基于大数据的电能替代潜力用户识别模型

doi:10.11959/j.issn.1000-0801.2019030

电信科学 ›› 2019, Vol. 35 ›› Issue (2): 142-146.doi: 10.11959/j.issn.1000-0801.2019030

基于大数据的电能替代潜力用户识别模型

夏怀健,张文,贾素锦,林海英,贺新房

北京中电普华信息技术有限公司，北京 100085

修回日期:2019-01-23 出版日期:2019-02-01 发布日期:2019-02-23
作者简介:夏怀健（1988- ），男，北京中电普华信息技术有限公司工程师，主要研究方向为电力规划与电能替代。|张文（1973- ），男，北京中电普华信息技术有限公司工程师，主要研究方向为电力营销、智能配网规划。|贾素锦（1976- ），女，北京中电普华信息技术有限公司高级工程师，主要研究方向为电力市场与节能服务。|林海英（1976- ），女，北京中电普华信息技术有限公司高级工程师，主要研究方向为电力营销、负荷预测、电力咨询。|贺新房（1979- ），男，北京中电普华信息技术有限公司工程师，主要研究方向为电力营销。

Power substitution potential user identification model based on big data

Huaijian XIA,Wen ZHAGN,Sujin JIA,Haiying LIN,Xinfang HE

Beijing China-Power Information Technology Co.,Ltd.,Beijing 100085,China

Revised:2019-01-23 Online:2019-02-01 Published:2019-02-23

摘要/Abstract

摘要：

实施电能替代对推动我国节能减排的发展有着重要的作用。首先，介绍了同行业用户聚类模型，然后研究了电能替代潜力用户识别模型，最后选取某行业用户进行实例验证。结果表明，该模型可有效预测用户电能替代潜力。

关键词: 电能替代, 特征分析, 神经网络, 潜力识别

Abstract:

The implementation of electric energy substitution plays an important role in promoting the development of energy conservation and emission reduction in China.Firstly,the user clustering model of the same industry was introduced,then the user identification model of electric energy substitution potential was studied.Finally,an industry user was selected for instance verification.The results show that the model can effectively predict the user’s energy substitution potential.

Key words: power substitution, feature analysis, neural network, potential identification

中图分类号:

TM72.1

夏怀健,张文,贾素锦,林海英,贺新房. 基于大数据的电能替代潜力用户识别模型[J]. 电信科学, 2019, 35(2): 142-146.

Huaijian XIA,Wen ZHAGN,Sujin JIA,Haiying LIN,Xinfang HE. Power substitution potential user identification model based on big data[J]. Telecommunications Science, 2019, 35(2): 142-146.

图/表 5

图1

表1

表2

图2

表3

参考文献 16

[1]	孙毅, 周爽, 单葆国 ,等. 多情景下的电能替代潜力分析[J]. 电网技术, 2017(1): 118-124.
	SUN Y , ZHOU S , SHAN B G ,et al. Analysis of power substitu-tion potential under multiple scenarios[J]. Power System Tech-nology, 2017(1): 118-124.
[2]	尹航 . 节能减排环境下电能替代其他能源评价方法研究[D]. 北京:华北电力大学, 2013.
	YIN H . Research on evaluation method of electric energy sub-stitution for other energy in energy saving and emission reduc-tion environment[D]. Beijing:North China Electric Power Uni-versity, 2013.
[3]	刘俊, 徐辉, 刘亚平 ,等. 甘肃省用能特点及电能替代潜力用户分析[J]. 电力需求侧管理, 2016,18(1): 44-49.
	LIU J , XU H , LIU Y P ,et al. The analysis of energy consump-tion characteristics and electric power alternation potential in Gansu province[J]. Power Demand Side Management, 2016,18(1): 44-49.
[4]	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): 3147-3153.
	ZHENG H Y , JIN N , JI C ,et al. Analysis technology and typical scenario application of electricity big data of power consum-ers[J]. Power System Technology, 2015,39(11): 3147-3153.
[5]	张洪艳 . 模糊C均值聚类算法及应用[J]. 科技资讯, 2014(5): 178-179.
	ZHANG H Y . Fuzzy C-means clustering algorithm and its ap-plication[J]. Science ＆ Technology Information, 2014(5): 178-179.
[6]	毛罕平, 张艳诚, 胡波 . 基于模糊 C 均值聚类的作物病害叶片图像分割方法研究[J]. 农业工程学报, 2008,24(9): 136-140.
	MAO H P , ZHANG Y C , HU B . Segmentation of crop disease leaf images using fuzzy C-means clustering algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008,24(9): 136-140.
[7]	李雷, 罗红旗, 丁亚丽 . 一种优化的模糊C均值聚类算法[J]. 计算机技术与发展, 2009,19(12): 71-73.
	LI L , LUO H Q , DING Y L . A novel FCM clustering algo-rithm[J]. Computer Technology and Development, 2009,19(12): 71-73.
[8]	张粒子, 蔡学文, 鲁余 ,等. 面向错峰潜力分析的典型用户筛选[J]. 电力系统保护与控制, 2013(11): 146-151.
	ZHANG L Z , CAI X W , LU Y ,et al. Peak shifting potential analysis-oriented typical consumers screening[J]. Power System Protection and Control, 2013(11): 146-151.
[9]	张键锋, 王劲 . 基于文本挖掘与神经网络的音乐风格分类建模方法[J]. 电信科学, 2015,31(7): 80-85.
	ZHANG J F , WANG J . Modeling method of music style classi-fication based on text mining and neural network[J]. Telecom-munications Science, 2015,31(7): 80-85.
[10]	何勇, 项利国 . 基于模糊聚类的 BP 神经网络模型研究及应用[J]. 系统工程理论与实践, 2004(2): 79-83.
	HE Y , XIANG L G . Study and application of BP neural network model based on fuzzy clustering[J]. Systems Engineer-ing——Theory ＆ Practice, 2004(2): 79-83.
[11]	杨斐, 王坤明, 马欣 ,等. 应用BP神经网络分类器识别交通标志[J]. 计算机工程, 2003,29(10): 120-121.
	YANG F , WANG K M , MA X ,et al. Application of BP neural network classifier for road traffic sign recognition[J]. Computer Engineering, 2003,29(10): 120-121.
[12]	高艳霞, 李禹生 . 基于粒子群优化算法的 BP 神经网络在图像识别中的应用[J]. 武汉轻工大学学报, 2006,25(4): 35-38.
	GAO Y X , LI Y S . Image recognition by bp neural networks model based on particle swarm optimization[J]. Journal of Wu-han Polytechnic University, 2006,25(4): 35-38.
[13]	余华, 黄程韦, 金赟 ,等. 基于粒子群优化神经网络的语音情感识别[J]. 数据采集与处理, 2011,26(1): 57-62.
	YU H , HUANG C W , JIN Y ,et al. Speech emotion recognition based on particle swarm optimizer neural network[J]. Journal of Data Acquisition ＆ Processing, 2011,26(1): 57-62.
[14]	张婷婷, 张武雄, 裴冬 ,等. 基于自回归模型与神经网络模型的车流量预测对比[J]. 电信科学, 2016,32(2): 55-59.
	ZHAGN T T , ZHANG W X , PEI D ,et al. Comparison of vehi-cle flow prediction based on autoregressive model and neural network model[J]. Telecommunications Science, 2016,32(2): 55-59.
[15]	李伟, 何鹏举, 杨恒 ,等. 基于粗糙集和改进遗传算法优化BP神经网络的算法研究[J]. 西北工业大学学报, 2012,30(4): 601-606.
	LI W , HE P J , YANG H ,et al. An effective backpropagation algorithm for optimizing BP neural network based on rough set and modified genetic algorithm[J]. Journal of Northwestern Polytechnical University, 2012,30(4): 601-606.
[16]	赵会敏, 雒江涛, 杨军超 ,等. 集成BP神经网络预测模型的研究与应用[J]. 电信科学, 2016,32(2): 60-67.
	ZHAO H M , LUO J T , YANG J C ,et al. Research and applica-tion of integrated BP neural network prediction model[J]. Tel-ecommunications Science, 2016,32(2): 60-67.

指标	聚类为4	聚类为5	聚类为6	聚类为7
Q₁	0.78	0.7	0.56	0.45
Q₂	0.47	0.49	0.46	0.44
Q₃	0.83	0.79	0.71	0.71
Q	0.417	0.431	0.408	0.405

聚类分类	A类	B类	C类	D类	E类
潜力电量/万kW·h	8.5	26.5	1.08	16.5	3.8

聚类分类	A类	B类	C类	D类	E类
潜力电量/万kW·h	8.5	26.5	1.08	16.5	3.8
潜力用户数/个	17	9	11	17	6

基于大数据的电能替代潜力用户识别模型

Power substitution potential user identification model based on big data

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 16

相关文章 15

Metrics

推荐阅读 0

[1]	刘思聪, 苏丹萍, 卫天阔, 王先耀. 基于多节点协作的鲁棒可见光智能定位[J]. 电信科学, 2023, 39(5): 28-41.
[2]	卢敏, 秦泽豪, 陈志辉, 张敏, 乐光学. 基于1D-Concatenate的信道估计DNN模型优化方法[J]. 电信科学, 2023, 39(4): 71-86.
[3]	刘璐, 杨丹, 陈睿杰, 李嘉, 周熹. 基于KPCA-GA-BP神经网络的POI质量预测研究[J]. 电信科学, 2023, 39(1): 108-116.
[4]	李奕江, 叶会标, 谢仁华, 楼佳丽, 庄丹娜, 李传煌. 基于图神经网络的网络性能智能预测[J]. 电信科学, 2022, 38(3): 143-157.
[5]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[6]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[7]	陈靓, 钱亚冠, 何志强, 关晓惠, 王滨, 王星. 深度卷积神经网络的柔性剪枝策略[J]. 电信科学, 2022, 38(1): 83-94.
[8]	赵进, 杨小军. 基于GRW和FastText模型的电信用户投诉文本分类应用[J]. 电信科学, 2021, 37(6): 125-131.
[9]	孙姝君, 彭盛亮, 姚育东, 杨喜. 基于深度学习的调制识别综述[J]. 电信科学, 2021, 37(5): 82-90.
[10]	陈向荣. 基于多层感知机模型的天线方位角诊断[J]. 电信科学, 2021, 37(4): 90-96.
[11]	刘子豪, 贾小军, 张素兰, 徐志玲, 张俊. 一种融合MeanShift聚类分析和卷积神经网络的Vibe++背景分割方法[J]. 电信科学, 2021, 37(3): 133-145.
[12]	张捷, 杨丽花, 王增浩, 呼博, 聂倩. 一种新型的基于深度学习的时变信道预测方法[J]. 电信科学, 2021, 37(1): 39-47.
[13]	曹靖城, 张继东, 史国杰. 一种使用边缘增强技术提高相似图片检索召回率的方法[J]. 电信科学, 2021, 37(1): 76-84.
[14]	郭锐,冉凡春. 基于卷积神经网络的极化码译码算法[J]. 电信科学, 2020, 36(6): 119-124.
[15]	庞涛,丘海华,潘碧莹. 手机终端人工智能关键技术研究[J]. 电信科学, 2020, 36(5): 145-151.