朱天怡(1997),女,硕士研究生,研究方向为电力系统认知,E-mail：[email protected];

艾芊(1969),男,通信作者,教授,博士生导师,研究方向为电力系统人工智能、电能质量等,E-mail：[email protected]。

基金项目： 国家电网总部科技项目(SGSDJY00GPJS1900179); Project Supported by Science and Technology Project of SGCC(SGSDJY00GPJS1900179);

文章编号: 1000-3673（2020）09-3497-11 中图分类号: TM721

数据驱动的用电行为分析方法更能够从用电大数据中挖掘出用户用电行为规律,从而提升电网侧管理服务质量。对数据驱动的用电行为分析研究模式进行综述,首先提出了一种典型的数据驱动研究架构,详细阐述了用电信息采集与聚合、用户精细化分类、关联因素辨识等环节的关键技术,深入分析了基于批处理的离线分析和基于流处理的实时分析2种典型数据分析平台以及边缘计算的应用,并探讨了用电行为分析在负荷预测、需求响应建模、异常用电行为检测等几种典型场景的综合应用,最后阐明了进一步研究可能遇到的挑战并对后续工作进行了展望。

关键词 : 用电行为分析; 数据驱动; 用户分类; 关联分析; 电力大数据;

DOI：10.13335/j.1000-3673.pst.2020.0226a

Establishing data-driven electricity consumption behavior analysis method can be helpful for grasping the behavior law of user's electricity consumption and improve the service quality of power grid side management. This paper summarizes the data-driven analysis model of electricity consumption behavior. Firstly, a typical data-driven research framework is proposed, with which the key technologies of power consumption information acquisition, user classification and correlation factor identification are introduced in detail. Then the edge computing and the two typical analysis structures, i.e. the offline analysis based on batch processing and the real-time analysis based on stream processing, are discussed in depth. Next, several typical integrated application scenarios of electricity use behavior analysis are studied, such as the load forecasting, the demand response modeling and the detection of abnormal electricity use behavior. Finally, the future prospects and challenges in further research are clarified.

KEY WORDS : electricity behavior analysis; data driven; user classification; correlation analysis; power big data;

用电行为分析是电网分析规划的重要环节,立足于用户侧视角,研究用电行为规律,分析其环境感知机理,从不同时空范围建立模式识别模型以描述用户用电特性。用电行为包含了电力用户在外界环境影响下进行的用电活动及背后的行为规律。前者是一种显性行为,可通过智能电表等采样并以负荷曲线等形式表现;而用电行为规律则包含了用户习惯偏好、思维方式等用电态度,是一种隐性行为,需通过深入挖掘显性行为方能得到,对决策更具指导性。随着不断开放的售电市场催生繁荣的商业模式,售电商更加重视电力用户用电体验,从需求响应、用户代理、电价结构设计等方面广泛开展以用户为中心的售电服务以提升自身竞争力[1],进一步提升用电行为的复杂性和不确定性。在这种市场基础下,用电行为分析研究能够通过挖掘电力用户行为模式和需求特性为电网管理侧提供决策依据,从而提升售电商、负荷聚集商、数据服务提供商和配网调度员的业务质量,推动电力消费智能化变革,也有助于引导用户绿色用电。

目前,国内外已有不少学者开展过用电行为分析相关研究。部分研究利用模型驱动的方法,构建负荷的物理模型以描述用电行为,而用电行为相较负荷还具有复杂性、不确定性、主动性、社会属性等基本特性,使得电力用户本身构成一个复杂的系统,难以通过现有的解析化模型分析。也有部分研究模式从经验分析、调查研究、因果分析等方式展开研究,例如,文献[2]采用问卷调查与数据统计方法对城市典型居民用电情况进行分析,具有实施难度大、数据集不够广泛等缺陷,且采用模糊综合评价方法量化居民用电态度,主观性较强。非数据驱动方法往往属于实验科学、理论研究、计算科学这3种研究范式,存在主观经验影响大、结果片面、精细度低、效率低、实时性欠缺等问题,特别难以处理电网各元素交织的相关性,以及评估源荷的不确定性累加效果。

近年来,信息通信技术[3]迅速发展并深度融入电力产消各环节,为电网提供了灵活感知、实时通信和智能交互控制能力[4-5],大量边缘基础设备接入电网引入海量用户侧数据[6],为用电行为分析模式提供新解决途径[7]。用电大数据蕴含着丰富的用电行为内在规律和衍生信息,且具有体量大、结构类型多、速度快、价值密度低等特征,以此为资源可构建数据驱动的用电行为分析研究模式,结合高维统计等数据分析方法,提取用电行为潜在规律,从而更好地支撑决策。从过程视角可将数据驱动范式分为三层：感知性分析,以一个高维非线性映射关系描述用电行为与内在属性和外部环境的关联特性;预测性分析,预测用电行为未来发展趋势;决策性分析,在用电行为分析基础上进行决策。为此,本文对数据驱动的用电行为分析进行综述：1）建立一种用电行为分析典型架构;2）分析数据采集、用户分类、关联分析等环节的关键技术;3）阐述用电行为分析数据处理架构及边缘计算的应用,比较了基于批处理的离线分析方法和基于流处理的实时分析方法;4）探讨用电行为分析在负荷预测、需求响应、异常用电行为检测等多种场景的综合应用;5）阐明进一步研究可能遇到的挑战并对后续工作进行展望。

数据驱动用电行为分析研究架构见图1,包含数据采集聚合、用电行为特征提取、用户群体分类、关联因素辨识及综合应用等环节。首先,借助智能电表、同步相量测量装置、配网SCADA等采集终端及大数据管理系统对用户属性数据、用电数据、电力交易数据等配用电大数据及天气、经济、电价等环境数据进行采集,采集到的多源异构大数据可通过大规模分布式存储技术分割存储,并利用云计算中的批处理、流处理及边缘计算技术进行数据处理;再结合高维统计、深度学习等数据挖掘技术挖

图1 用电行为分析研究架构 Fig. 1 Research framework of power consumption behavior analysis

掘有效信息,提取不同用户用电行为特征并分析电力消费诉求,建立用户分类模型实现用户精细化分类;进而,分析用电行为潜在关联因子并量化计算,实现环境因素的灵敏度分析;最后,在用电行为分析基础上,可实现长短期负荷预测、需求响应建模、需求侧资源协同优化、异常用电行为检测等综合应用服务,提升用户侧和电网侧的综合效益。图2概

