CN104200275B - 基于用户行为特点的用电模式分类和控制方法 - Google Patents
基于用户行为特点的用电模式分类和控制方法 Download PDFInfo
- Publication number
- CN104200275B CN104200275B CN201410288990.3A CN201410288990A CN104200275B CN 104200275 B CN104200275 B CN 104200275B CN 201410288990 A CN201410288990 A CN 201410288990A CN 104200275 B CN104200275 B CN 104200275B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- cluster
- user
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000007621 cluster analysis Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000003203 everyday effect Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract 1
- 239000010755 BS 2869 Class G Substances 0.000 description 14
- 230000004044 response Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于用户行为特点的用电模式分类和控制方法,通过二次聚类方法所建立的改进后的二次聚类模型,以工业园区内同一用户一年中每日的负荷点为特征向量,从聚类结果中可以归纳用户日常用电特征,并得到此企业用户的多种典型用电模式,为工业园区内的负荷预测、故障诊断、电价制定等提供依据;进一步的通过对负荷数据的最优化函数建模可以选取需求侧管理时的最佳计划用电模式,该模型有利于供电公司在保障电力供应的前提下尽可能减少售电利润损失;最终在此基础上建立的工业园区内的用户用电行为模式库,可以将不便建模的新驻企业与已建立的典型用户模式相比较,类推得到其负荷特性以提高园区的规划效率。
Description
技术领域
本发明涉本电力系统及其自动化技术领域,具体涉及工业园区负荷规划、分析以及需求侧管理的问题,尤其涉及基于用户行为特点的用电模式分类和控制方法。
背景技术
智能电网在结构上包括智能输电网和智能配电网两方面的内容,智能配电网具有新技术内容多、与传统电网区别大的特点,其中与用户联系最紧密的智能需求侧管理对于实现智能电网建设的整体目标有着举足轻重的作用。需求响应通过掌握和分析系统的负荷构成,可以引导电力用户选择合理的用电时间,或采用合理的蓄能方式,达到移峰填谷的作用,可见应用聚类分析进行负荷特性研究,充分挖掘用户的用电特征是需求响应措施能有针对性实施的关键。
目前国内对于需求侧响应的研究还远远不够,而对于具体的某个工业园区的负荷研究就更为稀少。另外针对园区内的需求侧响应方案往往优先安排大客户参与避峰计划,这样粗放型方法缺乏数学模型的支持和科学依据,不利于提高电力资源的配置效率。
发明内容
本发明的目的是提供基于用户行为特点的用电模式分类和控制方法,为工业园区的负荷规划、分析和诊断提供了科学理论支持,而且便于深入挖掘用户的用电特征和参与需求响应项目的潜力,为需求响应的实施从项目制定到项目评估提供全面支持,为电力公司提高安全性和稳定性提供保障。
本发明采用下述技术方案:
基于用户行为特点的用电模式分类和控制方法,主要包括以下步骤:
1)对于工业园区规划进驻用户,选取该用户一年的负荷数据为特征向量,对特征向量进行研究,从负荷变化规律中提取相似用电行为特征;
2)对用户一年中每天的负荷曲线进行研究,分别进行两次聚类分析,从而可以提取出多种能够表征该用户典型用电特点的日负荷曲线,将这多种曲线组成该用户的典型负荷曲线群,其中的每种负荷曲线都有效地代表了用户的某一类用电模式;
3)选取全年典型负荷曲线群中该季度下的负荷曲线群,并与当日实际负荷曲线对比,分析用户k在该季度里的用电行为的差异性:定义ΔSi为不同模式i下的每日生产负荷曲线与目标曲线所包围的面积差,该目标曲线可为该季度下不同用电模式对应的负荷曲线群;其中
式中:Lki为该季节内用户k在i模式下的实时生产负荷;ΔSki为该季节内用户k在i模式下的当日变化负荷;Sk0为该季节内用户k的实际日生产总负荷;Ski为该季节内用户k的当日目标生产总负荷,Ski在典型用电模式负荷群中取值;
4)根据直接负荷控制的季节t和目标Lmax,利用优化函数建模以选取需求侧管理时的计划用电模式;所述优化函数建模如下:该模型有利于供电公司在保障电力供应的前提下最小化限电量,从而最大化售电利润;
式中:ΔSki为t季节内用户k在i模式下当日变化负荷;Lki为t季节内用户k在i模式下的实时生产负荷;Lmax为t季节内工业园区的实时总负荷上限;
5)利用步骤4)选取的计划用电模式累积生成用户用电行为模式库,将不便建模的新驻企业与已建立的典型用户模式相比较,类推得到不便建模的新驻企业负荷特性,从而提高园区的规划效率。
所述步骤2)中两次聚类分析主要按照以下的数学分析步骤计算出工业园区内对企业用户的负荷聚类结果:
2A:首先确定聚类分析的聚类数范围:
2A.1:确定聚类数的上下限,下限取2,上限取In(N),N为数据总数;
2A.2:从聚类数下限开始计算该聚类数下的聚类有效性,计算完成后,聚类数C=C+1;
2B:数据预处理:首先读取数据,然后对数据预处理;
2C:确定类别数:选择聚类效果最好的类别数作为最终确定的聚类数Ca;
2D:对聚类数Ca进行聚类分析,并进行有效性验证,并最终输出聚类结果。
所述步骤2)中的2C步骤具体包括如下步骤:
2.C1对聚类数进行第一次聚类,即系统聚类:对于给该聚类数C使用七种不同方法的系统聚类,得到每种方法下的聚类树及聚类中心;
2.C2通过最优系统聚类法得出下一步的模糊C聚类的聚类树及聚类中心:通过cophenetic相关系数的比较这七种方法下聚类效果的好坏,选取聚类效果最好即cophenetic相关系数最大的方法得到的聚类树和聚类中心,提供下一步的模糊C聚类的聚类树及聚类中心;
2.C3对聚类数进行特殊元素的提取:先提取并置空特殊类别的元素数据,然后对剩余的元素采用模糊C均值法进行第二次聚类分析,得到第二次聚类分析结果;
2.C4对第二次聚类分析后的结果加上特殊元素提取的结构一起返回第A.2步,计算完所有的聚类数后,比较各个聚类数下模糊C均值法的有效性分析结果,选择聚类效果最好的类别数作为最终确定的聚类数Ca。
所述步骤2B中数据的预处理具体包括以下几个步骤:
2B.1首先对读取的数据进行非正常负荷数据的识别与处理,具体包括数据的横向识别与纵向识别:
①横向识别:认为短时间内数据横向相似,即样本日与附近同类日曲线相似,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
首先利用横向识别中式
计算序列的均值与方差,判断是否有非正常数据,当均值过大或过小时说明该日数据不正常,当方差过大说明该日数据非正常,
再利用式进行3σ原理的非正常数判断,其中ε为阈值,通常取1~1.5,如果式满足,则xn,.i即为非正常数据;
利用式 对非正常数据进行修正,其中α1、β1、γ1为自定义权值且α1+β1+γ1=1,为第n天第i点修正数据;xn±1,.i为xn,.i附近两个横向负荷点,为距离xn,.i最近的两个相似日负荷点;
②纵向识别:认为短时间内数据纵向相似,即相隔15min的连续3个数据相对稳定,没有突变,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
首先利用式将某负荷点附近连续5个数据平均化,形成平滑后的负荷序列;
再判断原始数据与平滑后数据的误差是否满足式
σn,i>δx′n,.i,σn,i为原该点数据与平滑后该点数据差的绝对值;如满足,则负荷点为非正常数据,δ为阈值,通常取0.08~0.15;其中σn,i=|xn,.i-x′n,.i|
若负荷点为非正常数据,则利用式 修正,其中xn,.-1,xn,.0,xn,.97,xn,.98分别为第n-1和n+1天的最后和最前的两个负荷点,且α2、β2为自定义权值且α2+β2=1;
2B.2其次包括负荷数据加权处理:由于部分地区实行峰谷平分时电价政策,峰谷分时电价的峰、谷时段电价价差一般在2-5倍之间,所以需要对负荷数据加权处理,设定负荷曲线高峰时段各点的权值为3,即认为工作时段的权重较高,而夜间休息时段的权重较低,有利于使分类结果更能说明目标问题。
对上述步骤2B.2加权处理后的负荷数据处理后进行第一次聚类分析:具体的,第一次聚类分析采用基于类平均法的系统聚类法对每日的负荷进行分类:用G来表示类,假定G中有m个元素,用列向量xi(i=1,2,...,m)来表示,dij表示元素xi与xj间距离,DKL表示类GK与类GL之间的距离;
若定义类与类之间的平方距离等于其负荷数据对之间平方距离的平均值;则Gk和GL之间的平方距离可表示为:
式中:nK为类GK的元素个数;nL为类GL的元素个数;
推广后的类间平方距离的递推公式为:
式中:nK为类GK的元素个数;nL为类GL的元素个数;nM为类G的元素个数;β<1为可变系数。
所述步骤2C.3中模糊C均值法具体为:模糊C均值法的定义为把聚类归结成一个带约束的非线性规划问题,通过优化求解获得数据集的模糊划分和聚类:模糊C均值法通过迭代调整(U,P)使得目标函数J最小;其中,U=[μik]c×n为隶属度矩阵,P=[pi](i=1,2,…,c),表示第i类的代表聚类中心矩阵,Jm(U,P)是类内加权平方误差和的目标函数;dik表示样本xk与第i类聚类中心pi之间的失真度;
可描述为:
所述步骤2D中聚类结果的有效性验证具体如下:
模糊划分系数F(U;c)是指n个可能性分布描述因子的平均值,定义为:
可能性划分系数P(U;c)对于给定的聚类数c和隶属度矩阵U,定义为:
