CN104318316A - 一种用户用电实时测量方法 - Google Patents

一种用户用电实时测量方法 Download PDF

Info

Publication number
CN104318316A
CN104318316A CN201410528151.4A CN201410528151A CN104318316A CN 104318316 A CN104318316 A CN 104318316A CN 201410528151 A CN201410528151 A CN 201410528151A CN 104318316 A CN104318316 A CN 104318316A
Authority
CN
China
Prior art keywords
electricity consumption
probability
consumption data
data
real
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.)
Pending
Application number
CN201410528151.4A
Other languages
English (en)
Inventor
魏庆来
刘禹
石光
刘德荣
卜丽
关强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201410528151.4A priority Critical patent/CN104318316A/zh
Publication of CN104318316A publication Critical patent/CN104318316A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种用户用电实时测量方法，其包括步骤S1：对采集用户的用电实时数据进行预处理，获得完整的用电数据；步骤S2：对完整的用电数据参数进行初始化，获得计算所需的初始化聚类类别数、概率上界参数、概率下界参数；步骤S3：采用K-均值聚类算法对用电数据的初始化聚类类别数、概率上界参数、概率下界参数进行聚类，获取不同类别的用电数据；步骤S4：对不同类别的用电数据进行统计计算，得到并对各用电类别的均值及概率处理与计算，获得剔除低概率类、保留高概率类符合实际用户用电的实时预测结果。