图2 用电行为分析研究模式发展 Fig. 2 Development of research mode of electricity consumption behavior analysis

述了这种数据驱动研究模式与传统模式在模型、理论工具及特性方面的差异,相较于传统模式,数据驱动模式利用多元大数据建立高维非线性映射模型,结合数据挖掘、云边计算等技术提高了用电行为分析的效率和准确性,并且不断往高维度、精细化、实时化、边缘化的趋势发展。

用电行为分析的核心是从用电大数据中挖掘行为规律、环境感知性等知识,即感知性分析阶段,本节对用电信息采集与聚合、用户群体分类和关联因素辨识这3个主要环节的关键技术展开叙述。

智能量测终端设备数据灵活实时接入,数据之间互联互通,为用户用电行为数据采集提供了设备基础和技术支持。目前,用电信息采集系统提供了主要数据来源,且可在网络边缘层进行数据处理、分析和应用,是边缘计算中的重要环节[8]。

用电信息采集系统的物理架构如图3所示,主要由主站层、通信层和设备采集层组成[9],设备采集层采集用户信息后通过通信层发送至主站层,主站层服务器了解并判断实时运行情况,在不良情况发生时发出相应调整指令。用电信息采集的直接入口和边缘计算点主要集中于用户侧智能电表上。

用电信息采集依托负荷用电细节监测技术实

图3 用电信息采集系统物理架构 Fig. 3 Physical architecture of power consumption information acquisition system

现。不同于智能电表仅量测总功率,负荷用电细节监测可监测具体到户内用电设备的用电信息。负荷用电细节监测可分为侵入式和非侵入式2种[10],其中：侵入式监测(intrusive residential load monitoring,ILM)为总负荷内部每一电器配备具备数字通信功能的传感器,再经局域网收集和发送用电信息,成本较高;而非侵入式监测(non-intrusive load monitoring,NILM)相当于配置一个具有附加功能的智能电表,它仅在入户端安装一个总传感器,采集并分析其端电压、电流等电气量,实现对用户总负荷的分解,以监测单个用电设备能耗信息[11-12]。相比ILM,NILM采用了分解算法,对分项用电信息在线反馈,具有经济、简单等优点,易于大规模推广,其提供的用电信息可用性好、价值密度较高,为用电行为分析、能效分析、需求侧管理等高级功能的智能用电服务提供量化支持,具有发展为下一代AMI核心技术的潜能。基于NILM的用电信息采集和分析架构如图4所示,NILM单元对居民或楼宇用户的用电数据(通常为秒级或更细粒度)整体采集并分解得单一用电设备能耗信息,通过有线/无线通信网络传输至能量管理系统,利用云计算技术存储与管理,并将具体的能耗信息反馈至用户可视化与远控终端,为开展高级应用和家庭能效管理提供基础。

图4 NILM用电信息采集与分析云架构 Fig. 4 Power consumption information acquisition and analysis architecture based on NILM

用电曲线本质上是多种用电行为的叠加,对用户群体精细化分类有助于辨识用户基本用电模式、动态特性、不确定性等指标。在用户群体分类方面,多数研究根据用户社会属性或用电数据进行。

传统电力用户分类方法通常是按照经验规则进行的,根据行业、领域、家庭人口等用户属性对用户分类,建立“用户-标签”网络并构建关系权重模型分类[13]。这种传统分类方法简便快速,但受经验规则影响较大,分类结果不够精确。因此,近年来越来越多研究聚焦于利用数据挖掘技术中的聚类方法实现更精细的电力用户分类。

基于数据的分类模式则是利用电力用户侧大数据,在选取特征和权值的基础上,采用聚类方法对样本进行相似性搜索,根据用电行为特征进行分类,从而实现基于用电行为模式的精细分类。常见的方式是根据负荷曲线或负荷特性指标计算相似度,采用回归方法、聚类算法、模糊算法等方法进行分类,包括k-means[14]、K-Medoids[15]基于划分的聚类方法,COBWEB、自组织神经网络[16]等基于模型的方法,DBSCAN[17]等基于密度的方法,模糊聚类[18]以及层次聚类法等其它聚类方法。不同用户分类方法具有各自的特点,没有绝对最优性,k-means与FCM以其原理简单、易于实现且效率高的优势被广为应用。

然而,传统聚类算法在针对高维海量、类簇形状差异大的负荷曲线时易表现出聚类结果不稳定、速度慢、效果差和内存消耗过大等问题,研究者们常结合降维算法改进聚类方法：文献[19]针对高维输入采用基于无监督极限学习机的负荷曲线聚类方法,相较k-means算法在高维数据聚类上表现出更合理结果;文献[20]提出了基于改进快速密度峰值算法的负荷曲线聚类方法,改进了原始聚类算法的样本局部密度和距离计算准则,提高了聚类结果稳定性并有效减少算法执行时间与内存消耗;文

献[21]基于信息熵分段聚合近似对负荷数据进行可变时间分辨率重表达,并基于谱聚类方法实现负荷分类,在数据降维、聚类有效性、稳定性及降低运算量方面具有优势。此外,文献[22]不关注负荷曲线形态,而提出了一种新的用电行为动力学聚类方法,采用马尔可夫模型对耗电量建模,将负荷曲线数据集转化为多个状态转换矩阵,通过快速搜索和密度峰的方法,将用户分类为多个集群。

实际应用中,聚类结果受提取过程中多环节多因素影响,需结合具体数据类型考虑,确定合适的用户分类方法。在恰当分类的基础上对用户群体进行用电行为分析,从而可为电力公司带来利益。

用户的能源禀赋与需求决定了其用能行为偏好,使得用户用电需求与行为受到多种环境因素的影响,主要包括气象、季节、地理等自然因素和电价、需求侧管理政策、经济结构及经济发展水平、居民消费水平、人口等社会因素,这些因素在空间或长短期时间维度影响着主体用能行为,进行关联分析以辨识强关联因素并去除冗余因素,对于理解用户用电行为模式、提高负荷预测与需求响应建模精度等方面具有积极意义。环境影响因素的关联分析方法主要基于因果分析和数据驱动2种模式[7]。

基于因果分析的关联分析方法通常是根据某些明确的物理概念进行机理分析。从最早期的实验验证法,到后来对定律和定理这些准则的研究,例如专家经验法,这些研究方法本质上都是对因果关系的影响机理进行分析,挖掘影响因素与用能行为之间的关系。

