随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12] .
电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究.
因此,本文提出一种电力市场环境下电力用户电价特征提取及异常识别方法.根据电力市场环境下电力用户电价形成机制,从用电行为和交易行为两方面构建电价特征向量,基于谱聚类算法提取典型电价特征;针对复杂的影响因素和不完全的数据信息,利用典型电价特征对电价异常进行两阶段分步识别,阶段1先从用电行为和交易行为两方面进行初步识别和快速定位,阶段2再深入识别.
1 电力市场环境下电力用户电价形成
机制 在电力市场化改革前,电力用户的到户电价为政府主管部门制定的目录销售电价,一段时间周期内相对稳定.随着电力市场化改革的推进,放开输配以外的竞争性环节电价,构建主体多元、开放竞争的电力市场格局,电力用户电价由市场形成.虽然不同地区因地制宜建设电力市场,但是整体上均遵循“中长期交易+现货交易”的市场体系,主要在“中长期交易+现货交易”的交易机制、价格形成机制和市场衔接机制等方面存在差异.其中,中长期交易是对多年、年、季、月等较长时间周期的电能进行的交易,用于平衡长期供需、稳定价格预期;现货交易是对未来一天、几小时甚至更短时间周期的电能进行的交易,用于发现实时价格、优化资源配置.
(1) P u n P m n P t n P f n P s n
式中:P m n n 的市场化交易电价;P t n n 的输配电价;P f n n 的政府性基金及附加;P s n n 的系统运行费用.
其中,虽然不同地区电力市场“中长期交易+现货交易”的交易机制、价格形成机制和市场衔接机制等方面存在差异,但是市场化交易电价均可表示为中长期交易和现货交易共同形成的综合价格.输配电价、政府性基金及附加由政府主管部门制定,系统运行费用根据市场交易规则确定.一般情况下,相同类型电力用户的输配电价、政府性基金及附加和系统运行费用相同,电价异常主要由市场化交易电价产生.同时,电力市场环境下通常以月度为时间周期进行交易结算,月度平均电价是衡量电力用户电价水平的重要指标.因此,本文暂不考虑输配电价、政府性基金及附加、系统运行费用等,主要对电力用户的月度平均市场化交易电价进行分析,具体表示如下:
(2) $ P_{n, m}^{\mathrm{m}}=\sum_{t=1}^{s} r_{n, m, t} P_{n, m, t}^{\mathrm{m}}$
(3) $r_{n, m, t}=\frac{Q_{n, m, t}}{\sum_{m=1}^{y} \sum_{t=1}^{s} Q_{n, m, t}}$
式中:P m n , m m 电力用户n 的月度平均市场化交易电价;rn , m , t m 时段t 电力用户n 的电量比例;Qn , m , t m 时段t 电力用户n 的电量;P n , m , t m m 时段t 电力用户n 的市场化交易电价;y 为月份数量;s 为时段数量.
根据是否与发电企业直接进行交易,电力用户分为批发用户和零售用户.批发用户直接参与中长期交易和现货交易(包括日前和实时)进行购电,市场化交易电价由其交易策略确定;零售用户与售电公司签订零售套餐,由售电公司代理购电,市场化交易电价由固定电价、市场联动电价及其电量比例等零售套餐参数确定.批发用户和零售用户的市场化交易电价表示如下:
(4) $\begin{aligned} P_{n, m, t}^{\mathrm{m}, \mathrm{w}}= & \eta_{n, m, t}^{\mathrm{c}} P_{n, m, t}^{\mathrm{c}}+\eta_{n, m, t}^{\mathrm{d}} P_{n, m, t}^{\mathrm{d}}+ \\ & \eta_{n, m, t}^{\mathrm{r}} P_{n, m, t}^{\mathrm{r}} \end{aligned}$
(5) $P_{n, m, t}^{\mathrm{m}, \mathrm{r}}=\eta_{n, m, t}^{\mathrm{f}} P_{n, m, t}^{\mathrm{f}}+\eta_{n, m, t}^{\mathrm{l}} P_{n, m, t}^{\mathrm{l}}$
式中:P n , m , t m , w m 时段t 批发用户n 的市场化交易电价;η c n , m , t P c n , m , t m 时段t 批发用户n 的中长期合约电量比例和电价;η d n , m , t P d n , m , t m 时段t 批发用户n 的日前市场电量比例和电价;η r n , m , t P r n , m , t m 时段t 批发用户n 的实时市场电量比例和电价;P n , m , t m , r m 时段t 零售用户n 的市场化交易电价;η f n , m , t P f n , m , t m 时段t 零售用户n 的固定电价电量比例和电价;η l n , m , t P l n , m , t m 时段t 零售用户n 的市场联动电价电量比例和电价.
为发现电力分时价值,促进电力资源的优化配置,各类批发交易的电量电价时段颗粒度通常较小,一般为15 min、30 min或1 h.该模式下,批发用户需直接面对短周期、高频次的市场化交易风险.售电公司凭借专业的市场化交易和风险防控能力,帮助零售用户承担了大部分市场风险.零售套餐的电量电价时段颗粒度则较大,通常为月度峰、平、谷时段.
2 电价特征提取和异常识别
2.1 整体框架
本文提出电力市场环境下电力用户电价特征提取和异常识别方法,整体框架如图1 所示.主要包括提取电价特征和识别电价异常两个步骤:
图1
图1
电力用户电价特征提取和异常识别的整体框架
Fig.1
Overall framework of feature extraction and anomaly identification of power customer price
(1) 电价特征提取.根据电力用户的电量、交易、结算等数据,构建电价特征向量,基于谱聚类算法对电价特征向量进行降维,并对电力用户进行分类,提取典型电价特征作为判定电价是否异常的参考基准.
(2) 电价异常识别.逐一计算电力用户与典型电价特征之间的相似程度,判定电价是否异常.若电价异常,对异常原因进行两阶段分步识别,先从用电行为和交易行为两方面进行初步识别和快速定位,再进一步识别用电行为或交易行为导致电价异常的原因.
2.2 电价特征提取
根据前述分析,以电力用户的月度平均市场化交易电价为基础,分析电力用户电价的影响因素,提取电价特征.一段时间内电力用户的月度平均市场化交易电价表示如下:
(6) $\boldsymbol{R}_{n}=\left[\begin{array}{lll} \boldsymbol{\gamma}_{n, 1} & \cdots & \boldsymbol{\gamma}_{n, k} \end{array}\right]$
(7) $\boldsymbol{\gamma}_{n, m}=\left[\begin{array}{lll} r_{n, m, 1} & \cdots & r_{n, m, s} \end{array}\right]^{\mathrm{T}}$
(8) $\boldsymbol{P}_{n}=\left[\begin{array}{lll} \boldsymbol{\rho}_{n, 1} & \cdots & \boldsymbol{\rho}_{n, k} \end{array}\right]$
(9) $\boldsymbol{\rho}_{n, m}=\left[\begin{array}{lll} P_{n, m, 1}^{\mathrm{m}} & \cdots & P_{n, m, s}^{\mathrm{m}} \end{array}\right]^{\mathrm{T}}$
(10) $\boldsymbol{P}_{n}^{\mathrm{m}}=\left[\begin{array}{lll} P_{n, 1}^{\mathrm{m}} & \cdots & P_{n, k}^{\mathrm{m}} \end{array}\right]$
(11) $P_{n, m}^{\mathrm{m}}=\boldsymbol{\gamma}_{n, m} \cdot \boldsymbol{\rho}_{n, m}$
式中:γn , m m 电力用户n 的时段电量比例向量;Rn 为电力用户n 的分月电量比例矩阵;ρn , m m 电力用户n 的时段电价向量;Pn 为电力用户n 的分月电价矩阵;P m n n 的月度平均市场化交易电价向量;k 为月份数量.
根据式(6)~(11)可知,电力用户的月度平均市场化交易电价由其时段电量比例向量和时段电价向量共同决定.时段电量比例向量反映电力用户的用电行为,时段电价向量反映电力用户的交易行为,是电价产生异常的主要原因.
(1) 用电行为.若高电价时段电力用户多用电,则月度平均市场化交易电价提高,反之则降低.电力用户的用电行为发生大幅调整,将可能导致电价产生突变或异常.
(2) 交易行为.批发用户的各类交易策略主要根据预测的未来电价走势制定,若实际和预期产生较大偏差,将可能导致其电价显著高于或低于市场平均水平产生异常.零售用户与售电公司协商签约的过程中,若受到信息不对称、误导等原因干扰,零售套餐参数与其他大部分电力用户存在差别,也可能导致其电价产生异常.
