CN105260798A - 一种多维负荷特性分析的大数据挖掘器 - Google Patents

Abstract

本发明涉及一种多维负荷特性分析的大数据挖掘器，包括：所述电力用户用电行为模式分析模块分别连接所述负荷特性指标分析模块、用电行为模式的影响因素和影响机理分析模块和负荷曲线异常诊断模块，所述用电行为模式的影响因素和影响机理分析模块分别连接所述电力用户需求响应基线计算模块和需求响应潜力分析模块，所述电力用户需求响应基线计算模块连接所述电力用户需求响应效果评估模块，所述负荷曲线异常诊断模块连接所述突发事件负荷预测模块，本发明提供一种多维负荷特性分析的大数据挖掘器，对大数据环境下电力用户的负荷特性进行了深入挖掘，为双向互动需求响应技术提供了科学理论支持，充分发挥了其运行效率。

Description

一种多维负荷特性分析的大数据挖掘器

技术领域

本发明涉及电力系统及其自动化技术领域，具体涉及一种多维负荷特性分析的大数据挖掘器。

背景技术

负荷特性分析是智能电网研究的基础，传统的电力系统用电特性分析方法主要有两类：一是按影响因素分析，即在其余变量保持不变的前提下逐个提取因变量，定性或者定量描述其对自变量的影响程度，但对象都是区域电网，远远不及电力供应侧的研究精度和深度，无法适应推行智能需求侧管理的需要；二是按行业分类分析，即先对各行业或者细化到某类型用户的用电特性进行分析，定性或者定量得到各类型用户对区域电网用电特性的影响。但是其精确度不高，并且很难根据分析结果进行负荷预测。

总体而言现有负荷特性分析技术数据利用率低，分析结果粗糙，精度不高，且无法深入到用户层面，不利于需求响应策略制定的精细化。

大数据技术的迅速发展给也负荷分析工作带来了更多的机遇和挑战。研究大数据环境下，负荷特性分析的新思路、新方法具有重要意义。

发明内容

针对现有技术的不足，本发明提供一种多维负荷特性分析的大数据挖掘器，对大数据环境下电力用户的负荷特性进行了深入挖掘，为双向互动需求响应技术提供了科学理论支持，充分发挥了其运行效率。

本发明的目的是采用下述技术方案实现的：

一种多维负荷特性分析的大数据挖掘器，其改进之处在于，所述大数据挖掘器包括：

电力用户用电行为模式分析模块、负荷特性指标分析模块、用电行为模式的影响因素和影响机理分析模块、负荷曲线异常诊断模块、电力用户需求响应基线计算模块、电力用户需求响应效果评估模块、需求响应潜力分析模块、突发事件负荷预测模块；

所述电力用户用电行为模式分析模块分别连接所述负荷特性指标分析模块、用电行为模式的影响因素和影响机理分析模块和负荷曲线异常诊断模块，所述用电行为模式的影响因素和影响机理分析模块分别连接所述电力用户需求响应基线计算模块和需求响应潜力分析模块，所述电力用户需求响应基线计算模块连接所述电力用户需求响应效果评估模块，所述负荷曲线异常诊断模块连接所述突发事件负荷预测模块。

优选的，所述电力用户用电行为模式分析模块，用于采用聚类分析方法对电力用户的日负荷曲线进行分类，每一类对应一种用电模式，并使用类的聚类中心表征该类对应用电模式的负荷；所述负荷特性指标分析模块，用于根据所述用电模式的负荷确定所述用电模式的负荷特性指标；所述用电行为模式的影响因素和影响机理分析模块，用于根据所述用电模式的负荷提取所述用电模式的影响因素及影响因素对应的特征量；所述负荷曲线异常诊断模块，用于根据所述用电模式的负荷获取所述电力用户的日负荷曲线的奇异点及产生所述奇异点的原因；所述电力用户需求响应基线计算模块，用于预测电力用户需求响应基线值；所述电力用户需求响应效果评估模块，用于确定所述电力用户参与需求响应后实际负荷的削减量；所述需求响应潜力分析模块，用于利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心C_s；所述突发事件负荷预测模块，用于根据所述奇异点的原因预测奇异点对应的社会事件下的负荷。

进一步的，所述电力用户用电行为模式分析模块采用最短距离法对日负荷数据进行系统聚类，获取初始聚类中心c，所述最短距离法的类间距离公式为：

D_KL＝min{d_ij:p_i∈G_k,p_j∈G_L}(1)

式(1)中，p_i为类G_k中元素，对应第i日用户的负荷数据序列，p_j为类G_L中元素，对应第j日用户的负荷数据序列，D_KL为类G_k与类G_L之间的距离，d_ij为元素p_i与元素p_j之间的距离，公式为：

$d_{ij}=\left|\right|p_i-p_j\left|\right|={\[\underset{t=1}{\overset{96}{\Σ}}{(p_{i,t}-p_{j,t})}^2\]}^{1/2}---\left(2\right)$

式(2)中，p_i,t为用户第i日t时刻的负荷值，p_j,t为用户第j日t时刻的负荷值；

采用模糊C均值聚类法进行第二次聚类，包括：

计算元素p_j关于第i类初始聚类中心c_i的隶属度u_ij，公式为：

$u_{ij}=\frac{1}{\underset{k=1}{\overset{m}{\Σ}}{\left(\frac{{d_{ij}}^{\′}}{{d_{kj}}^{\′}}\right)}^{2/(q-1)}}---\left(3\right)$

式(3)中，u_ij介于0至1之间，m为初始聚类中心个数，q为加权指数，q∈[1,∞)，d_ij′为p_j与第i类初始聚类中心c_i之间的距离，公式为：

${d_{ij}}^{\′}=\left|\right|c_i-p_j\left|\right|={\[\underset{t=1}{\overset{96}{\Σ}}{(c_{it}-p_{j,t})}^2\]}^{1/2}---\left(4\right)$

式(4)中，p_j,t为用户第j日t时刻的负荷值，c_it为第i类初始聚类中心c_i中第t个数据点；

计算价值函数J(U,c₁,c₂,……,c_m)，公式为：

$J(U,c_1,c_2,\mathrm{......},c_m)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q{d_{ij}}^{\′2}---\left(5\right)$

式(5)中，U为隶属矩阵，n为聚类中心中元素个数；价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B，则停止迭代；

更新所述初始聚类中心c，其中，新的聚类中心C_i公式为：

$C_i=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q{p}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q}---\left(6\right)$

上述公式中，m为初始聚类中心个数，n为聚类中心中元素个数。

进一步的，所述用电行为模式的影响因素和影响机理分析模块构建观测样本矩阵X：

式(7)中，m为观测日总数，n为待分析因素总数，x_ij为第i个观测日在第j个待分析影响因素上的观测值；

对所述观测样本矩阵中元素x_ij进行标准化变换，公式为：

$x_{ij}^{\′}=\frac{x_{ij}-\stackrel{-}{x_j}}{\sqrt{\frac{1}{m-1}\underset{i=1}{\overset{m}{\Σ}}{(x_{ij}-\stackrel{-}{x_j})}^2}}---\left(8\right)$

式(8)中，x′_ij为第i个观测日在第j个待分析影响因素上经标准化变换后的观测值，为观测日在第j个待分析影响因素上的平均值，公式为：

$\stackrel{-}{x_j}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}---\left(9\right)$

构建观测样本矩阵X的相关矩阵R，其中，所述矩阵R中元素r_jg的公式为：

$r_{jg}=\frac{1}{m-1}\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}^{\′}{x}_{ig}^{\′}---\left(10\right)$

式(10)中，x′_ij为第i个观测日在第j个待分析影响因素上经标准化变换后的观测值，x′_ig为第i个观测日在第g个待分析影响因素上经标准化变换后的观测值；

根据所述相关矩阵R的特征方程|λI-R|＝0，获取所述相关矩阵R的第j个待分析因素的特征量λ_j，其中，I为所述相关矩阵R的单位矩阵，0＜j＜n，n为待分析因素总数；

将所述相关矩阵R的待分析因素的特征量从大到小进行排序，提取前p个且满足公式(11)的所述相关矩阵R的待分析因素的特征量，公式(11)为：

$\frac{\underset{j=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_j}{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j}\≥0.85---\left(11\right)$

式(11)中，p为提取所述相关矩阵R的待分析因素的特征量的总数；

上述公式中，m为观测日总数。

进一步的，所述负荷曲线异常诊断模块获取用户t时刻的平均负荷值公式为：

${\stackrel{\‾}{p}}_t=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{p}_{i,t},t=1,2,\mathrm{......},96---\left(12\right)$

式(12)中，n为观测日总数，t为每日观测时间点数，p_i,t为电力用户第i日t时刻的负荷；

获取电力用户t时刻的负荷的方差公式为：

${\mathrm{\σ}}_t^2=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(p_{i,t}-{\stackrel{\‾}{p}}_t)}^2---\left(13\right)$

若电力用户第i日t时刻的负荷p_i,t满足则所述电力用户第i日t时刻的负荷p_i,t为电力用户的日负荷曲线的奇异点，其中，ε为阈值，取1-1.5，为用户t时刻的平均负荷值；

获取电力用户的日负荷曲线的奇异点对应的社会事件，确定电力用户的日负荷曲线的奇异点对应的社会事件的奇异程度β，公式为：

${\mathrm{\β}}_k=\frac{1}{N_k}\underset{h=1}{\overset{N_k}{\Σ}}{\mathrm{\Δsump}}_{k,h}---\left(14\right)$

式(14)中，β_k为第k类社会事件的负荷奇异程度，N_k为第k类社会事件的奇异点的日负荷曲线样本总数，Δsump_k,h为第k类社会事件的日负荷曲线h中t时刻的奇异点与第k类社会事件的日负荷曲线h对应的相似日的日负荷曲线中t时刻的正常值距离之和，公式为：

${\mathrm{\Δsump}}_{k,h}=\mathrm{\Σ}\frac{|p_{h,t}-\stackrel{-}{p_{h,t}}|}{\stackrel{-}{p_{h,t}}},if|p_{h,t}-\stackrel{-}{p_{h,t}}|>3{\mathrm{\σ}}_t\mathrm{\ϵ}---\left(15\right)$

式(15)中，p_h,t第k类社会事件的日负荷曲线h中t时刻的奇异点负荷数据，为第k类社会事件的日负荷曲线h对应的相似日日负荷曲线中t时刻的正常值；

上述公式中，n为观测日总数。

进一步的，所述电力用户需求响应基线计算模块获取w个电力用户非需求响应日的特征量序列x_i＝{x_i(1),x_i(2),x_i(3),……,x_i(p)}，i＝1,2,……,w，x_i(p)为电力用户非需求响应日i的第p个特征量；

获取电力用户需求响应日的特征量序列y＝{y(1),y(2),y(3),……,y(p)}，y(p)为电力用户需求响应日第p个特征量；

确定电力用户非需求响应日的特征量序列与电力用户需求响应日的特征量序列的关联系数，公式为：

${\mathrm{\ξ}}_i\left(h\right)=\frac{\underset{i}{\min }\underset{h}{\min }|y\left(h\right)-x_i\left(h\right)|+0.5\underset{i}{\max }\underset{h}{\max }|y\left(h\right)-x_i\left(h\right)|}{|y\left(h\right)-x_i\left(h\right)|+0.5\underset{i}{\max }\underset{h}{\max }|y\left(h\right)-x_i\left(h\right)|}---\left(16\right)$

式(16)中，ξ_i(h)为电力用户需求响应日第h个特征量与电力用户非需求响应日i的第h个特征量的关联系数，h＝1,2,……,p；

确定所述电力用户需求响应日的特征量序列与所述电力用户非需求响应日的特征量序列的关联度，公式为：

${\mathrm{\γ}}_i=\frac{1}{p}\underset{h=1}{\overset{p}{\Σ}}{\mathrm{\ξ}}_i\left(h\right)---\left(17\right)$

式(17)中，γ_i为电力用户需求响应日的特征量序列与电力用户非需求响应日的特征量序列x_i的关联度，即电力用户需求响应日的特征量序列与电力用户非需求响应日的特征量序列x_i的相似度，选择γ_i＞0.9对应的电力用户非需求响应日作为相似日；

根据相似日负荷预测需求响应日的基线负荷P_basic(t)，公式为：

$P_{basic}\left(t\right)=\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_k{P}_{simi,k}\left(t\right)---\left(18\right)$

式(18)中，P_simi,k(t)为用户第k个相似日的96点实际负荷，t＝1,2,……96，N为提取的相似日总数，k＝1,2,……N，ω_k为第k个相似日的加权系数，公式为：

${\mathrm{\ω}}_k=\frac{{\mathrm{\γ}}_k}{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_i}---\left(19\right)$

式(19)中，γ_k为第k个相似日的特征量序列与所述电力用户需求响应日的特征量序列的关联度。

进一步的，所述电力用户需求响应效果评估模块确定所述电力用户参与需求响应后实际负荷的削减量P_DR(t)，公式为：

P_DR(t)＝P_basic(t)-P_real(t)(20)

式(20)中，P_basic(t)为电力用户需求响应日的基线负荷，P_real(t)为电力用户实施需求响应后的96点实际负荷，t＝1,2,……96。

进一步的，所述需求响应潜力分析模块根据预测日的用户特征量测量值形成预测元祖X＝{x₁,x₂,……,x_l}，根据观测日的用户特征量测量值形成|D|个训练元祖，训练元组和相关联的类标号形成训练集D；

计算第j类聚类中心C_j先验概率P(C_j)，j＝1,2,……m，若类的先验概率未知，则假定P(C₁)＝P(C₂)＝……＝P(C_m)，否则：

P(C_j)＝|C_j,D|/|D|(21)

式(21)中，|C_j,D|为D中C_j类的训练元组数，|D|为D中训练元祖数；

假定属性值有条件地相互独立，即在属性间不存在依赖关系，计算发生C_j类情况时发生X的概率P(X|C_j)，公式为：

$P\left(X\right|C_j)=\underset{k=1}{\overset{l}{\Π}}P\left(x_k\right|C_j)=P\left(x_1\right|C_j)\×P\left(x_2\right|C_j)\×\mathrm{......}\×P\left(x_l\right|C_j)---\left(22\right)$

式(22)中，x_k为元组X第k个属性的值，若x_k为分类属性，则P(x_k|C_j)为D中第k个属性的值为x_k的C_j类的元组数除以D中C_j类的元组数；若x_k为连续值属性，则P(x_k|C_j)为：

$P\left(x_k\right|C_j)=g(x_k,{\mathrm{\μ}}_{C_j},{\mathrm{\σ}}_{C_j})=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{C_j}}{e}^{-\frac{{(x_k-{\mathrm{\μ}}_{C_j})}^2}{2{{\mathrm{\σ}}_{C_j}}^2}}---\left(23\right)$

式(23)中，和分别为C_j类训练元组第k个属性的值的均值和标准差；

根据贝叶斯定理计算发生X情况时发生C_j的概率P(C_j|X)，公式为：

$P\left(C_j\right|X)=\frac{P\left(X\right|C_j)P\left(C_j\right)}{P\left(X\right)}---\left(24\right)$

式(24)中，P(X)为发生X的概率，若类的先验概率未知，则使P(X|C_j)最大的类为所述预测日用户行为模式的聚类中心C_s，否则使P(X|C_j)P(C_j)最大的类为所述预测日用户行为模式的聚类中心C_s；

计算用户预测日的需求响应潜力，包括：

获取最小负荷用电模式的用户负荷P_min(t)，公式为：

$\begin{array}{cc}{P}_{\min }\left(t\right)=C_g& if\underset{t=1}{\overset{96}{\Σ}}{C}_{g,t}=min\underset{t=1}{\overset{96}{\Σ}}{C}_{k,t},k=1,2,\mathrm{......}m\end{array}---\left(25\right)$

式(25)中，C_g为第g类聚类中心，C_g,t为第g类聚类中心第t个数据点；

用户预测日的需求响应力R(t)为：

R(t)＝C_s(t)-P_min(t)(26)

式(26)中，C_s(t)表示t时段预测日用户行为模式的聚类中心。

进一步的，所述突发事件负荷预测模块根据所述奇异点的原因预测奇异点对应的社会事件下的负荷，公式为：

${p_{k,h}}^{\′}={\mathrm{\β}}_k\·\stackrel{-}{p_{k,h}}---\left(27\right)$

式(27)中，β_k为第k类社会事件的负荷奇异程度，为第k类社会事件的日负荷曲线h对应的相似日日负荷曲线中t时刻的正常值，p_k,h'为第k类社会事件的日负荷曲线h中t时刻的预测值。

本发明的有益效果：

与现有技术相比，本发明提供一种多维负荷特性分析的大数据挖掘器，能够对电力用户的负荷特性进行全面深入的分析，解决了传统负荷特性分析数据利用率低，分析结果粗糙，精度不高，且无法深入到用户层面，不利于需求响应策略制定的精细化的缺点，为需求响应运行提供科学理论支持。

附图说明

图1是本发明一种多维负荷特性分析的大数据挖掘器的结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作详细说明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供的一种多维负荷特性分析的大数据挖掘器，如图1所示，所述大数据挖掘器包括：

电力用户用电行为模式分析模块、负荷特性指标分析模块、用电行为模式的影响因素和影响机理分析模块、负荷曲线异常诊断模块、电力用户需求响应基线计算模块、电力用户需求响应效果评估模块、需求响应潜力分析模块、突发事件负荷预测模块；

其中，电力用户用电行为模式分析模块、负荷特性指标分析模块、用电行为模式的影响因素和影响机理分析模块和负荷曲线异常诊断模块为基础分析模块，电力用户需求响应基线计算模块、电力用户需求响应效果评估模块、需求响应潜力分析模块和突发事件负荷预测模块为高级应用分析模块；

所述电力用户用电行为模式分析模块分别连接所述负荷特性指标分析模块、用电行为模式的影响因素和影响机理分析模块和负荷曲线异常诊断模块，所述用电行为模式的影响因素和影响机理分析模块分别连接所述电力用户需求响应基线计算模块和需求响应潜力分析模块，所述电力用户需求响应基线计算模块连接所述电力用户需求响应效果评估模块，所述负荷曲线异常诊断模块连接所述突发事件负荷预测模块。

具体的，所述电力用户用电行为模式分析模块，用于采用聚类分析方法对电力用户的日负荷曲线进行分类，每一类对应一种用电模式，并使用类的聚类中心表征该类对应用电模式的负荷包括：

采用最短距离法对日负荷数据进行系统聚类，获取初始聚类中心c，所述最短距离法的类间距离公式为：

D_KL＝min{d_ij:p_i∈G_k,p_j∈G_L}(1)

式(1)中，p_i为类G_k中元素，对应第i日用户的负荷数据序列，p_j为类G_L中元素，对应第j日用户的负荷数据序列，D_KL为类G_k与类G_L之间的距离，d_ij为元素p_i与元素p_j之间的距离，公式为：

$h_{ij}=\left|\right|p_i-p_j\left|\right|={\[\underset{t=1}{\overset{96}{\Σ}}{(p_{i,t}-p_{j,t})}^2\]}^{1/2}---\left(2\right)$

式(2)中，p_i,t为用户第i日t时刻的负荷值，p_j,t为用户第j日t时刻的负荷值；

采用模糊C均值聚类法进行第二次聚类，包括：

计算元素p_j关于第i类初始聚类中心c_i的隶属度u_ij，公式为：

$u_{ij}=\frac{1}{\underset{k=1}{\overset{m}{\Σ}}{\left(\frac{{d_{ij}}^{\′}}{{d_{kj}}^{\′}}\right)}^{2/(q-1)}}---\left(3\right)$

式(3)中，u_ij介于0至1之间，m为初始聚类中心个数，q为加权指数，q∈[1,∞)，d_ij′为p_j与第i类初始聚类中心c_i之间的距离，公式为：

${d_{ij}}^{\′}=\left|\right|c_i-p_j\left|\right|={\[\underset{t=1}{\overset{96}{\Σ}}{(c_{it}-p_{j,t})}^2\]}^{1/2}---\left(4\right)$

式(4)中，p_j,t为用户第j日t时刻的负荷值，c_it为第i类初始聚类中心c_i中第t个数据点；

计算价值函数J(U,c₁,c₂,……,c_m)，公式为：

$J(U,c_1,c_2,\mathrm{......},c_m)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q{d_{ij}}^{\′2}---\left(5\right)$

式(5)中，U为隶属矩阵，n为聚类中心中元素个数；价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B，则停止迭代；

更新所述初始聚类中心c，其中，新的聚类中心C_i公式为：

$C_i=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q{p}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q}---\left(6\right)$

上述公式中，m为初始聚类中心个数，n为聚类中心中元素个数。

所述负荷特性指标分析模块，用于根据所述用电模式的负荷确定所述用电模式的负荷特性指标；

其中，所述用电模式的负荷特性指标包括：传统负荷特性指标和新型负荷特性指标；

传统负荷特性指标包括：

a.描述类(绝对量)：日最大/小负荷、日平均负荷、日峰谷差；

b.比较类(相对量)：日峰谷差率、日负荷率、日最小负荷率；

c.曲线类：日负荷曲线。

新型负荷特性指标包括：

a.负荷重要性类别：对工商业用户内部设备按安全保障负荷、主要生产性负荷、辅助生产负荷和非生产性负荷分成A、B、C、D四个等级；

b.负荷可调能力：包括技术可调性和经济可调性，技术可调性是指负荷的直接或间接控制是否可以通过智能电网技术实现，经济可调性是指在技术可调且补偿有限的前提下，考虑负荷调整所带来的收益是否可以弥补损失；

c.响应时间：终端设备对电网调度的响应时间，主要为控制信号的传输时间和智能负荷控制程序的启动时间；

d.可削减/可中断的持续时间：终端设备提供需求响应的过程中，在满足如用户舒适度等人为约束的基础上，可以持续提供需求响应资源的时间，如空调负荷参加直接负荷控制项目，在满足室温要求基础上可以持续关闭的时间；

e.负荷可调整时段：终端设备开启并正常运行，且用户有意愿参与需求响应的时段，如夏季高温时段用户空调负荷正常运行且用户签订了合同参与直接负荷控制项目；

f.爬坡速率：单位时间终端用电设备能够增加或削减的功率。

所述用电行为模式的影响因素和影响机理分析模块，用于根据所述用电模式的负荷提取所述用电模式的影响因素及影响因素对应的特征量包括：

构建观测样本矩阵X：

式(7)中，m为观测日总数，n为待分析因素总数，x_ij为第i个观测日在第j个待分析影响因素上的观测值；

对所述观测样本矩阵中元素x_ij进行标准化变换，公式为：

$x_{ij}^{\′}=\frac{x_{ij}-\stackrel{-}{x_j}}{\sqrt{\frac{1}{m-1}\underset{i=1}{\overset{m}{\Σ}}{(x_{ij}-\stackrel{-}{x_j})}^2}}---\left(8\right)$

式(8)中，x′_ij为第i个观测日在第j个待分析影响因素上经标准化变换后的观测值，x_j为观测日在第j个待分析影响因素上的平均值，公式为：

$\stackrel{-}{x_j}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}---\left(9\right)$

构建观测样本矩阵X的相关矩阵R，其中，所述矩阵R中元素r_jg的公式为：

$r_{jg}=\frac{1}{m-1}\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}^{\′}{x}_{ig}^{\′}---\left(10\right)$

式(10)中，x′_ij为第i个观测日在第j个待分析影响因素上经标准化变换后的观测值，x′_ig为第i个观测日在第g个待分析影响因素上经标准化变换后的观测值；

根据所述相关矩阵R的特征方程|λI-R|＝0，获取所述相关矩阵R的第j个待分析因素的特征量λ_j，其中，I为所述相关矩阵R的单位矩阵，0＜j＜n，n为待分析因素总数；

将所述相关矩阵R的待分析因素的特征量从大到小进行排序，提取前p个且满足公式(11)的所述相关矩阵R的待分析因素的特征量，公式(11)为：

$\frac{\underset{j=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_j}{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j}\≥0.85---\left(11\right)$

式(11)中，p为提取所述相关矩阵R的待分析因素的特征量的总数；

上述公式中，m为观测日总数。

所述负荷曲线异常诊断模块，用于根据所述用电模式的负荷获取所述电力用户的日负荷曲线的奇异点及产生所述奇异点的原因包括：

获取用户t时刻的平均负荷值公式为：

${\stackrel{\‾}{p}}_t=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{p}_{i,t},t=1,2,\mathrm{......},96---\left(12\right)$

式(12)中，n为观测日总数，t为每日观测时间点数，p_i,t为电力用户第i日t时刻的负荷；

获取电力用户t时刻的负荷的方差公式为：

${\mathrm{\σ}}_t^2=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(p_{i,t}-{\stackrel{\‾}{p}}_t)}^2---\left(13\right)$

若电力用户第i日t时刻的负荷p_i,t满足则所述电力用户第i日t时刻的负荷p_i,t为电力用户的日负荷曲线的奇异点，其中，ε为阈值，取1-1.5，为用户t时刻的平均负荷值；

获取电力用户的日负荷曲线的奇异点对应的社会事件，确定电力用户的日负荷曲线的奇异点对应的社会事件的奇异程度β，公式为：

${\mathrm{\β}}_k=\frac{1}{N_k}\underset{h=1}{\overset{N_k}{\Σ}}{\mathrm{\Δsump}}_{k,h}---\left(14\right)$

式(14)中，β_k为第k类社会事件的负荷奇异程度，N_k为第k类社会事件的奇异点的日负荷曲线样本总数，Δsump_k,h为第k类社会事件的日负荷曲线h中t时刻的奇异点与第k类社会事件的日负荷曲线h对应的相似日的日负荷曲线中t时刻的正常值距离之和，公式为：

${\mathrm{\Δsump}}_{k,h}=\mathrm{\Σ}\frac{|p_{h,t}-\stackrel{-}{p_{h,t}}|}{\stackrel{-}{p_{h,t}}},if|p_{h,t}-\stackrel{-}{p_{h,t}}|>3{\mathrm{\σ}}_t\mathrm{\ϵ}---\left(15\right)$

式(15)中，p_h,t第k类社会事件的日负荷曲线h中t时刻的奇异点负荷数据，为第k类社会事件的日负荷曲线h对应的相似日日负荷曲线中t时刻的正常值；

上述公式中，n为观测日总数。

所述电力用户需求响应基线计算模块，用于预测电力用户需求响应基线值包括：

获取w个电力用户非需求响应日的特征量序列x_i＝{x_i(1),x_i(2),x_i(3),……,x_i(p)}，i＝1,2,……,w，x_i(p)为电力用户非需求响应日i的第p个特征量；

获取电力用户需求响应日的特征量序列y＝{y(1),y(2),y(3),……,y(p)}，y(p)为电力用户需求响应日第p个特征量；

确定电力用户非需求响应日的特征量序列与电力用户需求响应日的特征量序列的关联系数，公式为：

${\mathrm{\ξ}}_i\left(h\right)=\frac{\underset{i}{\min }\underset{h}{\min }|y\left(h\right)-x_i\left(h\right)|+0.5\underset{i}{\max }\underset{h}{\max }|y\left(h\right)-x_i\left(h\right)|}{|y\left(h\right)-x_i\left(h\right)|+0.5\underset{i}{\max }\underset{h}{\max }|y\left(h\right)-x_i\left(h\right)|}---\left(16\right)$

式(16)中，ξ_i(h)为电力用户需求响应日第h个特征量与电力用户非需求响应日i的第h个特征量的关联系数，h＝1,2,……,p；

确定所述电力用户需求响应日的特征量序列与所述电力用户非需求响应日的特征量序列的关联度，公式为：

${\mathrm{\γ}}_i=\frac{1}{p}\underset{h=1}{\overset{p}{\Σ}}{\mathrm{\ξ}}_i\left(h\right)---\left(17\right)$

式(17)中，γ_i为电力用户需求响应日的特征量序列与电力用户非需求响应日的特征量序列x_i的关联度，即电力用户需求响应日的特征量序列与电力用户非需求响应日的特征量序列x_i的相似度，选择γ_i＞0.9对应的电力用户非需求响应日作为相似日；

根据相似日负荷预测需求响应日的基线负荷P_basic(t)，公式为：

$P_{basic}\left(t\right)=\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_k{P}_{simi,k}\left(t\right)---\left(18\right)$

式(18)中，P_simi,k(t)为用户第k个相似日的96点实际负荷，t＝1,2,……96，N为提取的相似日总数，k＝1,2,……N，ω_k为第k个相似日的加权系数，公式为：

${\mathrm{\ω}}_k=\frac{{\mathrm{\γ}}_k}{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_i}---\left(19\right)$

式(19)中，γ_k为第k个相似日的特征量序列与所述电力用户需求响应日的特征量序列的关联度。

所述电力用户需求响应效果评估模块，用于确定所述电力用户参与需求响应后实际负荷的削减量包括：

确定所述电力用户参与需求响应后实际负荷的削减量P_DR(t)，公式为：

P_DR(t)＝P_basic(t)-P_real(t)(20)

式(20)中，P_basic(t)为电力用户需求响应日的基线负荷，P_real(t)为电力用户实施需求响应后的96点实际负荷，t＝1,2,……96。

所述需求响应潜力分析模块，用于利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心C_s包括：

根据预测日的用户特征量测量值形成预测元祖X＝{x₁,x₂,……,x_l}，根据观测日的用户特征量测量值形成|D|个训练元祖，训练元组和相关联的类标号形成训练集D；

计算第j类聚类中心C_j先验概率P(C_j)，j＝1,2,……m，若类的先验概率未知，则假定P(C₁)＝P(C₂)＝……＝P(C_m)，否则：

P(C_j)＝|C_j,D|/|D|(21)

式(21)中，|C_j,D|为D中C_j类的训练元组数，|D|为D中训练元祖数；

假定属性值有条件地相互独立，即在属性间不存在依赖关系，计算发生C_j类情况时发生X的概率P(X|C_j)，公式为：

$P\left(X\right|C_j)=\underset{k=1}{\overset{l}{\Π}}P\left(x_k\right|C_j)=P\left(x_1\right|C_j)\×P\left(x_2\right|C_j)\×\mathrm{......}\×P\left(x_l\right|C_j)---\left(22\right)$

式(22)中，x_k为元组X第k个属性的值，若x_k为分类属性，则P(x_k|C_j)为D中第k个属性的值为x_k的C_j类的元组数除以D中C_j类的元组数；若x_k为连续值属性，则P(x_k|C_j)为：

$P\left(x_k\right|C_j)=g(x_k,{\mathrm{\μ}}_{C_j},{\mathrm{\σ}}_{C_j})=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{C_j}}{e}^{-\frac{{(x_k-{\mathrm{\μ}}_{C_j})}^2}{2{{\mathrm{\σ}}_{C_j}}^2}}---\left(23\right)$

式(23)中，和分别为C_j类训练元组第k个属性的值的均值和标准差；

根据贝叶斯定理计算发生X情况时发生C_j的概率P(C_j|X)，公式为：

$P\left(C_j\right|X)=\frac{P\left(X\right|C_j)P\left(C_j\right)}{P\left(X\right)}---\left(24\right)$

式(24)中，P(X)为发生X的概率，若类的先验概率未知，则使P(X|C_j)最大的类为所述预测日用户行为模式的聚类中心C_s，否则使P(X|C_j)P(C_j)最大的类为所述预测日用户行为模式的聚类中心C_s；

计算用户预测日的需求响应潜力，包括：

获取最小负荷用电模式的用户负荷P_min(t)，公式为：

$\begin{array}{cc}{P}_{\min }\left(t\right)=C_g& if\underset{t=1}{\overset{96}{\Σ}}{C}_{g,t}=min\underset{t=1}{\overset{96}{\Σ}}{C}_{k,t},k=1,2,\mathrm{......}m\end{array}---\left(25\right)$

式(25)中，C_g为第g类聚类中心，C_g,t为第g类聚类中心第t个数据点；

用户预测日的需求响应力R(t)为：

R(t)＝C_s(t)-P_min(t)(26)

式(26)中，C_s(t)表示t时段预测日用户行为模式的聚类中心。

所述突发事件负荷预测模块，用于根据所述奇异点的原因预测奇异点对应的社会事件下的负荷包括：

根据所述奇异点的原因预测奇异点对应的社会事件下的负荷，公式为：

${p_{k,h}}^{\′}={\mathrm{\β}}_k\·\stackrel{-}{p_{k,h}}---\left(27\right)$

式(27)中，β_k为第k类社会事件的负荷奇异程度，为第k类社会事件的日负荷曲线h对应的相似日日负荷曲线中t时刻的正常值，p_k,h'为第k类社会事件的日负荷曲线h中t时刻的预测值。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种多维负荷特性分析的大数据挖掘器，其特征在于，所述大数据挖掘器包括：

电力用户用电行为模式分析模块、负荷特性指标分析模块、用电行为模式的影响因素和影响机理分析模块、负荷曲线异常诊断模块、电力用户需求响应基线计算模块、电力用户需求响应效果评估模块、需求响应潜力分析模块、突发事件负荷预测模块；

所述电力用户用电行为模式分析模块分别连接所述负荷特性指标分析模块、用电行为模式的影响因素和影响机理分析模块和负荷曲线异常诊断模块，所述用电行为模式的影响因素和影响机理分析模块分别连接所述电力用户需求响应基线计算模块和需求响应潜力分析模块，所述电力用户需求响应基线计算模块连接所述电力用户需求响应效果评估模块，所述负荷曲线异常诊断模块连接所述突发事件负荷预测模块。

2.如权利要求1所述的大数据挖掘器，其特征在于，所述电力用户用电行为模式分析模块，用于采用聚类分析方法对电力用户的日负荷曲线进行分类，每一类对应一种用电模式，并使用类的聚类中心表征该类对应用电模式的负荷；所述负荷特性指标分析模块，用于根据所述用电模式的负荷确定所述用电模式的负荷特性指标；所述用电行为模式的影响因素和影响机理分析模块，用于根据所述用电模式的负荷提取所述用电模式的影响因素及影响因素对应的特征量；所述负荷曲线异常诊断模块，用于根据所述用电模式的负荷获取所述电力用户的日负荷曲线的奇异点及产生所述奇异点的原因；所述电力用户需求响应基线计算模块，用于预测电力用户需求响应基线值；所述电力用户需求响应效果评估模块，用于确定所述电力用户参与需求响应后实际负荷的削减量；所述需求响应潜力分析模块，用于利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心C_s；所述突发事件负荷预测模块，用于根据所述奇异点的原因预测奇异点对应的社会事件下的负荷。

3.如权利要求2所述的大数据挖掘器，其特征在于，所述电力用户用电行为模式分析模块采用最短距离法对日负荷数据进行系统聚类，获取初始聚类中心c，所述最短距离法的类间距离公式为：

D_KL＝min{d_ij:p_i∈G_k,p_j∈G_L}(1)

式(1)中，p_i为类G_k中元素，对应第i日用户的负荷数据序列，p_j为类G_L中元素，对应第j日用户的负荷数据序列，D_KL为类G_k与类G_L之间的距离，d_ij为元素p_i与元素p_j之间的距离，公式为：

$d_{ij}=\left|\right|p_i-p_j\left|\right|={\[\underset{t=1}{\overset{96}{\Σ}}{(p_{i,t}-p_{j,t})}^2\]}^{1/2}---\left(2\right)$

式(2)中，p_i,t为用户第i日t时刻的负荷值，p_j,t为用户第j日t时刻的负荷值；

采用模糊C均值聚类法进行第二次聚类，包括：

计算元素p_j关于第i类初始聚类中心c_i的隶属度u_ij，公式为：

$u_{ij}=\frac{1}{\underset{k=1}{\overset{m}{\Σ}}{\left(\frac{{d_{ij}}^{\′}}{{d_{kj}}^{\′}}\right)}^{2/(q-1)}}---\left(3\right)$

式(3)中，u_ij介于0至1之间，m为初始聚类中心个数，q为加权指数，q∈[1,∞)，d_ij′为p_j与第i类初始聚类中心c_i之间的距离，公式为：

${d_{ij}}^{\′}=\left|\right|c_i-p_j\left|\right|={\[\underset{t=1}{\overset{96}{\Σ}}{(c_{it}-p_{j,t})}^2\]}^{1/2}---\left(4\right)$

式(4)中，p_j,t为用户第j日t时刻的负荷值，c_it为第i类初始聚类中心c_i中第t个数据点；

计算价值函数J(U,c₁,c₂,……,c_m)，公式为：

$J(U,c_1,c_2,......,c_m)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q{d_{ij}}^{\′2}---\left(5\right)$

式(5)中，U为隶属矩阵，n为聚类中心中元素个数；价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B，则停止迭代；

更新所述初始聚类中心c，其中，新的聚类中心C_i公式为：

$C_i=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q{p}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^q}---\left(6\right)$

上述公式中，m为初始聚类中心个数，n为聚类中心中元素个数。

4.如权利要求2所述的大数据挖掘器，其特征在于，所述用电行为模式的影响因素和影响机理分析模块构建观测样本矩阵X：

式(7)中，m为观测日总数，n为待分析因素总数，x_ij为第i个观测日在第j个待分析影响因素上的观测值；

对所述观测样本矩阵中元素x_ij进行标准化变换，公式为：

$x_{ij}^{\′}=\frac{x_{ij}-\stackrel{-}{x_j}}{\sqrt{\frac{1}{m-1}\underset{i=1}{\overset{m}{\Σ}}{(x_{ij}-\stackrel{-}{x_j})}^2}}---\left(8\right)$

式(8)中，x′_ij为第i个观测日在第j个待分析影响因素上经标准化变换后的观测值，为观测日在第j个待分析影响因素上的平均值，公式为：

$\stackrel{-}{x_j}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}---\left(9\right)$

构建观测样本矩阵X的相关矩阵R，其中，所述矩阵R中元素r_jg的公式为：

$r_{jg}=\frac{1}{m-1}\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}^{\′}{x}_{ig}^{\′}---\left(10\right)$

式(10)中，x′_ij为第i个观测日在第j个待分析影响因素上经标准化变换后的观测值，x′_ig为第i个观测日在第g个待分析影响因素上经标准化变换后的观测值；

根据所述相关矩阵R的特征方程|λI-R|＝0，获取所述相关矩阵R的第j个待分析因素的特征量λ_j，其中，I为所述相关矩阵R的单位矩阵，0＜j＜n，n为待分析因素总数；

将所述相关矩阵R的待分析因素的特征量从大到小进行排序，提取前p个且满足公式(11)的所述相关矩阵R的待分析因素的特征量，公式(11)为：

$\frac{\underset{j=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_j}{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j}\≥0.85---\left(11\right)$

式(11)中，p为提取所述相关矩阵R的待分析因素的特征量的总数；

上述公式中，m为观测日总数。

5.如权利要求2所述的大数据挖掘器，其特征在于，所述负荷曲线异常诊断模块获取用户t时刻的平均负荷值公式为：

$\stackrel{-}{p_t}\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{p}_{i,t},t=1,2,......,96---\left(12\right)$

式(12)中，n为观测日总数，t为每日观测时间点数，p_i,t为电力用户第i日t时刻的负荷；

获取电力用户t时刻的负荷的方差公式为：

${\mathrm{\σ}}_t^2=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(p_{i,t}-\stackrel{-}{p_t})}^2---\left(13\right)$

若电力用户第i日t时刻的负荷p_i,t满足则所述电力用户第i日t时刻的负荷p_i,t为电力用户的日负荷曲线的奇异点，其中，ε为阈值，取1-1.5，为用户t时刻的平均负荷值；

获取电力用户的日负荷曲线的奇异点对应的社会事件，确定电力用户的日负荷曲线的奇异点对应的社会事件的奇异程度β，公式为：

${\mathrm{\β}}_k=\frac{1}{N_k}\underset{h=1}{\overset{N_k}{\Σ}}{\mathrm{\Δsump}}_{k,h}---\left(14\right)$

式(14)中，β_k为第k类社会事件的负荷奇异程度，N_k为第k类社会事件的奇异点的日负荷曲线样本总数，Δsump_k,h为第k类社会事件的日负荷曲线h中t时刻的奇异点与第k类社会事件的日负荷曲线h对应的相似日的日负荷曲线中t时刻的正常值距离之和，公式为：

${\mathrm{\Δsump}}_{k,h}=\mathrm{\Σ}\frac{|p_{h,t}-\stackrel{-}{p_{h,t}}|}{\stackrel{-}{p_{h,t}}},if|p_{h,t}-\stackrel{-}{p_{h,t}}|>3{\mathrm{\σ}}_t\mathrm{\ϵ}---\left(15\right)$

式(15)中，p_h,t第k类社会事件的日负荷曲线h中t时刻的奇异点负荷数据，为第k类社会事件的日负荷曲线h对应的相似日日负荷曲线中t时刻的正常值；

上述公式中，n为观测日总数。

6.如权利要求2所述的大数据挖掘器，其特征在于，所述电力用户需求响应基线计算模块获取w个电力用户非需求响应日的特征量序列x_i＝{x_i(1),x_i(2),x_i(3),……,x_i(p)}，i＝1,2,……,w，x_i(p)为电力用户非需求响应日i的第p个特征量；

获取电力用户需求响应日的特征量序列y＝{y(1),y(2),y(3),……,y(p)}，y(p)为电力用户需求响应日第p个特征量；

确定电力用户非需求响应日的特征量序列与电力用户需求响应日的特征量序列的关联系数，公式为：

${\mathrm{\ξ}}_i\left(h\right)=\frac{\underset{i}{min}\underset{h}{min}|y\left(h\right)-x_i\left(h\right)|+0.5\underset{i}{min}\underset{h}{min}|y\left(h\right)-x_i\left(h\right)|}{|y\left(h\right)-x_i\left(h\right)|+0.5\underset{i}{\max }\underset{h}{\max }|y\left(h\right)-x_i\left(h\right)|}---\left(16\right)$

式(16)中，ξ_i(h)为电力用户需求响应日第h个特征量与电力用户非需求响应日i的第h个特征量的关联系数，h＝1,2,……,p；

确定所述电力用户需求响应日的特征量序列与所述电力用户非需求响应日的特征量序列的关联度，公式为：

${\mathrm{\γ}}_i=\frac{1}{p}\underset{h=1}{\overset{p}{\Σ}}{\mathrm{\ξ}}_i\left(h\right)---\left(17\right)$

式(17)中，γ_i为电力用户需求响应日的特征量序列与电力用户非需求响应日的特征量序列x_i的关联度，即电力用户需求响应日的特征量序列与电力用户非需求响应日的特征量序列x_i的相似度，选择γ_i＞0.9对应的电力用户非需求响应日作为相似日；

根据相似日负荷预测需求响应日的基线负荷P_basic(t)，公式为：

$P_{basic}\left(t\right)=\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_k{P}_{simi,k}\left(t\right)---\left(18\right)$

式(18)中，P_simi,k(t)为用户第k个相似日的96点实际负荷，t＝1,2,……96，N为提取的相似日总数，k＝1,2,……N，ω_k为第k个相似日的加权系数，公式为：

${\mathrm{\ω}}_k=\frac{{\mathrm{\γ}}_k}{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_i}---\left(19\right)$

式(19)中，γ_k为第k个相似日的特征量序列与所述电力用户需求响应日的特征量序列的关联度。

7.如权利要求2所述的大数据挖掘器，其特征在于，所述电力用户需求响应效果评估模块确定所述电力用户参与需求响应后实际负荷的削减量P_DR(t)，公式为：

P_DR(t)＝P_basic(t)-P_real(t)(20)

式(20)中，P_basic(t)为电力用户需求响应日的基线负荷，P_real(t)为电力用户实施需求响应后的96点实际负荷，t＝1,2,……96。

8.如权利要求2所述的大数据挖掘器，其特征在于，所述需求响应潜力分析模块根据预测日的用户特征量测量值形成预测元祖X＝{x₁,x₂,……,x_l}，根据观测日的用户特征量测量值形成|D|个训练元祖，训练元组和相关联的类标号形成训练集D；

计算第j类聚类中心C_j先验概率P(C_j)，j＝1,2,……m，若类的先验概率未知，则假定P(C₁)＝P(C₂)＝……＝P(C_m)，否则：

P(C_j)＝|C_j,D|/|D|(21)

式(21)中，|C_j,D|为D中C_j类的训练元组数，|D|为D中训练元祖数；

假定属性值有条件地相互独立，即在属性间不存在依赖关系，计算发生C_j类情况时发生X的概率P(X|C_j)，公式为：

$P\left(X\right|C_j)=\underset{k=1}{\overset{l}{\Π}}P\left(x_k\right|C_j)=P\left(x_1\right|C_j)\×P\left(x_2\right|C_j)\×......\×P\left(x_l\right|C_j)---\left(22\right)$

式(22)中，x_k为元组X第k个属性的值，若x_k为分类属性，则P(x_k|C_j)为D中第k个属性的值为x_k的C_j类的元组数除以D中C_j类的元组数；若x_k为连续值属性，则P(x_k|C_j)为：

$P\left(x_k\right|C_j)=g(x_k,{\mathrm{\μ}}_{C_j},{\mathrm{\σ}}_{C_j})=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{C_j}}{e}^{-\frac{{(x_k-{\mathrm{\μ}}_{C_j})}^2}{2{{\mathrm{\σ}}_{C_j}}^2}}---\left(23\right)$

式(23)中，和分别为C_j类训练元组第k个属性的值的均值和标准差；

根据贝叶斯定理计算发生X情况时发生C_j的概率P(C_j|X)，公式为：

$P\left(C_j\right|X)=\frac{P\left(X\right|C_j)P\left(C_j\right)}{P\left(X\right)}---\left(24\right)$

式(24)中，P(X)为发生X的概率，若类的先验概率未知，则使P(X|C_j)最大的类为所述预测日用户行为模式的聚类中心C_s，否则使P(X|C_j)P(C_j)最大的类为所述预测日用户行为模式的聚类中心C_s；

计算用户预测日的需求响应潜力，包括：

获取最小负荷用电模式的用户负荷P_min(t)，公式为：

$P_{min}\left(t\right)=C_{g}if\underset{t=1}{\overset{96}{\Σ}}{C}_{g,t}=min\underset{t=1}{\overset{96}{\Σ}}{C}_{k,t},k=1,2,......m---\left(25\right)$

式(25)中，C_g为第g类聚类中心，C_g,t为第g类聚类中心第t个数据点；

用户预测日的需求响应力R(t)为：

R(t)＝C_s(t)-P_min(t)(26)

式(26)中，C_s(t)表示t时段预测日用户行为模式的聚类中心。

9.如权利要求2所述的大数据挖掘器，其特征在于，所述突发事件负荷预测模块根据所述奇异点的原因预测奇异点对应的社会事件下的负荷，公式为：

${p_{k,h}}^{\′}={\mathrm{\β}}_k\·\stackrel{-}{p_{k,h}}---\left(27\right)$

式(27)中，β_k为第k类社会事件的负荷奇异程度，为第k类社会事件的日负荷曲线h对应的相似日日负荷曲线中t时刻的正常值，p_k,h'为第k类社会事件的日负荷曲线h中t时刻的预测值。