基于数据驱动的关联分析方法则更多针对统计关系型数据集,但这些数据可能无法掌握感知的内在机理,从而进行严格推导和精确分析,例如人的用电行为是非完全理性的,故可采用数理方法分析影响因素的关联性。典型的基于数据驱动的感知方法如关联规则挖掘、主元分析法、互信息法[23]、灰色关联分析、神经网络、支持向量机、混沌理论法等等。面对大数据背景下关联因素辨识问题的高维性、复杂性,研究者提出了基于随机矩阵理论[24-25]的新型数据驱动方法,通过对复杂系统的能谱和本征态进行统计,揭示数据中整体关联的行为特征。文献[26]比较了随机矩阵和主元分析法这2种数据驱动方法,得出随机矩阵分析法在数据异常、丢失、异步等方面鲁棒性较强的结论,为电力系统认知提供新思路。基于随机矩阵在大数据处理方面的强鲁棒性优势,文献[25]提出了适用于多元大数据的随机矩阵分析法,根据随机矩阵的统计特性进行关联分析可避免了将原始数据矩阵分解再计算产生的重复工作。文献[27-28]基于随机矩阵理论对配电网运行状态进行相关性分析,能够基于高维数据中元素的统计特性,实时、定量地挖掘电气与非电气量等各种影响因素与负荷之间的相关性。文献[29]在用电行为相关性网络化分析方法中利用随机矩阵理论和矩阵谱熵对相关矩阵进行去噪处理,提高了相关分析的有效性。

采用数据驱动的关联因素辨识方法能切实有效挖掘用电行为关联因素。另一方面,可适时辅以因果分析提高数据驱动关联分析方法的可解释性。

本节探讨了用电行为数据分析与处理技术,讨论了基于批处理的离线分析和基于流处理的实时分析2种典型架构以及边缘计算技术的应用。

目前,用电行为分析的数据处理方式主要以传统的数据批处理为主,典型的用电行为分析批处理架构基于并行编程框架MapReduce等方式实现。MapReduce是Google公司于2004年提出的批处理架构[30-31],可用于搭建并行计算的软件模型,在此架构上可对大规模分布式智能元件分割而治,实现对数据的批量处理。将这种大数据分析架构与经典分类、关联分析模型结合,可以改进经典算法以协助大规模数据开发与并行处理,从而提高数据处理能力与可增容能力。一种基于简化并行计算的MapReduce分布式用户用电模式大数据聚类方案的流程图如图5所示[32],Hadoop分布式文件系统(HDFS)由智能测量终端和计算设备作为数据节点和管理节点组成,通过Hbase数据库和HDFS存储,Hive将结构化数据映射为数据表后,将分块数据交给不同的Map任务区处理,并按键值存储至本地,再以Reduce任务按照键值汇总并输出结果,实现用电行为分析的分布式计算[33]。

图5 基于MapReduce架构的用电行为分析流程 Fig. 5 Power consumption behavior analysis based on MapReduce architecture

然而,离线的批处理分析方式将采集后的数据集中处理分析,对数据的实时处理能力欠佳,而电力大数据具有实时、无序、无限、易失、突发等特性[34],其数据价值随着时间流逝而不断减少,批处理方式在可伸缩性、数据吞吐量、负载均衡、状态一致、系统容错等方面面临巨大挑战。为此,国内外学者和企业广泛开展流处理技术研究,将源源不断的用电数据视为流,及时处理利用Storm[35]、Spark Streaming[36-37]、Samaza、S4、Dstream、Iprocess等数据流计算系统搭建实时用电行为分析的计算架构。图6给出了一种基于Storm集群的流处理方法,每个节点由一个Spout或Bolt组成,当节点发送元组至流时,即发送元组到每个订阅了该流的

图6 基于Storm架构的实时用电信息流处理 Fig. 6 Real time power consumption information flow processing based on storm architecture

Bolt,再通过Bolt执行过滤、聚合、数据查询等处理操作。文献[35]针对智能电网数据实时性、波动性、无序性的特点,提出了一种基于Storm流处理系统的并行滑动窗口实时处理模式,通过适当改变工作进程数与并发执行线程数增加滑动窗口的原吞吐量,提高用电行为分析、状态监测等需求的实时处理效率;文献[38]设计了基于Hbase的数据存储模型和基于Storm的实时分布式处理平台,实现了大规模数据预测需求;文献[39]提出了一种大规模空间数据流式并行处理方法,将异步并行的空间计算流程与数据输入输出过程重叠调度,实现空间数据流的实时处理;文献[40]利用RTA服务填充了流处理请求程序与现有软件堆栈的间隙,允许用户无需编程即可轻松定义流处理逻辑,提供了高可用性与可扩展性。

泛在物联网业务的快速发展对用电行为分析的数据处理平台及网络服务模式提出更高要求。传统模式建立了云计算模型,将所有数据源汇集到云端,通过大型中心化核心节点集中处理。但是,云计算模型难以满足日益增多的终端设备引入的海量数据的传递、计算及存储等管理需求,主要原因包括[41]：1）云服务器远离终端设备,在多级通讯过程中产生通信延迟;2）终端到云端的数据传输给通信网络造成巨大负担;3）中心化节点易成为瓶颈节点或潜在风险点,难以保障用户隐私与系统安全。

为此,研究者应用边缘计算(edge computing,EC)作为云计算的补充技术实现方式,边缘计算技术主要包括计算卸载和时延控制,将计算任务卸载至边缘计算服务器或边缘云服务器中[42],从而降低时延,提高系统响应速度,并降低了系统传输需求,优化资源分配[43-45]。边缘计算在用电行为分析中的典型应用场景有智能家居管理系统[46]、异常用电行为检测[47]、需求侧管理[48-49]、电动汽车充放电管

理[50]中。例如,将边缘计算应用于家庭能源管理系统时,利用部署在终端的AMI设备采集实时数据后,通过蓝牙、ZigBee等网络传输至本地网关,在本地网关或边缘服务器结合一定人工智能算法计算,分析家庭用电行为特性,进而实现负荷预测、需求管理、能效优化等服务。

用电行为分析研究为许多综合应用服务的实现提供了基础,如长短期负荷预测、需求响应建模、负荷计划控制、互动机制制定、异常用电行为检测、实时能效分析、用户信用评估、用电行为引导规划等,以下将从其中几种综合应用展开进行阐述。

