特征识别,获得电力用户类型信息;
根据所述电力用户类型信息,对所属所述聚合商的电力用户进行聚类分析,获得工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集;
计算工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集各自集合内的用电负荷总量以及用电负荷曲线;
根据各电力负荷集的用电负荷总量设置一阶匹配参数,并利用一阶匹配参数对参与电力市场活动的发电企业进行筛选,获得能够满足各用电负荷集用电负荷总量的第一发电企业集合;
根据各电力负荷集的用电负荷曲线设置二阶匹配参数;并利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选,获得与聚合商用电需求相匹配的第二发电企业集合;
将第二发电企业集合推送给聚合商,用于为聚合商参与电力市场活动提供建议。
进一步地,所述电力用户类型信息包括电力用户身份ID、用电数据、负荷曲线和用电行为。
进一步地,所述工业电力负荷集中包括所属聚合商的所有工业电力用户,所述农业电力负荷集包括所属聚合商的所有农业电力用户,所述新能源汽车电力负荷集包括所属聚合商的所有新能源汽车充电站,如电动汽车充电站、电动公交车充电站,所述生活用电负荷集包括所属聚合商的所有生活电力用户。
进一步地,所述对所属所述聚合商的电力用户进行聚类分析,包括:
对电力用户类型信息进行数据预处理,包括数据清洗、缺失值处理、异常值检测和特征选择;
从电力用户类型信息中提取出用于分类的特征;所述用于分类的特征包括电力用户身份ID、用电数据、负荷曲线和用电行为;
选择一种聚类算法对电力用户进行分类,所述聚类算法包括K均值聚类、基于密度的聚类和层次聚类;
利用选择的聚类算法对提取的特征进行聚类分析;聚类算法根据特征的相似性将电力用户分为不同的群组;每个群组代表特定类型的电力用户,特定类型的电力用户分别为工业电力用户、农业电力用户、交通运输电力用户和生活用电用户;
根据聚类结果将电力用户划分为工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集,每个电力负荷集包含同一类型的电力用户。
进一步地,所述工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集分别对应各自的用电负荷总量,所述用电负荷总量包括设定时间范围内,对应用电负荷集中所有用户的用电量之和;
所述一阶匹配参数采用向量形式:[Xi,Xa,Xt,Xr];其中,Xi表示工业电力负荷集在设定时间范围内的用电负荷总量;Xa表示农业电力负荷集在设定时间范围内的用电负荷总量;Xt表示新能源汽车电力负荷集在设定时间范围内的用电负荷总量;Xr表示生活用电负荷集在设定时间范围内的用电负荷总量。
进一步地,所述二阶匹配参数由每个电力负荷集的负荷峰谷匹配阈值范围和每个电力负荷集的负荷波动度衡量指标组成,所述利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选的方法,包括:
分析聚合商每个电力负荷集的负荷曲线的峰谷变化特征,确定负荷峰谷匹配阈值范围;
将第一发电企业集合中的发电企业的发电能力与负荷峰谷匹配阈值范围进行比较,若发电企业的发电能力在负荷峰谷匹配阈值范围内,则将该发电企业标注为候选发电企业;
针对各电力负荷集的负荷曲线进行波动度分析,生成负荷波动度衡量指标;
将第一发电企业集合中的发电企业的发电负荷波动度与负荷波动度衡量指标进行比较,若发电企业的发电负荷波动度能够符合负荷波动度衡量指标,则将该发电企业标注为候选发电企业;
将第一发电企业集合中能够同时满足峰谷特征匹配要求和负荷波动度匹配要求的候选发电企业组成第二发电企业集合。
另一方面,本申请还提供了电力用户侧类型自动识别***,所述***包括:
数据获取模块,用于获取参与电力市场活动的聚合商电力用户信息,并发送;
电力用户类型识别模块,用于接收聚合商电力用户信息,并利用预先存储的电力用户类型识别模型对聚合商电力用户信息进行特征识别,获得电力用户类型信息,并发送;所述电力用户类型信息包括电力用户身份ID、用电数据、负荷曲线和用电行为;
聚类分析模块,用于接收电力用户类型信息,并根据电力用户类型信息对电力用户进行聚类分析,分析结果得到工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集,并将分析结果发送;
用电负荷计算模块,用于接收聚类分析模块发送的分析结果,并计算分析结果中各电力负荷集内的用电负荷总量以及用电负荷曲线,并将计算结果发送;
匹配参数设置模块,用于接收用电负荷计算模块发送的计算结果,并根据各电力负荷集的用电负荷总量设置一阶匹配参数;并根据各电力负荷集的用电负荷曲线设置二阶匹配参数;
匹配模块,用于读取匹配参数设置模块设置的一阶匹配参数和二阶匹配参数,并利用一阶匹配参数对参与电力市场活动的发电企业进行筛选,得到能够满足各用电负荷集用电负荷总量的第一发电企业集合;再利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选,得到与聚合商用电需求相匹配的第二发电企业集合,并发送;
发电企业推送模块,用于接收第二发电企业集合,并将所述第二发电企业集合推送给聚合商,用于为聚合商参与电力市场活动提供建议。
