大数据环境下用户用电行为分析的研究

摘要

随着智能电表数量的不断增加，逐渐形成了用户端大数据，这些数据隐藏着许多用户用电行为的潜在信息。如何快速有效地对电力用户端大数据进行分析，并挖掘用户用电行为的有效信息，是当今重要的研究课题。
　　通过挖掘不同用户用电行为的相似性，发现各类因素与不同用电行为模式关联关系，可面向电力公司、用户和政府定制分析服务类应用。本文在现有研究基础上，对用户用电行为分析进行了深入研究，提出在对居民用户聚类细分后，挖掘各个影响因素与不同类型居民用户的关系。具体工作如下:
　　1.分析了各类用户的负荷特性以及阐述了用户用电数据样本的构建方法，为提高聚类细分性能，采用Autoencoder对周负荷样本数据进行降维处理，保证其聚类的速度。
　　2.充分研究了聚类算法，针对现存聚类方法的不足，为提高聚类效果，融入谱聚类的思想，提出US-ELM-Kmeans算法，并对居民用户进行了聚类细分。
　　3.在关联分析过程中，针对现存关联分析方法的不足，给出优化后的Apriori算法，减少占用内存空间同时也提高了算法的效率，对聚类细分后居民用户进行了影响因素关联分析。
　　4.在实验部分，通过与不同算法进行对比实验，验证了所提方法的有效性及可行性。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．3 论文主要工作与章节安排

1．3．1 论文的主要工作

1．3．2 论文的章节安排

第2章 用户用电负荷特性分析与特征约简

2．1 引言

2．2 数据来源

2．3 用户用电负荷特性分析

2．3．1 居民负荷特性分析

2．3．2 商业负荷特性分析

2．3．3 工业负荷特性分析

2．4 用户用电数据样本构建

2．5 数据样本特征约简

2．5．1 基于PCA的降维流程

2．5．2 基于自编码网络的降维流程

2．6 特征约简方法结果比较及分析

2．6．1 自编码网络误差分析

2．6．2 不同方法降维结果分析

2．7 本章小结

第3章 基于US-ELM-Kmeans的电力用户用电行为相似性聚类

3．1 引言

3．2 聚类算法的比较与分析

3．3 基于极限学习机的Kmeans聚类算法

3．3．1 极限学习机原理分析

3．3．2 基于极限学习机的Kmeans聚类算法

3．4 基于US-ELM-Kmeans的电力用户用电行为相似性聚类

3．6 本章小结

第4章 改进Apriori的电力用户用电行为关联分析

4．1 引言

4．2 Apriori关联规则算法

4．2．1 Apriori算法思想

4．2．2 Apriori算法流程

4．3 Apriori算法分析

4．3．1 基于hash的方法

4．3．2 基于分片的并行方法

4．3．3 基于采样的方法

4．3．4 基于压缩数据库事务集的方法

4．4 Apriori算法优化

4．4．1 优化后算法的实施步骤

4．4．2 优化后算法性能分析

4．5 基于改进Apriori的电力用户用电行为关联分析

4．5．1 用户用电影响因素分析

4．5．2 数据特征提取以及离散化处理

4．5．3 实验结果与分析

4．6 本章小结

5．1 总结

5．2 未来展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