目前,影响用户用电行为的因素趋于多样化,负荷预测的影响因素更加多元化,对负荷管理和控制要求也更加严格,传统负荷预测方法对影响因素的分析不够透彻,易造成部分时段预测精度较低的后果。此外,随着泛在物联网采集的数据规模的不断增长,传统预测方法存在计算时间过长,处理性能欠佳等缺陷,急需采用面向海量数据的高效而精确的预测方法,为能源管理和节能减排提供保障。

一方面,用电行为分析实现了对用户的精细化分类与关联因素辨识,在此基础上,可对不同用户群体进行个性化研究,挖掘影响各类用户用电模式的强关联因素,并分别建立负荷预测模型,再将各类用户预测结果汇总得到系统级负荷[51-52]。此外,考虑用户用电行为的不确定性,可对各用户群体建立概率负荷预测模型[53-54],进一步提高预测可靠性,也为个性化用电策略及调度安排的实施提供有力保障。另一方面,对于海量数据负荷预测的处理、计算问题,可采用大数据处理框架进行分布式运算处理,包括MapReduce等批处理架构及Spark Streaming、Storm、Puma、S4等流处理架构,结合先进的负荷预测算法,实现更高效、准确的负荷预测。例如,文献[55]基于Spark Streaming流处理计算平台,结合IPPSO优化的LSSVM算法建立了一种高精度的短期负荷预测模型。

负荷预测是光伏、风能消纳的核心技术,特别是对于可再生能源丰富的西北电网。负荷预测不准不仅会致使光伏基地/风场经济利益受损,更会影响整个电网的电能质量乃至可靠性问题。

用户受需求响应时的响应策略不仅受电价及激励政策的影响,还可能受到用户类型与偏好、天气、社会经济发展情况等因素的影响[56]。而传统需求响应模型如弹性矩阵、用户心理学模型等方法均未综合考虑多方影响因素,导致响应模型不够精确。因此,可采用一种基于用电行为分析的需求响应建模方法,对于不同用户群体,分析多个因素对负荷转移率的影响程度,从而对不同类型用户建立多因素负荷转移相关性模型,探求需求响应机理[57-58]。还可通过实时数据分析建立负荷动态响应模型,引入实时电价进行参数辨识和修正,根据逻辑回归函数构造响应模型或建立具有不同时间常数和延时的响应模型,这种需求响应实时建模的研究架构如图7所示[32]。

图7 需求响应实时建模研究架构 Fig. 7 Research framework of real-time demand side response modeling

将数据驱动的用电行为分析应用于需求响应建模,可以为需求响应潜力分析、互动策略制定和用户侧管理提供依据。负荷控制就是用户侧管理的重要组成部分,旨在对电力用户聚类分析,提取并储存典型用电行为模式,从而对峰谷差异较大的用户针对性管理,分析其用电行为模式对电网的影响,促使其调整用电行为模式,优化负荷曲线。

负荷控制包含直接控制型和价格激励型两大类。文献[59]提出了考虑大量分散式空调负荷的聚类分组方法,在聚类的基础上提出了直接负荷控制分组轮控动态优化方法,充分发挥了可控负荷的调控潜力。此外,电网公司还可根据用户用电信息向用户发送用电建议至电力智能终端,也可对各类用户采取相应的定价和补贴激励措施鼓励用户参与需求响应,引导用户合理用电。文献[60]在对各异构家庭负荷需求响应预测建模的基础上,建立了一种基于多智能体系统的实时电价优化方法,提出的最优控制策略可嵌入家庭能源管理系统,分布式优化每个用户的用能结构,且易于扩展。

需求响应和需求侧管理对于改善用电负荷曲线,保障电力系统安全稳定运行有重要意义,还与虚拟电厂、能源互联网等技术紧密相关,可切实为用户带来利益。

对电力用户窃电或违规行为进行异常用电监测是电力系统中的重要课题,传统异常用电监测主要利用技术、管理等手段展开。而面对日益隐蔽化、多样化、快速化的非法用电行为,不少研究者提出了基于用电行为分析的异常用电监测方法,从AMI和智能电表数据出发,基于分类[61]、聚类[62-63]和回归[64]等方法检测异常用电行为,提取异常用电行为典型特征。例如,文献[62]将同一子集用户进行比较,找出不符合多数用户用电行为规律的少量异常用电者;文献[64]对同一用户不同时段负荷聚类,与特定用电行为模式对比,检测是否存在计量、窃电等用电异常,如故意错报用电类型以获取低电价政策优惠;文献[65-66]基于高维统计分析讨论了异常用电行为的检测和评估。结合用电行为实时分析方法,文献[37,67]利用Spark Streaming流计算平台设计了面向大数据流的快速流式实时异常检测。结合边缘计算的应用,文献[68]提出了分布式异常用电检测方案,利用智能电表可编程计算的特性实现了异常用电行为的就地检测。此外,结合气象、电价等多元数据对用电行为构建异常检测模型将是未来研究的热点。

异常用电行为关乎着电网公司运行的经济利益,也为电网的用户侧管理提供了辅助信息,进而得以提升电网、用户整体的综合利益。

目前,数据驱动的用电行为分析技术及其应用已逐步开展,大数据等信息技术的引入为解决用电行为分析问题提供了新思路与方法。然而,现阶段仍然存在诸多关键问题亟待解决,以下从几个方面概括了当前面临的挑战及未来研究展望。

用电大数据包含电力负荷、天气、电价、经济状况、用户信息等多源数据,这些数据除了结构化数据外还存在大量半结构化和非结构化数据,例如图像、文本等。目前,仍缺乏异构数据的元数据规范、统一转化格式的准确定义及一体化信息模型,对用电大数据进行高效的集成与融合仍是研究难点。因此,需要建立一种快速、准确的转化机制,将半结构化、非结构化数据转化为多维数据表、数据模型等结构化数据类型,建立可扩展的高效可靠的用电大数据管理技术,研究适用于多源多层次异构数据的优化存取、高效查询及数据清理技术,从而减少数据冗余,便于数据共享与分析处理。为此,文献[69]基于智能配用电大数据的数据源及类别分析提出并开发了配电网运行分析平台架构,通过对多源异构数据的整合分析、识别挖掘,实现电网、设备与环境信息等基础信息的融合。文献[70]利用雾计算解决海量家庭能源消费数据的实时处理、存储和分类分析的复杂性和资源需求方面的挑战。文献[71]提出一种基于Hbase的自适应管理检索技术加速电网复杂数据集上的查询效率,以便有效利用数据的丰富内涵实现特征分析和检测,实现多源异构大数据的有效管理。此外,针对如何平衡数据效用和隐私保护这一重要问题,文献[72-73]提出了隐私保护的数据聚合方案,进一步提高了多源数据融合安全性。