进一步地,电力用户侧类型自动识别***还包括偏好设置模块,用于根据聚合商的交易偏好进行针对化推荐,所述交易偏好包括能源类型和能源价格。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:本发明通过构建电力用户类型识别模型并进行特征识别,可以准确地识别不同类型的电力用户;通过聚类分析,将电力用户划分为不同的负荷集,从而更好地理解和分析其用电需求;这样可以节省用户侧聚合商自行分析和选择发电企业的时间和精力,并提高发电企业与用户侧聚合商之间的匹配度;
使用一阶匹配参数和二阶匹配参数根据用电负荷总量和用电负荷曲线来对发电企业进行筛选;一阶匹配参数根据用电负荷总量设置,有助于选择满足不同负荷集需求的第一发电企业集合;二阶匹配参数则进一步细化筛选,以匹配聚合商的用电需求;这样的匹配方法更科学和准确,有助于确保发电企业供应与用户侧聚合商需求的匹配度;
该电力用户侧类型自动识别方法通过提高效率、提供科学的匹配方法和个性化建议,以及促进市场透明度和竞争性;这有助于解决现有电力交易平台中用户侧聚合商自行选择发电企业所面临的挑战,提升其业务的稳定性和成本效益。
附图说明
图1是本发明的流程图;
图2是对电力用户进行聚类分析的流程图;
图3是电力用户侧类型自动识别***的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图2所示,本发明的电力用户侧类型自动识别方法,所述方法应用于电力交易平台,具体包括以下步骤:
S1、获取参与电力市场活动的聚合商电力用户信息;
在电力交易平台中,S1步骤旨在获取参与电力市场活动的聚合商电力用户信息;该步骤的目标是收集和整理用户的基本信息、用电数据、负荷曲线和用电行为等关键数据,以供后续的电力用户类型识别和匹配分析;具体操作包括以下步骤:
S11、数据采集:首先,需要建立与聚合商电力用户进行数据交互的机制,例如通过电力交易平台的接口或其他信息***;通过这个接口,可以获取聚合商电力用户的相关数据;这些数据包括用户的身份信息ID、名称、所属行业等以及历史用电数据如用电量、用电负荷曲线等等;
S12、数据整理和清洗:获得的数据需要进行整理和清洗,以确保数据的准确性和一致性;具体涉及数据格式转换、去除重复数据、填充缺失值等操作;同时,也需要对敏感信息进行保护,确保用户隐私得到充分尊重和保护;
S13、数据存储:将整理和清洗后的用户数据存储到数据库或其他数据存储***中,以便后续的数据分析和处理;选择适当的数据存储技术,可以根据数据量和安全性要求来确定,例如关系型数据库或大数据平台等;
S14、数据安全和隐私保护:在处理用户数据的过程中,需要严格遵守数据安全和隐私保护的法律法规和规范要求;采取合适的数据加密、权限控制和审计机制,确保数据在采集、存储和传输过程中的安全性和合规性。
在本步骤中,通过收集和整理用户的数据,可以进行电力用户类型的识别和匹配分析;这有助于电力行业的市场营销和精细化管理,能够更好地了解用户的需求和行为,提供个性化的服务;数据清洗和整理的过程可以排除重复数据、修正错误、填充缺失值等操作,提高了数据的准确性和一致性;这有助于提高后续数据分析和模型建立的准确性和可靠性;将整理和清洗后的用户数据存储到数据库或其他数据存储***中,能够方便后续的数据分析和处理;同时,采取数据安全和隐私保护的措施,确保数据在采集、存储和传输过程中的安全性和合规性,保护用户隐私。
S2、构建电力用户类型识别模型,并利用所述电力用户类型识别模型对所述聚合商电力用户信息进行特征识别,获得电力用户类型信息,所述电力用户类型信息包括电力用户身份ID、用电数据、负荷曲线和用电行为;
在电力交易平台中,S2阶段的电力用户类型识别是关键步骤,它通过构建一个电力用户类型识别模型,对聚合商的电力用户信息进行特征识别,从而获取电力用户类型信息,包括电力用户身份ID、用电数据、负荷曲线和用电行为;具体包括以下步骤:
特征提取:根据S1收集到的电力用户数据,设计合适的特征提取方法来描述电力用户的特点和行为;可以考虑提取一些常见的特征,如用电量的统计特征:平均值和标准差、负荷曲线的频域特征:峰值频率和频谱能量,以及时域特征:波形形状和周期性;另一方面,还可以利用机器学习和数据挖掘技术,如主成分分析或深度学习方法来自动学习和提取与电力用户类型相关的高级特征;
建立电力用户类型识别模型:根据提取到的特征,建立一个合适的模型来实现电力用户类型的识别;常见的模型包括决策树、支持向量机、随机森林、神经网络等;利用收集到的带有标签的电力用户数据,如已经分类的电力用户数据,进行模型的训练和优化;将数据集划分为训练集和测试集,使用训练集进行模型训练,然后利用测试集对模型进行评估,评估模型的准确性和性能;
电力用户类型识别:使用训练好的电力用户类型识别模型对新的未知电力用户数据进行预测和分类;输入未知电力用户的特征数据,利用训练好的模型进行预测,将其分类为不同的电力用户类型;识别结果可以为每个电力用户分配一个唯一的身份ID,并提供有关用户类型的信息,如用电需求、负荷曲线等。
在本步骤中,通过建立电力用户类型识别模型,可以实现对聚合商电力用户信息的自动分类和识别,无需手工处理和判断;采用机器学习和数据挖掘技术,可以高效地提取和学习与电力用户类型相关的特征,快速进行分类和预测;通过使用大量的标签数据进行模型训练和优化,识别模型可以学习到数据中的潜在模式和规律,提高电力用户类型的识别准确性;电力用户类型识别模型可以应用于大规模的电力用户数据,从而实现对广泛范围的用户进行分类和识别;通过电力用户类型识别模型,可以将电力用户的特征信息转化为电力用户类型信息,如用户身份ID、用电数据、负荷曲线和用电行为,方便进行可视化展示和进一步的数据分析。