聚类有效性函数FP(U;c)对给定的聚类数c和隶属度矩阵U,定义为:
FP(U;c)=F(U;c)-P(U;c)
所以对于U∈Mfc的“最优”的有限集合,若存在(U*;c*)满足
则以(U*;c*)为“最优”的有效性聚类,其中,式中取cmax≤In n。
本发明通过二次聚类方法所建立的改进后的二次聚类模型,以工业园区内同一用户一年中每日的负荷点为特征向量,从聚类结果中可以归纳用户日常用电特征,并得到此企业用户的多种典型用电模式,为工业园区内的负荷预测、故障诊断、电价制定等提供依据;进一步的通过对负荷数据的最优化函数建模可以选取需求侧管理时的最佳计划用电模式,该模型有利于供电公司在保障电力供应的前提下尽可能减少售电利润损失;最终在此基础上建立的工业园区内的用户用电行为模式库,可以将不便建模的新驻企业与已建立的典型用户模式相比较,类推得到其负荷特性以提高园区的规划效率。
附图说明
图1为本发明所述某企业负荷分类对比曲线图;
图2为本发明方法的总步骤流程图;
图3为本发明所述综合聚类法的具体流程图:
图4为对用户进行需求侧管理时计算ΔSki的示意图。
具体实施方式
如图3所示,本发明的目的在于为了克服现有技术的不足,提供一种基于用户行为特点的用电模式分类和控制方法,针对工业园区内规划进驻用户,首先选取该用户一年的负荷数据为特征向量,研究其负荷变化规律并提取相似用电行为特征;然后采用综合聚类分析的方法得到典型负荷代表曲线群,确保每条负荷曲线都能有效地代表用户的某一类用电模式;分析该用户在不同时间节点中用电行为的差异性,根据直接负荷控制的时段和目标,利用不同用电模式下的优化模型选取需求侧管理所需用电模式,充分挖掘用户的节电潜力;利用由此累积生成的用户用电行为模式库,将不便建模的新驻企业与已建立的典型用户模式相联系,提高供电安全性和经济性。
具体的如图2所示,一种基于用户行为特点的用电模式分类和控制方法,方法主要包括以下步骤:
1)对于工业园区规划进驻用户,选取该用户一年的负荷数据为特征向量,研究其负荷变化规律并提取相似用电行为特征;
2)选用二次聚类法对园区用户负荷特性进行分类研究,即一次聚类采用系统聚类法对负荷特性进行分类;二次聚类采用模糊C均值法,聚类中心由初次系统聚类结果即一次聚类提供。具体包括下面几个步骤:
2A:首先确定聚类分析的聚类数范围:
2A.1:确定聚类数的上下限,下限取2,上限取In(N),N为数据总数;
2A.2:从聚类数下限开始计算该聚类数下的聚类有效性,计算完成后,聚类数C=C+1;
2B:数据预处理:首先读取数据,然后对数据预处理;
2C:确定类别数:选择聚类效果最好的类别数作为最终确定的聚类数Ca;
2.C1对聚类数进行第一次聚类,即系统聚类:对于给该聚类数C使用七种不同方法的系统聚类,得到每种方法下的聚类树及聚类中心;
2.C2通过最优系统聚类法得出下一步的模糊C聚类的聚类树及聚类中心:通过cophenetic相关系数的比较这七种方法下聚类效果的好坏,选取聚类效果最好即cophenetic相关系数最大的方法得到的聚类树和聚类中心,提供下一步的模糊C聚类的聚类树及聚类中心;
2.C3对聚类数进行特殊元素的提取:先提取并置空特殊类别的元素数据,然后对剩余的元素采用模糊C均值法进行第二次聚类分析,得到第二次聚类分析结果;
2.C4对第二次聚类分析后的结果加上特殊元素提取的结构一起返回第A.2步,计算完所有的聚类数后,比较各个聚类数下模糊C均值法的有效性分析结果,选择聚类效果最好的类别数作为最终确定的聚类数Ca。
2D:对聚类数Ca进行聚类分析,并进行有效性验证,并最终输出聚类结果。
3)分析用户k在相同季节t内用电行为的差异性,定义ΔSi为不同模式i下的每日当前生产负荷曲线与目标曲线所包围的面积差,该目标曲线可为不同用电模式对应的负荷曲线群:
ΔSki=Sk0-Ski (2)
式中:Lki为t季节内用户k在i模式下的实时生产负荷;ΔSki为t季节内用户k在i模式下的当日变化负荷;Sk0为t季节内用户k的实际日生产总负荷;Ski为t季节内用户k的当日目标生产总负荷,在典型用电模式负荷群中取值。对用户计算ΔSki按如图4中示例所示:
4)根据直接负荷控制的季节t和目标Lmax,利用优化函数建模以选取需求侧管理时的计划用电模式,该模型有利于供电公司在保障电力供应的前提下最大化售电利润;
式中:ΔSki为t季节内用户k在i模式下当日变化负荷;Lki为t季节内用户k在i模式下的实时生产负荷;Lmax为t季节内工业园区的实时总负荷上限;
5)利用由此累积生成的用户用电行为模式库,将不便建模的新驻企业与已建立的典型用户模式相比较,类推得到其负荷特性以提高园区的规划效率。
本发明所述步骤2B.1中由于受信号干扰、软件故障、设备性能等影响,而使负荷数据未全面采集或有失真现象,所以首先对读取的数据进行非正常负荷数据的识别与处理,具体包括数据的横向识别与纵向识别:
①横向识别:认为短时间内数据横向相似,即样本日与附近同类日曲线相似,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
首先利用横向识别中式(4)(5)计算序列的均值与方差,判断是否有非正常数据,当均值过大或过小时说明该日数据不正常,当方差过大说明该日数据非正常。
再利用式(6)进行3σ原理的非正常数判断,其中ε为阈值,通常取1~1.5。如果式(6)满足,则xn,.i即为非正常数据。
对利用式(7)对非正常数据进行修正,其中α1、β1、γ1为自定义权值且α1+β1+γ1=1,为第n天第i点修正数据;xn±1,.i为xn,.i附近两个横向负荷点,为距离xn,.i最近的两个相似日负荷点。
②纵向识别:认为短时间内数据纵向相似,即相隔15min的连续3个数据相对稳定,没有突变,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
首先利用式(8)将某负荷点附近连续5个数据平均化,形成平滑后的负荷序列。
再判断原始数据与平滑后数据的误差是否满足式(10),σn,i为原该点数据与平滑后该点数据差的绝对值。如满足,则负荷点为非正常数据,δ为阈值,通常取0.08~0.15。
σn,i=|xn,.i-x′n,.i| (9)
σn,i>δx′n,.i (10)
若负荷点为非正常数据,则利用式(11)修正,
其中xn,.-1,xn,.0,xn,.97,xn,.98分别为第n-1和n+1天的最后和最前的两个负荷点,且α2、β2为自定义权值且α2+β2=1。
(2)负荷数据加权处理:由于部分地区实行峰谷平分时电价政策,峰谷分时电价的峰、谷时段电价价差一般在2-5倍之间,所以需要对负荷数据加权处理,设定负荷曲线高峰时段各点的权值为3(8:00-12:00,17:00-21:00),即认为工作时段的权重较高,而夜间休息时段的权重较低,有利于使分类结果更能说明目标问题。
(3)对上述加权处理后的负荷数据处理后进行第一次聚类分析,第一次聚类分析采用基于类平均法的系统聚类法对每日的负荷进行分类:用G来表示类,假定G中有m个元素,用列向量xi(i=1,2,...,m)来表示,dij表示元素xi与xj间距离,DKL表示类GK与类GL之间的距离。若定义类与类之间的平方距离等于其负荷数据对之间平方距离的平均值。则Gk和GL之间的平方距离可表示为:
式中:nK为类GK的元素个数;nL为类GL的元素个数。
推广后的类间平方距离的递推公式为:
式中:nK为类GK的元素个数;nL为类GL的元素个数;nM为类G的元素个数;β<1为可变系数。
(4)对第一次聚类分析后的负荷数据进行特殊元素提取。由于本发明下述步骤需要使用模糊C聚类的算法,而模糊C聚类的算法对分类中的特殊元素敏感,当有样品数据比较特殊自成一类时,迭代次数会明显增多,甚至陷入死循环。因此在算法操作中加入了提取特殊元素这一步骤,恰好能利用此操作发现变量中的特殊元素,提高效率。特殊元素的提取主要根据负荷的具体情况而定,此为本领域人员熟知技术,在此不再举例说明。
(5)对进行过元素提取的负荷数据进行第二次聚类分析,第二次聚类分析采用模糊C均值法;其中聚类中心由第一次系统聚类的结果提供。
模糊C均值法的定义为把聚类归结成一个带约束的非线性规划问题,通过优化求解获得数据集的模糊划分和聚类。算法通过迭代调整(U,P)使得目标函数J最小。其中,U=[μik]c×n为隶属度矩阵,P=[pi](i=1,2,…,c),表示第i类的代表聚类中心矩阵,Jm(U,P)是类内加权平方误差和的目标函数。dik表示样本xk与第i类聚类中心pi之间的失真度。
一般描述成:
式中:m称为加权指数;μik为子集Xi的特征函数,有μik∈{0,1};pi(i=1,2,...,c)表示第i类的聚类中心矩阵,pi=(pi1,pi2,...,pis)∈Rs模糊C均值法的主要过程为输入要划分的聚类数目C、模糊指数m、数据集X,确定聚类中心矩阵P={p1,p2,p3,…,pc},然后计算隶属度矩阵U,再根据U计算聚类中心P,接着由P再计算U,如此反复直到满足条件。
具体步骤大致如下:
①取定聚类数目C,模糊指数m和初始聚类中心迭代步数L=0;
②计算隶属度矩阵UL:
当时,隶属度矩阵U中的元素μik的计算方法为:
当时, μik=0且
③用隶属度矩阵UL计算PL+1
④判断是否满足迭代条件:对给定的阀值ε,||UL+1-UL||<ε;如果满足,则算法中止;否则L=L+1,并转向②。
(6)聚类结果的有效性验证:由于聚类的类别数需要在聚类分析前人为设定,需要对选择的聚类数C进行有效性问题。
模糊划分系数F(U;c)是指n个可能性分布描述因子的平均值,定义为:
可能性划分系数P(U;c)对于给定的聚类数c和隶属度矩阵U,定义为:
聚类有效性函数FP(U;c)对给定的聚类数c和隶属度矩阵U,定义为:
FP(U;c)=F(U;c)-P(U;c) (21)
所以对于U∈Mfc的“最优”的有限集合,若存在(U*;c*)满足
则以(U*;c*)为“最优”的有效性聚类。注意式中取cmax≤In n。
Claims (6)
1.基于用户行为特点的用电模式分类和控制方法,其特征在于:主要包括以下步骤:
1) 对于工业园区规划进驻用户,选取该用户一年的负荷数据为特征向量,对特征向量进行研究,从负荷变化规律中提取相似用电行为特征;
2)对用户一年中每天的负荷曲线进行研究,分别进行两次聚类分析,从而可以提取出多种能够表征该用户典型用电特点的日负荷曲线,将这多种曲线组成该用户的典型负荷曲线群,其中的每种负荷曲线都有效地代表了用户的某一类用电模式;
所述步骤2)中两次聚类分析主要按照以下的数学分析步骤计算出工业园区内对企业用户的负荷聚类结果:
2A:首先确定聚类分析的聚类数范围:
2A.1:确定聚类数的上下限,下限取2,上限取In(N),N为数据总数;
2A. 2:从聚类数下限开始计算该聚类数下的聚类有效性,计算完成后,聚类数C=C+1;
2B:数据预处理:首先读取数据,然后对数据预处理;
2C:确定类别数:选择聚类效果最好的类别数作为最终确定的聚类数Ca;
2D:对聚类数Ca进行聚类分析,并进行有效性验证,并最终输出聚类结果;
3)选取全年典型负荷曲线群中该季度下的负荷曲线群,并与当日实际负荷曲线对比,分析用户 在该季度里的用电行为的差异性:定义为不同模式下的每日生产负荷曲线与目标曲线所包围的面积差,该目标曲线可为该季度下不同用电模式对应的负荷曲线群;其中
,
式中:为该季节内用户在模式下的实时生产负荷;为该季节内用户在模式下的当日变化负荷;为该季节内用户的实际日生产总负荷;为该季节内用户的当日目标生产总负荷,在典型用电模式负荷群中取值;
4)根据直接负荷控制的季节和目标,利用优化函数建模以选取需求侧管理时的计划用电模式;所述优化函数建模如下:该模型有利于供电公司在保障电力供应的前提下最小化限电量,从而最大化售电利润;
式中:为季节内用户在模式下当日变化负荷;为季节内用户在模式下的实时生产负荷;为季节内工业园区的实时总负荷上限;
5)利用步骤4)选取的计划用电模式累积生成用户用电行为模式库,将不便建模的新驻企业与已建立的典型用户模式相比较,类推得到不便建模的新驻企业负荷特性,从而提高园区的规划效率。
2.根据权利要求1所述的基于用户行为特点的用电模式分类和控制方法,其特征在于:所述步骤2)中的2C步骤具体包括如下步骤:
2.C1对聚类数进行第一次聚类,即系统聚类:对于给该聚类数C使用七种不同方法的系统聚类,得到每种方法下的聚类树及聚类中心;
2.C2通过最优系统聚类法得出下一步的模糊C聚类的聚类树及聚类中心:通过cophenetic相关系数的比较这七种方法下聚类效果的好坏,选取聚类效果最好即cophenetic相关系数最大的方法得到的聚类树和聚类中心,提供下一步的模糊C聚类的聚类树及聚类中心;
2.C3对聚类数进行特殊元素的提取:先提取并置空特殊类别的元素数据,然后对剩余的元素采用模糊C均值法进行第二次聚类分析,得到第二次聚类分析结果;
2.C4对第二次聚类分析后的结果加上特殊元素提取的结构一起返回第A.2步,计算完所有的聚类数后,比较各个聚类数下模糊C均值法的有效性分析结果,选择聚类效果最好的类别数作为最终确定的聚类数Ca。
3.根据权利要求2所述的基于用户行为特点的用电模式分类和控制方法,其特征在于:所述步骤2B中数据的预处理具体包括以下几个步骤:
2B.1首先对读取的数据进行非正常负荷数据的识别与处理,具体包括数据的横向识别与纵向识别:
① 横向识别:认为短时间内数据横向相似,即样本日与附近同类日曲线相似,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
首先利用横向识别中式
计算序列的均值与方差,判断是否有非正常数据,当均值过大或过小时说明该日数据不正常,当方差过大说明该日数据非正常,
再利用式 进行原理的非正常数判断,其中为阈值,通常取1~1.5,如果式满足,则即为非正常数据;
利用式对非正常数据进行修正,其中、、为自定义权值且 ,为第n天第i点修正数据;为附近两个横向负荷点,为距离最近的两个相似日负荷点;
②纵向识别:认为短时间内数据纵向相似,即相隔15min的连续3个数据相对稳定,没有突变,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
首先利用式 将某负荷点附近连续5个数据平均化,形成平滑后的负荷序列;
再判断原始数据与平滑后数据的误差是否满足式, 为原该点数据与平滑后该点数据差的绝对值;如满足,则负荷点为非正常数据,为阈值,通常取0.08~0.15;其中
若负荷点为非正常数据,则利用式 修正, 其中,,,分别为第n-1和n+1天的最后和最前的两个负荷点,且、为自定义权值且;
2B.2其次包括负荷数据加权处理:由于部分地区实行峰谷平分时电价政策,峰谷分时电价的峰、谷时段电价价差一般在2-5倍之间,所以需要对负荷数据加权处理,设定负荷曲线高峰时段各点的权值为3,即认为工作时段的权重较高,而夜间休息时段的权重较低,有利于使分类结果更能说明目标问题。
4.根据权利要求3所述的基于用户行为特点的用电模式分类和控制方法,其特征在于:对上述步骤2B.2加权处理后的负荷数据处理后进行第一次聚类分析:具体的,第一次聚类分析采用基于类平均法的系统聚类法对每日的负荷进行分类:用G来表示类,假定G中有m个元素,用列向量来表示,表示元素与间距离,表示类与类之间的距离;
若定义类与类之间的平方距离等于其负荷数据对之间平方距离的平均值;则和之间的平方距离可表示为:
式中:为类的元素个数;为类的元素个数;
推广后的类间平方距离的递推公式为:
式中:为类的元素个数;为类的元素个数;为类的元素个数;为可变系数。
5.根据权利要求4所述的基于用户行为特点的用电模式分类和控制方法,其特征在于:所述步骤2C.3中模糊C均值法具体为:模糊C均值法的定义为把聚类归结成一个带约束的非线性规划问题,通过优化求解获得数据集的模糊划分和聚类:模糊C均值法通过迭代调整(U,P)使得目标函数J最小;其中,U=[μik]c×n为隶属度矩阵,P=[pi](i=1,2,…,c),表示第i类的代表聚类中心矩阵,是类内加权平方误差和的目标函数;dik表示样本xk与第i类聚类中心pi之间的失真度;
可描述为:
式中:m称为加权指数;为子集的特征函数,有;表示第i类的聚类中心矩阵,。
6.根据权利要求5所述的基于用户行为特点的用电模式分类和控制方法,其特征在于:所述步骤2D中聚类结果的有效性验证具体如下:
模糊划分系数是指n个可能性分布描述因子的平均值,定义为:
可能性划分系数对于给定的聚类数c和隶属度矩阵U,定义为:
聚类有效性函数对给定的聚类数c和隶属度矩阵U,定义为:
所以对于的“最优”的有限集合,若存在满足
则以为“最优”的有效性聚类,其中,式中取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410288990.3A CN104200275B (zh) | 2014-06-24 | 2014-06-24 | 基于用户行为特点的用电模式分类和控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410288990.3A CN104200275B (zh) | 2014-06-24 | 2014-06-24 | 基于用户行为特点的用电模式分类和控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200275A CN104200275A (zh) | 2014-12-10 |
CN104200275B true CN104200275B (zh) | 2015-05-27 |
Family
ID=52085564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410288990.3A Active CN104200275B (zh) | 2014-06-24 | 2014-06-24 | 基于用户行为特点的用电模式分类和控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200275B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989420B (zh) * | 2015-02-12 | 2020-07-17 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
CN104680261A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 |
CN104850612B (zh) * | 2015-05-13 | 2020-08-04 | 中国电力科学研究院 | 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法 |
CN104809255A (zh) * | 2015-05-21 | 2015-07-29 | 国家电网公司 | 一种负荷形态获取方法和系统 |
CN106372739B (zh) * | 2015-07-24 | 2021-04-16 | 中国电力科学研究院 | 一种基于需求响应基线的需求响应效果评估方法 |
CN106410781B (zh) * | 2015-07-29 | 2018-11-13 | 中国电力科学研究院 | 一种电力用户需求响应潜力确定方法 |
CN105184455A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种面向城市电力数据分析的高维可视化分析方法 |
CN105184479A (zh) * | 2015-09-01 | 2015-12-23 | 广州地理研究所 | 基于智能水表的城市居民用水行为分类方法 |
CN106056271B (zh) * | 2016-05-17 | 2020-04-28 | 珠海许继芝电网自动化有限公司 | 一种用户群用电负荷响应的智能控制方法 |
CN107403247A (zh) * | 2016-05-18 | 2017-11-28 | 中国电力科学研究院 | 基于自适应寻找聚类核心算法的负荷分类聚合分析方法 |
CN106570581B (zh) * | 2016-10-26 | 2019-06-28 | 东北电力大学 | 能源互联网环境下基于属性关联的负荷预测系统及其方法 |