用电大数据越来越显著的大体量、高维度、强时效、关联性复杂等特性使得用电行为分析相关业务在分析算法的运行效率与精度、数据计算处理能力等方面提出了更高要求[74-75]。目前,数据科学在用电行为分析领域仍处于探索阶段,开发更适用于高维、海量用电大数据的数据挖掘技术是未来用电行为分析的必经途径和重要突破口。一方面,可进一步研究利用随机矩阵[27-28]、深度学习[76]等方法提高复杂高维函数表征(知识学习)能力,例如以随机矩阵中的线性特征值统计量表征用电行为特性,并将其作为深度学习的特征输入,从而感知深层行为特征。另一方面,需针对用电行为实时分析挖掘技术进行优化。为此,研究者采用奇异值分解等特征降维方法或属性约简算法[77]对用电数据进行降维,大大降低用电行为分析的复杂度;针对深度学习存在的训练速度慢问题,通过合并训练过程、早停机制、图形处理器并行计算等方法加速分析;此外,可基于内存数据库和流处理云平台架构实现用电行为分析的分布式、并行化、实时化,从而提高分析计算效率。现已提出的基于云平台的并行处理技术和存储技术大多处于研究阶段,对用电行为分析算法、数据处理平台的研究及数据平台与现有算法的对接技术仍是一项重要任务。

近年来,可再生能源发电、电动汽车和储能电池等主体成为了能源供应模式中的重要组成部分,丰富了能源生产消费结构。家庭光伏发电、储能电池及电动汽车日益普及,用户也逐渐成为电能生产者之一。此时用户不仅是能源消费者同时也是生产者,即产消一体者[78-79],用户与系统的能源交互行为更为紧密,且用户内部各电源、负荷主体可能存在相互影响,同时用户之间存在的信息交互深刻影响着产消一体者的能源产消习惯,使得用电行为特性复杂多样化。因此,可考虑多方参与主体,建立广义用电行为分析研究架构,综合探究产消一体者形态用户的用能行为特性。例如,采集产消一体者的用能数据,刻画能量消耗曲线,提取用电行为特性,进而细化分类与关联分析。

用户行为并非完全理性,而具有主观价值、偏好及禀赋效应等特点,其用电行为受到人的生理、心理及外部环境的影响,使得系统负荷更具有不确定性[80]。已有研究未充分考虑这种特点的影响,常将用户假定为理性参与者。为此,需借助心理学、行为学、社会学等社会科学研究用户的物质和精神需求及用电行为规律,挖掘人的主观特性与用电行为特性的内在规律,从而有利于建立正确的价值导向,引导和规范用户用电参与行为,间接推动电网部门技术革新,实现用户与系统的协同发展。

信息通信技术的发展引入海量电力用户侧数据,其中蕴含着丰富的用电行为内在规律和衍生信息,建立数据驱动的用电行为分析方法对于深度挖掘用户用电行为规律、更精准地预测用电需求、提升电网侧管理服务质量、突破现有技术与业务瓶颈具有重要意义。本文对数据驱动的用电行为分析研究模式进行综述,提出一种典型研究架构;并详细阐述了用电信息采集、用户精细化分类、关联因素辨识等环节的关键技术;分析了数据处理平台以及边缘计算技术的应用,探讨了基于批处理的离线分析和基于流处理的实时分析2种结构;进而探讨了用电行为分析在负荷预测、需求响应、异常用电行为检测等场景的综合应用;最后提出研究挑战与展望。与传统用电行为分析模式相比,数据驱动的分析模式可以高效实现更准确、精细的用户分类,更有效地辨识用电行为关联因素,从而为精准预测、管理决策等提供了理论基础。

随着用户侧数据体量的不断增长,接下来的研究工作将面对更大规模的数据集,如何处理利用海量高维数据,提高分析效率,将新型计量系统与数据驱动的行为分析有机融合,实现数据共享互通,是未来工作的一个难点。需利用大数据、云边计算、人工智能等技术,推动用电行为分析并行化和分布式处理,不断改进、完善数据驱动的用电行为分析。

[1] 陈启鑫,刘敦楠,林今,等.能源互联网的商业模式与市场机制(一)[J].电网技术,2015,39(11):3050-3056. Chen Qixin,Liu Dunnan,Lin Jin,et al.Business models and market mechanisms of energy internet (I)[J].Power System Technology,2015,39(11):3050-3056(in Chinese).

[2] 何永秀,王冰,熊威,等.基于模糊综合评价的居民智能用电行为分析与互动机制设计[J].电网技术,2012,36(10):247-252. He Yongxiu,Wang Bing,Xiong Wei,et al.Analysis of residents’ smart electricity consumption behavior based on fuzzy synthetic evaluation and the design of interactive mechanism[J].Power System Technology,2012,36(10):247-252(in Chinese).

[3] Zhang S,Zhang D,Zhang Y,et al.The research on smart power consumption technology based on big data[C]//International Conference on Smart Grid Clean Energy Technologies.Chengdu:IEEE,2016:12-18.

[4] Henkel J,Pagani S,Amrouch H,et al.Ultra-low power and dependability for IoT devices(invited paper for IoT technologies) [C]//2017 Design,Automation Test in Europe Conference Exhibition(DATE).Lausanne:IEEE,2017:954-959.

[5] Erol-Kantarci M,Mouftah H T.Energy-efficient information and communication infrastructures in the smart grid:a survey on interactions and open issues[J].IEEE Communications Surveys Tutorials,2015,17(1):179-197.

[6] Abbas N,Zhang Y,Taherkordi A,et al.Mobile edge computing:a survey[J].IEEE Internet of Things Journal,2018,5(1):450-465.

[7] 薛禹胜,赖业宁.大能源思维与大数据思维的融合(二)应用及探索[J].电力系统自动化,2016,40(8):1-13. Xue Yusheng,Lai Yening.Integration of macro energy thinking and big data thinking part two applications and explorations[J].Automation of Electric Power Systems,2016,40(8):1-13(in Chinese).