S3、根据所述电力用户类型信息,对所属所述聚合商的电力用户进行聚类分析,获得工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集;
S3步骤中的聚类分析是在根据电力用户类型信息对所属聚合商的电力用户进行分类和分组的过程;该步骤旨在识别出具有相似特征和行为的电力用户,以便于后续步骤中的匹配和筛选;在电力交易领域,聚类分析是一种常见的数据分析技术,用于发现数据集中的内在结构和相似性;它将数据点根据相似性度量进行分组,使同一组内的数据点更相似,而不同组之间的数据点差异较大;在S3步骤中,根据电力用户类型信息,可使用各种聚类算法对电力用户进行聚类分析;具体包括以下步骤:
S31、数据预处理:对S2获取到的电力用户类型信息进行数据预处理;包括数据清洗、缺失值处理、异常值检测和特征选择等步骤,以确保输入数据的质量和准确性;
S32、特征提取:从电力用户类型信息中提取出用于分类的特征;这些特征包括电力用户身份ID、用电数据(如用电量、用电费用等)、负荷曲线和用电行为(如用电时间分布、峰谷差等);特征提取可以采用统计学方法或基于机器学习的特征选择方法;
S33、聚类算法选择:选择适当的聚类算法来对电力用户进行分类;聚类算法包括K均值聚类、基于密度的聚类、层次聚类等;在选择聚类算法时,需要考虑数据特点、聚类目标和算法的适应性;
S34、聚类执行:利用选择的聚类算法对提取的特征进行聚类分析;算法将根据特征的相似性将电力用户分为不同的簇或群组;每个簇代表特定类型的电力用户,例如工业电力用户、农业电力用户、交通运输电力用户和生活用电用户;
S35、聚类评估:对聚类结果进行评估,以确保聚类的准确性和稳定性;常用的聚类评估指标包括轮廓系数、Davies-Bouldin指数和Calinski-Harabasz指数等;这些指标可以帮助判断聚类结果的紧密性和分离度;
S36、负荷集划分:最后,根据聚类结果将电力用户划分为工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集;每个负荷集包含同一类型的电力用户,具有类似的用电行为和负荷特征。
在本步骤中,通过对电力用户类型信息进行聚类,可以揭示不同类型电力用户之间的相似特征和行为模式;这有助于了解不同用户群体的需求、用电行为和负荷特征等方面的差异,从而更好地进行电力规划、管理和交易;通过对电力用户进行聚类分析,可以更好地了解用户需求和行为,为电力供应商、能源规划者和政策制定者提供重要的决策依据;例如,可以基于不同类型的电力负荷集制定差异化的电价政策,优化电网资源配置,提高供电的效率和可靠性;
将电力用户划分为不同的负荷集后,可以更有效地进行负荷预测和负荷管理;根据不同负荷集的特点和需求,可以制定相应的负荷调度策略,实现电力***的平衡和优化运行;S3步骤中的聚类分析可以提供全面的洞察力和多样化的电力用户分类,为电力行业的决策制定和运营管理提供有力支持,有助于优化电力资源配置和提升整体效能。
S4、计算工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集各自集合内的用电负荷总量以及用电负荷曲线;
在电力交易平台中,步骤S4涉及计算不同类型电力负荷集的用电负荷总量和用电负荷曲线;计算电力负荷集的用电负荷总量是通过对电力用户的用电数据进行聚合和统计得到的;在S1和S2步骤中,聚合商将其电力用户的用电数据提供给电力交易平台;这些用电数据可以包括电力用户的用电量、功率需求和负荷曲线等相关信息;在S3步骤中对所属于不同负荷集的用户进行分组,然后在本步骤中计算每个负荷集中用户的用电负荷总量;用电负荷总量是指在一定时间范围内,该负荷集中所有用户的用电量之和;该统计指标能够反映出不同负荷集的总体用电需求;
具体的,一阶匹配参数采用向量形式:[Xi,Xa,Xt,Xr];其中,Xi表示工业电力负荷集在设定时间范围内的用电负荷总量;Xa表示农业电力负荷集在设定时间范围内的用电负荷总量;Xt表示新能源汽车电力负荷集在设定时间范围内的用电负荷总量;Xr表示生活用电负荷集在设定时间范围内的用电负荷总量。
用电负荷曲线表示了电力负荷随时间变化的曲线图形,它具体描述了不同时间点上电力需求的大小;在电力交易中,用电负荷曲线对于电力市场参与者的电力调度和需求响应具有重要意义;通过计算负荷集内用户的用电负荷曲线,电力交易平台可以更准确地了解不同负荷集的用电特点和需求模式,并为后续步骤的发电企业筛选提供依据;
具体的计算方法可以根据实际情况和数据可用性选择不同的分析和建模技术;例如,可以使用统计方法,如求和或平均值,对负荷集内用户的用电数据进行聚合;如果有足够的数据和资源,还可以应用机器学习或数据挖掘技术,构建预测模型来估计负荷集的用电负荷总量和预测负荷曲线。
在本步骤中,通过计算负荷集的用电负荷总量和用电负荷曲线可以为后续步骤提供决策依据;例如,在发电企业筛选过程中,了解负荷集的电力需求模式可以帮助确定适合的发电设备类型和容量;计算负荷集的用电负荷总量和用电负荷曲线对于电力交易平台的运营具有重要意义;这些数据可以为电力交易平台提供有关负荷集的电力需求预测和供需平衡的参考,以支持市场调度和交易决策;通过计算负荷集的用电负荷总量和用电负荷曲线,可以更准确地预测和规划电力***的负荷和供应;这有助于提高电力***的运行效率,减少电力供应不足或过剩的情况,避免能源浪费和成本增加;