电价特征向量应当反映用电行为和交易行为对电力用户电价水平变化走势的综合影响,是包含影响电力用户电价的用电行为和交易行为的综合特征,因此将电力用户一段时间内各月时段电量比例向量和时段电价向量进行全连接,形成表示一段时间内电力用户的月度平均市场化交易电价的特征向量(以下简称电价特征向量):
(12) dn = γ T n , 1 … γ T n , k ρ T n , 1 … ρ T n , k
式中:dn 为电力用户n 的月度平均市场化交易电价的特征向量.
(1) 数据维度高.电价特征向量的维度为月份数量和时段数量乘积的2倍.为剔除短期随机因素的影响,对电力用户电价进行分析,一般情况下时间周期不少于1年,电价时段至少区分峰平谷3个时段,因此电价特征向量具有高维的特点.
(2) 数据单点突变.电价特征向量中的部分异常数据可能仅集中于某几个月份或某几个时段,且显著偏离正常数据,具有单点或少量数据突变的特点.
基于聚类算法对电力用户的电价特征向量进行分类,根据分类结果得到同一类别电力用户电价特征向量的均值即典型电价特征向量,表示多数正常电力用户的用电行为、交易行为及其电价水平.从纵向上看,典型电价特征向量为一定时间范围内时段电量比例和时段电价的时序数据,体现电价特征的走势趋势;从横向上看,典型电价特征向量从大量电力用户的电价数据中聚类提取得到,相同类别之间尽可能相似,不同类别之间尽可能不同,体现电价特征的典型性.
目前主要聚类算法包括k -means聚类、层次聚类(hierarchical clustering,HC)等.其中,k -means聚类算法对聚类中心较敏感,易陷入局部最优,大规模数据将导致迭代不稳定;层次聚类算法的迭代速度随数据维度的增加而降低,更适用于小规模数据的分类.电价特征向量具有数据维度高、单点突变的特点,如果直接对其进行聚类,求解复杂度会大幅增加.谱聚类(spectral clustering,SC)首先基于图论对高维数据进行降维,然后再进行分类,更适用于高维、稀疏数据的分类[23 27] .相比于k -means聚类、层次聚类等算法,谱聚类算法能够更好适应电价特征向量数据维度高、单点突变的特点,有利于提高算法收敛的速度和稳定性,更适用于本文对电力用户的电价特征向量进行分类[28 ] .
基于谱聚类算法的电价特征提取,包括电价特征向量降维和电力用户分类、确定最优的电力用户分类数量两个流程.
2.2.1 电价特征向量降维和电力用户分类
设定图由点和边构成,边表示点之间的连接关系,边的权值表示连接的紧密程度. 子图由其中部分点和边构成,是图的一部分. 图在数学上以邻接矩阵(adjacency matrix ,AM )表示,邻接矩阵以点之间边的权值为元素,表示点之间的连接关系及其紧密程度. 子图的邻接矩阵为图的邻接矩阵的子矩阵. 若将电价特征向量表示为图的点,电价特征向量之间的相似程度表示为边的权值,则电力用户分类等同于图分割,分割得到的子图即为电力用户分类结果. 表示为
(13) A= 0 σ 1 , 2 … σ 1 , u σ 2 , 1 0 … σ 2 , u ︙ ︙ ︙ σ u , 1 σ u , 2 … 0
(14) $\sigma_{i, j}=\sigma_{j, i}=F_{\mathrm{R}}\left(\boldsymbol{d}_{i}, \boldsymbol{d}_{j}\right)$
(15) $\boldsymbol{A}_{r} \subseteq \boldsymbol{A}$
式中:σi , j i 和电力用户j 的电价特征向量之间的相似程度;u 为电力用户数量;F R (·)为径向基函数(radial basis function,RBF);A 为图的邻接矩阵;Ar 为子图的邻接矩阵.
电力用户分类的目标为相同类型电力用户的电价特征向量尽可能相同,不同类型电力用户的电价特征向量尽可能不同,因此图分割的目标为子图内部线的权值之和最大,并且子图之间线的权值之和最小,即目标函数为归一化切割函数(normalized cut,Ncut)最小.公式如下:
(16) $S_{\mathrm{I}}\left(\boldsymbol{A}_{r}\right)=\sum_{i \in \boldsymbol{A}_{r}} \sum_{j \in \boldsymbol{A}_{r}} \sigma_{i, j}$
(17) $ S_{\mathrm{O}}\left(\boldsymbol{A}_{r}\right)=\sum_{i \in \boldsymbol{A}_{r}} \sum_{l \in \overline{\boldsymbol{A}}_{r}} \sigma_{i, l}$
(18) $ F_{\mathrm{N}}=\sum_{r=1}^{v} \frac{S_{\mathrm{O}}\left(\boldsymbol{A}_{r}\right)}{S_{\mathrm{I}}\left(\boldsymbol{A}_{r}\right)}$
式中:S I (Ar )为子图Ar 内部点i 和点j 之间边的权值之和;A ¯ r Ar 的补集;S O (Ar )为子图Ar 内部点i 和其补集A ¯ r l 之间边的权值之和;F N 为目标函数Ncut函数;v 为电力用户分类数量.
Ncut函数为非线性函数,直接求解较困难.将邻接矩阵转化为拉普拉斯矩阵(Laplacian matrix,LM),则Ncut函数可表示为拉普拉斯矩阵和分类指示向量的二次型.公式如下:
(19) D= ρ 1 0 … 0 0 ρ 2 … 0 ︙ ︙ ︙ 0 0 … ρ u
(20) $ \rho_{i}=\sum_{j=1}^{u} \sigma_{i, j}$
(21) L=D-A= ρ 1 - σ 1 , 2 … - σ 1 , u - σ 2 , 1 ρ 2 … - σ 2 , u ︙ ︙ ︙ - σ u , 1 - σ u , 2 … ρ u
(22) $ F_{\mathrm{N}}=\sum_{r=1}^{v} \boldsymbol{f}_{r}^{\mathrm{T}} \boldsymbol{L} \boldsymbol{f}_{r}$
(23) $ \boldsymbol{f}_{r}=\left[\begin{array}{llll} f_{r, 1} & f_{r, 2} & \cdots & f_{r, u} \end{array}\right]^{\mathrm{T}}$
(24) fr , i = S I ( A r ) - 1 2 , i ∈ A r 0 , i ∈ A ¯ r
式中:D 为度矩阵;ρi 为点i 的度;L 为拉普拉斯矩阵;fr 为子图Ar 的分类指示向量.
根据拉普拉斯矩阵对称半正定的代数性质,求解Ncut函数可转化为求解标准拉普拉斯矩阵的最小特征值之和,实现对高维数据的降维[23 ] .公式如下:
(25) $ \boldsymbol{h}_{r}=\boldsymbol{D}^{1 / 2} \boldsymbol{f}_{r}$
(26) $ \boldsymbol{L}^{\prime}=\boldsymbol{D}^{-1 / 2} \boldsymbol{L} \boldsymbol{D}^{-1 / 2}$
(27) $ \begin{aligned} F_{\mathrm{N}}= & \sum_{r=1}^{v}\left(\boldsymbol{D}^{-1 / 2} \boldsymbol{h}_{r}\right)^{\mathrm{T}} \boldsymbol{L}\left(\boldsymbol{D}^{-1 / 2} \boldsymbol{h}_{r}\right)= \\ & \sum_{r=1}^{v} \boldsymbol{h}_{r}^{\mathrm{T}} \boldsymbol{L}^{\prime} \boldsymbol{h}_{r}=\sum_{r=1}^{v} \eta_{r} \boldsymbol{h}_{r}^{\mathrm{T}} \boldsymbol{h}_{r}=\sum_{r=1}^{v} \eta_{r} \end{aligned}$
式中:hr 为子图Ar 的单位分类指示向量,即降维后的电价特征向量,表示对电力用户的分类;L' 为标准拉普拉斯矩阵;ηr 为子图Ar 的特征值.
2.2.2 确定最优的电力用户分类数量
CH (Calinski-Harabasz )指标表示相同类别数据之间的相似程度以及不同类别数据之间的差异程度,反映电力用户分类结果的优劣程度,其数值越大表示分类结果越好,用于确定最优的电力用户分类数量[29 -30 ] .CH 指标表示如下:
(28) I= t r C I ( A r ) t r C O ( A r ) u - v v - 1
式中:C I (Ar )为子图Ar 内部的协方差矩阵;C O (Ar )为子图Ar 之间的协方差矩阵;tr(·)为矩阵的迹.
设置电力用户分类数量区间,按照不同分类数量基于谱聚类算法分别对电力用户进行分类,对比不同分类数量下分类结果的CH指标数值大小,CH指标最大的电力用户分类数量即为最优的电力用户分类数量,对应分类结果即为最优分类结果.
2.3 电价异常识别
完全通过数据驱动的方式实现电价异常识别和定位的实施性和可行性不强,一是市场运营机构和监管机构获取的数据信息通常不完全,难以有效支撑电价异常识别;二是电价异常原因既有客观原因,例如计量数据错误、用电设备故障等,也有主观原因,例如电价政策执行、交易策略制定、主体风险偏好等.部分主观原因难以通过数据直观体现,需要辅以一定的人工判断.针对电力市场环境下电价不完全的数据信息和复杂的影响因素,本文采取两阶段分步识别的方法.逐一计算电力用户与典型电价特征之间的相似程度,判定电价是否异常.若电价异常,阶段1先从用电行为和交易行为两方面进行初步识别和快速定位,阶段2再进一步识别用电行为或交易行为导致电价异常的原因.
2.3.1 判定电价是否异常
分别计算电力用户电价特征向量和所有典型电价特征向量之间的相似程度,并判断其与阈值的大小关系. 若至少与一个典型电价特征向量的相似程度大于或等于阈值,则判定该电力用户电价无异常;若与所有典型电价特征向量的相似程度均小于阈值,则判定该电力用户电价异常.
以余弦相似度(cosine similarity,CS)表示电力用户电价特征向量和典型电价特征向量之间的相似程度,计算方法[31 -32 ] 如下:
(29) L(cv , dn )= c v · d n c v d n
式中:cv 为典型电价特征向量;L (cv , dn )为电价特征向量之间的余弦相似度.
2.3.2 初步识别异常原因
若电力用户电价异常,则分别计算电量比例向量和电价向量与其对应的典型电价特征向量的相似程度,根据其余弦相似度和阈值的大小关系分析电价异常的原因.余弦相似度的阈值根据3σ 拉依达准则,基于历史数据的概率分布和置信区间计算得到,同时考虑经验数值综合确定[33 -34 ] .
(1) 若至少有一个电量比例向量的余弦相似度大于或等于阈值,且所有电价向量的余弦相似度均小于阈值,则为由于交易行为导致电价异常.
(2) 若所有电量比例向量的余弦相似度均小于阈值,且至少一个电价向量的余弦相似度大于或等于阈值,则为由于用电行为导致电价异常.
(3) 若所有电量比例向量的余弦相似度和所有电价向量的余弦相似度均小于阈值,则为由于用电行为和交易行为共同导致电价异常.
2.3.3 深入识别异常原因
分别从用电行为和交易行为两方面深入识别电价异常的原因.
(1) 由于用电行为导致电价异常,异常原因包括但不限于:峰谷分时用电结构不合理、用电设备检修或故障、企业生产经营状况变化调整、计量数据错误、其他不可抗力等.
(2) 由于交易行为导致电价异常,异常原因包括但不限于以下情况:交易策略不合理、零售套餐参数异常、更换售电公司、不正当市场行为触发惩罚性电价等.
3 案例分析
3.1 基础参数
以某电力市场试点省份某地区随机抽取的 1889 家电力用户为样本数据进行案例分析,选取近一年12个月的电量电价数据.时段分为峰平谷3个时段,如表1 所示.直接参与批发交易具有一定的专业技术性门槛要求,在电力现货市场运行一段时间后,除了部分电量规模较大的电力用户仍作为批发用户直接参与交易外,超过98%的电力用户均为零售用户,由售电公司代理参与电力市场交易,因此本案例主要对零售用户进行分析,暂不考虑批发用户.电力用户分类数量的区间为2~10.根据3σ 拉依达准则,同时综合参考历史数据的概率分布和经验数值,设定余弦相似度的阈值为0.9[33 -34 ] .
3.2 分析结果
分别基于谱聚类、k -means聚类、层次聚类3种算法,对电力用户进行分类和电价特征提取.3种聚类算法的分类结果及算法性能的对比情况如表2 所示.
对比不同聚类算法可知,谱聚类算法的CH指标数值更大、收敛的速度更快,整体效果优于k -means聚类和层次聚类算法.电价特征向量的维度为72维度较大,基于谱聚类算法通过对高维数据进行降维,优化了算法性能,提高了电力用户分类和电价特征提取的效率.
对比不同电力用户分类数量可知,当分类数量为3时,3种聚类算法的CH指标数值均为最大,因此3类电力用户为最优分类数量.基于谱聚类算法,提取得到的3类电力用户分别为小型商业电力用户、中小型工业电力用户和大型工业电力用户,其月度平均市场化交易电价如图2 所示,对应3类典型电价特征如图3 所示.
图2
图2
3类电力用户的月度平均市场化交易电价走势
Fig.2
Monthly average electricity price trend of three types of customers
图3
图3
3类典型电价特征
Fig.3
Characteristics of three typical electricity price
(1) 小型商业电力用户(典型电价特征1).在电量方面,不同月份之间的用电波动较大,7~8月夏季电量显著高于其他月份,平段电量占比最大;在电价方面,峰平谷各时段电价在3类典型电价特征中最高,但是峰段电量占比较小,导致该类用户平均电价在3类典型电价特征中处于适中水平.典型电价特征1主要为季节性用电波动较大、白天时段用电为主、电价敏感度较低、在市场上议价能力较弱的小型商业电力用户.
(2) 中小型工业电力用户(典型电价特征2).在电量方面,不同月份之间的用电波动适中,峰段电量占比最大;在电价方面,峰平谷时段电价在3类典型电价特征中适中,但是峰段电量占比最大,导致该类用户平均电价在3类典型电价特征中处于最高水平.典型电价特征2主要为用电具有一定季节性波动、按订单情况排产用电、电价敏感度适中、在市场上具有一定议价能力的中小型工业电力用户.
(3) 大型工业电力用户(典型电价特征3).在电量方面,除1~2月春节外,不同月份之间的用电波动较小,谷段电量占比最大;在电价方面,峰平谷各时段电价在3类典型电价特征中最低,两方面因素共同导致该类用户平均电价在3类典型电价特征中处于最低水平.典型电价特征3主要为季节性用电波动较小、连续性生产用电、用电管理较精细、电价敏感度较大、在市场上议价能力较强的大型工业电力用户.
根据谱聚类算法提取得到的3类典型电价特征,基于余弦相似度分别对 1 889 家电力用户样本数据进行电价异常识别,电力用户电价特征向量和3类典型电价特征向量之间的余弦相似度的分布情况如表3 所示.其中有50家电力用户电价特征向量和3类典型电价特征向量之间的余弦相似度均小于阈值0.9,即电价异常,电价异常的电力用户占比为2.65%.
需要说明的是,由于抽样数据的随机性,本案例分析理论上存在由于典型电价特征的抽样数据较少而判定为电价异常的可能性,若为全样本数据,则不存在该问题.
在识别电价异常的基础上对电力用户电价异常原因进行分析.其中有29家电力用户仅由于用电行为导致电价异常,占比58%;有16家电力用户仅由于交易行为导致电价异常,占比32%;有5家电力用户由于用电行为和交易行为共同导致电价异常,占比10%.分析可知,用电行为是导致电力用户电价异常的主要原因.
在上述电价异常识别结果的基础上,进一步分析由于用电行为和交易行为导致50家电力用户电价异常的原因.例如,电力用户A是29家由于用电行为导致电价异常的电力用户之一,经与典型电价特征对比分析(见图4 ),一方面其1、2、12月电量显著偏低,另一方面其3~11月峰段电量比例与平段电量比例之比约为1∶5,低于典型电价特征的峰段电量比例与平段电量比例之比1∶1.进一步分析可知,一是电力用户A为大工业企业,其大部分员工的返乡路程较远,通常提前结束年度生产计划,同时春节假期后允许延迟返岗;二是电力用户A的生产工艺流程已优化调整,实现部分错峰生产,因此其峰平谷时段用电行为和典型电价特征具有较大差异.电力用户B是16家由于交易行为导致电价异常的电力用户之一,经与典型电价特征对比分析(见图5 ),其2月峰平谷时段电价分别为1541.14、1340.74、649.64元/(MW·h),显著高于典型电价特征的电价.进一步分析可知,1月电力用户B和售电公司仅签订了1个月的代理合同,2月未及时完成续签,被认定为无故退市,触发1.5倍惩罚性电价,导致电价偏高.对于由于用电行为、交易行为共同导致电价异常的电力用户,同理可与典型电价特征的电量比例向量和电价向量进行综合对比分析,分别定位并发现电价异常原因.
图4
图4
电力用户A与典型电价特征对比
Fig.4
Comparison of Custom A and typical electricity price characteristics
图5
图5
电力用户B与典型电价特征对比
Fig.5
Comparison of Custom B and typical electricity price characteristics
综上,从用电行为和交易行为两方面进一步识别电价异常和分析原因,可为电力用户提出针对性的改进和解决措施.
(1) 由于用电行为导致电价异常,异常原因包括但不限于:分时用电不合理、用电设备检修或故障、企业生产经营状况变化调整、其他不可抗力等.对于分时用电不合理等持续性异常原因,可对电力用户的生产工艺流程时序等进行优化调整,更好地响应分时电价,或配置分布式光伏和用户侧储能,进一步降低用电成本.
(2) 由于交易行为导致电价异常,异常原因包括但不限于:交易策略不合理、零售套餐参数异常、更换售电公司、不正当市场行为触发惩罚性电价等.对于偶发性异常原因,可进一步盘查电力用户是否存在误操作或无故退市,售电公司是否存在不规范市场行为等,服务于市场监管,更好促进电力市场的平稳规范运行.
4 结论
随着电力市场建设进程的推进,电力用户电价不再为固定的目录销售电价,电价复杂性和灵活性大幅提升,快速识别电价异常并挖掘异常原因,事关电力市场的平稳运行和电力用户的合理利益.本文提出一种电力市场环境下电力用户电价特征提取及异常识别方法,并进行了案例分析,得到以下结论:
(1) 该方法从用电行为和交易行为两方面构建了电价特征向量,并基于谱聚类算法对电价特征向量进行降维,相比于传统聚类算法,能够实现对电力用户进行快速分类,提取典型电价特征,为识别电价异常提供参考基准.
(2) 在典型电价特征的基础上,该方法基于余弦相似度能够有效识别和判定电力用户电价是否异常,采取两阶段分步识别的方式判定异常,阶段1先从用电行为和交易行为两方面进行初步识别和快速定位,阶段2再深入识别用电行为或交易行为导致电价异常的原因.
参考文献
View Option
[1]
国家发展改革委 . 关于进一步深化燃煤发电上网电价市场化改革的通知
[EB/OL]. (2021-10-11 )[2023-04-23 ]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/202110/t20211012_1299461.html.
URL
[本文引用: 1]
National Development and Reform commission . Notice on further deepening the market reform of coal power generation price
[EB/OL]. (2021-10-11 )[2023-04-23 ]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/202110/t20211012_1299461.html.
URL
[本文引用: 1]
[2]
国家发展改革委办公厅 . 关于组织开展电网企业代理购电工作有关事项的通知
[EB/OL]. (2021-10-23 )[2023-04-23 ]. https://www.ndrc.gov.cn/xwdt/tzgg/202110/t20211026_1300893.html.
URL
[本文引用: 1]
National Development and Reform commission . Notice on matters relating to the organization of agent power purchase of power grid enterprises
[EB/OL]. (2021-10-23 )[2023-04-23 ]. https://www.ndrc.gov.cn/xwdt/tzgg/202110/t20211026_1300893.html.
URL
[本文引用: 1]
[3]
白杨 , 李昂 , 夏清 . 新形势下电力市场营销模式与新型电价体系
[J]. 电力系统保护与控制 2016 , 44 (5 ): 10 -16 .
[本文引用: 1]
BAI Yang LI Ang XIA Qing Electricity business marketing modes in the new environment and new electricity pricing systems
[J]. Power System Protection and Control 2016 , 44 (5 ): 10 -16 .
[本文引用: 1]
[4]
沈同 , 夏清 . 实现资源时空优化配置的现货市场及其应用研究
[J]. 智慧电力 2018 , 46 (1 ): 1 -6 .
SHEN Tong XIA Qing Spot market with temporal and spatial distribution optimization of resource and its application in China
[J]. Smart Power 2018 , 46 (1 ): 1 -6 .
[5]
吴洋 , 辛茹 , 邹文滔 , 等 . 提升电力现货市场出清结果可解释性的综合分析方法
[J]. 南方电网技术 2022 , 16 (6 ): 113 -123 .
WU Yang XIN Ru ZOU Wentao et al Comprehensive analysis method for enhancing the explainability of electricity spot market clearing results
[J]. Southern Power System Technology 2022 , 16 (6 ): 113 -123 .
[6]
史新红 , 郑亚先 , 薛必克 , 等 . 机组运行约束对机组节点边际电价的影响分析
[J]. 电网技术 2019 , 43 (8 ): 2658 -2665 .
SHI Xinhong ZHENG Yaxian XUE Bike et al Effect analysis of unit operation constraints on locational marginal price of unit nodes
[J]. Power System Technology 2019 , 43 (8 ): 2658 -2665 .
[7]
罗钢 , 马辉 , 陈晔 , 等 . 南方(以广东起步)电力现货市场模拟运行分析
[J]. 南方电网技术 2018 , 12 (12 ): 49 -54 .
LUO Gang MA Hui CHEN Ye et al Analysis of simulation operation of electricity spot market in Southern China (starting from Guangdong Province)
[J]. Southern Power System Technology 2018 , 12 (12 ): 49 -54 .
[8]
王一 , 马子明 , 谭跃凯 , 等 . 广东日前电力市场方案设计与市场仿真
[J]. 电力需求侧管理 2018 , 20 (1 ): 10 -14 .
[本文引用: 1]
WANG Yi MA Ziming TAN Yuekai et al Day-ahead power market design and market simulation in Guangdong Province
[J]. Power Demand Side Management 2018 , 20 (1 ): 10 -14 .
[本文引用: 1]
[9]
刘敦楠 , 李瑞庆 , 陈雪青 , 等 . 电力市场监管指标及市场评价体系
[J]. 电力系统自动化 2004 , 28 (9 ): 16 -21 .
[本文引用: 1]
LIU Dunnan LI Ruiqing CHEN Xueqing et al Surveillance indices and evaluating system of electricity market
[J]. Automation of Electric Power Systems 2004 , 28 (9 ): 16 -21 .
[本文引用: 1]
[10]
刘敦楠 , 陈雪青 , 何光宇 , 等 . 电力市场评价指标体系的原理和构建方法
[J]. 电力系统自动化 2005 , 29 (23 ): 2 -7 .
LIU Dunnan CHEN Xueqing HE Guangyu et al General principle and constitution process of evaluating indices system for electricity market
[J]. Automation of Electric Power Systems 2005 , 29 (23 ): 2 -7 .
[11]
罗舒瀚 , 蒋传文 , 王旭 , 等 . 新电改背景下售电公司的购售电策略及风险评估
[J]. 电网技术 2019 , 43 (3 ): 944 -953 .
LUO Shuhan JIANG Chuanwen WANG Xu et al Power trading strategy and risk assessment of electricity retailing company under power system reform
[J]. Power System Technology 2019 , 43 (3 ): 944 -953 .
[12]
史连军 , 庞博 , 刘敦楠 , 等 . 新电改下北京电力交易中心电力市场综合指数的交易分析
[J]. 电力系统自动化 2019 , 43 (6 ): 163 -170 .
[本文引用: 1]
SHI Lianjun PANG Bo LIU Dunnan et al Power market transaction analysis of index of Beijing electric power exchange center under new electricity reform
[J]. Automation of Electric Power Systems 2019 , 43 (6 ): 163 -170 .
[本文引用: 1]
[13]
郑海雁 , 金农 , 季聪 , 等 . 电力用户用电数据分析技术及典型场景应用
[J]. 电网技术 2015 , 39 (11 ): 3147 -3152 .
[本文引用: 1]
ZHENG Haiyan JIN Nong JI Cong et al Analysis technology and typical scenario application of electricity big data of power consumers
[J]. Power System Technology 2015 , 39 (11 ): 3147 -3152 .
[本文引用: 1]
[14]
朱天怡 , 艾芊 , 贺兴 , 等 . 基于数据驱动的用电行为分析方法及应用综述
[J]. 电网技术 2020 , 44 (9 ): 3497 -3507 .
[本文引用: 1]
ZHU Tianyi AI Qian HE Xing et al An overview of data-driven electricity consumption behavior analysis method and application
[J]. Power System Technology 2020 , 44 (9 ): 3497 -3507 .
[本文引用: 1]
[15]
陈静 , 郑垂锭 , 李桂敏 , 等 . 考虑行业关联度的工业用户用电异常识别研究
[J]. 仪器仪表学报 2023 , 44 (4 ): 72 -81 .
[本文引用: 1]
CHEN Jing ZHENG Chuiding LI Guimin et al Research on power consumption anomaly identification of industrial users considering industry relevance
[J]. Chinese Journal of Scientific Instrument 2023 , 44 (4 ): 72 -81 .
[本文引用: 1]
[16]
刘宣 , 唐悦 , 卢继哲 , 等 . 基于概率预测的用电采集终端电量异常在线实时识别方法
[J]. 电力系统保护与控制 2021 , 49 (19 ): 99 -106 .
[本文引用: 1]
LIU Xuan TANG Yue LU Jizhe et al Online real time anomaly recognition method for power consumption of electric energy data acquisition terminal based on probability prediction
[J]. Power System Protection and Control 2021 , 49 (19 ): 99 -106 .
[本文引用: 1]
[17]
程超鹏 , 彭显刚 , 曾勇斌 , 等 . 相异模型下Stacking集成结构的异常用电用户识别方法
[J]. 电网技术 2021 , 45 (12 ): 4828 -4836 .
[本文引用: 1]
CHENG Chaopeng PENG Xiangang ZENG Yongbin et al An abnormal power user recognition method for stacking integrated structures with different models
[J]. Power System Technology 2021 , 45 (12 ): 4828 -4836 .
[本文引用: 1]
[18]
郑思达 , 梁琪琳 , 彭鑫霞 , 等 . 基于模糊聚类的异常用电行为识别研究
[J]. 电测与仪表 2020 , 57 (19 ): 40 -44 .
[本文引用: 1]
ZHENG Sida LIANG Qilin PENG Xinxia et al Research on abnormal power consumption behavior identification based on fuzzy clustering
[J]. Electrical Measurement & Instrumentation 2020 , 57 (19 ): 40 -44 .
[本文引用: 1]
[19]
彭显刚 , 郑伟钦 , 林利祥 , 等 . 基于密度聚类和Fréchet判别分析的电价执行稽查方法
[J]. 电网技术 2015 , 39 (11 ): 3195 -3201 .
[本文引用: 1]
PENG Xiangang ZHENG Weiqin LIN Lixiang et al A method to inspect the implementation of electricity price based on density clustering analysis and Fréchet discriminant analysis
[J]. Power System Technology 2015 , 39 (11 ): 3195 -3201 .
[本文引用: 1]
[20]
林幕群 , 彭显刚 , 林利祥 , 等 . 基于数据挖掘技术的电价执行在线稽查模型
[J]. 广东电力 2016 , 29 (1 ): 108 -112 .
[本文引用: 1]
LIN Muqun PENG Xiangang LIN Lixiang et al Online inspection model for electricity price implementation based on data mining technology
[J]. Guangdong Electric Power 2016 , 29 (1 ): 108 -112 .
[本文引用: 1]
[21]
陆俊 , 陈志敏 , 龚钢军 , 等 . 基于极限学习机的居民用电行为分类分析方法
[J]. 电力系统自动化 2019 , 43 (2 ): 97 -104 .
[本文引用: 1]
LU Jun CHEN Zhimin GONG Gangjun et al Classification analysis method for electricity consumption behavior based on extreme learning machine algorithm
[J]. Automation of Electric Power Systems 2019 , 43 (2 ): 97 -104 .
[本文引用: 1]
[22]
李春燕 , 蔡文悦 , 赵溶生 , 等 . 基于优化SAX和带权负荷特性指标的AP聚类用户用电行为分析
[J]. 电工技术学报 2019 , 34 (Sup.1) : 368 -377 .
[本文引用: 1]
LI Chunyan CAI Wenyue ZHAO Rongsheng et al Analysis of power consumption behavior of AP cluster users based on optimized SAX and weighted load characteristic index
[J]. Transactions of China Electrotechnical Society 2019 , 34 (Sup.1) : 368 -377 .
[本文引用: 1]
[23]
孙吉贵 , 刘杰 , 赵连宇 . 聚类算法研究
[J]. 软件学报 2008 , 19 (1 ): 48 -61 .
[本文引用: 2]
SUN Jigui LIU Jie ZHAO Lianyu Clustering algorithms research
[J]. Journal of Software 2008 , 19 (1 ): 48 -61 .
[本文引用: 2]
[24]
章永来 , 周耀鉴 . 聚类算法综述
[J]. 计算机应用 2019 , 39 (7 ): 1869 -1882 .
DOI:10.11772/j.issn.1001-9081.2019010174
大数据时代，聚类这种无监督学习算法的地位尤为突出。近年来，对聚类算法的研究取得了长足的进步。首先，总结了聚类分析的全过程、相似性度量、聚类算法的新分类及其结果的评价等内容，将聚类算法重新划分为大数据聚类与小数据聚类两个大类，并特别对大数据聚类作了较为系统的分析与总结。此外，概述并分析了各类聚类算法的研究进展及其应用概况，并结合研究课题讨论了算法的发展趋势。
ZHANG Yonglai ZHOU Yaojian Review of clustering algorithms
[J]. Journal of Computer Applications 2019 , 39 (7 ): 1869 -1882 .
DOI:10.11772/j.issn.1001-9081.2019010174
Clustering is very important as an unsupervised learning algorithm in the age of big data. Recently, considerable progress has been made in the analysis of clustering algorithm. Firstly, the whole process of clustering, similarity measurement, new classification of clustering algorithms and evaluation on their results were summarized. Clustering algorithms were divided into two categories:big data clustering and small data clustering, and the systematic analysis and summary of big data clustering were carried out particularly. Moreover, the research progress and application of various clustering algorithms were summarized and analyzed, and the development trend of clustering algorithms was discussed in combination with the research topics.
[25]
杨俊闯 , 赵超 . K -Means聚类算法研究综述
[J]. 计算机工程与应用 2019 , 55 (23 ): 7 -14 .
DOI:10.3778/j.issn.1002-8331.1908-0347
K-均值（K-Means）算法是聚类分析中一种基于划分的算法，同时也是无监督学习算法。其具有思想简单、效果好和容易实现的优点，广泛应用于机器学习等领域。但是K-Means算法也有一定的局限性，比如：算法中聚类数目K值难以确定，初始聚类中心如何选取，离群点的检测与去除，距离和相似性度量等。从多个方面对K-Means算法的改进措施进行概括，并和传统K-Means算法进行比较，分析了改进算法的优缺点，指出了其中存在的问题。对K-Means算法的发展方向和趋势进行了展望。
YANG Junchuang ZHAO Chao Survey on K -Means clustering algorithm
[J]. Computer Engineering and Applications 2019 , 55 (23 ): 7 -14 .
DOI:10.3778/j.issn.1002-8331.1908-0347
The K-Means algorithm is a partition-based algorithm in cluster analysis. With an unsupervised learning algorithm, its advantages of simple thinking, good effect and easy implementation are widely used in fields such as machine learning. But the K-Means algorithm also has certain limitations. For example, the K number of clusters in the algorithm is difficult to determine how to choose the initial cluster center, how to detect and remove outliers and the distance and similarity measure. This paper summarizes the improvement of K-Means algorithm from several aspects, and compares it with the classical K-Means algorithm. In addition, it analyzes the advantages and disadvantages of the improved algorithm, and points out the problems. Finally, the development direction and trend of K-Means algorithm are prospected.
[26]
蔡晓妍 , 戴冠中 , 杨黎斌 . 谱聚类算法综述
[J]. 计算机科学 2008 , 35 (7 ): 14 -18 .
CAI Xiaoyan DAI Guanzhong YANG Libin Survey on spectral clustering algorithms
[J]. Computer Science 2008 , 35 (7 ): 14 -18 .
[27]
游广增 , 汤翔鹰 , 胡炎 , 等 . 基于典型运行场景聚类的电力系统灵活性评估方法
[J]. 上海交通大学学报 2021 , 55 (7 ): 802 -813 .
DOI:10.16183/j.cnki.jsjtu.2020.012
[本文引用: 1]
以风光水为代表的可再生能源电源会增加电力系统的不确定性.为了保证高比例可再生能源电力系统的灵活运行,提出一种典型运行场景电力系统灵活性评估方法.利用改进的K-means算法,将新能源和负荷的运行场景进行聚类组合得到典型运行场景.从区域内供需平衡、区域内潮流分布和区域间输电能力3个角度提出灵活性评估指标;计算每种典型场景的灵活性评估指标,并根据每种场景的出现概率计算得到综合评估指标以评估系统的整体灵活性.最后,基于南方某地区实际新能源和负荷历史数据在改进的IEEE 39节点系统上进行电力系统灵活性评估.结果表明,该聚类方法和灵活性指标可以有效反映电力系统的灵活性.
YOU Guangzeng TANG Xiangying HU Yan et al Flexibility evaluation method for power system based on clustering of typical operating scenarios
[J]. Journal of Shanghai Jiao Tong University 2021 , 55 (7 ): 802 -813 .
[本文引用: 1]
[28]
刘敦楠 , 徐尔丰 , 刘明光 , 等 . 面向分布式电源就地消纳的园区分时电价定价方法
[J]. 电力系统自动化 2020 , 44 (20 ): 19 -28 .
[本文引用: 1]
LIU Dunnan XU Erfeng LIU Mingguang et al TOU pricing method for park considering local consumption of distributed generator
[J]. Automation of Electric Power Systems 2020 , 44 (20 ): 19 -28 .
[本文引用: 1]
[29]
陈烨 , 吴浩 , 史俊祎 , 等 . 奇异值分解方法在日负荷曲线降维聚类分析中的应用
[J]. 电力系统自动化 2018 , 42 (3 ): 105 -111 .
[本文引用: 1]
CHEN Ye WU Hao SHI Junyi et al Application of singular value decomposition algorithm to dimension-reduced clustering analysis of daily load profiles
[J]. Automation of Electric Power Systems 2018 , 42 (3 ): 105 -111 .
[本文引用: 1]
[30]
杜将武 , 唐小强 , 罗志伟 , 等 . 面向综合能源园区的丰枯电价定价方法
[J]. 发电技术 2023 , 44 (2 ): 261 -269 .
DOI:10.12096/j.2096-4528.pgt.21119
[本文引用: 1]
综合能源园区是以新能源为主体的新型电力系统的基本单元，通过建设分布式电源，可以实现能源生产、消费就近完成和园区自我平衡。通过挖掘用户需求响应潜力，制定差异化丰枯电价，能够缓解分布式电源出力和用户电量的季节性不匹配矛盾，对此提出一种面向综合能源园区的丰枯电价定价方法。首先，根据用户的电量特征和需求响应特征，基于k-means聚类算法进行用户分类；然后，根据园区不平衡电量，基于k-means聚类算法划分丰枯时段；最后，构建优化模型，制定不同类别用户的丰枯电价。根据案例分析可知，基于该方法制定丰枯电价，能够有效促进分布式电源就地消纳，提高园区清洁能源消费比重和整体经济性。
DU Jiangwu TANG Xiaoqiang LUO Zhiwei et al Pricing method for season of use in integrated energy park
[J]. Power Generation Technology 2023 , 44 (2 ): 261 -269 .
DOI:10.12096/j.2096-4528.pgt.21119
[本文引用: 1]
Integrated energy park is the basic unit of new electric power system dominated by renewable energy. Depending on distributed generators, the energy production and consumption nearby and self-balance of park are achieved. The contradiction of seasonal load mismatch between distributed generators and users can be released by tapping demand response potential and stipulating different season of use (SOU) price. A pricing method for SOU price in integrated energy park was put forward accordingly. First of all, considering characteristics of load and demand response, users were classified by k-means clustering algorithm. Then, according to unbalance load of park, SOU periods were determined by k-means clustering algorithm. At last, the optimization model was established to stipulate SOU price of different types of users. As the case shown, based on this method, SOU price can promote local consumption of distributed generators efficiently and raise the utilization ratio of clean energy and overall economic benefit of park.
[31]
李海侠 , 林继灿 , 李赓 , 等 . 基于加权余弦相似度与极限学习机的电力负荷短期预测
[J]. 科学技术与工程 2020 , 20 (11 ): 4370 -4374 .
[本文引用: 1]
LI Haixia LIN Jican LI Geng et al Short-term power load forecasting based on weighted cosine similarity and extreme learning machine
[J]. Science Technology and Engineering 2020 , 20 (11 ): 4370 -4374 .
[本文引用: 1]
[32]
徐先峰 , 赵依 , 刘状壮 , 等 . 用于短期电力负荷预测的日负荷特性分类及特征集重构策略
[J]. 电网技术 2022 , 46 (4 ): 1548 -1556 .
[本文引用: 1]
XU Xianfeng ZHAO Yi LIU Zhuangzhuang et al Daily load characteristic classification and feature set reconstruction strategy for short-term power load forecasting
[J]. Power System Technology 2022 , 46 (4 ): 1548 -1556 .
[本文引用: 1]
[33]
刘科研 , 季玉琦 , 陆凌芝 , 等 . 基于负荷分布匹配与熵权法的配电网无功优化
[J]. 电网技术 2017 , 41 (12 ): 3980 -3988 .
[本文引用: 2]
LIU Keyan JI Yuqi LU Lingzhi et al Reactive power optimization in distribution network based on load distribution matching and entropy weight method
[J]. Power System Technology 2017 , 41 (12 ): 3980 -3988 .
[本文引用: 2]
[34]
许梦田 , 王洪哲 , 赵成萍 , 等 . 基于短期风功率预测的数据预处理算法研究
[J]. 可再生能源 2019 , 37 (1 ): 119 -125 .
[本文引用: 2]
XU Mengtian WANG Hongzhe ZHAO Chengping et al Research on data preprocessing policy based on short-term wind power prediction
[J]. Renewable Energy Resources 2019 , 37 (1 ): 119 -125 .
[本文引用: 2]
关于进一步深化燃煤发电上网电价市场化改革的通知
1
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
Notice on further deepening the market reform of coal power generation price
1
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
关于组织开展电网企业代理购电工作有关事项的通知
1
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
Notice on matters relating to the organization of agent power purchase of power grid enterprises
1
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
新形势下电力市场营销模式与新型电价体系
1
2016
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
Electricity business marketing modes in the new environment and new electricity pricing systems
1
2016
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
实现资源时空优化配置的现货市场及其应用研究
0
2018
Spot market with temporal and spatial distribution optimization of resource and its application in China
0
2018
提升电力现货市场出清结果可解释性的综合分析方法
0
2022
Comprehensive analysis method for enhancing the explainability of electricity spot market clearing results
0
2022
机组运行约束对机组节点边际电价的影响分析
0
2019
Effect analysis of unit operation constraints on locational marginal price of unit nodes
0
2019
南方(以广东起步)电力现货市场模拟运行分析
0
2018
Analysis of simulation operation of electricity spot market in Southern China (starting from Guangdong Province)
0
2018
广东日前电力市场方案设计与市场仿真
1
2018
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
Day-ahead power market design and market simulation in Guangdong Province
1
2018
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
电力市场监管指标及市场评价体系
1
2004
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
Surveillance indices and evaluating system of electricity market
1
2004
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
电力市场评价指标体系的原理和构建方法
0
2005
General principle and constitution process of evaluating indices system for electricity market
0
2005
新电改背景下售电公司的购售电策略及风险评估
0
2019
Power trading strategy and risk assessment of electricity retailing company under power system reform
0
2019
新电改下北京电力交易中心电力市场综合指数的交易分析
1
2019
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
Power market transaction analysis of index of Beijing electric power exchange center under new electricity reform
1
2019
... 随着电力体制改革的深入和电力市场的逐步建设,为更好发挥市场在资源优化配置中的决定性作用,构建灵活的市场化电价机制,我国已取消工商业目录销售电价,推动所有工商业电力用户进入市场,通过双边协商、集中竞价、挂牌等市场化交易方式形成电价[1 -2 ] .计划模式下目录销售电价相对固定,电价水平主要受电力用户用电行为影响;电力市场环境下,电价还会随着一次能源价格、新能源出力、电力供需形势、主体风险偏好、交易报价行为等因素波动,影响因素更加复杂,电价灵活性大幅提升,电价监控难度和管理成本大幅增加[3 8 ] .目前,市场运营机构和监管机构获取的数据信息通常不完全、颗粒度较粗.因此,如何在复杂多变的市场环境下和数据信息不完全的条件下,发现和识别电力用户电价异常,并挖掘和定位电价异常的原因,已成为促进电力市场平稳有序运行、保障电力用户合理利益的关键问题之一[9 12 ] . ...
电力用户用电数据分析技术及典型场景应用
1
2015
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
Analysis technology and typical scenario application of electricity big data of power consumers
1
2015
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
基于数据驱动的用电行为分析方法及应用综述
1
2020
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
An overview of data-driven electricity consumption behavior analysis method and application
1
2020
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
考虑行业关联度的工业用户用电异常识别研究
1
2023
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
Research on power consumption anomaly identification of industrial users considering industry relevance
1
2023
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
基于概率预测的用电采集终端电量异常在线实时识别方法
1
2021
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
Online real time anomaly recognition method for power consumption of electric energy data acquisition terminal based on probability prediction
1
2021
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
相异模型下Stacking集成结构的异常用电用户识别方法
1
2021
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
An abnormal power user recognition method for stacking integrated structures with different models
1
2021
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
基于模糊聚类的异常用电行为识别研究
1
2020
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
Research on abnormal power consumption behavior identification based on fuzzy clustering
1
2020
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
基于密度聚类和Fréchet判别分析的电价执行稽查方法
1
2015
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
A method to inspect the implementation of electricity price based on density clustering analysis and Fréchet discriminant analysis
1
2015
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
基于数据挖掘技术的电价执行在线稽查模型
1
2016
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
Online inspection model for electricity price implementation based on data mining technology
1
2016
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
基于极限学习机的居民用电行为分类分析方法
1
2019
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
Classification analysis method for electricity consumption behavior based on extreme learning machine algorithm
1
2019
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
基于优化SAX和带权负荷特性指标的AP聚类用户用电行为分析
1
2019
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
Analysis of power consumption behavior of AP cluster users based on optimized SAX and weighted load characteristic index
1
2019
... 电力用户用电行为分析和电价异常识别是用电大数据分析的典型应用场景,现有文献对此已开展一定研究[13 -14 ] .从方法上看,现有文献均采取“特征提取+异常识别”的方法框架,文献[15 ]中基于改进灰色关联度计算行业关联特征,利用多头注意力机制提取负荷序列特征,建立基于多头注意力机制-用变分自动编码器(multi-head attention and variational auto-encoder,MHA-VAE)的深度异常检测模型识别用电异常;文献[16 ]中基于状态空间模型和变分贝叶斯推断训练模型预测用电量的概率分布,以此实现异常数据的在线识别;文献[17 ]中采用支持向量机、随机森林、梯度决策树及深度森林4种相异模型作为Stacking结构的基分类模型,对用电特征集进行分类,以此判断用电是否异常;文献[18 ]中基于模糊聚类算法分析数据结构,提取正常用电行为特征,用于识别中小电力用户的异常用电行为.从内容上看,现有文献主要聚焦以下两方面:一是电价执行稽查,即电价规则执行中是否存在异常,文献[19 ]中针对传统电价执行稽查方法存在一定人为因素和随意性的不足,提出了基于结密度聚类分析和Fréchet判别分析的电价执行稽查方法,文献[20 ]中针对供电企业营销稽查主要依靠人工巡检等被动方法的局限性,构建了基于数据挖掘技术的电价执行在线稽查模型;二是分析用电行为对电价的影响,提出优化用电行为的建议,帮助电力用户优化用电方式、降低用电成本,文献[21 -22 ]中分别基于极限学习机算法以及优化符号聚合近似(SAX)和带权负荷指标的近邻传播(AP)聚类算法,对电力用户用电行为及优化潜力进行分析和识别.在市场运营机构和监管机构的角度,现有电价异常识别方法难以完全适应:一是电力市场环境下电力用户电价的波动程度增加、影响因素更加复杂,现有研究未考虑电力用户的交易行为对电价的影响;二是获取的数据通常不完全,主要为颗粒度较粗的电量、电价和电费等交易和结算数据,缺少电力用户全面详细的背景信息和实时的用电数据.如何在复杂的市场环境和数据信息不完全的条件下实现电价异常的快速识别,有待进一步研究. ...
聚类算法研究
2
2008
... 目前主要聚类算法包括k -means聚类、层次聚类(hierarchical clustering,HC)等.其中,k -means聚类算法对聚类中心较敏感,易陷入局部最优,大规模数据将导致迭代不稳定;层次聚类算法的迭代速度随数据维度的增加而降低,更适用于小规模数据的分类.电价特征向量具有数据维度高、单点突变的特点,如果直接对其进行聚类,求解复杂度会大幅增加.谱聚类(spectral clustering,SC)首先基于图论对高维数据进行降维,然后再进行分类,更适用于高维、稀疏数据的分类[23 27 ] .相比于k -means聚类、层次聚类等算法,谱聚类算法能够更好适应电价特征向量数据维度高、单点突变的特点,有利于提高算法收敛的速度和稳定性,更适用于本文对电力用户的电价特征向量进行分类[28 ] . ...
... 根据拉普拉斯矩阵对称半正定的代数性质,求解Ncut函数可转化为求解标准拉普拉斯矩阵的最小特征值之和,实现对高维数据的降维[23 ] .公式如下: ...
Clustering algorithms research
2
2008
... 目前主要聚类算法包括k -means聚类、层次聚类(hierarchical clustering,HC)等.其中,k -means聚类算法对聚类中心较敏感,易陷入局部最优,大规模数据将导致迭代不稳定;层次聚类算法的迭代速度随数据维度的增加而降低,更适用于小规模数据的分类.电价特征向量具有数据维度高、单点突变的特点,如果直接对其进行聚类,求解复杂度会大幅增加.谱聚类(spectral clustering,SC)首先基于图论对高维数据进行降维,然后再进行分类,更适用于高维、稀疏数据的分类[23 27 ] .相比于k -means聚类、层次聚类等算法,谱聚类算法能够更好适应电价特征向量数据维度高、单点突变的特点,有利于提高算法收敛的速度和稳定性,更适用于本文对电力用户的电价特征向量进行分类[28 ] . ...
... 根据拉普拉斯矩阵对称半正定的代数性质,求解Ncut函数可转化为求解标准拉普拉斯矩阵的最小特征值之和,实现对高维数据的降维[23 ] .公式如下: ...
Review of clustering algorithms
0
2019
Survey on K -Means clustering algorithm
0
2019
Survey on spectral clustering algorithms
0
2008
基于典型运行场景聚类的电力系统灵活性评估方法
1
2021
... 目前主要聚类算法包括k -means聚类、层次聚类(hierarchical clustering,HC)等.其中,k -means聚类算法对聚类中心较敏感,易陷入局部最优,大规模数据将导致迭代不稳定;层次聚类算法的迭代速度随数据维度的增加而降低,更适用于小规模数据的分类.电价特征向量具有数据维度高、单点突变的特点,如果直接对其进行聚类,求解复杂度会大幅增加.谱聚类(spectral clustering,SC)首先基于图论对高维数据进行降维,然后再进行分类,更适用于高维、稀疏数据的分类[23 27 ] .相比于k -means聚类、层次聚类等算法,谱聚类算法能够更好适应电价特征向量数据维度高、单点突变的特点,有利于提高算法收敛的速度和稳定性,更适用于本文对电力用户的电价特征向量进行分类[28 ] . ...
Flexibility evaluation method for power system based on clustering of typical operating scenarios
1
2021
... 目前主要聚类算法包括k -means聚类、层次聚类(hierarchical clustering,HC)等.其中,k -means聚类算法对聚类中心较敏感,易陷入局部最优,大规模数据将导致迭代不稳定;层次聚类算法的迭代速度随数据维度的增加而降低,更适用于小规模数据的分类.电价特征向量具有数据维度高、单点突变的特点,如果直接对其进行聚类,求解复杂度会大幅增加.谱聚类(spectral clustering,SC)首先基于图论对高维数据进行降维,然后再进行分类,更适用于高维、稀疏数据的分类[23 27 ] .相比于k -means聚类、层次聚类等算法,谱聚类算法能够更好适应电价特征向量数据维度高、单点突变的特点,有利于提高算法收敛的速度和稳定性,更适用于本文对电力用户的电价特征向量进行分类[28 ] . ...
面向分布式电源就地消纳的园区分时电价定价方法
1
2020
... 目前主要聚类算法包括k -means聚类、层次聚类(hierarchical clustering,HC)等.其中,k -means聚类算法对聚类中心较敏感,易陷入局部最优,大规模数据将导致迭代不稳定;层次聚类算法的迭代速度随数据维度的增加而降低,更适用于小规模数据的分类.电价特征向量具有数据维度高、单点突变的特点,如果直接对其进行聚类,求解复杂度会大幅增加.谱聚类(spectral clustering,SC)首先基于图论对高维数据进行降维,然后再进行分类,更适用于高维、稀疏数据的分类[23 27 ] .相比于k -means聚类、层次聚类等算法,谱聚类算法能够更好适应电价特征向量数据维度高、单点突变的特点,有利于提高算法收敛的速度和稳定性,更适用于本文对电力用户的电价特征向量进行分类[28 ] . ...
TOU pricing method for park considering local consumption of distributed generator
1
2020
... 目前主要聚类算法包括k -means聚类、层次聚类(hierarchical clustering,HC)等.其中,k -means聚类算法对聚类中心较敏感,易陷入局部最优,大规模数据将导致迭代不稳定;层次聚类算法的迭代速度随数据维度的增加而降低,更适用于小规模数据的分类.电价特征向量具有数据维度高、单点突变的特点,如果直接对其进行聚类,求解复杂度会大幅增加.谱聚类(spectral clustering,SC)首先基于图论对高维数据进行降维,然后再进行分类,更适用于高维、稀疏数据的分类[23 27 ] .相比于k -means聚类、层次聚类等算法,谱聚类算法能够更好适应电价特征向量数据维度高、单点突变的特点,有利于提高算法收敛的速度和稳定性,更适用于本文对电力用户的电价特征向量进行分类[28 ] . ...
奇异值分解方法在日负荷曲线降维聚类分析中的应用
1
2018
... CH (Calinski-Harabasz )指标表示相同类别数据之间的相似程度以及不同类别数据之间的差异程度,反映电力用户分类结果的优劣程度,其数值越大表示分类结果越好,用于确定最优的电力用户分类数量[29 -30 ] .CH 指标表示如下: ...
Application of singular value decomposition algorithm to dimension-reduced clustering analysis of daily load profiles
1
2018
... CH (Calinski-Harabasz )指标表示相同类别数据之间的相似程度以及不同类别数据之间的差异程度,反映电力用户分类结果的优劣程度,其数值越大表示分类结果越好,用于确定最优的电力用户分类数量[29 -30 ] .CH 指标表示如下: ...
面向综合能源园区的丰枯电价定价方法
1
2023
... CH (Calinski-Harabasz )指标表示相同类别数据之间的相似程度以及不同类别数据之间的差异程度,反映电力用户分类结果的优劣程度,其数值越大表示分类结果越好,用于确定最优的电力用户分类数量[29 -30 ] .CH 指标表示如下: ...
Pricing method for season of use in integrated energy park
1
2023
... CH (Calinski-Harabasz )指标表示相同类别数据之间的相似程度以及不同类别数据之间的差异程度,反映电力用户分类结果的优劣程度,其数值越大表示分类结果越好,用于确定最优的电力用户分类数量[29 -30 ] .CH 指标表示如下: ...
基于加权余弦相似度与极限学习机的电力负荷短期预测
1
2020
... 以余弦相似度(cosine similarity,CS)表示电力用户电价特征向量和典型电价特征向量之间的相似程度,计算方法[31 -32 ] 如下: ...
Short-term power load forecasting based on weighted cosine similarity and extreme learning machine
1
2020
... 以余弦相似度(cosine similarity,CS)表示电力用户电价特征向量和典型电价特征向量之间的相似程度,计算方法[31 -32 ] 如下: ...
用于短期电力负荷预测的日负荷特性分类及特征集重构策略
1
2022
... 以余弦相似度(cosine similarity,CS)表示电力用户电价特征向量和典型电价特征向量之间的相似程度,计算方法[31 -32 ] 如下: ...
Daily load characteristic classification and feature set reconstruction strategy for short-term power load forecasting
1
2022
... 以余弦相似度(cosine similarity,CS)表示电力用户电价特征向量和典型电价特征向量之间的相似程度,计算方法[31 -32 ] 如下: ...
基于负荷分布匹配与熵权法的配电网无功优化
2
2017
... 若电力用户电价异常,则分别计算电量比例向量和电价向量与其对应的典型电价特征向量的相似程度,根据其余弦相似度和阈值的大小关系分析电价异常的原因.余弦相似度的阈值根据3σ 拉依达准则,基于历史数据的概率分布和置信区间计算得到,同时考虑经验数值综合确定[33 -34 ] . ...
... 以某电力市场试点省份某地区随机抽取的 1889 家电力用户为样本数据进行案例分析,选取近一年12个月的电量电价数据.时段分为峰平谷3个时段,如表1 所示.直接参与批发交易具有一定的专业技术性门槛要求,在电力现货市场运行一段时间后,除了部分电量规模较大的电力用户仍作为批发用户直接参与交易外,超过98%的电力用户均为零售用户,由售电公司代理参与电力市场交易,因此本案例主要对零售用户进行分析,暂不考虑批发用户.电力用户分类数量的区间为2~10.根据3σ 拉依达准则,同时综合参考历史数据的概率分布和经验数值,设定余弦相似度的阈值为0.9[33 -34 ] . ...
Reactive power optimization in distribution network based on load distribution matching and entropy weight method
2
2017
... 若电力用户电价异常,则分别计算电量比例向量和电价向量与其对应的典型电价特征向量的相似程度,根据其余弦相似度和阈值的大小关系分析电价异常的原因.余弦相似度的阈值根据3σ 拉依达准则,基于历史数据的概率分布和置信区间计算得到,同时考虑经验数值综合确定[33 -34 ] . ...
... 以某电力市场试点省份某地区随机抽取的 1889 家电力用户为样本数据进行案例分析,选取近一年12个月的电量电价数据.时段分为峰平谷3个时段,如表1 所示.直接参与批发交易具有一定的专业技术性门槛要求,在电力现货市场运行一段时间后,除了部分电量规模较大的电力用户仍作为批发用户直接参与交易外,超过98%的电力用户均为零售用户,由售电公司代理参与电力市场交易,因此本案例主要对零售用户进行分析,暂不考虑批发用户.电力用户分类数量的区间为2~10.根据3σ 拉依达准则,同时综合参考历史数据的概率分布和经验数值,设定余弦相似度的阈值为0.9[33 -34 ] . ...
基于短期风功率预测的数据预处理算法研究
2
2019
... 若电力用户电价异常,则分别计算电量比例向量和电价向量与其对应的典型电价特征向量的相似程度,根据其余弦相似度和阈值的大小关系分析电价异常的原因.余弦相似度的阈值根据3σ 拉依达准则,基于历史数据的概率分布和置信区间计算得到,同时考虑经验数值综合确定[33 -34 ] . ...
... 以某电力市场试点省份某地区随机抽取的 1889 家电力用户为样本数据进行案例分析,选取近一年12个月的电量电价数据.时段分为峰平谷3个时段,如表1 所示.直接参与批发交易具有一定的专业技术性门槛要求,在电力现货市场运行一段时间后,除了部分电量规模较大的电力用户仍作为批发用户直接参与交易外,超过98%的电力用户均为零售用户,由售电公司代理参与电力市场交易,因此本案例主要对零售用户进行分析,暂不考虑批发用户.电力用户分类数量的区间为2~10.根据3σ 拉依达准则,同时综合参考历史数据的概率分布和经验数值,设定余弦相似度的阈值为0.9[33 -34 ] . ...
Research on data preprocessing policy based on short-term wind power prediction
2
2019
... 若电力用户电价异常,则分别计算电量比例向量和电价向量与其对应的典型电价特征向量的相似程度,根据其余弦相似度和阈值的大小关系分析电价异常的原因.余弦相似度的阈值根据3σ 拉依达准则,基于历史数据的概率分布和置信区间计算得到,同时考虑经验数值综合确定[33 -34 ] . ...
... 以某电力市场试点省份某地区随机抽取的 1889 家电力用户为样本数据进行案例分析,选取近一年12个月的电量电价数据.时段分为峰平谷3个时段,如表1 所示.直接参与批发交易具有一定的专业技术性门槛要求,在电力现货市场运行一段时间后,除了部分电量规模较大的电力用户仍作为批发用户直接参与交易外,超过98%的电力用户均为零售用户,由售电公司代理参与电力市场交易,因此本案例主要对零售用户进行分析,暂不考虑批发用户.电力用户分类数量的区间为2~10.根据3σ 拉依达准则,同时综合参考历史数据的概率分布和经验数值,设定余弦相似度的阈值为0.9[33 -34 ] . ...