[8] 刘思放,邓春宇,张国宾,等.面向居民智能用电的边缘计算协同架构研究[J].电力建设,2018,39(11):69-77. Liu Sifang,Deng Chunyu,Zhang Guobin,et al.Research on collaborative architecture for edge computing of residential intelligent usage of electricity[J].Electric Power Construction,2018,39(11):69-77(in Chinese).

[9] 陆俊,李子,朱炎平,等.智能配用电信息采集业务通信带宽预测[J].电网技术,2016,40(4):1277-1282. Lu Jun,Li Zi,Zhu Yanping,et al.Communication bandwidth prediction for information gathering services in power distribution and utilization of smart grid[J].Power System Technology,2016,40(4):1277-1282(in Chinese).

[10] Henriet S,Simsekli U,Fuentes B,et al.A generative model for non-intrusive load monitoring in commercial buildings [EB/OL].(2018-02-26).org/abs/1803.00515.

[11] Lu T,Xu Z G,Huang B X.An event-based nonintrusive load monitoring approach:using the simplified Viterbi algorithm[J].IEEE Pervasive Computing,2017,16(4):54-61.

[12] Nalmpantis C,Vrakas D.Machine learning approaches for non-intrusive load monitoring:from qualitative to quantitative comparation[J].Artificial Intelligence Review,2019,52(1):217-243.

[13] 许长清,赵华东,宋晓辉.基于大数据的电力用户群体识别与分析方法研究[J].郑州大学学报(理学版),2016,48(3):113-117. Xu Changqing,Zhao Huadong,Song Xiaohui.Research on method of power user group identification and analysis based on large data[J].Journal of Zhengzhou University,2016,48(3):113-117(in Chinese).

[14] Ch´evez P,Barbero D,Martini I,et al.Application of the K-means clustering method for the detection and analysis of areas of homogeneous residential electricity consumption at the Great La Plata Region,Buenos Aires,Argentina[J].Sustainable Cities and Society,2017(32):115-129.

[15] 刘洋,许立雄.适用于海量负荷数据分类的高性能反向传播神经网络算法[J].电力系统自动化,2018,42(21):131-140. Liu Yang,Xu Lixiong.High-performance back propagation neural network algorithm for classification of mass load data[J].Automation of Electric Power Systems,2018,42(21):131-140(in Chinese).

[16] Oprea S,Bâra A.Electricity load profile calculation using self- organizing maps[C]//20th International Conference on System Theory,Control and Computing (ICSTCC).Sinaia:ICSTCC,2016:860-865.

[17] Yang J,Zhao J,Wen F,et al.A model of customizing electricity retail prices based on load profile clustering analysis[J].IEEE Transactions on Smart Grid,2018,10(3):3374-3386.

[18] Zhou K,Yang C,Shen J.Discovering residential electricity consumption patterns through smart-meter data mining:a case study from China[J].Utilities Policy,2017(44):73-84.

[19] 王德文,周昉昉.基于无监督极限学习机的用电负荷模式提取[J].电网技术,2018,42(10):3393-3400. Wang Dewen,Zhou Fangfang.Extraction of electricity consumption load pattern based on unsupervised extreme learning machine[J].Power System Technology,2018,42(10):3393-3400(in Chinese).

[20] 陈俊艺,丁坚勇,田世明,等.基于改进快速密度峰值算法的电力负荷曲线聚类分析[J].电力系统保护与控制,2018,46(20):91-99. Chen Junyi,Ding Jianyong,Tian Shiming,et al.An improved density peaks clustering algorithm for power load profiles clustering analysis[J].Power System Protection and Control,2018,46(20):91-99(in Chinese).

[21] 林顺富,田二伟,符杨,等.基于信息熵分段聚合近似和谱聚类的负荷分类方法[J].中国电机工程学报,2017,37(8):2242-2252. Lin Shunfu,Tian Erwei,Fu Yang,et al.Power load classification method based on information entropy piecewise aggregate approximation and spectral clustering[J].Proceedings of the CSEE,2017,37(8):2242-2252(in Chinese).

[22] Wang Y,Chen Q,Kang C,et al.Clustering of electricity consumption behavior dynamics toward big data applications[J].IEEE Transactions on Smart Grid,2017,7(5):2437-2447.

[23] Bennasar M,Hicks Y,Setchi R.Feature selection using joint mutual information maximization[J].Expert Systems With Applications,2015,42(22):8520-8532.

[24] He X,Ai Q,Qiu C,et al.A big data architecture design for smart grids based on random matrix theory[J].IEEE Transactions on Smart Grid,2015,8(2):674-686.

[25] Qiu R,Chu L,He X,et al.Spatio-temporal big data analysis for smart grids based on random matrix theory:a comprehensive study[EB/OL].(2017-08-15).org/abs/1708.04935.

[26] He X,Chu L,Qiu R C,et al.A novel data-driven situation awareness approach for future grids—using large random matrices for big data modeling[J].IEEE Access,2018(6):13855-13865.

[27] 徐心怡,贺兴,艾芊,等.基于随机矩阵理论的配电网运行状态相关性分析方法[J].电网技术,2016,40(3):781-790. Xu Xinyi,He Xing,Ai Qian,et al.A correlation analysis method for operation status of distribution network based on random matrix theory[J].Power System Technology,2016,40(3):781-790(in Chinese).

[28] Xu X,He X,Ai Q,et al.A correlation analysis method for power systems based on random matrix theory[J].IEEE Transactions on Smart Grid,2015,8(4):1-10.

[29] 陈鹏伟,陶顺,肖湘宁,等.短时间尺度用电行为相关性分析网络模型[J].电力系统自动化,2017,41(3):61-69. Chen Pengwei,Tao Shun,Xiao Xiangning,et al.Network model for correlation analysis of short-term electricity consumption behavior[J].Automation of Electric Power Systems,2017,41(3):61-69(in Chinese).

[30] Matthews S,Leger A S.Leveraging mapreduce and synchrophasors for real-time anomaly detection in the smart grid[J].IEEE Transactions on Emerging Topics in Computing,2017,7(3):392-403.

[31] Qureshi N M F,Siddiqui I F,Unar M A,et al.An aggregate mapreduce data block placement strategy for wireless IoT edge nodes in smart grid[J].Wireless Personal Communications,2019(106):2225-2236.

[32] 郝然,艾芊,肖斐.基于多元大数据平台的用电行为分析构架研究[J].电力自动化设备,2017,37(8):20-27. Hao Ran,Ai Qian,Xiao Fei.Architecture based on multivariate big data platform for analyzing electricity consumption behavior[J].Electric Power Automation Equipment,2017,37(8):20-27(in Chinese).