步骤S4计算不同类型电力负荷集的用电负荷总量和用电负荷曲线是为了更好地理解负荷集的电力需求和特征,并为后续步骤和电力交易平台的运营提供决策依据,从而提高电力***的效率和运行质量。
S5、根据各电力负荷集的用电负荷总量设置一阶匹配参数,并利用一阶匹配参数对参与电力市场活动的发电企业进行筛选,获得能够满足各用电负荷集用电负荷总量的第一发电企业集合;
在S5步骤中,一阶匹配参数是通过根据S4步骤中计算得到的各电力负荷集的用电负荷总量来设定的参数;电力交易平台根据该参数的设定,可以对发电企业进行筛选,以找到能够满足各用电负荷集用电负荷总量的第一发电企业集合;
具体的,根据历史数据和实际需求情况,在电力交易平台上设定不同负荷集的用电负荷总量阈值;一旦某个发电企业的能力可以满足各个用电负荷集的用电负荷总量阈值以上的负荷需求,该企业就被视为潜在的候选发电企业;其中阈值的设置可以聚合商一定时间内各电力负荷集用电负荷总量的实际情况进行调整,确保所选发电企业能够满足聚合商管理下的各个用电负荷集的用电需求。
在本步骤中,通过根据各电力负荷集的用电负荷总量设置一阶匹配参数,并利用该参数对参与电力市场活动的发电企业进行初步筛选,以获得能够满足各用电负荷集用电负荷总量的第一发电企业集合;这有助于提高发电企业与用户侧聚合商的匹配度,确保电力交易平台的稳定性和成本效益。
S6、根据各电力负荷集的用电负荷曲线设置二阶匹配参数;并利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选,获得与聚合商用电需求相匹配的第二发电企业集合;
本步骤所涉及的二阶匹配参数由每个电力负荷集的负荷峰谷匹配阈值范围和每个电力负荷集的负荷波动度衡量指标组成,具体包括以下两方面:
峰谷特征匹配:首先,分析聚合商电力负荷集的负荷曲线的峰谷变化特征,以确定负荷峰谷匹配阈值范围;这主要是通过观察负荷曲线中的峰值和谷值,找出其变化规律和幅度;然后,将第一发电企业集合中的发电企业的能力与负荷峰谷匹配阈值范围进行比较,以确定发电企业是否能够满足负荷集的峰值需求;如果发电企业的能力在负荷峰谷匹配阈值范围内,它们将被认为是适合的候选企业;
负荷波动度匹配:其次,针对各电力负荷集的负荷曲线进行波动度分析,生成负荷波动度衡量指标;这可以通过计算负荷曲线的标准差、方差或其他波动度指标来衡量负荷的变化幅度;将第一发电企业集合中的发电企业的发电负荷波动度与负荷波动度衡量指标进行比较,以评估它们是否具备足够的灵活性和响应速度,以适应负荷集的波动性需求;如果发电企业的发电负荷波动度能够达到负荷波动度衡量指标,那么它们将被认为是适合的候选企业;
将上述第一发电企业集合中能够同时满足峰谷特征匹配要求和负荷波动度匹配要求的发电企业组成第二发电企业集合。通过这样的峰谷特征匹配和负荷波动度匹配过程,可以筛选出与聚合商用电需求相匹配的第二发电企业集合;这些被选择的企业具有能力满足负荷集的峰值需求,并拥有足够的灵活性和响应速度来适应负荷集的波动性需求;这样的匹配过程可以确保第一发电企业集合中的发电企业与电力负荷集之间有较好的适配程度,从而提高***的效率和可靠性。
S7、将第二发电企业集合推送给聚合商,用于为聚合商参与电力市场活动提供建议;
在步骤S7中,根据之前的分析和筛选,已经得到了与聚合商用电需求相匹配的第二发电企业集合;需要将这些发电企业推送给聚合商,以便为聚合商参与电力市场活动提供建议;为了完成这一步骤,具体包括以下步骤:
S71、建立推荐***:使用推荐***技术,根据聚合商的用电需求和第二发电企业集合中发电企业的特征进行匹配和推荐;推荐***可以基于内容过滤、协同过滤或混合模型等技术进行设计;通过分析聚合商的用电数据、负荷曲线和用电行为,以及第二发电企业的供电能力、可靠性等因素,***可以为聚合商推荐最合适的发电企业供应商;
S72、考虑交易偏好和偏差:推荐***可以根据聚合商的交易偏好和偏差进行个性化推荐;比如,某些聚合商可能更关注可再生能源供应商,而另一些聚合商可能更注重价格竞争力;通过分析聚合商的历史交易数据和反馈,推荐***可以更好地了解聚合商的偏好,并针对性地推荐相应的发电企业;
S73、实时数据更新:推荐***需要实时更新第二发电企业集合中发电企业的信息;这可以通过与发电企业建立数据接口,或者与电力市场监测平台进行数据交互来实现;通过实时获取发电企业的电力供应情况、负荷状况和市场活动,***可以保持对第二发电企业集合的最新了解,以便为聚合商提供准确的推荐;
S74、用户反馈和评估:为了进一步优化推荐结果,可以引入用户反馈和评估机制;聚合商可以对推荐的发电企业进行评价,包括对供电质量、价格合理性等方面进行反馈;这些反馈可以用于不断优化推荐算法,提高推荐的准确性和满意度;
综上所述,步骤S7中的技术方案可以结合推荐***、个性化推荐、实时数据更新和用户反馈等技术,为聚合商提供与其用电需求相匹配的第二发电企业集合,以便为聚合商参与电力市场活动提供建议;这样的方法可以提高聚合商在电力市场中的选择效率,促进电力市场的透明度和竞争性。
实施例二
如图3所示,本发明的电力用户侧类型自动识别***,具体包括以下模块;
数据获取模块,用于获取参与电力市场活动的聚合商电力用户信息,并发送;
电力用户类型识别模块,用于接收聚合商电力用户信息,并利用预先存储的电力用户类型识别模型对聚合商电力用户信息进行特征识别,获得电力用户类型信息,并发送;所述电力用户类型信息包括电力用户身份ID、用电数据、负荷曲线和用电行为;
聚类分析模块,用于接收电力用户类型信息,并根据电力用户类型信息对电力用户进行聚类分析,分析结果得到工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集,并将分析结果发送;
用电负荷计算模块,用于接收聚类分析模块发送的分析结果,并计算分析结果中各电力负荷集内的用电负荷总量以及用电负荷曲线,并将计算结果发送;
匹配参数设置模块,用于接收用电负荷计算模块发送的计算结果,并根据各电力负荷集的用电负荷总量设置一阶匹配参数;并根据各电力负荷集的用电负荷曲线设置二阶匹配参数;
匹配模块,用于读取匹配参数设置模块设置的一阶匹配参数和二阶匹配参数,并利用一阶匹配参数对参与电力市场活动的发电企业进行筛选,得到能够满足各用电负荷集用电负荷总量的第一发电企业集合;再利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选,得到与聚合商用电需求相匹配的第二发电企业集合,并发送;
发电企业推送模块,用于接收第二发电企业集合,并将所述第二发电企业集合推送给聚合商,用于为聚合商参与电力市场活动提供建议。
在本实施例中,***通过自动化的方式获取参与电力市场活动的聚合商电力用户信息,并利用预先存储的电力用户类型识别模型对用户信息进行特征识别;这样可以节省人工分析和选择发电企业的时间,提高整个电力交易过程的效率;***利用预先存储的电力用户类型识别模型,通过特征识别获得电力用户类型信息;这样可以避免人为因素或主观判断对发电企业供应商的评估,提供科学的方法和工具来帮助聚合商评估发电企业与自身的匹配度;
通过准确评估发电企业与用户侧聚合商的匹配度,***可以帮助聚合商选择适合的发电企业供应商,从而降低业务风险,提高业务的稳定性;同时,合理匹配发电企业也可以优化电力供应结构,提高成本效益;***通过对电力用户进行聚类分析,可以将用户划分为不同的负荷集,如工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集;这样可以提供更准确的用户需求信息,促进电力市场的透明度和竞争性;***根据各负荷集的用电负荷总量和用电负荷曲线,设置匹配参数;这样可以根据不同类型用户的需求进行灵活的匹配,满足用户需求的差异性,提供更多的机会和灵活性给不同的能源市场参与者。
前述实施例一中的电力用户侧类型自动识别方法的各种变化方式和具体实施例同样适用于本实施例的电力用户侧类型自动识别***,通过前述对电力用户侧类型自动识别方法的详细描述,本领域技术人员可以清楚的知道本实施例中电力用户侧类型自动识别***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种电力用户侧类型自动识别方法,其特征在于,所述方法应用于电力交易平台,所述方法包括:
获取参与电力市场活动的聚合商电力用户信息;
构建电力用户类型识别模型,并利用所述电力用户类型识别模型对所述聚合商电力用户信息进行特征识别,获得电力用户类型信息;
根据所述电力用户类型信息,对所属所述聚合商的电力用户进行聚类分析,获得工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集;
计算工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集,各自电力负荷集内的用电负荷总量以及用电负荷曲线;
根据各电力负荷集的用电负荷总量设置一阶匹配参数,并利用一阶匹配参数对参与电力市场活动的发电企业进行筛选,获得能够满足各用电负荷集用电负荷总量的第一发电企业集合;根据各电力负荷集的用电负荷曲线设置二阶匹配参数;并利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选,获得与聚合商用电需求相匹配的第二发电企业集合;
将第二发电企业集合推送给聚合商,用于为聚合商参与电力市场活动提供建议;
其中,所述一阶匹配参数是根据工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集以及生活用电负荷集的用电负荷总量来设定的参数;一旦某个发电企业的发电能力能够满足各个用电负荷集的用电负荷总量需求,则该企业就被视为第一发电企业集合中的候选发电企业;
所述二阶匹配参数由每个电力负荷集的负荷峰谷匹配阈值范围和每个电力负荷集的负荷波动度衡量指标组成,所述利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选的方法,包括:
分析聚合商每个电力负荷集的负荷曲线的峰谷变化特征,确定负荷峰谷匹配阈值范围;
将第一发电企业集合中的发电企业的发电能力与负荷峰谷匹配阈值范围进行比较,若发电企业的发电能力在负荷峰谷匹配阈值范围内,则将该发电企业标注为候选发电企业;
针对各电力负荷集的负荷曲线进行波动度分析,生成负荷波动度衡量指标;
将第一发电企业集合中的发电企业的发电负荷波动度与负荷波动度衡量指标进行比较,若发电企业的发电负荷波动度能够符合负荷波动度衡量指标,则将该发电企业标注为候选发电企业;
将第一发电企业集合中能够同时满足峰谷特征匹配要求和负荷波动度匹配要求的候选发电企业组成第二发电企业集合。
2.如权利要求1所述的电力用户侧类型自动识别方法,其特征在于,所述电力用户类型信息包括电力用户身份ID、用电数据、负荷曲线和用电行为。
3.如权利要求2所述的电力用户侧类型自动识别方法,其特征在于,所述工业电力负荷集中包括所属聚合商的所有工业电力用户,所述农业电力负荷集包括所属聚合商的所有农业电力用户,所述新能源汽车电力负荷集包括所属聚合商的所有交通运输电力用户,所述生活用电负荷集包括所属聚合商的所有生活电力用户。
4.如权利要求2所述的电力用户侧类型自动识别方法,其特征在于,所述对所属所述聚合商的电力用户进行聚类分析,包括:
对电力用户类型信息进行数据预处理,包括数据清洗、缺失值处理、异常值检测和特征选择;
从电力用户类型信息中提取出用于分类的特征;所述用于分类的特征包括电力用户身份ID、用电数据、负荷曲线和用电行为;
选择一种聚类算法对电力用户进行分类,所述聚类算法包括K均值聚类、基于密度的聚类和层次聚类;
利用选择的聚类算法对提取的特征进行聚类分析;聚类算法根据特征的相似性将电力用户分为不同的群组;每个群组代表特定类型的电力用户,特定类型的电力用户分别为工业电力用户、农业电力用户、交通运输电力用户和生活用电用户;
根据聚类结果将电力用户划分为工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集,每个电力负荷集包含同一类型的电力用户。
5.如权利要求4所述的电力用户侧类型自动识别方法,其特征在于,所述工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集分别对应各自的用电负荷总量,所述用电负荷总量包括设定时间范围内,对应用电负荷集中所有用户的用电量之和;
所述一阶匹配参数采用向量形式:[Xi,Xa,Xt,Xr];其中,Xi表示工业电力负荷集在设定时间范围内的用电负荷总量;Xa表示农业电力负荷集在设定时间范围内的用电负荷总量;Xt表示新能源汽车电力负荷集在设定时间范围内的用电负荷总量;Xr表示生活用电负荷集在设定时间范围内的用电负荷总量。
6.一种电力用户侧类型自动识别***,其特征在于,所述***包括:
数据获取模块,用于获取参与电力市场活动的聚合商电力用户信息,并发送;
电力用户类型识别模块,用于接收聚合商电力用户信息,并利用预先存储的电力用户类型识别模型对聚合商电力用户信息进行特征识别,获得电力用户类型信息,并发送;所述电力用户类型信息包括电力用户身份ID、用电数据、负荷曲线和用电行为;
聚类分析模块,用于接收电力用户类型信息,并根据电力用户类型信息对电力用户进行聚类分析,分析结果得到工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集和生活用电负荷集,并将分析结果发送;
用电负荷计算模块,用于接收聚类分析模块发送的分析结果,并计算分析结果中各电力负荷集内的用电负荷总量以及用电负荷曲线,并将计算结果发送;
匹配参数设置模块,用于接收用电负荷计算模块发送的计算结果,并根据各电力负荷集的用电负荷总量设置一阶匹配参数;并根据各电力负荷集的用电负荷曲线设置二阶匹配参数;其中,所述一阶匹配参数是根据工业电力负荷集、农业电力负荷集、新能源汽车电力负荷集以及生活用电负荷集的用电负荷总量来设定的参数;一旦某个发电企业的发电能力能够满足各个用电负荷集的用电负荷总量需求,则该企业就被视为第一发电企业集合中的候选发电企业;
所述二阶匹配参数由每个电力负荷集的负荷峰谷匹配阈值范围和每个电力负荷集的负荷波动度衡量指标组成,所述利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选的方法,包括:
分析聚合商每个电力负荷集的负荷曲线的峰谷变化特征,确定负荷峰谷匹配阈值范围;
将第一发电企业集合中的发电企业的发电能力与负荷峰谷匹配阈值范围进行比较,若发电企业的发电能力在负荷峰谷匹配阈值范围内,则将该发电企业标注为候选发电企业;
针对各电力负荷集的负荷曲线进行波动度分析,生成负荷波动度衡量指标;
将第一发电企业集合中的发电企业的发电负荷波动度与负荷波动度衡量指标进行比较,若发电企业的发电负荷波动度能够符合负荷波动度衡量指标,则将该发电企业标注为候选发电企业;
将第一发电企业集合中能够同时满足峰谷特征匹配要求和负荷波动度匹配要求的候选发电企业组成第二发电企业集合;
匹配模块,用于读取匹配参数设置模块设置的一阶匹配参数和二阶匹配参数,并利用一阶匹配参数对参与电力市场活动的发电企业进行筛选,得到能够满足各用电负荷集用电负荷总量的第一发电企业集合;再利用二阶匹配参数对第一发电企业集合中的发电企业进行筛选,得到与聚合商用电需求相匹配的第二发电企业集合,并发送;
发电企业推送模块,用于接收第二发电企业集合,并将所述第二发电企业集合推送给聚合商,用于为聚合商参与电力市场活动提供建议。
7.如权利要求6所述的电力用户侧类型自动识别***,其特征在于,还包括偏好设置模块,用于根据聚合商的交易偏好进行针对化推荐,所述交易偏好包括能源类型和能源价格。
8.一种电力用户侧类型自动识别设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
9.一种电力用户侧类型自动识别存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311202642.5A CN116956075B (zh) | 2023-09-18 | 2023-09-18 | 电力用户侧类型自动识别方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311202642.5A CN116956075B (zh) | 2023-09-18 | 2023-09-18 | 电力用户侧类型自动识别方法、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116956075A CN116956075A (zh) | 2023-10-27 |
CN116956075B true CN116956075B (zh) | 2024-01-12 |
Family
ID=88456847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311202642.5A Active CN116956075B (zh) | 2023-09-18 | 2023-09-18 | 电力用户侧类型自动识别方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956075B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
JP2016031597A (ja) * | 2014-07-28 | 2016-03-07 | シャープ株式会社 | 電力量通知装置、制御プログラム、データ管理装置、データ管理システム、電力量通知装置の制御方法、および媒体 |
CN107800140A (zh) * | 2017-10-18 | 2018-03-13 | 天津大学 | 一种考虑负荷特征的大用户供电接入决策方法 |
CN109840536A (zh) * | 2017-11-29 | 2019-06-04 | 中国电力科学研究院有限公司 | 一种电网供电可靠性水平聚类方法及*** |
CN111738340A (zh) * | 2020-06-24 | 2020-10-02 | 西安交通大学 | 一种分布式K-means电力用户分类方法、存储介质及分类设备 |
CN113902485A (zh) * | 2021-10-18 | 2022-01-07 | 南方电网科学研究院有限责任公司 | 一种专变电力用户行业识别方法、装置及设备 |
CN114142479A (zh) * | 2021-11-30 | 2022-03-04 | 国网陕西省电力公司 | 计及多类型可调节负荷资源的用户侧能量调度方法及*** |
CN114336769A (zh) * | 2022-02-21 | 2022-04-12 | 南方电网科学研究院有限责任公司 | 一种电网日内紧急削峰方法、装置、***及存储介质 |
CN114841832A (zh) * | 2022-07-04 | 2022-08-02 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 |
CN115393010A (zh) * | 2022-08-18 | 2022-11-25 | 广州电力交易中心有限责任公司 | 一种交易品种灵活组合的电力市场混合竞价方法及*** |
GB2610913A (en) * | 2021-08-18 | 2023-03-22 | Univ North China Electric Power | Demand response-orientated relay control method and system for air-conditioning loads (ACLs) |
CN115936184A (zh) * | 2022-11-10 | 2023-04-07 | 国网冀北电力有限公司计量中心 | 一种适应多用户类型的负荷预测匹配方法 |
-
2023
- 2023-09-18 CN CN202311202642.5A patent/CN116956075B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
JP2016031597A (ja) * | 2014-07-28 | 2016-03-07 | シャープ株式会社 | 電力量通知装置、制御プログラム、データ管理装置、データ管理システム、電力量通知装置の制御方法、および媒体 |
CN107800140A (zh) * | 2017-10-18 | 2018-03-13 | 天津大学 | 一种考虑负荷特征的大用户供电接入决策方法 |
CN109840536A (zh) * | 2017-11-29 | 2019-06-04 | 中国电力科学研究院有限公司 | 一种电网供电可靠性水平聚类方法及*** |
CN111738340A (zh) * | 2020-06-24 | 2020-10-02 | 西安交通大学 | 一种分布式K-means电力用户分类方法、存储介质及分类设备 |
GB2610913A (en) * | 2021-08-18 | 2023-03-22 | Univ North China Electric Power | Demand response-orientated relay control method and system for air-conditioning loads (ACLs) |
CN113902485A (zh) * | 2021-10-18 | 2022-01-07 | 南方电网科学研究院有限责任公司 | 一种专变电力用户行业识别方法、装置及设备 |
CN114142479A (zh) * | 2021-11-30 | 2022-03-04 | 国网陕西省电力公司 | 计及多类型可调节负荷资源的用户侧能量调度方法及*** |
CN114336769A (zh) * | 2022-02-21 | 2022-04-12 | 南方电网科学研究院有限责任公司 | 一种电网日内紧急削峰方法、装置、***及存储介质 |
CN114841832A (zh) * | 2022-07-04 | 2022-08-02 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 |
CN115393010A (zh) * | 2022-08-18 | 2022-11-25 | 广州电力交易中心有限责任公司 | 一种交易品种灵活组合的电力市场混合竞价方法及*** |
CN115936184A (zh) * | 2022-11-10 | 2023-04-07 | 国网冀北电力有限公司计量中心 | 一种适应多用户类型的负荷预测匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116956075A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
CN110991875A (zh) | 一种平台用户质量评估*** | |
CN110930198A (zh) | 基于随机森林的电能替代潜力预测方法、***、存储介质及计算机设备 | |
CN116579590B (zh) | 一种虚拟电厂中的需求响应评估方法和*** | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN117114885B (zh) | 一种用于电力交易的数据交互模型构建方法及*** | |
CN111199493A (zh) | 一种基于客户缴费信息及征信信息的欠费风险识别方法 | |
CN115994778A (zh) | 多元用户用能行为精细画像方法 | |
CN111652403A (zh) | 一种基于反馈修正的工作平台任务工作量预测方法 | |
CN116956075B (zh) | 电力用户侧类型自动识别方法、***、设备及存储介质 | |
CN117408487A (zh) | 一种充电站运行管理方法、***、终端设备及存储介质 | |
Härting et al. | Cost-benefit considerations for data analytics-an SME-oriented framework enhanced by a management perspective and the process of idea generation | |
CN115081893A (zh) | 用户用电数据分析方法、装置、电子设备及可读存储介质 | |
Guo et al. | Selection of suppliers based on rough set theory and VIKOR algorithm | |
CN110991847A (zh) | 一种电能表批次管理方法、装置及可读存储介质 | |
CN116957306B (zh) | 基于资源协同互动的用户侧响应潜力评估方法及*** | |
Sangeeth LR et al. | Information processing and demand response systems effectiveness: a conceptual study | |
CN116542380B (zh) | 基于自然语言的电厂供应链碳足迹优化方法及装置 | |
CN117236532A (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及*** | |
CN116578544B (zh) | 一种基于区块链的电力数据共享方法 | |
Makarova et al. | Application of the Statistical Analysis Methods for Improving the Managing the Dealer-service Network Efficiency. | |
Richard et al. | A spatial-temporal comparison of ev charging station clusters leveraging multiple validity indices | |
Sansa et al. | A multi-leveled anp-lca model for the selection of sustainable design options | |
Qian et al. | Enhancing power utilization analysis: detecting aberrant patterns of electricity consumption |
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 |