Description

一种用户用电实时测量方法
技术领域
本发明属于用电建模技术领域，具体涉及一种基于统计聚类的用电实时测量方法。
背景技术
作为国民经济和人民生活不可缺少的能源，电能广泛应用于工业、农业、企事业单位以及人们的日常生活中。然而，我们在享受着电能带给我们便利和光明的同时，也在时刻浪费着电能。很多用户为了节约生产成本，往往采用的是高能耗低效率的用电设备，这些设备因为设计的缺陷都存在严重浪费电能的情况。另外，在人们的日常学习生活中，很多的家电设备以及我们的生活习惯也都在浪费着电能。在经济可持续发展的今天，电能的浪费将带来一系列的能源损耗及环保问题。因此，有必要对用户用电进行实时预测，获取用户用电的行为模式，为进一步研究探讨用电的节能措施，从而实现我国电力行业的节能环保以及可持续发展提供参考。
发明内容
(一)要解决的技术问题
本发明所要解决的技术问题是基于从用户采集的用电实时数据，利用K-均值聚类算法以及概率统计方法构建用电模型，实现用电的准确实时测量。
(二)技术方案
本发明提出了一种基于统计聚类的用户用电实时测量方法，其包括步骤如下：
步骤S1：对采集用户的用电实时数据进行预处理，获得完整的用电数据；
步骤S2：对完整的用电数据参数进行初始化，获得计算所需的初始化聚类类别数、概率上界参数、概率下界参数；
步骤S3：采用K-均值聚类算法对用电数据的初始化聚类类别数、概率上界参数、概率下界参数进行聚类，获取不同类别的用电数据；
步骤S4：对不同类别的用电数据进行统计计算，得到并对各用电类别的均值及概率处理与计算，获得剔除低概率类、保留高概率类符合实际用户用电的实时预测结果。
(三)有益效果
本发明基于从用户采集的用电实时数据，采用K-均值聚类算法以及概率统计方法建立用电模型，实现用电的实时测量，所得测量结果表明，与简单取平均值的方法相比较，采用统计聚类方法获得的预测结果可以更加合理地反映用户的实际用电行为，具有较强的实际意义，具有较强的实时性和准确性，为进一步的节能优化奠定基础。
附图说明
图1是本发明中基于统计聚类的用户用电实时测量方法的流程图；
图2是本发明中K-均值聚类算法的流程图；
图3是本发明中房间一天内插座用电的预测结果实施例。
具体实施方式
为了更清楚地说明本发明的目的、技术方案和优点，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
图1示出发明提出的一种基于统计聚类的用电实时测量方法流程图，下面分别介绍基于统计聚类的办公用电实时测量方法的各个步骤如下：
步骤S1数据预处理：对从用户采集的办公用电实时数据进行预处理，所述预处理是包括数据筛选、剔除、补充的操作，用以改善数据质量，从而获得完整的用电数据，为方法的顺利运行提供数据基础。
本发明的基于统计聚类的办公用电实时预测方法从用户现场采集的办公用电数据，办公用电实时数据类型包括照明用电数据、插座用电数据以及空调用电数据，均为常见的办公用电类型并可完整代表办公用电。
在获取原始数据的基础上，根据一定的预测区间对原始数据进行筛选，获取该预测区间内各用电类型的用电数据。在此基础上，遍历全部数据，剔除其中的多余数据并补充缺失数据，从而改善数据质量，获取完整的整时用电数据，为接下来的数据计算提供完整而准确的数据。
步骤S2：对完整的用电数据参数参数进行初始化，获得计算所需的聚类类别数、概率上界参数、概率下界参数。
在该步骤中，根据用户的实际情况，经过不断测试和调整，最终确定数据计算所需的相关参数，包括聚类类别数、概率上界、概率下界等，满足不同的实际需求。
步骤S3数据聚类：采用K-均值聚类方法对用电数据的初始化聚类类别数、概率上界参数、概率下界参数进行聚类，获取不同类别的用电数据。图2示出本发明中K-均值聚类算法的流程图，在该步骤中，以获取的不同类型的用电数据作为样本，结合步骤S2中所定义的聚类类别数，对数据样本进行聚类，将数据分成若干类别。
其中，K-均值算法是典型的基于原型的目标函数聚类方法，以用电数据的数据点到K均值聚类算法中的聚类中心的样本x到第j个聚类中心的欧氏距离作为优化目标函数，利用函数求极值的方法对优化目标函数进行迭代运算调整，获得优化目标函数最小函数值；获得优化目标函数最小函数值流程如下：
步骤S31：初始化不同类别用电数据聚类样本及聚类数目K。
步骤S32：为每个用电数据聚类确定一个初始用电数据聚类中心，得到K个初始用电数据聚类中心；
选取K个初始聚类中心zj(k)＝[z1(1)，z2(1)，…，zK(1)]，其中zj(k)表示第k次迭代运算中第j类的聚类中心，k＝1，.2，...，为迭代运算的顺序号；j＝1，2，...，K为寻找聚类中心数量的顺序号。聚类中心的向量值可任意设定，例如可以选择开始的K个模式样本的向量值作为初始聚类中心。
步骤S33：将用电数据样本集中的用电数据样本按照最小距离分配到最邻近用电数据聚类；
逐个将需分类的聚类样本x按最小距离准则分配给K个聚类中心中的某一个聚类中心zj(1)。
设i＝j时，需分类的聚类样本x到第j个聚类中心的距离Dj(k)表示如下：Dj(k)＝min{||x-zi(k)||，i＝1，2，…，K}，则x∈Sj(k)，第一次迭代k＝1，其中第j个聚类Sj(k)的聚类中心为zj。
步骤S34：使用每个用电数据聚类中的用电数据样本均值作为新的用电数据聚类中心；
计算各个聚类中心的新的向量值为zj(k+1)，计算各聚类域中所包含样本的均值向量：
z j ( k + 1 ) = 1 N j Σ x ∈ S j ( k ) x
其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚类中心，可使如下优化的目标函数即聚类准则函数Jj最小：
J j = Σ z ∈ S j ( k ) | | x - z j ( k + 1 ) | | 2
在这一步中要分别计算K个聚类中的样本均值向量，所以称之为K-均值算法。
步骤S35：判新的用电数据断聚类中心是否变化，如果新的用电数据聚类中心变化，则返回步骤S33：如果新的用电数据聚类中心不变化，则得到优化目标函数最小函数值的K个聚类结果。
判断聚类中心是否变化，若zj(k+1)≠zj(k)，则返回步骤S3，将模式样本逐个重新分类，重复迭代运算；若zj(k+1)＝zj(k)，则算法收敛，计算结束，得到K个聚类结果。
步骤S4：对不同类别的用电数据统计计算，基于上述对不同类别的用电数据进行统计计算，得到并对各用电类别的均值及概率处理与计算，最终获得剔除低概率类、保留高概率类符合实际的办公用电的实时预测结果。
所述统计计算的具体步骤如下：
步骤S41：根据步骤S2初始化的参数，设定概率下界Pmin和概率上界Pmax；
步骤S42：剔除概率低于概率下界Pmin的类别，并重新计算各类别的概率；
步骤S43：判断是否存在某一类别的概率高于概率上界Pmax，如果存在某一类别的概率高于概率上界Pmax，则以该类别的均值作为预测值；如果存在某一类别的概率没有高于概率上界Pmax，则转到步骤S44；
步骤S44：取概率处于概率下界Pmin和概率上界Pmax之间的类别，计算各类别均值的加权平均作为最终的预测值。
下面给出本发明的一个实例：
以某处2014年3月总计21个工作日每天10～11时插座用电数据作为预测样本，经步骤S1预处理后数据汇总如下表所示：
步骤S2参数初始化，定义聚类类别数为3，概率上界为0.7，概率下界为0.3。
步骤S3数据聚类，采用K-均值聚类方法将用电数据聚类，获得聚类结果如下：
步骤S4统计计算的实例如下：
步骤1.根据步骤S2初始化的参数，设定概率下界Pmin＝0.3，概率上界Pmax＝0.7；
步骤2.剔除概率低于Pmin的类III，重新计算各类概率如下：
均值 数目 概率
类I 0.43 8 0.47
类II 0.51 9 0.53
步骤3.不存在某一类别的概率高于Pmax，故转到步骤4；
步骤4.计算类I和类II的加权平均作为最终的预测值，即预测值0.43×0.47+0.51×0.53＝0.47。
以相同的方法处理其他各时刻的数据，最终获得该房间一天内插座用电的预测结果如附图3所示，图中横坐标表示一天各小时，纵坐标表示插座用电量，各数据点表示该时刻插座用电量的预测结果。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用户用电实时测量方法，其包括步骤如下：
步骤S1：对采集用户的用电实时数据进行预处理，获得完整的用电数据；
步骤S2：对完整的用电数据参数进行初始化，获得计算所需的初始化聚类类别数、概率上界参数、概率下界参数；
步骤S3：采用K-均值聚类算法对用电数据的初始化聚类类别数、概率上界参数、概率下界参数进行聚类，获取不同类别的用电数据；
步骤S4：对不同类别的用电数据进行统计计算，得到并对各用电类别的均值及概率处理与计算，获得剔除低概率类、保留高概率类符合实际用户用电的实时预测结果。
2.如权利要求1所述的用户用电实时测量方法，其特征在于，所述预处理是对用电实时数据进行筛选、剔除、补充的操作，用以改善数据质量，获取完整的用电数据。
3.如权利要求1所述的用户用电实时测量方法，其特征在于，所述用电实时数据为照明用电数据、插座用电数据以及空调用电数据。
4.如权利要求1所述的用户用电实时测量方法，其特征在于，根据用户的实际用电情况对所述聚类类别数、概率上界、概率下界参数的大小进行调整，以满足用电的实际需求。
5.如权利要求1所述的用户用电实时测量方法，其特征在于，所述K-均值聚类算法是典型的基于原型的目标函数聚类算法，所述典型的基于原型的目标函数聚类算法是以用电数据的数据点到K均值聚类算法中的聚类中心的样本x到第j个聚类中心的欧氏距离作为优化目标函数，利用函数求极值算法对优化目标函数进行迭代运算调整，获得优化目标函数最小函数值。
6.如权利要求5所述的用户用电实时测量方法，其特征在于，获得优化目标函数最小函数值的步骤如下：
步骤S31：初始化不同类别用电数据的聚类样本及聚类数目K；
步骤S32：为每个用电数据聚类确定一个初始用电数据聚类中心，得到K个初始用电数据聚类中心；
步骤S33：将用电数据样本集中的用电数据样本按照最小距离分配到最邻近用电数据聚类；
步骤S34：使用每个用电数据聚类中的用电数据样本均值作为新的用电数据聚类中心；
步骤S35：判断新的用电数据聚类中心是否变化，如果新的用电数据聚类中心变化，则返回步骤S33；如新的用电数据聚类中心不变化，则得到优化目标函数最小函数值的用电数据的K个聚类结果。
7.如权利要求1所述的用户用电实时测量方法，其特征在于，所述统计计算的具体步骤如下：
步骤S41：根据初始化参数，设定概率下界Pmin和概率上界Pmax；
步骤S42：剔除概率低于概率下界Pmin的类别，并重新计算各类别的概率；
步骤S43：判断是否存在某一类别的概率高于概率上界Pmax，如果存在某一类别的概率高于概率上界Pmax，则以该类别的均值作为预测值，如果存在某一类别的概率没有高于概率上界Pmax，则转到步骤S44；
步骤S44：取概率处于概率下界Pmin和概率上界Pmax之间的类别，计算各类别均值的加权平均作为预测值。
CN201410528151.4A 2014-10-09 2014-10-09 一种用户用电实时测量方法 Pending CN104318316A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410528151.4A CN104318316A (zh) 2014-10-09 2014-10-09 一种用户用电实时测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410528151.4A CN104318316A (zh) 2014-10-09 2014-10-09 一种用户用电实时测量方法

Publications (1)

Publication Number Publication Date
CN104318316A true CN104318316A (zh) 2015-01-28

Family

ID=52373544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410528151.4A Pending CN104318316A (zh) 2014-10-09 2014-10-09 一种用户用电实时测量方法

Country Status (1)

Country Link
CN (1) CN104318316A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022578A (zh) * 2016-05-12 2016-10-12 国网天津市电力公司 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法
CN106682079A (zh) * 2016-11-21 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于聚类分析的用户用电行为检测方法
CN107748940A (zh) * 2017-11-16 2018-03-02 国网上海市电力公司 一种节电潜力量化预测方法
CN110796159A (zh) * 2019-09-12 2020-02-14 国网浙江省电力有限公司杭州供电公司 基于k-means算法的电力数据分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100677706B1 (ko) * 2005-01-25 2007-02-02 한국전기연구원 인터넷을 통한 전력 수요관리 평가 시스템
CN102999791A (zh) * 2012-11-23 2013-03-27 广东电网公司电力科学研究院 一种电力行业中基于客户分群的电力负荷预测方法
CN103235981A (zh) * 2013-04-10 2013-08-07 东南大学 一种风电电能质量趋势预测方法
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN103729689A (zh) * 2013-12-20 2014-04-16 华南理工大学 一种基于行业分类与主导行业数据的电网电量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100677706B1 (ko) * 2005-01-25 2007-02-02 한국전기연구원 인터넷을 통한 전력 수요관리 평가 시스템
CN102999791A (zh) * 2012-11-23 2013-03-27 广东电网公司电力科学研究院 一种电力行业中基于客户分群的电力负荷预测方法
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN103235981A (zh) * 2013-04-10 2013-08-07 东南大学 一种风电电能质量趋势预测方法
CN103729689A (zh) * 2013-12-20 2014-04-16 华南理工大学 一种基于行业分类与主导行业数据的电网电量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯晓蒲等: ""基于实际负荷曲线的电力用户分类技术研究"", 《电力科学与工程》 *
白雪峰等: ""基于改进 K-means聚类算法的负荷建模及应用"", 《电力自动化设备》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022578A (zh) * 2016-05-12 2016-10-12 国网天津市电力公司 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法
CN106682079A (zh) * 2016-11-21 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于聚类分析的用户用电行为检测方法
CN106682079B (zh) * 2016-11-21 2020-06-05 云南电网有限责任公司电力科学研究院 一种基于聚类分析的用户用电行为检测方法
CN107748940A (zh) * 2017-11-16 2018-03-02 国网上海市电力公司 一种节电潜力量化预测方法
CN107748940B (zh) * 2017-11-16 2021-10-12 国网上海市电力公司 一种节电潜力量化预测方法
CN110796159A (zh) * 2019-09-12 2020-02-14 国网浙江省电力有限公司杭州供电公司 基于k-means算法的电力数据分类方法及系统

Similar Documents

Publication Publication Date Title
CN103559655B (zh) 基于数据挖掘的微网新型馈线负荷的预测方法
Yan et al. A simplified prediction model for energy use of air conditioner in residential buildings based on monitoring data from the cloud platform
CN107578288B (zh) 一种考虑用户用电模式差异的非侵入式负荷分解方法
CN105373971A (zh) 基于大数据的建筑能效管理的方法
CN109117872A (zh) 一种基于自动最优聚类算法的用户用电行为分析方法
CN104318316A (zh) 一种用户用电实时测量方法
CN105868887A (zh) 一种基于分项计量的楼宇综合能效分析方法
CN104268402A (zh) 一种基于模糊c均值的电力系统负荷聚类方法
CN112711616A (zh) 一种基于聚类算法的用户用电特性分析方法
CN111242161A (zh) 一种基于智能学习的非侵入式非居民用户负荷辨识方法
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN110060176A (zh) 电力物联网智能配电方法、可读存储介质和终端
CN110334908B (zh) 一种流域水资源的供水发电环境多重风险评估方法和系统
Liu et al. Improvement of the energy evaluation methodology of individual office building with dynamic energy grading system
CN108122173A (zh) 一种基于深度信念网络的多行业负荷预测方法
Chen et al. Spatiotemporal analysis of line loss rate: A case study in China
CN104077489A (zh) 一种能耗设备能效分析方法及其分析系统
CN113112177A (zh) 一种基于混合指标的台区线损处理方法及系统
CN111582588B (zh) 一种基于三重卷积融合gru的建筑物能耗预测方法
CN111723085A (zh) 公共建筑空调用电能耗数据清洗方法及系统
CN103745417A (zh) 一种电网负荷特征曲线分析方法
Liu et al. An Efficient Supervised Energy Disaggregation Scheme for Power Service in Smart Grid.
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
Yu Mining hidden knowledge from measured data for improving building energy performance
CN104574205A (zh) 一种基于状态概率分布的配电网可靠性效益评价方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20150128