[33] Zhang W,Mu G,Yan G,et al.A power load forecast approach based on spatial-temporal clustering of load data[J].Concurrency and Computation:Practice and Experience,2018(30):e4386.

[34] 薛禹胜,赖业宁.大能源思维与大数据思维的融合(一)大数据与电力大数据[J].电力系统自动化,2016,40(1):1-8. Xue Yusheng,Lai Yening.Integration of macro energy thinking and big data thinking part one big data and power big data[J].Automation of Electric Power Systems,2016,40(1):1-8(in Chinese).

[35] 屈志坚,王冬.面向智能调度监测的流计算并行滑动窗口技术[J].电网技术,2016,40(7):2219-2226. Qu Zhijian,Wang Dong.Stream computing parallel sliding window technique for intelligent dispatching monitoring[J].Power System Technology,2016,40(7):2219-2226(in Chinese).

[36] Domoney W F,Ramli N M,Alarefi S A S,et al.Smart city solutions to water management using self-powered,low-cost,water sensors and apache spark data aggregation[C]//Renewable Sustainable Energy Conference.Marrakech:IEEE,2015:1-4.

[37] 田璐,齐林海,李青,等.基于Spark Streaming的电力流式大数据分析架构及应用[J].电力信息与通信技术,2019,17(2):27-33. Tian Lu,Qi Linhai,Li Qing,et al.Power streaming big data analysis architecture and application based on spark streaming[J].Electric Power Information and Communication Technology,2019,17(2):27-33(in Chinese).

[38] Wu K,Zhu Y,Li Q,et al.A distributed real-time data prediction framework for large-scale time-series data using stream processing[J].International Journal of Intelligent Computing and Cybernetics,2017,10(2):145.

[39] 刘纪平,吴立新,董春,等.一种大规模空间数据流式并行处理方法研究[J].测绘科学,2016,41(1):89-93. Liu Jiping,Wu Lixin,Dong Chun,et al.Study on a streaming parallel method for massive spatial data processing[J].Science of Surveying and Mapping,2016,41(1):89-93(in Chinese).

[40] Qiu Y,Chen Y,Jiao L,et al.RTA:real time actionable events detection as a service[C]//IEEE International Conference on Web Services.San Francisco,CA:IEEE,2016:514-521.

[41] Salman O,Elhajj I,Kayssi A,et al.Edge computing enabling the internet of things[C]//2015 IEEE 2nd World Forum on Internet of Things (WF-IoT).Milan:IEEE,2015:603-608.

[42] Shi W,Cao J,Zhang Q,et al.Edge computing:vision and challenges[J].IEEE Internet of Things Journal,2016,3(5):637-646.

[43] Li H,Shou G,Hu Y,et al.Mobile edge computing:progress and challenges[C]//IEEE International Conference on Mobile Cloud Computing,Services,and Engineering.Oxford,UK:IEEE,2016:83-84.

[44] Saputro N,Akkaya K.Investigation of smart meter data reporting strategies for optimized performance in smart grid AMI networks[J].IEEE Internet of Things Journal,2017,4(4):894-904.

[45] 李彬,贾滨诚,曹望璋,等.边缘计算在电力需求响应业务中的应用展望[J].电网技术,2018,42(1):79-87. Li Bin,Jia Bincheng,Cao Wangzhang,et al.Application prospect of edge computing in power demand response business[J].Power System Technology,2018,42(1):79-87(in Chinese).

[46] Samie F,Bauer L,Henkel J.IoT for smart grids[M].Berlin:Springer International Publishing,2019:21-42.

[47] 张聪,樊小毅,刘晓腾,等.边缘计算使能智慧电网[J].大数据,2019,5(2):67-81. Zhang Cong,Fan Xiaoyi,Liu Xiaoteng,et al.Edge computing enabled smart grid[J].Big Data Research,2019,5(2):67-81(in Chinese).

[48] Thapa R,Jiao L,Oommen B J,et al.A learning automaton-based scheme for scheduling domestic shiftable loads in smart grids[J].IEEE Access,2018(6):5348-5361.

[49] Yu-Hsiu L,Yu-Chen H.Residential consumer-centric demand-side management based on energy disaggregation-piloting constrained swarm intelligence:towards edge computing[J].Sensors,2018,18(5):1365.

[50] Cao Y,Song H,Kaiwartya O,et al.Mobile edge computing for big-data-enabled electric vehicle charging[J].IEEE Communications Magazine,2018,56(3):150-156.

[51] Quilumba F L,Lee W J,Huang H,et al.Using smart meter data to improve the accuracy of intraday load forecasting considering customer behavior similarities[J].IEEE Transactions on Smart Grid,2015,6(2):911-918.

[52] 赵腾,王林童,张焰,等.采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法[J].中国电机工程学报,2016,36(3):604-614. Zhao Teng,Wang Lintong,Zhang Yan,et al.Relation factor identification of electricity consumption behavior of users and electricity demand forecasting based on mutual information and random forests[J].Proceedings of the CSEE,2016,36(3):604-614(in Chinese).

[53] Wang Y,Gan D H,Sun M Y,et al.Probabilistic individual load forecasting using pinball loss guided LSTM[J].Applied Energy,2019(235):10-20.

[54] 王玥,张宇帆,李昭昱,等.即插即用能量组织日前负荷概率预测方法[J].电网技术,2019,43(9):3053-3060. Wang Yue,Zhang Yufan,Li Zhaoyu,et al.Day-ahead probability load forecasting of energy tissues with plug-and-play function[J].Power System Technology,2019,43(9):3053-3060(in Chinese).

[55] 王保义,王冬阳,张少敏.基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法[J].电力自动化设备,2016,36(1):117-122. Wang Baoyi,Wang Dongyang,Zhang Shaomin.Distributed short-term load forecasting algorithm based on spark and IPPSO_LSSVM[J].Electric Power Automation Equipment,2016,36(1):117-122(in Chinese).

[56] 李同智. 灵活互动智能用电的技术内涵及发展方向[J].电力系统自动化,2012,36(2):11-17. Li Tongzhi.Technical implications and development trends of flexible and interactive utilization of intelligent power[J].Automation of Electric Power Systems,2012,36(2):11-17(in Chinese).

[57] 杨旭英,周明,李庚银.智能电网下需求响应机理分析与建模综述[J].电网技术,2016,40(1):220-226. Yang Xuying,Zhou Ming,Li Gengyin.Survey on demand response mechanism and modeling in smart grid[J].Power System Technology,2016,40(1):220-226(in Chinese).

[58] 蔡珑,顾洁,金之俭.居民用户需求响应行为影响因素辨识与响应特性提取[J].电网技术,2017,41(7):346-353. Cai Long,Gu Jie,Jin Zhijian.Study on factor identification and feature extraction of residential demand response behavior[J].Power System Technology,2017,41(7):346-353(in Chinese).

[59] 徐青山,吴枭,杨斌.考虑状态差异性聚类的空调负荷直接负荷控制动态优化方法[J].电力系统自动化,2016,40(14):33-42. Xu Qingshan,Wu Xiao,Yang Bin.Dynamic optimization method of direct load control for air-conditioning load considering status diversity clustering[J].Automation of Electric Power Systems,2016,40(14):33-42(in Chinese).

[60] Wang Z,Paranjape R.Optimal residential demand response for multiple heterogeneous homes with real-time price prediction in ashould be a spacemultiagent framework[J].IEEE Transactions on Smart Grid,2017,8(3):1173-1184.

[61] Zheng Z,Yatao Y,Niu X,et al.Wide deep convolutional neural networks for electricity-theft detection to secure smart grids[J].IEEE Transactions on Industrial Informatics,2017,14(4):1606-1615.

[62] Júnior L A P,Ramos C C O,Rodrigues D,et al.Unsupervised non-technical losses identification through optimum-path forest[J].Electric Power Systems Research,2016(140):413-423.

[63] Zanetti M,Jamhour E,Pellenz M,et al.A tunable fraud detection system for advanced metering infrastructure using short-lived patterns[J].IEEE Transactions on Smart Grid,2017,10(1):830-840.

[64] Cui W,Wang H.Anomaly detection and visualization of school electricity consumption data[C]//IEEE International Conference on Big Data Analysis.Beijing:IEEE,2017:606-611.

[65] He X,Qiu R C,Chu L,et al.Invisible units detection and estimation based on random matrix theory [EB/OL].(2017-10-30). org/abs/1710.10745.

[66] Xiao F,Ai Q.Electricity theft detection in smart grid using random matrix theory[J].IET Generation Transmission Distribution,2017,12(2):371-378.

[67] Liu X,Nielsen P S.Regression-based online anomaly detection for smart grid data [EB/OL].(2016-06-18).org/abs/1606.05781.

[68] 谢涛,靳丹,马志程,等.基于智能电网的分布式非法用电行为检测方法[J].微型电脑应用,2015,31(2):54-57,60. Xie Tao,Jin Dan,Ma Zhicheng,et al.Distributed detection method of energy theft based on smart power grid[J].Microcomputer Applications,2015,31(2):54-57,60(in Chinese).

[69] 周杨珺,梁朔,俞小勇,等.基于多源异构数据的配电网运行分析平台:系统架构与技术实现[J].南方电网技术,2018,12(8):65-70. Zhou Yangjun,Liang Shuo,Yu Xiaoyong,et al.Research and implementation of distribution network operating analysis platform based on multi-source heterogeneous data[J].Southern Power System Technology,2018,12(8):65-70(in Chinese).

[70] Singh S,Yassine A.IoT big data analytics with fog computing for household energy management in smart grids[C]//SGIoT 2018-2nd EAI International Conference on Smart Grid and Internet of Things.Springer:Cham,2018:13-22.

[71] Wang C,Zhu Y,Ma Y,et al.A query-oriented adaptive indexing technique for smart grid big data analytics[J].Journal of Signal Processing Systems,2017(4):1-13.

[72] Liu Y,Guo W,Fan C I,et al.A practical privacy-preserving data aggregation (3PDA) scheme for smart grid[J].IEEE Transactions on Industrial Informatics,2018,15(3):1767-1774.

[73] Pan B,Zeng P,Choo K K R.A new multidimensional and fault- tolerable data aggregation scheme for privacy-preserving smart grid communications[C]//International Conference on Applications and Techniques in Cyber Security and Intelligence.Edizioni della Normale:Cham,2018:206-219.

[74] 邓松,岳东,朱力鹏,等.电力大数据智能化高效分析挖掘技术框架[J].电子测量与仪器学报,2016,30(11):1679-1686. Deng Song,Yue Dong,Zhu Lipeng,et al.Framework of intelligent and efficient analysis and mining technology for power big data[J].Journal of Electronic Measurement and Instrumentation,2016,30(11):1679-1686(in Chinese).

[75] 陈敬德,盛戈皞,吴继健,等.大数据技术在智能电网中的应用现状及展望[J].高压电器,2018,54(1):35-43. Chen Jingde,Sheng Gehao,Wu Jijian,et al.Application status and prospect of big data technology in smart grid[J].High Voltage Apparatus,2018,54(1):35-43(in Chinese).

[76] 周念成,廖建权,王强钢,等.深度学习在智能电网中的应用现状分析与展望[J].电力系统自动化,2019,43(4):267-284. Zhou Niancheng,Liao Jianquan,Wang Qianggang,et al.Analysis and prospect of deep learning application in smart grid[J].Automation of Electric Power Systems,2019,43(4):267-284(in Chinese).

[77] 李刚,焦谱,文福拴,等.基于偏序约简的智能电网大数据预处理方法[J].电力系统自动化,2016,40(7):104-112. Li Gang,Jiao Pu,Wen Fushuan,et al.A partial order reduction based method for big data preprocessing in smart grid environment[J].Automation of Electric Power Systems,2016,40(7):104-112(in Chinese).

[78] Cai Y,Huang T,Bompard E,et al.Self-sustainable community of electricity prosumers in the emerging distribution system[J].IEEE Transactions on Smart Grid,2017,8(5):2207-2216.

[79] Rathnayaka A J D,Potdar V M,Dillon T S,et al.A methodology to find influential prosumers in prosumer community groups[J].IEEE Transactions on Industrial Informatics,2014,10(1):706-713.

[80] 韦晓广,高仕斌,臧天磊,等.社会能源互联网:概念、架构和展望[J].中国电机工程学报,2018,38(17):4969-4986. Wei Xiaoguang,Gao Shibin,Zang Tianlei,et al.Social energy internet:concept,architecture and outlook[J].Proceeding of the CSEE,2018,38(17):4969-4986(in Chinese).