CN105719194B - 一种自动寻优型电力负荷分类方法 - Google Patents

一种自动寻优型电力负荷分类方法 Download PDF

Info

Publication number
CN105719194B
CN105719194B CN201610025680.1A CN201610025680A CN105719194B CN 105719194 B CN105719194 B CN 105719194B CN 201610025680 A CN201610025680 A CN 201610025680A CN 105719194 B CN105719194 B CN 105719194B
Authority
CN
China
Prior art keywords
classification
load
curve
data
clustering center
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
Application number
CN201610025680.1A
Other languages
English (en)
Other versions
CN105719194A (zh
Inventor
黄明山
李如意
刘永光
王军
胡东方
卢利军
舒志猛
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.)
State Grid Corp of China SGCC
Xuji Group Co Ltd
Henan University of Technology
Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Henan Xuji Instrument Co Ltd
Original Assignee
State Grid Corp of China SGCC
Xuji Group Co Ltd
Henan University of Technology
Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Henan Xuji Instrument Co Ltd
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 State Grid Corp of China SGCC, Xuji Group Co Ltd, Henan University of Technology, Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd, Henan Xuji Instrument Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610025680.1A priority Critical patent/CN105719194B/zh
Publication of CN105719194A publication Critical patent/CN105719194A/zh
Application granted granted Critical
Publication of CN105719194B publication Critical patent/CN105719194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种自动寻优型电力负荷分类方法，本发明采用K‑means均值聚类算法对电力负荷进行分类，并计算每个分类的聚类中心值曲线，计算聚类中心值曲线的平均距离MA，以及每个分类的各负荷曲线到聚类中心值曲线的距离MB，并以这两者的比值Kn＝MB/MA作为最优分类结果比较变量z；令n＝n+1，重复上述过程得到更新后的比值Kn，将更新后的比值Kn与z进行比较，若Kn<z，用当前的Kn值替换z，在Kn>z时不做替换，直至分类结果中含有空的数据或相邻两次分类结果中的Kn的差值与Kn的比值小于设定的收敛条件，并以此时的变量z对应的分类作为最终的最优分类。本发明大大减少了负荷分类的人工寻优判别时间，同时减少了人工判别的误差与不准确度。

Description

一种自动寻优型电力负荷分类方法
技术领域
本发明涉及一种自动寻优型电力负荷分类方法，属于负荷特性分类技术领域。
背景技术
目前的电力负荷分类主要是按照用电负荷的行业性质来分的，分为居民生活、商业、工业、农业生产等几类用电负荷。这种分类方法并不能反应用户负荷的具体特性，该分类方法不仅缺乏分类科学依据，并且没有实际意义，特别是对于工业负荷，由于工业负荷种类繁多，如冶金、钢铁、石油、化工、机械、水泥、煤炭、电气化铁道、铝业加工等，仅仅简单地把其分为大工业及不同工业用户太过简单。因此，到目前为止，虽然对于电力负荷分类有很多种分类方法，但这些分类方法都没有考虑到负荷的具体特性，没有利用负荷的典型日负荷曲线数据，这些负荷分类方法在电力需求侧管理及电力市场的电价政策制定上缺乏根据。
发明内容
本发明的目的是提供一种自动寻优型电力负荷分类方法，以解决目前分类方法没有利用负荷的典型日负荷曲线数据导致在电力需求侧管理及电力市场的电价政策制定上缺乏根据。
本发明为解决上述技术问题提供了一种自动寻优型电力负荷分类方法，该分类方法的步骤如下：
1)获取典型日负荷曲线数据，并对其进行归一化处理；
2)令电力负荷分类数n＝2；
3)采用K-means均值聚类算法对电力负荷进行分类，并计算每个分类的聚类中心值曲线，计算聚类中心值曲线的平均距离MA，以及每个分类的各负荷曲线到聚类中心值曲线的距离MB，并以这两者的比值Kn＝MB/MA作为最优分类结果比较变量z；
4)令n＝n+1，重复步骤3)得到更新后的比值Kn，将更新后的比值Kn与z进行比较，若Kn<z，用当前的Kn值替换z，在Kn>z时不做替换，直至分类结果中含有空的数据或相邻两次分类结果中的Kn的差值ΔKn＝|Kn+1-Kn|与Kn的比值小于设定的收敛条件ΔKn/Kn＜εset，并以此时的变量z对应的分类作为最终的最优分类。
所述步骤1)中的典型日负荷曲线的获取过程如下：
A.提取日负荷曲线数据库中一段时间内有相近负荷特性的日负荷曲线数据；
B.对所提取的日负荷曲线数据中的空数据或奇异点数据进行插值拟合处理；
C.对拟合处理后的日负荷曲线数据进行加权平均值处理。
所述当负荷分类数n大于或等于1/4电力负荷数时，自动停止寻优操作。
本发明的有益效果是:本发明采用K-means均值聚类算法对电力负荷进行分类，并计算每个分类的聚类中心值曲线，计算聚类中心值曲线的平均距离MA，以及每个分类的各负荷曲线到聚类中心值曲线的距离MB，并以这两者的比值Kn＝MB/MA作为最优分类结果比较变量z；令n＝n+1，重复上述过程得到更新后的比值Kn，将更新后的比值Kn与z进行比较，若Kn<z，用当前的Kn值替换z，在Kn>z时不做替换，直至分类结果中含有空的数据或相邻两次分类结果中的Kn的差值与Kn的比值小于设定的收敛条件，并以此时的变量z对应的分类作为最终的最优分类。本发明大大减少了负荷分类的人工寻优判别时间，同时减少了人工判别的误差与不准确度，特别适应于多负荷数据的后台系统中应用。本发明提出的自动寻优型负荷分类方法不需要人工参与，可以利用编制的软件自动实现最优负荷分类。
附图说明
图1是本发明自动寻优型电力负荷分类方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
本发明针对目前电力负荷分类方法所存在的缺陷，提供了一种自动寻优型电力负荷分类方法，该方法采用K-means均值聚类算法对电力负荷进行分类，并计算每个分类的聚类中心值曲线，计算聚类中心值曲线的平均距离MA，以及每个分类的各负荷曲线到聚类中心值曲线的距离MB，并以这两者的比值Kn＝MB/MA作为最优分类结果比较变量z；令n＝n+1，重复上述过程得到更新后的比值Kn，将更新后的比值Kn与z进行比较，若Kn<z，用当前的Kn值替换z，在Kn>z时不做替换，直至分类结果中含有空的数据或相邻两次分类结果中的Kn的差值与Kn的比值小于设定的收敛条件，并以此时的变量z对应的分类作为最终的最优分类。该方法的具体流程如图1所示，具体实施步骤如下。
1.获取典型日负荷特征曲线，并对其进行归一化处理。
首先利用一段时间内(通常取一个月)的日负荷有功功率曲线数据，将这些数据中的对应时间点数据取加权平均值，作为该负荷的典型日负荷曲线数据，获取各种进行分类负荷的典型日负荷特征曲线。在具体实施时其数据源为用电信息管理系统的每个用户的日负荷曲线数据库，提取该数据库中一段时间内有相近负荷特性的日负荷曲线数据(如夏季时统一取空调运行的连续相近日)，通过对数据库中提取的日负荷曲线数据中的空数据或奇异点数据进行插值拟合处理后，再进行加权平均值处理，所得到的日负荷特征曲线即为典型日负荷特征曲线。
然后取每个用户的典型日负荷曲线的有功功率最大值作为功率基准值，将96点的日负荷曲线数据除以该功率基准值，得到各种需要分类负荷的日96点的典型日负荷曲线数据的归一化处理值(标幺值)，处理后的日负荷曲线数据标幺值的最大值为1，其它点的数据标幺值λ在0-1之间变化。
2.取电力负荷分类数n＝2。
3.采用K-means均值聚类算法对电力负荷进行分类，并计算每个分类的聚类中心值曲线，计算聚类中心值曲线的平均距离MA，以及每个分类的各负荷曲线到聚类中心值曲线的距离MB，并以这两者的比值Kn＝MB/MA作为最优分类结果比较变量z。
本实施例中采用K-means均值聚类算法对电力负荷特性进行分类，计算分类结果的每类聚类中心值曲线，然后分别计算聚类中心值曲线的平均欧式距离MA，计算每个聚类的各个负荷曲线到聚类中心的平均欧式距离MB，求这两者的比值Kn＝MB/MA.将该值暂时作为最优值存入最优分类结果比较变量z中，z＝Kn。
4.取n＝n+1,重复步骤3计算新分类结果的聚类中心值曲线及MA、MB，同时取比值Kn＝MB/MA，将该值与z进行比较，若Kn<z，用当前的Kn值替换z；在Kn>z时不做替换。
5.若分类结果中含有空的数据或相邻两次分类结果中的Kn的差值ΔKn＝|Kn+1-Kn|与Kn的比值小于设定的收敛条件ΔKn/Kn＜εset，停止寻优分类，进入步骤E，否则，取n＝n+1,重复步骤A，继续寻优分类；或者在负荷分类数n大于或等于1/4电力负荷数时，自动停止寻优操作。
6.将最后的z作为最优负荷分类的最终分类结果。
本发明提出的自动寻优型电力负荷类方法的通常用于供电公司的用电信息管理系统，用于对用电信息管理系统的所有用户进行负荷分类、负荷特性分析、用电能效分析与管理以及用户节电效果分析与指导等工作。得到最优化的负荷分类结果(负荷分类数N及分类的聚类中心值曲线)，利用这些最优分类结果的数据即可进行负荷特性分析(计算其峰谷差值比等)、分析其能效特性，并能够和同行业的负荷特性进行类比，寻找出用电能效较差和较好的用户，对能效及节电效果差的用户提出节电及提升能效的改进措施，从而达到降峰填谷的效果，节省用户的用电支出，使供电部门与用户双方都获利。

Claims (3)

1.一种自动寻优型电力负荷分类方法，其特征在于，该分类方法的步骤如下：
1)获取典型日负荷曲线数据，并对其进行归一化处理；
2)令电力负荷分类数n＝2；
3)采用K-means均值聚类算法对电力负荷进行分类，并计算每个分类的聚类中心值曲线，计算聚类中心值曲线的平均距离MA，以及每个分类的各负荷曲线到聚类中心值曲线的距离MB，并以这两者的比值Kn＝MB/MA作为最优分类结果比较变量z；
4)令n＝n+1，重复步骤3)得到更新后的比值Kn，将更新后的比值Kn与z进行比较，若Kn<z，用当前的Kn值替换z，在Kn>z时不做替换，直至分类结果中含有空的数据或相邻两次分类结果中的Kn的差值ΔKn＝|Kn+1-Kn|与Kn的比值小于设定的收敛条件ΔKn/Kn＜εset，并以此时的变量z对应的分类作为最终的最优分类。
2.根据权利要求1所述的自动寻优型电力负荷分类方法，其特征在于，所述步骤1)中的典型日负荷曲线的获取过程如下：
A.提取日负荷曲线数据库中一段时间内有相近负荷特性的日负荷曲线数据；
B.对所提取的日负荷曲线数据中的空数据或奇异点数据进行插值拟合处理；
C.对拟合处理后的日负荷曲线数据进行加权平均值处理。
3.根据权利要求1所述的自动寻优型电力负荷分类方法，其特征在于，所述当负荷分类数n大于或等于1/4电力负荷数时，自动停止寻优操作。
CN201610025680.1A 2016-01-11 2016-01-11 一种自动寻优型电力负荷分类方法 Active CN105719194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610025680.1A CN105719194B (zh) 2016-01-11 2016-01-11 一种自动寻优型电力负荷分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610025680.1A CN105719194B (zh) 2016-01-11 2016-01-11 一种自动寻优型电力负荷分类方法

Publications (2)

Publication Number Publication Date
CN105719194A CN105719194A (zh) 2016-06-29
CN105719194B true CN105719194B (zh) 2020-02-11

Family

ID=56147922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610025680.1A Active CN105719194B (zh) 2016-01-11 2016-01-11 一种自动寻优型电力负荷分类方法

Country Status (1)

Country Link
CN (1) CN105719194B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108345908A (zh) * 2018-02-10 2018-07-31 武汉轻工大学 电网数据的分类方法、分类设备及存储介质
CN112215472A (zh) * 2020-09-18 2021-01-12 国网电力科学研究院有限公司 一种基于聚类的电采暖负荷响应控制方法和装置
CN112884013A (zh) * 2021-01-26 2021-06-01 山东历控能源有限公司 基于数据挖掘技术的能耗分区方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012138688A1 (en) * 2011-04-04 2012-10-11 The Catholic University Of America Systems and methods for improving the accuracy of day-ahead load forecasts on an electric utility grid
CN103049651A (zh) * 2012-12-13 2013-04-17 航天科工深圳（集团）有限公司 一种用于电力负荷聚类的方法及装置
CN103617564B (zh) * 2013-12-04 2016-08-31 国家电网公司 基于区域负荷预测值综合评价的全网负荷预测方法
CN104599189B (zh) * 2014-12-25 2019-02-22 中国电力科学研究院 一种计入电力系统运行方式的电网规划方案风险评估方法
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
CN104992238B (zh) * 2015-06-24 2018-04-06 国网山东省电力公司电力科学研究院 一种基于典型日负荷特性的电力负荷预测方法

Also Published As

Publication number Publication date
CN105719194A (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
WO2018082523A1 (zh) 一种负荷周期的模式识别方法
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
CN111724278A (zh) 一种面向电力多元负荷用户的精细分类方法及系统
CN103903189B (zh) 基于模糊聚类的低压配网台区聚类方法
CN105719194B (zh) 一种自动寻优型电力负荷分类方法
CN110188221B (zh) 一种基于形状距离的负荷曲线层次聚类方法
CN110009145B (zh) 基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置
CN107977771B (zh) 一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法
CN110689162B (zh) 一种基于用户侧分类的母线负荷预测方法、装置及系统
Zhang et al. Analysis of power consumer behavior based on the complementation of K-means and DBSCAN
CN102809928A (zh) 一种工业企业热力设备能耗的控制优化方法
CN110729718A (zh) 一种基于日负荷曲线的行业用户开工监测方法
CN110825723A (zh) 一种基于用电负荷分析的居民用户分类方法
CN110807598A (zh) 一种参与有序用电的用户负荷调控价值评估方法
CN110866841A (zh) 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统
CN111445078A (zh) 基于长短期记忆神经网络的综合能源系统多元负荷预测方法
CN103632306A (zh) 一种基于聚类分析的配电网供电区域划分方法
CN113378954B (zh) 一种基于粒子群改进k均值算法的负荷曲线聚类方法及系统
CN105447082A (zh) 一种海量负荷曲线的分布式聚类方法
CN113283674A (zh) 一种基于用户用电特征的基线负荷预测修正方法
CN116894744A (zh) 一种基于改进k均值聚类算法的电网用户数据分析方法
CN111324790A (zh) 基于支持向量机分类的负荷类型识别方法
CN109753990B (zh) 一种用户电能替代潜力预测方法、系统及存储介质
CN103745417A (zh) 一种电网负荷特征曲线分析方法
CN109034453A (zh) 一种基于多标记神经网络的短期电力负荷预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant