CN105701554A - 基于海量计量数据的用电设备能效混沌分析方法 - Google Patents

Abstract

基于海量计量数据的用电设备能效混沌分析方法属于电气工程技术领域，特别涉及一种基于海量计量数据的用电设备能效混沌分析方法。本发明提出一种基于海量计量数据的用电设备能效混沌分析方法，采用先进的计量数据的分析方法与试验检测系统相结合，分析用户用电设备的使用情况与用户用电数据关联关系，进而获得用户的用电习惯以及不同用电设备的负荷特性关系。本发明包括以下步骤：1)采用模糊C均值聚类(FCM)用隶属度确定用户的综合负荷特性属于某个聚类的程度，把n个行业用户x_i(i＝1,2,,,n)分为c个模糊类,并求取每类的聚类中心,使类内加权误差平方和函数达到最小。

Description

基于海量计量数据的用电设备能效混沌分析方法

技术领域

本发明属于电气工程技术领域，特别涉及一种基于海量计量数据的用电设备能效混沌分析方法。

背景技术

目前我国电能结构的特点表现为：高能耗行业比重较高，工业经济对电力、煤炭等能源的依赖性极其突出。就目前国内外形势来看，能源已经成为影响企业发展与规模扩大的关键因素。然而，随着企业的快速发展和规模的不断扩大，能源的需求量不断增加的同时，浪费现象也很严重。同时，我国电力最高负荷普遍持续较快增长，峰谷差增大，高峰时段和电力设备检修季节电力供应紧张，给电网安全运行带来很大威胁，也给电力负荷分析预测、电网规划带来许多困难。现在多是对电网负荷预测的研究，对用电负荷分类的研究相对较少，而用电负荷分类是负荷预测的基础，通过用电负荷特性分析和负荷分类，摸清电网负荷的变化规律并对其进行能效分析是很有必要的，因此，研究准确的合适的用电负荷分类方法具有重要意义。

混沌理论是一种兼具质性思考与量化分析的方法，用以探讨动态系统中无法用单一的数据关系，而必须用整体、连续的数据关系才能加以解释及预测的行为。其具有随机性、敏感性、分维性、普适性、标度律等特性。在用电负荷分类的基础上，结合混沌分析理论,充分挖掘负荷历史数据的本质特征,有效利用信息资源,根据数据本身的客观规律来进行预测,避免人为主观性,从而提高预测精度,在电力负荷预测中取得较好效果。同时电力负荷的准确预测,能够为电网调度部门制定发供电方案、平衡电网供需提供依据,有助于系统运行部门对电能的生产、输送、分配以及消费的准确估计,制定出安全、高效的发电计划。根据负荷预测提供的准确信息,能够实现发电容量的合理调度,经济合理地安排发电机组的启停,为各发电机组的检修提供依据。

电力负荷的预测就是根据电力负荷的历史数据以及当前的负荷值来对其未来的电力负荷的数据进行推算,面对的研宄对象是具有随机性和不确定性的混沌系统。近年来,通过科研人员对其进行深入研究,己经总结出了许多经验及原理,对今后的电力负荷预测工作提供了指导。

了解电力负荷发展变化的规律，提高电力需求预测的准确性，分析出波峰和低谷时段的用电特征，对用电设备的耗电情况应用能效混沌分析方法，提取同类负荷的共同本质特征，对提高用户电能利用率、保证电网安全稳定运行、增强电网综合服务能力有着重要的经济效益和社会效益。

发明内容

本发明提出一种基于海量计量数据的用电设备能效混沌分析方法，采用先进的计量数据的分析方法与试验检测系统相结合，分析用户用电设备的使用情况与用户用电数据关联关系，进而获得用户的用电习惯以及不同用电设备的负荷特性关系，运用模糊聚类方法实现对电力负荷的分类，得到其相应聚类中心矩阵,分析聚类结果和聚类中心矩阵，使电力负荷分类达到最优。

为实现上述目的，本发明采用如下技术方案，本发明包括以下步骤：

1)采用模糊C均值聚类(FCM)用隶属度确定用户的综合负荷特性属于某个聚类的程度，把n个行业用户x_i(i＝1,2,,,n)分为c个模糊类,并求取每类的聚类中心,使类内加权误差平方和函数达到最小；FCM用模糊划分，使得每个给定数据点用值在(0，1)间的隶属度来确定其属于各个组的程度；与引入模糊划分相适应，隶属矩阵U允许有取值在0-1间的元素；归一化规定，一个数据集的隶属度的总和等于1：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(1\right)$

FCM的价值函数(或目标函数)是：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(2\right)$

这里u_ij介于(0，1)间；c_i为模糊组I的聚类中心，d_ij＝||c_i-x_j||为第I个聚类中心与第j个数据点间的欧几里德距离；m∈[1,∞)是加权指数；

构造如下新的目标函数，求得使(2)式达到最小值的必要条件：

$\begin{array}{c}\stackrel{\‾}{J}(U,c_1,...,c_c,{\mathrm{\λ}}_1,...,{\mathrm{\λ}}_n)=J(U,c_1,...,c_c)+{\mathrm{\Σ}}_{j=1}^n{\mathrm{\λ}}_i(\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}-1)\\ =\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j(\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}-1)\end{array}---\left(3\right)$

这里λ_j，j＝1到n，是(1)式的n个约束式的拉格朗日乘子；对所有输入参量求导，使式(2)达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}---\left(4\right)$

和

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{2/(m-1)}}---\left(5\right)$

由上述两个必要条件，模糊c均值聚类算法为迭代过程；

2)采用相空间重构的方法对分类后的电力负荷数据进行建模，通过测量得到采样负荷信号的时间序列矩阵，{X_k}＝{X(kT)}，其中k＝0,K,N，T为采样周期，每个X(kT)为kT时刻实测的m维向量；然后针对X(kT)的第i个分量构造形式上的状态向量 $X_k^i\left(\mathrm{kT}\right)={[X_i\left(\mathrm{kT}\right),X_i(\mathrm{kT}-{\mathrm{\τ}}_i),K,X_i(\mathrm{kT}-(n_i-1){\mathrm{\τ}}_i)]}^T,$ i＝1,...,m；其中τ＝[τ₁τ₂,K,τ_m]^T是未知的延迟时间向量，τ_i是τ的第i个分量(i＝1,...,m)；n＝[n₁n₂，K,n_m]^T，n_i是n的第i个分量，是未知的嵌入维数(i＝1,...,m)；为了确定τ_i和n_i值，从而确定τ和n，首先利用时间序列计算

${\mathrm{\ψ}}_{\mathrm{XX}}^i\left(k^{\text{'}}\right)=E\left\{\right[X_k^i-\stackrel{\‾}{{\{X}_k^i\}}{]}^T[X_{k-k^{\text{'}}}^i-\stackrel{\‾}{{\{X}_{k-k^{\text{'}}}^i\}}]\}---\left(6\right)$

和

${\mathrm{\ψ}}_{{X^{2}X}^2}^i\left(k^{\text{'}}\right)=E\left\{\right[{\left(X_k^i\right)}^2-\stackrel{\‾}{\left\{{\left(X_k^i\right)}^2\right\}}{]}^T[{\left(X_{k-k^{\text{'}}}^i\right)}^2-\stackrel{\‾}{\left\{{\left(X_{k-k^{\text{'}}}^i\right)}^2\right\}}]\}---\left(7\right)$

其中k'<k，k'＝0,1,K，E(g)是期望值，是平均值，是线性相关的函数，是非线性相关的函数；设置分别是和达到第一个最小值的时间，得到如下时间单元：

${\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i=\min \{{\mathrm{\&tau;}}_{\mathrm{iX}},{\mathrm{\&tau;}}_{{\mathrm{iX}}^2}\}---\left(8\right)$

延迟时间常数τ_i选择为

$\mathrm{Int}[{\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i/5]\&le;{\mathrm{\&tau;}}_i\&le;\mathrm{Int}[{\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i/2]+1---\left(9\right)$

其中Int[g]表示实数的整数部分；然后通过采用相关函数来计算吸引子的相关维数：

$C_i\left(l\right)=\frac{1}{N(N-1)}\underset{k,j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{\&theta;}(l-||X_k^i-X_j^i|\left|\right),i=1,K,m---\left(10\right)$

其中l是一个常参数；θ为Heaviside函数；计算得到吸引子的估计维数混沌系统的第i个分量的嵌入维数为

3)重构混沌系统的相空间后，采用神经网络的BP算法，通过模糊双曲正切模型作为混沌系统的全局逼近模型，得到如下映射

X_k→X_k+1＝f(X_k)＝A(t)tanh(LX_k)(11)

系统矩阵A(t)为维数的时变矩阵，依据典型用户不同而定；L为对角矩阵；

基于模型(11)，引入误差反馈控制，建立一个动态控制系统用来预测短期内各负荷信号，该系统为：

其中X_k为当前时刻测得的信号向量，为预测的下一采样时刻的信号向量；u(e_k)为控制器，利用历史数据设置；电力系统正常运行状况下，通过控制器u(e_k)的保证

||e_k+1||≤ε(13)

其中ε为预先指定的小常数；如果电力系统运行不正常(即不满足电力系统正常运行遵守的等式约束条件和不等式约束条件,这些条件在本科课本中有记载)，控制器u(e_k)不保证(13)成立。

作为一种优选方案，本发明所述系统矩阵A(t)为适当维数的时变矩阵，依据用户负荷等级不同设定。

作为另一种优选方案，本发明选取用户综合负荷静特性基本数据，将其数据进行聚类分析；选取负荷样本在数据采集的基础上，根据负荷等级的不同的需要，在正常工作时间和维用户维选取一定容量的负荷数据，作为负荷分类的输入样本；在进行负荷分类之前，进行原始负荷数据的清洗和预处理，包括不良数据的辨识和修正、数据标准化和无量纲化处理；

在样本选取和数据预处理之后，选择模糊C均值聚类算法进行负荷分类；认识和挖掘各类负荷的特点，辅助支持电力系统的决策；

在批处理方式运行时，模糊C均值聚类算法用下列步骤确定聚类中心c_i和隶属矩阵U：

步骤1：用值在[0,1]间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；

步骤2：用式(4)计算c个聚类中心c_i，i＝1,…,c；

步骤3：根据式(2)计算价值函数；如果它小于某个确定的阀值(相邻两个聚类中心c_i和c_i+1之间的误差量值，这个阀值越小越好)，或它相对上次价值函数值的改变量小于某个阀值，则算法停止；

步骤4：用(5)计算新的U矩阵；返回步骤2。

另外，本发明以模糊C均值聚类算法分类后的数据作为混沌时间序列的能效分析的样本，得到电力负荷信号的时间序列矩阵，进而构建负荷的状态向量，然后采用相关函数(Heaviside函数)来计算吸引子的相关维数(根据上述公式(10))，对电力负荷系统进行相空间的重构；对重构后的相空间，引入误差反馈，建立基于双曲正切模型动态系统，来预测短期内的负荷变化；若预测负荷与实际负荷间误差小于规定值，则电力系统正常运行；否则运行不正常。

本发明有益效果。

本发明在用户用电负荷分类的基础上，应用混沌时间序列理论，分析不同时段的用电特征，实现对负荷的短期预测和能效管理。

本发明通过使用混沌时间序列分析法，对典型用电设备进行能效分析，在高峰时设置相应策略，降低能耗使用，在用电低谷时对储能设备进行充电，或者进行大规模生产，从而实现削峰填谷，降低了对输配电设施容量的需求，实现有效的临界负荷保护，由此可以优化电网的管理，将电网提升为互动运转的全新模式，提高整个电网的可靠性、可用性和综合效率。

此外，消减下来的用电负荷可以提供给居民用电和电动汽车充电，促进电网稳定运行，同时，可以为大型工商业用户提供有偿能效管理服务，提高电网企业的收益。同时，工商业用户可以通过此平台与电网公司进行实时、双向、互动连接，整合系统中的数据，为用户提供多用途开发，大幅减少电力能源开销，还通过该系统进行无功补偿的策略制定，大规模减少企业生产成本。

本发明不同特性的负荷需要不同的能耗管理方案，而对于用户用电级下的电力信号，供电企业不可能去每个信号的源端查明信号所来自的负荷种类，本发明将模糊聚类分析技术应用于用户负荷分类，通过负荷的电力数据分析，即可判断出负荷的种类，利用这种技术可以在远程数据端就获知所得到的数据是来自于哪一类负荷，这对于能效管理起着至关重要的支持与帮助。

本发明采用混沌系统的混沌时间序列分析和预测的基础是相空间的重构理论，这一过程把具有混沌特性的时间序列进行重构，最终构建成为一个低阶的非线性动力系统。混沌运动具有确定性，即服从一定的规律。由于混沌系统的“蝴蝶效应”，混沌时间序列的长期行为是不可预测的，但它具有有限的预测能力。短期以内，系统运动轨道发散较小，从而利用观测资料进行短期预测是可行的。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1为本发明电力负荷分类模型聚类流程图；

图2为本发明负荷优化分类基于模糊C均值聚类算法流程图；

图3为本发明负荷建模分析流程图；

图4为本发明中的能效分析结果。

具体实施方式

如图所示，本发明包括以下步骤：

1)采用模糊C均值聚类(FCM)用隶属度确定用户的综合负荷特性属于某个聚类的程度，把n个行业用户x_i(i＝1,2,,,n)分为c个模糊类,并求取每类的聚类中心,使类内加权误差平方和函数达到最小；FCM用模糊划分，使得每个给定数据点用值在(0，1)间的隶属度来确定其属于各个组的程度；与引入模糊划分相适应，隶属矩阵U允许有取值在0-1间的元素；归一化规定，一个数据集的隶属度的总和等于1：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(1\right)$

FCM的价值函数(或目标函数)是：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(2\right)$

这里u_ij介于(0，1)间；c_i为模糊组I的聚类中心，d_ij＝||c_i-x_j||为第I个聚类中心与第j个数据点间的欧几里德距离；m∈[1,∞)是加权指数；

构造如下新的目标函数，求得使(2)式达到最小值的必要条件：

$\begin{array}{c}\stackrel{\&OverBar;}{J}(U,c_1,...,c_c,{\mathrm{\&lambda;}}_1,...,{\mathrm{\&lambda;}}_n)=J(U,c_1,...,c_c)+{\mathrm{\&Sigma;}}_{j=1}^n{\mathrm{\&lambda;}}_i(\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}-1)\\ =\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2+\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j(\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}-1)\end{array}---\left(3\right)$

这里λ_j，j＝1到n，是(1)式的n个约束式的拉格朗日乘子；对所有输入参量求导，使式(2)达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m}---\left(4\right)$

和

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{2/(m-1)}}---\left(5\right)$

由上述两个必要条件，模糊c均值聚类算法为迭代过程；

2)采用相空间重构的方法对分类后的电力负荷数据进行建模，通过测量得到采样负荷信号的时间序列矩阵，{X_k}＝{X(kT)}，其中k＝0,K,N，T为采样周期，每个X(kT)为kT时刻实测的m维向量；然后针对X(kT)的第i个分量构造形式上的状态向量 $X_k^i\left(\mathrm{kT}\right)={[X_i\left(\mathrm{kT}\right),X_i(\mathrm{kT}-{\mathrm{\&tau;}}_i),K,X_i(\mathrm{kT}-(n_i-1){\mathrm{\&tau;}}_i)]}^T,$ i＝1,...,m；其中τ＝[τ₁τ₂,K,τ_m ^]T是未知的延迟时间向量，τ_i是τ的第i个分量(i＝1,...,m)；n＝[n₁n₂,K,n_m]^T，n_i是n的第i个分量，是未知的嵌入维数(i＝1,...,m)；为了确定τ_i和n_i值，从而确定τ和n，首先利用时间序列计算

${\mathrm{\&psi;}}_{\mathrm{XX}}^i\left(k^{\text{'}}\right)=E\left\{\right[X_k^i-\stackrel{\&OverBar;}{{\{X}_k^i\}}{]}^T[X_{k-k^{\text{'}}}^i-\stackrel{\&OverBar;}{{\{X}_{k-k^{\text{'}}}^i\}}]\}---\left(6\right)$

和

${\mathrm{\&psi;}}_{{X^{2}X}^2}^i\left(k^{\text{'}}\right)=E\left\{\right[{\left(X_k^i\right)}^2-\stackrel{\&OverBar;}{\left\{{\left(X_k^i\right)}^2\right\}}{]}^T[{\left(X_{k-k^{\text{'}}}^i\right)}^2-\stackrel{\&OverBar;}{\left\{{\left(X_{k-k^{\text{'}}}^i\right)}^2\right\}}]\}---\left(7\right)$

其中k'<k，k'＝0,1,K，E(g)是期望值，是平均值，是线性相关的函数，是非线性相关的函数；设置分别是和达到第一个最小值的时间，得到如下时间单元：

${\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i=\min \{{\mathrm{\&tau;}}_{\mathrm{iX}},{\mathrm{\&tau;}}_{{\mathrm{iX}}^2}\}---\left(8\right)$

延迟时间常数τ_i选择为

$\mathrm{Int}[{\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i/5]\&le;{\mathrm{\&tau;}}_i\&le;\mathrm{Int}[{\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i/2]+1---\left(9\right)$

其中Int[g]表示实数的整数部分；然后通过采用相关函数来计算吸引子的相关维数：

$C_i\left(l\right)=\frac{1}{N(N-1)}\underset{k,j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{\&theta;}(l-||X_k^i-X_j^i|\left|\right),i=1,K,m---\left(10\right)$

其中l是一个常参数；θ为Heaviside函数；计算得到吸引子的估计维数混沌系统的第i个分量的嵌入维数为

3)重构混沌系统的相空间后，采用神经网络的BP算法，通过模糊双曲正切模型作为混沌系统的全局逼近模型，得到如下映射

X_k→X_k+1＝f(X_k)＝A(t)tanh(LX_k)(11)

系统矩阵A(t)为维数的时变矩阵，依据典型用户不同而定；L为对角矩阵；

基于模型(11)，引入误差反馈控制，建立一个动态控制系统用来预测短期内各负荷信号，该系统为：

其中X_k为当前时刻测得的信号向量，为预测的下一采样时刻的信号向量；u(e_k)为控制器，利用历史数据设置；电力系统正常运行状况下，通过控制器u(e_k)的保证

||e_k+1||≤ε(13)

其中ε为预先指定的小常数；如果电力系统运行不正常，控制器u(e_k)不保证(13)成立。

所述系统矩阵A(t)为适当维数的时变矩阵，依据典型用户不同而定

本发明选取用户综合负荷静特性基本数据，将其数据进行聚类分析；选取负荷样本在数据采集的基础上，根据负荷分类任务的需要，在正常工作时间维和用户维选取一定容量的负荷数据，作为负荷分类的输入样本；在进行负荷分类之前，进行原始负荷数据的清洗和预处理，包括不良数据的辨识和修正、数据标准化和无量纲化处理；

在样本选取和数据预处理之后，选择模糊C均值聚类算法进行负荷分类；认识和挖掘各类负荷的特点，辅助支持电力系统的决策；

在批处理方式运行时，模糊C均值聚类算法用下列步骤确定聚类中心c_i和隶属矩阵U：

步骤1：用值在[0,1]间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；

步骤2：用式(4)计算c个聚类中心ci，i＝1,…,c；

步骤3：根据式(2)计算价值函数；如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止；

步骤4：用(5)计算新的U矩阵；返回步骤2。

本发明以模糊C均值聚类算法分类后的数据作为混沌时间序列的能效分析的样本，得到电力负荷信号的时间序列矩阵，进而构建负荷的状态向量，然后采用相关函数来计算吸引子的相关维数，对电力负荷系统进行相空间的重构；对重构后的相空间，引入误差反馈，建立基于双曲正切模型动态系统，来预测短期内的负荷变化；若预测负荷与实际负荷间误差小于规定值，则电力系统正常运行；否则运行不正常。

运用上述方法对典型用户进行用电规律分析，得出图4两种用电规律。可依据这两种用电规律将企业用户分为A、B两类，然后对每类企业用户的用电行为进行分析，可以得到，电价对A类企业节约电费有利，而对B类企业不利。依据上述分析结果企业可以采取主动调整工作时段的方法，实现停电不停产、节约电费的目的。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (4)

1.基于海量计量数据的用电设备能效混沌分析方法，其特征在于包括以下步骤：

1)采用模糊C均值聚类(FCM)用隶属度确定用户的综合负荷特性属于某个聚类的程度，把n个行业用户x_i(i＝1,2,,,n)分为c个模糊类,并求取每类的聚类中心,使类内加权误差平方和函数达到最小；FCM用模糊划分，使得每个给定数据点用值在(0，1)间的隶属度来确定其属于各个组的程度；与引入模糊划分相适应，隶属矩阵U允许有取值在0-1间的元素；归一化规定，一个数据集的隶属度的总和等于1：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(1\right)$

FCM的价值函数(或目标函数)是：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{j}_i=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(2\right)$

这里u_ij介于(0，1)间；c_i为模糊组I的聚类中心，d_ij＝||c_i-x_j||为第I个聚类中心与第j个数据点间的欧几里德距离；m∈[1,∞)是加权指数；

构造如下新的目标函数，求得使(2)式达到最小值的必要条件：

$\begin{array}{c}\stackrel{\&OverBar;}{J}(U,c_1,...,c_c,{\mathrm{\&lambda;}}_1,...,{\mathrm{\&lambda;}}_n)=J(U,c_1,...,c_c)+{\mathrm{\&Sigma;}}_{j=1}^n{\mathrm{\&lambda;}}_j(\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}-1)\\ =\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2+\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j(\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}-1)\end{array}---\left(3\right)$

这里λ_j，j＝1到n，是(1)式的n个约束式的拉格朗日乘子；对所有输入参量求导，使式(2)达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m}---\left(4\right)$

和

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{2/(m-1)}}---\left(5\right)$

由上述两个必要条件，模糊c均值聚类算法为迭代过程；

2)采用相空间重构的方法对分类后的电力负荷数据进行建模，通过测量得到采样负荷信号的时间序列矩阵，{X_k}＝{X(kT)}，其中k＝0,K,N，T为采样周期，每个X(kT)为kT时刻实测的m维向量；然后针对X(kT)的第i个分量构造形式上的状态向量 $X_k^i\left(\mathrm{kT}\right)={[X_i\left(\mathrm{kT}\right),X_i(\mathrm{kT}-{\mathrm{\&tau;}}_i),K,X_i(\mathrm{kT}-(n_i-1){\mathrm{\&tau;}}_i)]}^T,$ i＝1,...,m；其中τ＝[τ₁τ₂,K,τ_m]^T是未知的延迟时间向量，τ_i是τ的第i个分量(i＝1,...,m)；n＝[n₁n₂,K,n_m]^T，n_i是n的第i个分量，是未知的嵌入维数(i＝1,...,m)；为了确定τ_i和n_i值，从而确定τ和n，首先利用时间序列计算

${\mathrm{\&Psi;}}_{\mathrm{XX}}^i\left(k^{\&prime;}\right)=E\left\{{[X_k^i-\stackrel{\&OverBar;}{\left\{X_k^i\right\}}]}^T\right[X_{{k-k}^{\&prime;}}^i-\stackrel{\&OverBar;}{\{X_{k-k}^i\&prime;\}}\left]\right\}---\left(6\right)$

和

${\mathrm{\&Psi;}}_{X^2{X}^2}^i\left(k^{\&prime;}\right)=E\left\{{[{\left(X_k^i\right)}^2-\stackrel{\&OverBar;}{\left\{{\left(X_k^i\right)}^2\right\}}]}^T\right[{\left(X_{{k-k}^{\&prime;}}^i\right)}^2-\stackrel{\&OverBar;}{\left\{{(X_{k-k}^i\&prime;)}^2\right\}}\left]\right\}---\left(7\right)$

其中k'<k，k'＝0,1,K，E(g)是期望值，是平均值，是线性相关的函数，是非线性相关的函数；设置分别是和达到第一个最小值的时间，得到如下时间单元：

${\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i=\min \{{\mathrm{\&tau;}}_{\mathrm{iX}},{\mathrm{\&tau;}}_{{\mathrm{iX}}^2}\}---\left(8\right)$

延迟时间常数τ_i选择为

$\mathrm{Int}[{\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i/5]\&le;{\mathrm{\&tau;}}_i\&le;\mathrm{Int}[{\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i/2]+1---\left(9\right)$

其中Int[g]表示实数的整数部分；然后通过采用相关函数来计算吸引子的相关维数：

$C_i\left(l\right)=\frac{1}{N(N-1)}\underset{k,j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{\&theta;}(l-||X_k^i-X_j^i|\left|\right),i=1,K,m---\left(10\right)$

其中l是一个常参数；θ为Heaviside函数；计算得到吸引子的估计维数混沌系统的第i个分量的嵌入维数为

3)重构混沌系统的相空间后，采用神经网络的BP算法，通过模糊双曲正切模型作为混沌系统的全局逼近模型，得到如下映射

X_k→X_k+1＝f(X_k)＝A(t)tanh(LX_k)(11)

系统矩阵A(t)为维数的时变矩阵，依据典型用户不同而定；L为对角矩阵；

基于模型(11)，引入误差反馈控制，建立一个动态控制系统用来预测短期内各负荷信号，该系统为：

$X_{k+1}^{\%}=A\left(t\right)\tanh \left({\mathrm{LX}}_k\right)+u\left(e_k\right)---\left(12\right)$

其中X_k为当前时刻测得的信号向量，为预测的下一采样时刻的信号向量；u(e_k)为控制器，利用历史数据设置；电力系统正常运行状况下，通过控制器u(e_k)的保证

||e_k+1||≤ε(13)

其中ε为预先指定的小常数；如果电力系统运行不正常(即不满足电力系统正常运行遵守的等式约束条件和不等式约束条件,这些条件在本科课本中有记载)，控制器u(e_k)不保证(13)成立。

2.根据权利要求1所述基于海量计量数据的用电设备能效混沌分析方法，其特征在于所述系统矩阵A(t)为适当维数的时变矩阵，依据用户负荷等级不同设定。

3.根据权利要求2所述基于海量计量数据的用电设备能效混沌分析方法，其特征在于选取用户综合负荷静特性基本数据，将其数据进行聚类分析；选取负荷样本在数据采集的基础上，根据负荷等级的不同的需要，在正常工作时间和维用户维选取一定容量的负荷数据，作为负荷分类的输入样本；在进行负荷分类之前，进行原始负荷数据的清洗和预处理，包括不良数据的辨识和修正、数据标准化和无量纲化处理；

在样本选取和数据预处理之后，选择模糊C均值聚类算法进行负荷分类；认识和挖掘各类负荷的特点，辅助支持电力系统的决策；

在批处理方式运行时，模糊C均值聚类算法用下列步骤确定聚类中心c_i和隶属矩阵U：

步骤1：用值在[0,1]间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；

步骤2：用式(4)计算c个聚类中心c_i，i＝1,…,c；

步骤3：根据式(2)计算价值函数；如果它小于某个确定的阀值(相邻两个聚类中心c_i和c_i+1之间的误差量值，这个阀值越小越好)，或它相对上次价值函数值的改变量小于某个阀值，则算法停止；

步骤4：用(5)计算新的U矩阵；返回步骤2。

4.根据权利要求3所述基于海量计量数据的用电设备能效混沌分析方法，其特征在于以模糊C均值聚类算法分类后的数据作为混沌时间序列的能效分析的样本，得到电力负荷信号的时间序列矩阵，进而构建负荷的状态向量，然后采用相关函数(Heaviside函数)来计算吸引子的相关维数(根据上述公式(10))，对电力负荷系统进行相空间的重构；对重构后的相空间，引入误差反馈，建立基于双曲正切模型动态系统，来预测短期内的负荷变化；若预测负荷与实际负荷间误差小于规定值，则电力系统正常运行；否则运行不正常。