CN107274025B (zh) * | 2017-06-21 | 2020-09-11 | 国网山东省电力公司诸城市供电公司 | 一种实现用电模式智能识别与管理的系统和方法 |
CN107679105B (zh) * | 2017-09-13 | 2018-07-17 | 国网信通亿力科技有限责任公司 | 一种基于向量相似度的用户信息检索方法 |
CN107800140B (zh) * | 2017-10-18 | 2021-08-13 | 天津大学 | 一种考虑负荷特征的大用户供电接入决策方法 |
CN108428055B (zh) * | 2018-03-12 | 2021-11-23 | 华南理工大学 | 一种考虑负荷纵向特性的负荷聚类方法 |
CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及系统 |
CN109034940A (zh) * | 2018-06-13 | 2018-12-18 | 南京国电南自电网自动化有限公司 | 一种基于监督式学习的自适应竞价预测方法 |
CN109636101A (zh) * | 2018-11-02 | 2019-04-16 | 国网辽宁省电力有限公司朝阳供电公司 | 基于大数据的开放售电环境下大用户用电行为分析方法 |
CN109766907A (zh) * | 2018-11-23 | 2019-05-17 | 国网江苏省电力有限公司电力科学研究院 | 一种支持模式周期自发现的行业用电模式提取方法 |
CN109784632B (zh) * | 2018-12-13 | 2020-07-31 | 东南大学 | 一种工商业用户的中断响应特性挖掘方法 |
CN109726862A (zh) * | 2018-12-24 | 2019-05-07 | 深圳供电局有限公司 | 一种用户日电量模式预测方法 |
CN109933605A (zh) * | 2019-03-08 | 2019-06-25 | 广东电网有限责任公司 | 电费差错排查方法、装置以及电子设备 |
CN110070048B (zh) * | 2019-04-23 | 2020-11-10 | 山东建筑大学 | 基于双次K-means聚类的设备类型识别方法及系统 |
CN111144440A (zh) * | 2019-11-28 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种专变用户日电力负荷特征的分析方法及装置 |
CN111126499A (zh) * | 2019-12-25 | 2020-05-08 | 国网河北省电力有限公司 | 一种基于二次聚类的用电行为模式分类方法 |
CN111242433B (zh) * | 2020-01-02 | 2022-07-22 | 深圳供电局有限公司 | 电力数据识别方法、装置、计算机设备和存储介质 |
CN111967723B (zh) * | 2020-07-24 | 2022-05-20 | 南昌大学 | 一种基于数据挖掘的用户调峰潜力分析方法 |
CN113360652B (zh) * | 2021-06-07 | 2024-03-01 | 深圳供电局有限公司 | 一种企业级电力用户智能分类方法及装置 |
CN113673168B (zh) * | 2021-08-27 | 2024-05-31 | 广东电网有限责任公司广州供电局 | 模型参数修正方法、装置、设备及可读存储介质 |
CN115630772B (zh) * | 2022-12-19 | 2023-05-09 | 国网浙江省电力有限公司宁波供电公司 | 综合能源检测配电方法、系统、设备及存储介质 |
CN116231707B (zh) * | 2023-02-10 | 2024-01-30 | 广州汇锦能效科技有限公司 | 一种家用光伏及储能智慧能源系统 |
CN116109121B (zh) * | 2023-04-17 | 2023-06-30 | 西昌学院 | 基于大数据分析的用户需求挖掘方法及系统 |
CN116956075B (zh) * | 2023-09-18 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 电力用户侧类型自动识别方法、系统、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401239B (zh) * | 2013-08-07 | 2015-09-30 | 国家电网公司 | 电力需求侧参与缓解配电线路过载的方法 |
CN103761568A (zh) * | 2014-01-23 | 2014-04-30 | 国家电网公司 | 基于som神经网络聚类算法的日负荷特征曲线提取方法 |
CN103793788B (zh) * | 2014-01-27 | 2017-03-01 | 国家电网公司 | 一种有序用电管理方法 |
-
2014
- 2014-06-24 CN CN201410288990.3A patent/CN104200275B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104200275A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200275B (zh) | 基于用户行为特点的用电模式分类和控制方法 | |
Amjadi et al. | Estimation of electricity demand of Iran using two heuristic algorithms | |
Rajabi et al. | A pattern recognition methodology for analyzing residential customers load data and targeting demand response applications | |
Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
CN107423769A (zh) | 基于形态特征的电力负荷曲线自适应聚类方法 | |
Zhu et al. | A coordinated optimization framework for long-term complementary operation of a large-scale hydro-photovoltaic hybrid system: Nonlinear modeling, multi-objective optimization and robust decision-making | |
CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
CN108183488B (zh) | 基于集群划分的高渗透率分布式能源系统智能调压方法 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
Wan et al. | Data-driven hierarchical optimal allocation of battery energy storage system | |
CN104598985A (zh) | 电力负荷预测方法 | |
CN103473393A (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN106777005A (zh) | 基于大数据技术改进聚类算法的用户用电行为分析方法 | |
Tang et al. | Multi-stage sizing approach for development of utility-scale BESS considering dynamic growth of distributed photovoltaic connection | |
Li et al. | Short term prediction of photovoltaic power based on FCM and CG-DBN combination | |
Zhang et al. | Application of decision trees to the determination of the year-end level of a carryover storage reservoir based on the iterative dichotomizer 3 | |
Zhu et al. | Stochastic economic dispatching strategy of the active distribution network based on comprehensive typical scenario set | |
Qi et al. | Load pattern recognition method based on fuzzy clustering and decision tree | |
CN105653670A (zh) | 一种基于流形学习聚类算法的智能用电数据挖掘方法 | |
Grigoras et al. | Processing of smart meters data for peak load estimation of consumers | |
CN107276093A (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
WO2023179076A1 (zh) | 基于混合整数规划的针对工业设施的负荷分解方法和装置 | |
CN106384307A (zh) | 一种县域配电网规划差异化评估方法 | |
Khan et al. | Short term load forecasting using SVM based PUK kernel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |