CN102426676A - 一种智能用电策略的特征提取方法 - Google Patents

Abstract

一种智能用电策略的特征提取方法，该方法包括：步骤S1：预处理目前基于数据库的结构化的智能电网用户用电数据信息，基于支持向量机模型对数据样本空间进行线性划分；步骤S2：在划分后的样本空间基础上，对各类特征进行聚类特征、传递特征和近邻特征的分析，得到影响制定用户用电策略的各类特征及特征间的各种依赖组合特征。并根据提取结果进行用电策略设计。本发明可以为智能电网的管理者或者智能电网的用户科学、合理地制定全网的或用户本身的用电策略提供依据，使得用户能够在智能电网环境下智能、智慧、便捷地使用各用电设备并达到节能减耗的社会效益。

Description

一种智能用电策略的特征提取方法

技术领域

本发明涉及智能控制领域，尤其涉及一种智能电网下的智能用电策略的特征提取方法。

背景技术

智能电网作为下一代的用电基础设施已经在我国得到了广泛的实施，随着削峰平谷、分时电价、有序用电、智慧用电等理念的提出，发电侧和用电侧分别采取各自适宜的方式来验证和实施这些新的电网理念以实现节能减排降耗的国家大计。

从发电侧来讲，用户的用电需求完全是一种可管理的资源，它将有助于平衡供需关系；从用电侧来讲，电力消费是一种经济选择，通过参与用电的运行与管理，修正其使用和购买电力的方式，从而获得实实在在的好处。

国务院办公厅多次下达《关于加强电力需求侧管理实施有序用电的紧急通知》，提出用电需求侧要以电定用、有序用电、节约用电、科学用电，优化电能消费结构，提高电能利用效率，千方百计地保障经济社会平稳运行。目前，在业界采取的方式是制定合乎用户使用习惯以及社会规章制度又能促进减少能源消耗、提高电能的利用率的用电策略来保障有序用电，因为只有采用合理的用电策略才能使得未来智能电网的用户能够有序、智慧、节能、便捷地使用能源供给，达到供需互动，从而切实提高用电的智慧化、合理化、高效化，达到最大的节能效用，可以说，制定合理的用电策略是保障用电需求侧做到有序用电的有力支撑。因此，目前在用电侧市场中，如何制定合理有效的用电策略是对智能电网用电侧提出的新挑战。

众所周知，用电策略的制定依赖于用电特征的确定和提取，包括确定哪些特征是决定某些区域、某些气候条件、某些政策条件、某些用户、某些场合或某些设备等等分类情况下的最节能方式的用电特征以及这些之间如何进行组合或传递或关联才能达到上述各种分类情况下的节能效用。

专利200910032502.1“用电系统精细监测及节电优化管理系统”描述了远程管理机可以登录通过查看用电状态信息设定用电策略，但是文中并未指出如何根据用电状态信息设定用电策略也没有指出制定用电策略所依赖的特征如何提取、如何确定。

文献《在全面开放的电力市场中用户用电管理及其策略》(吴杰康，任震，黄雯莹，黄福全，《电网技术》2001年8月第25卷第8期)中，作者提出了制定用电策略所依赖的特征，包括负荷、用电用途以及分时电价等，但是这些特征对于制定合理、可靠、有效的用电策略显然是远远不够的，而且也没有遵循实际的用电特性及其自然规律，因而其设计结果肯定是不科学也不合理的，不能真正增进电网与用户的互动，也就不能真正达到节能、智慧的智慧用电的目标。

在专利201010237168“一种能效管理终端及其组成的智能用电暨能效管理系统”描述了要建立一个描述用电特征的模型用于引导用户的用电消费行为，但是这些用电模型的建立是针对用电设备个体的，不能形成有效的整体用电策略，从而也就不能提供给用户真正有序、智慧的用电策略。

文献《湖州市用电需求特性及其与气象条件的关系》(《大气科学学报》2011年2月第34卷第1期，盛琼、朱晓东、骆丽楠、顾泽)中，作者提出了对于不同区域的气候条件、地理环境和工农业生产特点等地区差异的条件下，气象特征对浙江省湖州市的用电量和最大负荷的影响情况，气象特征作为制定湖州市生产生活的用电策略的一个有效特征被确立和模型化。然而，对于更广泛的智能用电侧管理来说，还必将有更多的特征显性或隐性地影响用电侧的电力消耗情况。

发明内容

本发明提出了一种符合用户操作自然规律的智能电网用电策略的特征提取方法，用于进一步制定符合人文特征和社会自然规律的智能电网用电侧的用电策略，以支持未来智能电网的智慧用电、有序用电的先进理念，并为用户提供智慧的策略支持，并达到智慧、节能、节省费用的目的。

本发明的原理是在原始收集得到的智能电网用户实际的用电相关数据信息样本的基础上，采用支持向量机模型和聚类分析、传递分析、近邻分析的办法，将能够用于制定用电策略的特征提取出来，并得到这些特征之间的依赖组合特征，用于用电用户或用电管理者进一步制定有效合理的用电策略。

本发明智能用电策略的特征提取方法的具体方法步骤是：

1.从智能电网综合信息平台数据库中获取原始用户用电数据信息样本空间，即用电基础数据，与时间、人文紧密关联的用电信息和相关用电效果信息样本；

2.采用支持向量机模型对样本空间进行线性划分，划分结果就是信息样本空间维度的提升，包括用电信息维和人文社会信息维。所述的用电信息维包括电量维、电流维、电压维、有功功率维、无功功率维等用电特征。所述的人文社会信息维包括时间维、地点维、区域维、气候维、光照度维、温度维、湿度维、用户类型维、用户等级维、设备等级维、设备类别维、操作空间类型维、操作空间级别维、操作频率维、有效操作频率维、舒适级别维、节能度维、节能级别维等用电特征；

3.在线性划分后的样本空间中进一步寻找上述步骤2中各维特征之间的聚类特征、传递特征和近邻特征，具体为：

1)基于图划分的特征提取聚类特征，所述的基于图划分的聚类方法，包括基于布尔链接的图划分和基于权重链接的图划分，并分别划分为不同大小的子图，对特定子图内的节点，即步骤2中的各维特征的影响因子计算算术平均，用以生成步骤2中各维之间的聚类关系特征；

2)基于有向图的置信度传递、基于反向图的置信度传递和基于无向图的置信度传递提取传递特征，对每个所述的用电特征，即步骤2中的各维特征，生成传递关系特征；

3)基于一级近邻关系的特征和基于二级近邻关系的特征提取近邻特征，提取方法是；针对该一级近邻关系和二级近邻关系，分别就用电特征，即步骤2中的各维特征，初设正向的方向和反向的不同组合，生成近邻特征；

4.通过以上步骤得到最终影响用电系统用电策略制定的特征及其各种依赖组合特征，进一步支撑管理者或用户设定用电策略。

附图说明

图1是本发明提供的智能用电策略设计方法流程图；

图2是本发明提供的从预处理到初步用电维度提升及分类的数据流程图；

图3是本发明提供的特征提取并生成最终策略的示意图；

图4是结合实例得到的一类用电策略特征提取结果。

具体实施方式

以下结合附图和具体实施方式对本发明进一步说明。

本发明智能用电策略的特征提取方法的总体流程如图1所示：步骤S1为初步特征分类，即预处理目前基于数据库的结构化的智能电网用户用电信息，采用支持向量机模型SVM的方法对其进行特征的线性分类。步骤S2为在初步特征分类结果的基础上，进行进一步特征的提取，提取出聚类特征、传递特征和近邻特征，在这一过程中，将基于特征图和初步学习的影响因子提取三类不同的特征，对三类特征分别进行提取后得到最终的特征及其各种有效组合结果，从而进一步支持科学、有效地用电策略的制定和实行。

具体如下：

1、预处理目前数据库中所有的用电信息，进行特征的线性分类。

分类算法采用支持向量机模型SVM。

完成的工作如图2所示，即采用支持向量机模型SVM在收集到的用电信息库中选择部分数据作为训练集进行训练，再选择部分数据作为测试集进行测试，不断迭代、测试，直到得到可靠真实的分类结果。

2、在分类结果的基础上，进行聚类特征、传递特征和近邻特征的提取。

如图3所示，在初步分类结果的基础上对不同特征分别提取三类不同性质的特征，即聚类特征、传递特征和近邻特征，最终得到影响制定用电策略的特征及这些特征间的依赖组合特征。

下面就这三类特征的提取方法分别进行描述。

所述聚类特征的提取是基于图划分的特征，该基于图划分的聚类方法，考虑到现有的成熟的图划分算法大多针对无向图，同时为了简化运算，这里把整个智能电网的用电侧的用电特征网络看作无向图进行处理。

所述传递特征的提取，是基于有向图的置信度传递、基于反向图的置信度传递和基于无向图的置信度传递，以对每个用电设备生成传递特征，这里把整个智能电网的用电侧的用电特征网络看作有向图或无向图进行处理。

所述近邻特征的提取，是基于一级近邻关系的特征提取和基于二级近邻关系的特征提取；针对该一级近邻关系和二级近邻关系，分别就有向图链接的方向和反方向节点的不同组合生成多个特征，这里把整个智能电网的用电侧的用电特征网络看作有向图进行处理。

通过以上所述近邻关系特征、聚类关系特征和传递关系特征的提取过程，将方法步骤2所述的用电系统各维特征之间的时间和空间上的能够影响用电效能的特征和关系寻找出来，并可以随着时间的推移不断发现可能影响用电效用的新的特征，提取结果表现形式为多簇多分支的特征及特征关系组合，可以根据不同的用电性能要求进行不同的组合及排序，智能电网管理端或智能电网的用户端均可以根据提取结果制定适合于当下最适宜的用电策略。

以下以智能办公用电的实施例说明。在对原始数据样本进行线性分类后，假设需要提取特性为“工作日(周一到周五)所有研究员的办公室节能度在1％～5％的用电设备等级在3以上的用电设备的操作特征集合”的分析需求，基于上述分析方法，分析得到有效策略的方法如下：

(1)采用无向图的聚类方法，根据不同的分类原则，将智能用电特征网络划分为K个类，比如根据房间类型分类、根据用电特性分类、根据设备等级分类等等，本实例要使用的就是根据房间类型分类、根据用户特性分类以及根据用电设备级别分类以及根据用电操作分类等。计算一个聚类内的特定特征的聚类特征采用以下公式：

$\mathrm{cf}\left(H\right)=\frac{{\mathrm{\Σ}}_{h\∈C\left(H\right)}\mathrm{energy}\left(h\right)}{\left|C\left(H\right)\right|}---a)$

其中，cf(H)为维度H，即上述步骤2描述的进行线性划分后的各维度的聚类特征，C(H)表示维度H所在的聚类集合，energy(h)为维度h的节能度，0＜＝energy(h)＜＝1，可以看出通过调整K的取值，经公式a)可以获得维度H的多个聚类特征。

(2)基于有向图的置信度传递、基于反向图的置信度传递和基于无向图的置信度传递，以对上述步骤2中描述的所有用电特征生成传递特征，计算如公式b)所示：

$\mathrm{pf}{\left(H\right)}^{\left(t\right)}=(1-\mathrm{\α})\mathrm{energy}\left(H\right)+\mathrm{\α}\underset{h:h->H}{\mathrm{\Σ}}\frac{\mathrm{pf}{\left(h\right)}^{(t-1)}}{\mathrm{outdegree}\left(h\right)}---b)$

其中pf(H)^(t)为维度H的传递特征，t表示迭代次数，实际使用时，可以认为设定迭代次数，取pf(h)⁽⁰⁾＝energy(h)，outdegree(h)表示h的出关系集合，相应的可以计算indegree(h)或同时考虑出入关系，这样可以至少得到3个传递特征，即基于有向图的置信度传递、基于反向图的置信度传递和基于无向图的置信度传递。α是阻尼因子，取值在0到1之间。

(3)关于用电特征H的近邻特征的值通过公式c)计算：

$\mathrm{nf}\left(H\right)=\frac{{\mathrm{\Σ}}_{h\∈N\left(H\right)}\mathrm{energy}\left(h\right)*\left(\mathrm{weight}\right)}{\left|N\left(H\right)\right|}---c)$

其中，nf(H)表示维度H的近邻特征，N(H)表示H的近邻集合，weight表示权重，权重的取值可以根据近邻间链接的数目的确定，weight取1时不考虑任何权重信息。如果节点没有近邻节点，则将该节点的nf(H)值置为0.5，即不确定值。

通过以上三种方法，可以得到类似如图4所示的特征关系集合，对象描述为满足需求的操作组合和用电特征之间的关系，比如图4中黑色圆点表示级别为三的设备操作，比如电灯、智能插座、电动窗帘等，颜色为灰色的表示设备级别为二的设备操作，比如电脑、投影仪等，颜色为白色的表示设备级别为一的设备操作，比如空调等，中间的有向线段标明其操作的传递关系。此类结果还会以图表和报表等可视化形式展示出来，用电管理者或用户根据分析结果和实际的其他需求制定用电策略，比如，根据图4可以指定出四种不同的满足本例前提条件的相应用电策略，也可以针对分析结果进行多重以上步骤的迭代分析直到得到可靠的结果。

Claims (5)

1.一种智能用电策略的特征提取方法，其特征在于，所述的方法包括以下步骤：

1)从智能电网用电信息数据库中获取用户用电数据信息样本空间；

2)采用支持向量机模型对样本空间进行线性划分；

3)在划分后的样本空间中进一步寻找用电特征之间的聚类特征、传递特征和近邻特征；

4)得到最终影响制定用电策略的特征及这些特征间的各种依赖组合特征，支撑智能电网的管理者或者智能电网的用户设定合理的用电策略。

2.根据权利要求1所述的智能用电策略的特征提取方法，其特征在于所述步骤2)中，采用支持向量机模型SVM在原始用电数据信息样本空间上进行线性划分。

3.根据权利要求1所述的智能用电策略的特征提取方法，其特征在于所述步骤3)的聚类特征提取是基于图划分的特征提取聚类特征，所述的基于图划分的聚类方法包括基于布尔链接的图划分和基于权重链接的图划分，分别划分为不同大小的子图，对特定子图内的节点，即各用电特征的置信度计算算术平均，用以生成聚类特征。

4.根据权利要求1所述的智能用电策略的特征提取方法，其特征在于所述步骤3)的传递特征提取是基于有向图的置信度传递、基于反向图的置信度传递和基于无向图的置信度传递提取传递特征，以对每个特征生成传递特征。

5.根据权利要求1所述的智能用电策略的特征提取方法，其特征在于所述步骤3)的近邻特征提取是基于一级近邻关系的特征和基于二级近邻关系的特征提取近邻特征；针对所述的一级近邻关系和二级近邻关系，分别就各用电特征初设的正向的方向和反方向的不同组合生成近邻特征。

Images