CN106462905A - 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质 - Google Patents
用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质 Download PDFInfo
- Publication number
- CN106462905A CN106462905A CN201480078906.3A CN201480078906A CN106462905A CN 106462905 A CN106462905 A CN 106462905A CN 201480078906 A CN201480078906 A CN 201480078906A CN 106462905 A CN106462905 A CN 106462905A
- Authority
- CN
- China
- Prior art keywords
- point
- load curve
- power customer
- load
- trend
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 claims description 35
- 238000012163 sequencing technique Methods 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 11
- 230000005611 electricity Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开涉及用于识别电力客户的负荷波动性的系统、方法和装置及其有形计算机可读介质。在本公开的实施方式中，所述系统包括至少一个处理器；以及至少一个存储器，其存储计算机可执行指令。所述至少一个存储器和计算机可执行指令可被配置成利用所述至少一个处理器促使所述系统：通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类，自动地确定用于分割所述电力客户的负荷曲线的边界点；以及借助于确定的所述边界点来检测负荷曲线的趋势拐点，从而识别所述电力客户的负荷波动性。利用本公开的实施方式，可基于每个电力客户的负荷数据而不是使用预定阈值来自动地确定用于分割负荷曲线的边界点，并且因此确定负荷曲线的负荷波动性，这可以提供用于负荷波动性的自适应的自动识别解决方案。
Description
技术领域
本公开的实施方式涉及电网技术领域，并且更具体地涉及用于识别电力客户的负荷波动性的系统、方法和装置以及有形计算机可读介质。
背景技术
各种行业都具有与之相关联的网络。一个此类行业是管理电网的公用事业行业。电网可包括以下各项中的一个或全部：发电、电力传输以及配电。可以使用诸如煤电厂、核电厂等发电站来发电。出于效率的目的，产生的电力被逐步增加至非常高的电压(例如345K伏)并通过传输线传送。传输线可长距离传送电力，诸如跨州界或跨国际边界，直至其到达其批发客户为止，该批发客户可以是拥有本地配电网的公司。传输线可在传输变电站处终止，其可以将非常高的电压逐步降低至中压(例如138K伏)。从传输变电站，较小的传输线(诸如子传输线)将中压传送到配电站。在配电站处，该中间电压可以被再次逐步降低至“中压”(例如从4K伏至23K伏)。一个或多个馈电电路可从配电站发出。例如，四个至数十个馈电电路可从配电站发出。馈电电路是包括4个导线(三个导线用于3个相中的每一个且一个导线用于零线)的3相电路。馈电电路可在地面上(在电线杆上)或地下敷设。可以使用配电变压器周期性地将馈电电路上的电压分接出来，这使电压从“中压”逐步降低至消费者电压(例如120V)。该消费者电压然后可以被消费者使用。
不同的客户具有不同的电力使用行为，这可以从例如图1看到。可以看到一部分客户在白天要求更多的电力，另一部分客户在夜晚要求更多电力，并且另一部分客户全天具有基本上恒定的电力需求。获悉客户的用电特性将是有益的，因为其可以帮助理解客户的使用行为偏好，这对诸如需求侧管理之类的公用事业公司的商业活动非常有用。这将促进与客户的更好交互以更高效地使用电能和电力设备，改善电力工业的投资效率，降低成本，增强发电、输电、配电与客户之间的资源优化配置的水平，以满足越来越危急的挑战，诸如更大数目的客户、更高的服务预期、来自政府的更严格的需求侧管理(DSM)要求等。
可以通过客户的使用波动性来表示客户的用电行为偏好。由于大规模的客户数量，自动地识别客户的使用波动性将比通过人工观察和处理更加切合实际。使用波动性自动识别可以帮助公用事业公司快速地识别客户的使用特性，找出典型的客户，并且基于那些来更好地且有效地支持公用事业公司的商业活动。
一般地，可以用电力客户的负荷曲线的趋势拐点来表征负荷波动性。客户的每日负荷曲线通常由24或96个测量负荷值或点组成，取决于智能仪表是每小时还是每15分钟收集使用数据。趋势拐点是负荷曲线中的转变点，其中负荷变化趋势从上升趋势变成下降趋势或者从下降趋势变成上升趋势。在这种意义上，识别负荷波动性仅仅是识别负荷曲线的趋势拐点。
进行了识别时间系列数据的趋势的许多研究。大多数方法是基于分段近似，其将把时间系列数据分割成多个段，并且然后在每个分段内执行线性近似。此分段近似可以帮助识别时间系列数据的主要波动并滤除噪声。分段近似的关键问题是如何确定分段的合理的预先指定边界。关于边界确定，已做了大量工作，并且可以将其分成两类：(1)基于误差范数：分段近似，诸如滑动窗口、自上而下、自下而上等，(2)基于特殊点，诸如界标、系列重要点等。
虽然这些基于分段近似的方法已被应用于水文学、库存预测以及航空航天等，但其不能在负荷波动性识别中使用，因为这些方法全部需要预先指定的阈值来控制误差范数或段数。虽然客户的波动性是随机且多样化的，并且一个确定的阈值不能满足所有不同种类的波动性，并且另一方面，不同于关心误差范数的其它应用，公用事业公司更多地关心负荷波动趋势。因此，当前，在电力工业中尚不存在负荷波动性识别解决方案。
发明内容
为此，根据本发明的第一方面，提供了一种用于识别电力客户的负荷波动性的系统。本系统包括：至少一个处理器；以及至少一个存储器，其存储计算机可执行指令。所述至少一个存储器和计算机可执行指令被配置成利用所述至少一个处理器促使所述系统：通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类，自动地确定用于分割电力客户的负荷曲线的边界点；以及借助于确定的所述边界点来检测负荷曲线的趋势拐点，从而识别电力客户的负荷波动性。
在本公开的实施方式中，可基于聚类参数来执行基于密度的空间聚类，所述聚类参数包括在集群中需要的数据点的最小数目和扫描半径。
在本公开的另一实施例中，可基于电力客户的负荷曲线的点的K-距离来确定扫描半径，其中所述K-距离是数据点与其最近第K数据点的距离，并且K等于集群中所需的数据点的最小数目。
在本公开的另一实施例中，扫描半径可被确定为距离通过定序K-距离图的起点和终点的线最远的定序K-距离图的点的K-距离，其中定序K-距离图是由按K-距离定序的数据点形成的图。
在本公开的另一实施例中，集群中所需的数据点的最小数目可被定义为在一小时内收集的数据点的数目。
在本公开的另一实施例中，检测负荷曲线的趋势拐点可包括：检测基于确定的所述边界点而被分割的负荷曲线的每段中的拐点。
在本公开的另一实施例中，检测负荷曲线的趋势拐点还可包括：检测通过至少部分地使用检测到的拐点而重新分割的负荷曲线的每段中的遗漏拐点。
在本公开的另一实施例中，其中本系统可进一步被配置成在确定边界点之前重复地对电力客户的负荷曲线的数据点执行移动平均，直至负荷曲线的拐点的数目不减小为止。
在本公开的另一实施例中，系统可进一步被配置成对边界点和检测到的拐点执行线性内插。
在本公开的另一实施例中，系统可被进一步配置成通过省略具有相同趋势的相邻段的中间点来识别表示电力客户的负荷波动性的主要波动的主要趋势拐点。
根据本公开的第二方面，提供了一种用于识别电力客户的负荷波动性的方法。本方法包括：通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类，自动地确定用于分割电力客户的负荷曲线的边界点；以及借助于确定的所述边界点来检测负荷曲线的趋势拐点，从而识别电力客户的负荷波动性。
根据本公开的第三方面，提供了一种用于识别电力客户的负荷波动性的装置。该装置包括：用于通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类、自动地确定用于分割电力客户的负荷曲线的边界点的部件；以及用于借助于确定的所述边界点来检测负荷曲线的趋势拐点，从而识别电力客户的负荷波动性的部件。
根据本公开的第四方面，提供了用于识别电力客户的负荷波动性的另一装置。所述方法包括：边界点确定模块，其被配置成通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类、自动地确定用于分割电力客户的负荷曲线的边界点；以及趋势点检测模块，其被配置成借助于确定的所述边界点来检测负荷曲线的趋势拐点，从而识别电力客户的负荷波动性。
根据本公开的第五方面，提供了一种具有多个指令的有形计算机可读介质，所述多个指令可被处理器执行以重配置配电网。所述有形计算机可读介质可以包括被配置成执行根据本公开第二方面方法的步骤的指令。
用本公开的实施方式，可基于每个电力客户的负荷数据而不是使用预定阈值来自动地确定用于分割负荷曲线的边界点和因此确定负荷曲线的负荷波动性，这可以提供用于负荷波动性的自适应自动识别的解决方案。
附图说明
通过关于如参考附图在实施例中举例说明的实施例的详细说明，本公开的上述及其它特征将变得更加显而易见，其中遍及本公开附图，相同的附图标记表示相同或类似部件，并且在所述附图中：
图1示意性地图示出不同电力客户的电力使用行为的图；
图2示意性地图示出根据本公开的实施方式的用于识别电力客户的负荷波动性的方法的流程图；
图3示意性地图示出根据本公开的实施方式的用于滤除负荷曲线中的噪声点的方法的流程图；
图4A至4C示意性地图示出根据本公开的实施方式的原始负荷数据、传统MA之后的预处理符合数据以及LMA之后的预处理数据的图；
图5示意性地图示出根据本公开的实施方式的确定用于聚类的扫描半径的图；
图6示意性地图示出根据本公开的实施方式的示出了执行基于密度的空间聚类的示例性结果的图；
图7示意性地图示出根据本公开的实施方式的借助于确定的所述边界点来检测负荷曲线的趋势拐点的操作的图；
图8A至8D示意性地图示出根据本公开的实施方式的所检测拐点和分段的操作的图；
图9A至9D示意性地图示出根据本公开的实施方式的电力客户的负荷波动性的示例性趋势曲线的图；
图10示意性地图示出根据本公开的实施方式的用于识别电力客户的负荷波动性的系统的框图；
图11示意性地图示出根据本公开的实施方式的用于识别电力客户的负荷波动性的装置的框图；
图12示意性地图示出根据本公开的另一实施例的用于识别电力客户的负荷波动性的装置的框图；以及
图13示意性地图示出可编程为专用计算机系统的通用计算机系统，其可表示在本文中提及的任何计算设备。
具体实施方式
在下文中，将参考附图来描述本公开的实施方式。在以下描述中，阐述了许多特定细节以便提供实施例的透彻理解。然而，对于本领域的技术人员显而易见的是本公开的实施方式可不具有这些细节，并且本公开不限于如在本文中介绍的特定实施例。相反地，可考虑以下特征和元素的任何的任意组合以实现和实施本公开，无论其是否涉及到不同的实施例。因此，以下方面、特征和实施例仅仅用于说明性目的，并且不应理解为所附权利要求的元素或限制，除非在权利要求中另外明确地指明。另外，在某些情况下，并未详细地描述众所周知的方法和结构以免不必要地使本公开的实施方式含糊难懂。
如前所述，现有的趋势识别方案并不适合于负荷波动性识别，而在本领域中迫切需要负荷波动性的自动识别。因此，在本公开中，提出了用于识别电力客户的负荷波动性的解决方案以实现用于负荷波动性的自适应自动识别。
接下来，将参考图2来描述如在本公开中提出的用于识别电力客户的负荷波动性的方法，图2示意性地图示出根据本公开的实施方式的用于识别电力客户的负荷波动性的方法的流程图。
如图2中所示，首先在步骤S201处，通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类来自动地确定用于分割电力客户的负荷曲线的边界点。
如已知的，客户的波动性是随机且多样化的，并且一个确定的阈值不能满足所有不同种类的波动性，并且另一方面，不同于关心误差范数的其它应用，公用事业公司更多地关心负荷波动趋势。因此，需要一种找到用于不同客户的适当边界点的方法。
本发明人注意到负荷曲线具有其自己的性质，即峰值或谷值时段期间的负荷点的分布比平稳时段的更加密集。边界点确定可使用此性质，这使得能够使用基于密度的数据挖掘技术来识别负荷曲线的峰值和谷值段。在本公开中，本发明人提出了使用基于密度的空间聚类来找到用于分割负荷曲线的边界点，其引入了距离定义的增强和聚类参数的自动确定。在本文中，可将此算法称为增强型具有噪声的应用程序的基于密度的聚类方法(DBSCAN)，在下文中将对其进行描述。
可基于负荷曲线的原始数据点来执行聚类；然而，优选的是对经过滤波的数据点执行聚类以改善后续趋势识别操作的性能。也就是说，在聚类之前，可使用滤波器来滤除负荷曲线的噪声点。存在大量滤波技术，诸如移动平均(MA)、平均中值滤波、一阶滞后滤波等，其中的每一个都可以在本文中使用。
然而，在本公开中，提出了一种可称为循环移动平均(LMA)的新滤波方法。MA方法本身是用于滤除随机噪声的众所周知的平滑化预测技术。但是本发明人注意到正规的MA方法仅仅执行移动滤波一次且其可能不会滤除所有的噪声点，许多噪声点仍然存在。为了增强正规MA方法，向这种方法中引入循环而形成LMA方法，其意指重复MA多次以获得比仅应用MA一次更好的效果。
虽然可以预先确定重复MA的次数，但在本公开中引入了迭代终止条件以避免由于MA的过多重复而对这些数据点进行过滤波(over-filtering)。接下来，将详细地描述MA计算和LMA的迭代终止条件。
移动平均(MA)计算
MA计算是用负荷曲线中的每个点及其最近相邻点的平均值来替换该点的值。
如果客户的每日负荷曲线用一组数据(或点)被表示为
L＝{P(1),P(2),…,P(n)} (1)
其中P(i)表示当日第i时段中的客户的负荷值，n指定每日的时间段的总数，则可以将MA之后的平滑化负荷计算为，
LMA的迭代终止条件
可以理解的是，过多的MA重复可能导致过度滤波和波形失真，这意味着趋势拐点很可能也被滤除。因此，需要迭代终止条件以将LMA的循环次数控制在合理水平。还可以认识到的是，MA的重复次数应是根据不同负荷曲线的自适应数目而不是预先指定值，并且有效的MA迭代应能够减少噪声点；否则，此MA循环应终止。因此，迭代终止条件可以是通过每次MA迭代，噪声点是否减少。
另一方面，本发明人注意到噪声点的减少将导致拐点的减少，并且计算拐点的数目比计算噪声点更为容易。因此，在本公开中，可以以更切合实际的方式，提出如下迭代终止条件：负荷数据的拐点的数目是否通过当前MA迭代而减少。
图3图示出根据本公开的实施方式的对负荷曲线的数据点执行LMA的过程。如图3中所示，首先在第一步骤S301处，计算负荷曲线的拐点的数目。然后在步骤S302处，对负荷曲线的数据点执行移动平均。在移动平均之后，在步骤S303处，再次地确定新负荷曲线的拐点的数目。接下来，在步骤S304处，将新确定的数目与先前的数目相比较以确定拐点的数目是否减小。如果是，则本方法返回至步骤S302并进入另一循环；否则，本方法结束并获得最终的经过滤波的负荷数据。
图4A至4C图示出示出了根据本公开的实施方式的MA和LMA的结果的比较的图。针对商业客户对在一天内每15分钟收集的其负荷数据执行提出的LMA。LMA技术在3次循环往复之后自动地终止，因为负荷曲线的拐点的数目通过第三循环往复不再减小。图4A图示出电力客户的原始负荷数据，图4B图示出用MA对数据点进行预处理的结果，并且图4C图示出用LMA对数据点进行预处理的结果。从图4显而易见的是，LMA可以在不使原始负荷曲线失真的情况下提供更好的滤波效果。
在获得经过滤波的负荷数据之后，可以例如对经过滤波的负荷数据执行DBSCAN。接下来，将关于距离矩阵以及两个聚类参数对基于密度的聚类进行详细描述。
距离矩阵
基于每个负荷点之间的距离来构造在此算法中使用的距离矩阵，其可用下式来表示：
DISTn×n＝{dist(i,j)|1≤i≤n,1≤j≤n} (3)
其中dist(i，j)是点i和j之间的距离，其通常被计算为在等式(4)中给出的欧几里德距离：
然而，在本公开中，dist(i，j)被定义为加权距离，可以将其写为：
以这种方式，可以将该距离的y距离分量扩展至与i和j的x距离相同的水平，其中x距离是i和j的平方差，并且y距离是P(i)和P(j)距离的扩展平方差。这是因为负荷数据在这种方法中被归一化，因此y轴中的负荷值在[0,1]内，而x轴中的时间间隔的值在[1，n]内，其比y维度的值大得多。在没有扩展的情况下，距离信号将深深地受x维度的影响，并且不能有效地反映有价值的y维度波动性信号。
聚类参数
在本公开中，在聚类中使用的两个参数包括MinPts以及扫描半径ε(eps)，其中MinPts即在集群中所需的数据点的最小数目或形成稠密区所需的数据点的最小数目)，扫描半径ε(eps)可以半自适应地确定。参数MinPts用来确定集群的最小尺寸。参数ε(eps)被用作用于扫描数据点的相邻数据点的半径。如果在扫描之后其包含不少于MinPts的足够点，则集群开始；否则，该点被标记为噪声，然而该点可以在另一点的足够尺寸的ε环境中被发现，并且成为另一集群的一部分。参数MinPts可被设定为在一个时刻内收集的负荷点的数目，其意味着如果负荷曲线是每15分钟收集的，则MinPts最好为4。这是因为负荷的峰值或谷值段常常持续超过一个小时，并且这种可能性是相当高的。在本公开中，基于电力客户的负荷曲线的点的K-距离来确定参数ε(eps)。K-距离是数据点与其最近的第K数据点的距离，其可以用等式(5)来计算。K可等于集群中所需的数据点的最小数目，例如4。
在本公开的示例性实施例中，可将这些数据点按其各自的K-距离定序，从而形成定序K-距离图。可以将参数ε(eps)设定为定序K-距离图中的转变点S的K-距离，在该转变点定序K-距离开始急剧变化。
通常，通过人工观察来确定S的位置和相应的ε(eps)。然而，由于电力客户数目巨大，这在本公开中并不是适当的。因此，为了自动地确定参数ε(eps)，如下提出了一种方法。
首选，如图5中所示，在定序K-距离图的起点与终点之间画一条连接线MN。然后，可以如下方式表示线MN，
Ax+By+C＝0 (6)
其中
B＝-1 (8)
C＝yM-AxM (9)
其次，使用等式6来计算从线MN至定序K-距离图的每个点的垂直距离D，
第三，将计算的这些垂直距离进行比较以找到具有与线MN的最大距离的转变点S。然后，将对应于点S的K-距离确定为适当是ε(eps)值，如图5中所示。
一旦获得上述距离矩阵和两个参数，就可以对其执行DBSCAN，并且可以容易地将峰值&谷值点进行聚类。以这种方式，可以获得正如图6中所示的峰值和/或谷值时段的一个或多个集群，其中由同一形状表示的数据点属于同一集群，并且具有圆圈形状的数据点是不属于任何集群的数据点。例如，用三角形表示的数据点属于集群1，用加号表示的数据点属于集群2等等。此外，还可以看到可以有效地识别适当的边界。因此，这种方法针对不同的负荷数据是自适应的，并且不需要预先指定参数。
在确定边界点之后，可以检测借助于边界点而被分割开的每段负荷曲线中的负荷曲线的趋势拐点，以便正如图2中的步骤S201所示，识别出电力客户的负荷波动性。
特别地，如图7中所示，首先在步骤S701处，基于如在步骤S201中确定的边界点来执行负荷曲线分割。换言之，可以将每个集群的起点和终点取作边界点以将负荷曲线分割成多个段。图8A示意性地图示出此负荷曲线分割操作。
然后在步骤S702处，在每个分段中检测原始拐点。特别地，可找到每个分段内的最大和最小值。如果最大和最小值是该段的边界点，则意味着在此段中不存在拐点，而如果存在并非该段的边界点的最大或最小值，则意味着在此段内存在拐点。如图8B中所示，找到六个原始拐点p1至p6。
找到的拐点p1至p6和用于分割曲线的边界点可用来表示负荷波动性。例如，可以对这些点执行线性内插，以形成客户的负荷波动性的趋势曲线。线性内插是一种已知内插方法，并且因此在本文中出于简化的目的将不进行详细阐述。图9A示意性地图示出通过执行线性内插实现的电力客户的负荷波动性的趋势曲线。
优选地，可在找到的拐点和边界点上执行分段线性内插(PLI)。特别地，可以首先对找到的拐点和边界点执行线性内插。然后识别具有相同趋势的相邻段。在相邻段之中，仅留下第一起点和最后的终点，并且省略所有中间拐点。也就是说，针对相邻段，保留第一段的起点和最后一段的终点并忽视所有其它点。然后，可再次地对其余点执行线性内插以获得表示客户的负荷波动性的主要波动的趋势曲线。在图9B中图示出客户的负荷波动性的示例性趋势曲线。
然而，本发明人注意到，在步骤S702中可能不会获得准确的趋势拐点，例如可能遗漏某些趋势拐点。为了获得更准确的负荷波动性，优选地，在步骤S703处，可以至少部分地通过使用新找到的拐点来将负荷曲线重新分割，并且可再次地执行找到拐点的过程。
可用不同的方式执行此过程。作为示例，可以使用在步骤S702处检测到的拐点和原始边界点来重新分割原始负荷曲线。此外，还可以仅使用检测到的拐点来将原始负荷曲线重新分割。然而，出于举例说明的目的，将提供用于此过程的示例性实施方式。在本公开的实施方式中，如果在步骤S702中在段中找到拐点，则此拐点将替换不具有最大值或最小值的边界点中的一个；或者换言之，该边界点将从原始的点移动至找到的拐点，如图8C中所示。
然后，在每个新分割的段内再执行检测拐点的操作以找到新的拐点。如图8D中所示，进一步找到新的拐点p7。以这种方式，可以进一步检测步骤702中的某些遗漏趋势点。这常常在原始集群中发生，其中包括超过一个拐点且这些拐点中的至少一个既不是最大值也不是最小值。
还可使用新检测到的拐点连同在步骤S702处找到的拐点一起来表示负荷波动性。可以认识到的是还可以重复步骤S703更多次以进一步降低遗漏拐点的可能性。然而，可认识到的是负荷波动性主要关注的是负荷图的主要波动且微小的变化可以忽视，并且因此执行步骤S703一次就足够的，因为其可以以非常高的概率检测到遗漏的重要拐点。
在检测到负荷曲线的趋势拐点之后，可以进一步对拐点和边界点执行线性内插，以连接这些点并形成表示客户的负荷曲线的波动的趋势曲线。图9C图示出通过对这些点执行线性内插而获得的电力客户的负荷波动性的结果趋势曲线。
另外，还可进行进一步操作以识别表示电力客户的负荷波动性的主要波动的主要趋势拐点。也就是说，可对这些检测拐点和边界点直径PLI而不仅仅是线性内插。因此，在线性内插之后，可能会检测到具有相同趋势的相邻段，因而可省略具有相同趋势的相邻段的中间点。以这种方式，可以仅保持表示电力客户的负荷波动性的主要波动的主要趋势拐点。图9D图示出电力客户的负荷波动性的示例性趋势曲线，从中可以看到，趋势曲线可以很好地表示主要波动的趋势，并且不包括与主要波动无关的其它信息。
利用本公开的实施方式，可基于每个电力客户的负荷数据来自动地确定用于分割负荷曲线的边界点而不是使用预定阈值，这可以提供用于负荷波动性的自适应自动识别的解决方案。此外，借助于LMA，其可尽可能多地滤除负荷数据的随机噪声。因此，可有效地滤除随机小变动，并且进而可大大地改善负荷波动性识别的性能。
另外，在本公开的实施方式中，还提供了一种用于提供电力客户的负荷波动性的系统，将参考图10来对其进行描述。如图10中所示，系统1000可包括至少一个处理器1010和存储计算机可执行指令1030的至少一个存储器1020。所述至少一个存储器1010和所述计算机可执行指令1030可被配置成利用所述至少一个处理器1020促使所述系统1000：通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类，自动地确定用于分割电力客户的负荷曲线的边界点；以及借助于确定的所述边界点来检测负荷曲线的趋势拐点，从而识别电力客户的负荷波动性。
在本公开的实施方式中，可基于聚类参数来执行基于密度的空间聚类，所述聚类参数包括在集群中需要的数据点的最小数目和扫描半径。
在本公开的另一实施例中，可基于电力客户的负荷曲线的点的K-距离来确定扫描半径，其中所述K-距离是数据点与其最近第K数据点的距离，并且K等于集群中所需的数据点的最小数目。
在本公开的另一实施例中，扫描半径可被确定为定序K-距离图中距离通过定序K-距离图的起点和终点的线最远的点的K-距离，其中定序K-距离图是由按K-距离定序的数据点的图。
在本公开的另一实施例中，集群中所需的数据点的最小数目可被定义为在一小时内收集的数据点的数目。
在本公开的另一实施例中，检测负荷曲线的趋势拐点可包括：检测基于确定的所述边界点而分割的负荷曲线的每个分段中的拐点。
在本公开的另一实施例中，检测负荷曲线的趋势拐点还可包括：检测通过至少部分地使用检测到的拐点而重新分割的负荷曲线的每个分段中的遗漏拐点。
在本公开的另一实施例中，其中系统1000可进一步被配置成在确定边界点之前重复地对电力客户的负荷曲线的数据点执行移动平均，直至负荷曲线的拐点的数目不减小为止。
在本公开的另一实施例中，系统1010被进一步配置成对边界点和检测到的拐点执行线性内插。
在本公开的另一实施例中，系统被进一步配置成通过省略具有相同趋势的相邻段的中间点来识别表示电力客户的负荷波动性的主要波动的主要趋势拐点。
此外，还提供了一种用于识别电力客户的负荷波动性的装置，将参考图11对其进行描述。如图11中所示，装置1100可包括：用于通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类、自动地确定用于分割电力客户的负荷曲线的边界点的部件1110；以及用于借助于确定的所述边界点来检测负荷曲线的趋势拐点，从而识别电力客户的负荷波动性的部件1120。
在本公开的实施方式中，用于确定边界点的部件1110可被配置成基于聚类参数来执行基于密度的空间聚类，所述聚类参数包括集群中所需的数据点的最小数目和扫描半径。
在本公开的另一实施例中，可基于电力客户的负荷曲线的点的K-距离来确定扫描半径，其中所述K-距离是数据点与其最近第K数据点的距离，并且K等于集群中所需的数据点的最小数目。
在本公开的另一实施例中，扫描半径可被确定为距离通过定序K-距离图的起点和终点的线最远的定序K-距离图的点的K-距离，其中定序K-距离图是由按K-距离定序的数据点形成的图。
在本公开的另一实施例中，集群中所需的数据点的最小数目可被定义为在一小时内收集的数据点的数目。
在本公开的另一实施例中，用于检测负荷曲线的趋势拐点的部件1120可被配置成检测基于确定的所述边界点而分割的负荷曲线的每个分段中的拐点。
在本公开的另一实施例中，用于检测负荷曲线的趋势拐点的部件1120可被进一步配置成检测通过至少部分地使用检测到的拐点而重新分割的负荷曲线的每段中的遗漏拐点。
在本公开的另一实施例中，装置1100还可包括用于在确定边界点之前重复地对电力客户的负荷曲线的数据点执行移动平均、直至负荷曲线的拐点的数目不减小为止的部件1130。
在本公开的另一实施例中，装置1100还可包括用于对边界点和检测到的拐点执行线性内插的部件1140。
在本公开的另一实施例中，用于执行线性内插的部件1140可被进一步配置成通过省略具有相同趋势的相邻段的中间端点来识别表示电力客户的负荷波动性的主要波动的主要趋势拐点。
另外，还提供了一种用于识别电力客户的负荷波动性的装置。图12示意性地图示出根据本公开的实施方式的用于配电网重配置的装置的框图。装置1200可包括：边界点确定模块1210，其被配置成通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类、自动地确定用于分割电力客户的负荷曲线的边界点；以及趋势点检测模块1220，其用于借助于确定的所述边界点来检测负荷曲线的趋势拐点，从而识别电力客户的负荷波动性。
在本公开的实施方式中，边界点确定模块1210可被配置成基于聚类参数来执行基于密度的空间聚类，所述聚类参数包括集群中所需的数据点的最小数目和扫描半径。
在本公开的另一实施例中，可基于电力客户的负荷曲线的点的K-距离来确定扫描半径，其中所述K-距离是数据点与其最近第K数据点的距离，并且K等于集群中所需的数据点的最小数目。
在本公开的另一实施例中，扫描半径可被确定为距离通过定序K-距离图的起点和终点的线最远的定序K-距离图的点的K-距离，其中定序K-距离图是由按K-距离定序的数据点形成的图。
在本公开的另一实施例中，集群中所需的数据点的最小数目可被定义为在一小时内收集的数据点的数目。
在本公开的另一实施例中，趋势拐点检测模块1220可被配置成检测基于确定的所述边界点而分割的负荷曲线的每个分段中的拐点。
在本公开的另一实施例中，趋势拐点检测模块1220可进一步被配置成检测通过至少部分地使用检测到的拐点而重新分割的负荷曲线的每个分段中的遗漏拐点。
在本公开的另一实施例中，装置1100还可包括循环移动平均模块1230，其被配置成在确定边界点之前重复地对电力客户的负荷曲线的数据点执行移动平均，直至负荷曲线的拐点的数目不减小为止。
在本公开的另一实施例中，所述装置1200还可包括用于对各段的边界点和检测到的拐点执行线性内插的分段线性内插1240。
在本公开的另一实施例中，所述分段线性内插1240可被进一步配置成通过省略具有相同趋势的相邻段的中间端点来识别表示电力客户的负荷波动性的主要波动的主要趋势拐点。
此外，提供了一种具有多个指令的有形计算机可读介质，所述多个指令可被处理器执行以管理电力网的负荷，该有形计算机可读介质可包括被配置成执行根据本公开方法的任何实施例的方法步骤的指令。
应注意的是包括在系统1000、装置1100以及装置1200中的各模型或部件的操作基本上对应于如前所述的各方法步骤。因此，关于系统1000、装置1100、装置1200中的各模型或部件的详细操作，请参阅参考图2至9进行的本公开方法的先前描述。
图13是通用计算机系统1300，其可以表示在本文中提及的任何计算设备。例如，通用计算机系统1300可以—部分地或整体地—表示控制中心、头端、综合网络运营和管理系统(NOMS)、故障、性能以及配置管理(FPCM)模块或在本文中提及的任何其它计算设备，诸如终端设备、仪表、遥测接口单元(TIU)、收集器和/或任何联网组件，诸如在本文中讨论的路由器、交换机或服务器。计算机系统1300可以包括可以被执行以促使计算机系统1300执行本文公开的方法或基于计算机功能中的任何一个或多个的一组指令1302的有序列表。计算机系统1300可以充当独立设备，或者可以例如使用网络115、125连接到其它计算机系统或外围设备。
在联网部署中，计算机系统1300可以在服务器的容量中或者作为服务器—客户端用户网络环境中的客户端用户计算机或者作为端对端(或分布式)网络环境中的对端计算机系统操作。还可以将计算机系统1300实现为各种设备或结合到各种设备，诸如个人计算机或移动计算设备，其能够执行指定将由该机器采取动作的一组指令1302，所述动作包括但不限于通过任何形式的浏览器来访问网络115、125。此外，所述的每个系统可以包括单独地或共同地执行一个或多个指令集以执行一个或多个计算机功能的子系统的任何集合。
计算机系统1300可以包括处理器1307，诸如中央处理单元(CPU)和/或图形处理单元(GPU)。处理器1307可以包括一个或多个通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列、数字电路、光学电路、模拟电路、其组合或用于解析和处理数据的其它现在已知或以后开发的设备。处理器1307可以实现指令集1302或其它软件程序，诸如用于实现逻辑功能的手动编程或计算机生成代码。所述的逻辑功能或任何系统元件除其它功能之外还可以处理诸如模拟电、音频或视频信号或其组合之类的音频数据源和/或将其转换成用于视听目的或其它数字处理目的(诸如与计算机处理或联网通信的兼容性)的数字数据源。
计算机系统1300可以包括用于传送信息的总线1320上的存储器1305。可以将可操作用于促使计算机系统执行本文所述的任何动作或操作的代码存储在存储器1305中。存储器1305可以是随机存取存储器、只读存储器、可编程存储器、硬盘驱动器或任何其它类型的易失性或非易失性存储器或存储设备。
计算机系统1300还可以包括磁盘、固态驱动光驱单元1315。磁盘驱动单元1315可以包括其中可以嵌入一个或多个指令集1302(例如软件)的非临时或有形计算机可读介质1340。此外，指令1302可执行如本文所述的操作中的一个或多个。指令1302在其被计算机系统1300执行期间可完全或至少部分地常驻于存储器1305内和/或处理器1307内。上述数据库或任何其它数据库可被存储在存储器1305和/或磁盘单元1315中。
存储器1305和处理器1307还可以包括如上文所讨论的计算机可读介质。“计算机可读介质”、“计算机可读存储介质”、“机器可读介质”、“传播信号介质”和/或“信号承载介质”可以包括包含、存储、传送、传播或输送软件以供指令可执行系统、装置或设备使用或与之结合使用的任何设备。机器可读介质可以选择性地但是不限于电子、磁性、光学、电磁、红外或半导体系统、装置、设备或传播介质。
另外，计算机系统1300可以包括输入设备1325，诸如键盘或鼠标，其被配置成用于用户与系统1300的任何组件相交互，包括显示菜单的用户选择或菜单条目。计算机系统1300还可以包括显示器1330，诸如液晶显示器(LCD)、阴极射线管(CRT)或适合于传送信息的任何其它显示器。显示器1330可以充当用于用户看到处理器1307运行的接口或者具体地充当与存储在存储器1305中的软件或驱动单元1315的接口。
计算机系统1300可以包括通信接口1336，其使得能够经由通信网络125进行通信。网络125可以包括有线网络、无线网络或其组合。通信接口1336网络可以使得能够经由任何数目的通信标准进行通信，诸如以太网AVB、802.11、802.13、802.20、WiMax或其它通信标准。
因此，可以用硬件、软件或硬件和软件的组合来实现系统。可以以集中式方式在至少一个计算机系统中或者在其中不同元件跨多个互连计算机系统散布的分布式方式实现该系统。适合于执行本文所述的方法的任何种类的计算机系统或其它装置都是适当的。硬件和软件的典型组合可以是具有计算机程序的通用计算机系统，该计算机程序在被加载和执行时控制计算机系统，使得其执行本文所述的方法。可以将此类编程计算机视为专用计算机。
如本文所述，任何模块或处理块被定义成包括可被处理器1307执行的软件、硬件或其某种组合。软件模块可以包括存储在存储器1305或其存储器设备中的可被处理器1307或其它处理器执行的指令。硬件模块可以包括被处理器1307可执行、指挥和/或控制以便执行的各种设备、组件、电路、门、电路板等。
还可以将系统嵌入计算机程序产品中，其包括使得能够实现本文所述操作且其在被加载在计算机系统中时能够执行这些操作的所有特征。本文中的计算机程序意指意图促使具有信息处理能力的系统直接地或在以下各项中的任一者或两者之后执行特定功能的一组指令的用任何语言、代码或注释的任何表达：a)到另一语言、代码或注释的转换；b)不同材料形式的再现。
到目前为止，已通过特定优选实施例参考附图描述了本公开。然而，应理解的是本公开不限于所示和提供的特定实施例，而是可以在本公开的范围内进行各种修改。
此外，可以用软件、硬件或其组合来实现本公开的实施方式。可以用专用逻辑来实现硬件组件；可以将软件部分存储在存储器中并由诸如微处理器或专用设计硬件之类的适当指令执行系统执行。本领域的技术人员可以认识到可以用包含在处理器中的计算机可执行指令和/或控制代码来实现上述方法和系统，例如在诸如磁盘、CD或DVD-ROM之类的承载介质或诸如只读存储器(固件)之类的可编程存储器或诸如光学或电信号载体之类的数据载体上提供的此类代码。可以用例如超大规模集成电路或门阵列之类的硬件电路、诸如逻辑芯片或晶体管之类的半导体或诸如现场可编程门阵列或可编程逻辑器件之类的可编程硬件器件来实现本实施例中的装置及其组件，或者用被各种处理器执行的软件实现，或者用上述硬件电路和软件的组合(例如，用固件)来实现。
虽然已描述了本公开的各种实施例，但对于本领域的技术人员而言将显而易见的是在本公开的范围内可以有许多实施例和实施方式。因此，本公开除根据所附权利要求及其等价物之外不受限制。
Claims (23)
1.一种用于识别电力客户的负荷波动性的系统，所述系统包括：
至少一个处理器；以及
至少一个存储器，其存储计算机可执行指令，
其中所述至少一个存储器和所述计算机可执行指令被配置成利用所述至少一个处理器促使所述系统：
通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类，自动地确定用于分割所述电力客户的所述负荷曲线的边界点；以及
借助于确定的所述边界点来检测所述负荷曲线的趋势拐点，从而识别所述电力客户的所述负荷波动性。
2.根据权利要求1所述的系统，其中所述基于密度的空间聚类是基于聚类参数来执行的，所述聚类参数包括在集群中需要的数据点的最小数目和扫描半径。
3.根据权利要求2所述的系统，其中所述扫描半径是基于所述电力客户的所述负荷曲线的点的K-距离来确定的，其中所述K-距离是数据点与其最近第K数据点的距离，并且K等于集群中所需的数据点的最小数目。
4.根据权利要求3所述的系统，其中所述扫描半径被确定为定序K-距离图中距离通过所述定序K-距离图的起点和终点的线最远的点的K-距离，其中所述定序K-距离图是由按K-距离定序的数据点形成的图。
5.根据权利要求2至4中的任一项所述的系统，其中集群中所需的数据点的最小数目被定义为在一个小时内收集的数据点的数目。
6.根据权利要求1至5中的任一项所述的系统，其中所述检测所述负荷曲线的趋势拐点包括：
检测基于确定的所述边界点而被分割的负荷曲线的每个分段中的拐点。
7.根据权利要求6所述的系统，其中所述检测所述负荷曲线的趋势拐点还包括：
检测通过至少部分地使用检测到的所述拐点而被重新分割的负荷曲线的每个分段中的遗漏拐点。
8.根据权利要求1至7中的任一项所述的系统，其中所述系统进一步被配置成在确定所述边界点之前重复地对所述电力客户的所述负荷曲线的所述数据点执行移动平均，直至所述负荷曲线的拐点的数目不减小为止。
9.根据权利要求1至8中的任一项所述的系统，其中所述系统被进一步配置成对所述边界点和检测到的所述拐点执行线性内插。
10.根据权利要求9所述的系统，其中所述系统被进一步配置成通过省略具有相同趋势的相邻段的中间端点来识别表示所述电力客户的负荷波动性的主要波动的主要趋势拐点。
11.一种用于识别电力客户的负荷波动性的方法，包括：
通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类，自动地确定用于分割所述电力客户的所述负荷曲线的边界点；以及
借助于确定的所述边界点来检测所述负荷曲线的趋势拐点，从而识别所述电力客户的所述负荷波动性。
12.根据权利要求11所述的方法，其中基于聚类参数来执行所述基于密度的空间聚类，所述聚类参数包括在集群中需要的数据点的最小数目和扫描半径。
13.根据权利要求12所述的方法，其中基于所述电力客户的所述负荷曲线的点的K-距离来确定所述扫描半径，其中所述K-距离是数据点与其最近第K数据点的距离，并且K等于集群中所需的数据点的最小数目。
14.根据权利要求13所述的方法，其中所述扫描半径被确定为定序K-距离图中距离通过所述定序K-距离图的起点和终点的线最远的点的K-距离，其中所述定序K-距离图是由按K-距离定序的数据点形成的图。
15.根据权利要求12至14中的任一项所述的方法，其中集群中所需的数据点的最小数目被定义为在一小时内收集的数据点的数目。
16.根据权利要求11至15中的任一项所述的方法，其中所述检测所述负荷曲线的趋势拐点包括：
检测基于确定的所述边界点而被分割的负荷曲线的每个分段中的拐点。
17.根据权利要求16所述的方法，其中所述检测所述负荷曲线的趋势拐点还包括：
检测通过至少部分地使用检测到的所述拐点而被重新分割的负荷曲线的每个分段中的遗漏拐点。
18.根据权利要求11至17中的任一项所述的方法，还包括：
在确定所述边界点之前重复地对所述电力客户的所述负荷曲线的数据点执行移动平均，直至所述负荷曲线的拐点的数目不减小为止。
19.根据权利要求11至18中的任一项所述的方法，还包括：
对所述边界点和检测到的所述拐点执行线性内插。
20.根据权利要求11至19中的任一项所述的系统，还包括：
通过省略具有相同趋势的相邻段的中间端点来识别表示所述电力客户的所述负荷波动性的主要波动的主要趋势拐点。
21.一种用于识别电力客户的负荷波动性的装置，包括：
用于通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类来自动地确定用于分割所述电力客户的所述负荷曲线的边界点的部件；以及
用于借助于确定的所述边界点来检测所述负荷曲线的趋势拐点，从而识别所述电力客户的所述负荷波动性的部件。
22.一种用于识别电力客户的负荷波动性的装置，包括：
边界点确定模块，其被配置成通过对电力客户的负荷曲线的数据点执行基于密度的空间聚类，自动地确定用于分割所述电力客户的所述负荷曲线的边界点；以及
趋势点检测模块，其被配置成借助于确定的所述边界点来检测所述负荷曲线的趋势拐点，从而识别所述电力客户的所述负荷波动性。
23.一种有形计算机可读介质，其具有多个指令，所述指令可被处理器执行以重配置配电网，所述有形计算机可读介质包括被配置成执行根据权利要求11至20中的任一项所述的方法的步骤的指令。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2014/077646 WO2015172374A1 (en) | 2014-05-16 | 2014-05-16 | System, method and apparatuses for identifying load volatility of a power customer and a tangible computer readable medium |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106462905A true CN106462905A (zh) | 2017-02-22 |
| CN106462905B CN106462905B (zh) | 2021-12-21 |
Family
ID=54479193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201480078906.3A Active CN106462905B (zh) | 2014-05-16 | 2014-05-16 | 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11069009B2 (zh) |
| CN (1) | CN106462905B (zh) |
| WO (1) | WO2015172374A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804386A (zh) * | 2018-07-09 | 2018-11-13 | 东北电力大学 | 一种电力系统负荷裕度的并行化计算方法 |
| CN111311431A (zh) * | 2020-01-19 | 2020-06-19 | 国网福建省电力有限公司经济技术研究院 | 一种基于分段斜率的负荷曲线形态聚类方法 |
| CN112464794A (zh) * | 2020-11-25 | 2021-03-09 | 易方达基金管理有限公司 | 基于图像的波动趋势识别方法、装置、计算机设备和介质 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596362B (zh) * | 2018-03-22 | 2021-12-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
| US11474978B2 (en) | 2018-07-06 | 2022-10-18 | Capital One Services, Llc | Systems and methods for a data search engine based on data profiles |
| US11615208B2 (en) | 2018-07-06 | 2023-03-28 | Capital One Services, Llc | Systems and methods for synthetic data generation |
| 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 |
| CN111950620A (zh) * | 2020-08-07 | 2020-11-17 | 国网能源研究院有限公司 | 基于DBSCAN和K-means算法的用户筛选方法 |
| CN114439473A (zh) * | 2020-11-03 | 2022-05-06 | 中国石油天然气股份有限公司 | 油田开发阶段的划分处理方法及装置 |
| CN113780452A (zh) * | 2021-09-16 | 2021-12-10 | 国网北京市电力公司 | 独居群体的监控方法、监控装置以及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325071A (zh) * | 2013-06-09 | 2013-09-25 | 浙江大学 | 一种基于密度聚类的用户典型负荷曲线的构建方法 |
| CN103577883A (zh) * | 2013-11-18 | 2014-02-12 | 国家电网公司 | 一种网-荷智能互动方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030014507A1 (en) * | 2001-03-13 | 2003-01-16 | International Business Machines Corporation | Method and system for providing performance analysis for clusters |
| TWI391837B (zh) * | 2009-09-23 | 2013-04-01 | Univ Nat Pingtung Sci & Tech | 基於密度式之資料分群方法 |
| US9190844B2 (en) * | 2012-11-04 | 2015-11-17 | Bao Tran | Systems and methods for reducing energy usage |
| WO2013067061A2 (en) * | 2011-10-31 | 2013-05-10 | Siemens Corporation | Simulating customer behavior for demand response |
| US10043224B2 (en) * | 2012-08-10 | 2018-08-07 | Itron, Inc. | Unified framework for electrical load forecasting |
| WO2014040260A1 (en) * | 2012-09-13 | 2014-03-20 | Accenture Global Services Limited | Method, system and apparatus for load shaving of a power grid and a tangible computer readable medium |
| US20140188563A1 (en) * | 2012-12-27 | 2014-07-03 | International Business Machines Corporation | Customer demographic data change detection based on monitored utility consumption |
-
2014
- 2014-05-16 WO PCT/CN2014/077646 patent/WO2015172374A1/en active Application Filing
- 2014-05-16 US US15/311,819 patent/US11069009B2/en active Active
- 2014-05-16 CN CN201480078906.3A patent/CN106462905B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325071A (zh) * | 2013-06-09 | 2013-09-25 | 浙江大学 | 一种基于密度聚类的用户典型负荷曲线的构建方法 |
| CN103577883A (zh) * | 2013-11-18 | 2014-02-12 | 国家电网公司 | 一种网-荷智能互动方法及装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804386A (zh) * | 2018-07-09 | 2018-11-13 | 东北电力大学 | 一种电力系统负荷裕度的并行化计算方法 |
| CN108804386B (zh) * | 2018-07-09 | 2022-03-29 | 东北电力大学 | 一种电力系统负荷裕度的并行化计算方法 |
| CN111311431A (zh) * | 2020-01-19 | 2020-06-19 | 国网福建省电力有限公司经济技术研究院 | 一种基于分段斜率的负荷曲线形态聚类方法 |
| CN111311431B (zh) * | 2020-01-19 | 2022-05-13 | 国网福建省电力有限公司经济技术研究院 | 一种基于分段斜率的负荷曲线形态聚类方法 |
| CN112464794A (zh) * | 2020-11-25 | 2021-03-09 | 易方达基金管理有限公司 | 基于图像的波动趋势识别方法、装置、计算机设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11069009B2 (en) | 2021-07-20 |
| WO2015172374A1 (en) | 2015-11-19 |
| US20170083990A1 (en) | 2017-03-23 |
| CN106462905B (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106462905A (zh) | 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质 | |
| WO2020252784A1 (zh) | 电力负荷数据的预测方法、装置及存储介质 | |
| US20230143654A1 (en) | Method for smart gas pipeline network inspection and internet of things system thereof | |
| US20190296547A1 (en) | Monitoring electrical substation networks | |
| US20210019557A1 (en) | System for distributed data processing using clustering | |
| CN108833144B (zh) | 一种基于聚类统计模型的智能电表集中器选址方法 | |
| CN103646238A (zh) | 指纹方向场的估计方法和装置 | |
| CN107316308A (zh) | 一种基于改进的多路谱聚类算法的清洁机器人地图分割方法 | |
| Qin et al. | Cloud-based data analytics framework for autonomic smart grid management | |
| CN117767250A (zh) | 基于故障监测的直流微电网协调控制方法及系统 | |
| CN117081240A (zh) | 一种基于多接入边缘计算技术的电网融合控制方法及系统 | |
| CN109389522B (zh) | 一种柔性负荷的能量区块化方法及系统 | |
| CN113625770B (zh) | 基于飞行无人机对光伏电站进行巡检的自主导航规划方法及装置 | |
| CN115795756A (zh) | 光伏电站的区域划分方法、装置及设备 | |
| CN112926777B (zh) | 考虑商业建筑用能行为的日前负荷预测方法及系统 | |
| Sousa et al. | Knowledge-based decision intelligence in street lighting management | |
| CN108427742A (zh) | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 | |
| CN109861893B (zh) | 一种基于系统总线的通信方法、装置及系统 | |
| Singh et al. | Novel optimal deployment of sensor nodes using bio inspired algorithm | |
| CN103473362B (zh) | 数据迁移的方法、系统和接收端口模块 | |
| US20220058308A1 (en) | Power supply network design method and apparatus, and storage medium | |
| KR102507185B1 (ko) | 전력 계통 클러스터링 방법 및 장치 | |
| CN116979532B (zh) | 一种电力系统动态状态估计可观性评估方法和系统 | |
| CN104765777B (zh) | 一卡通rfid数据转化为过程事件日志的方法和系统 | |
| Engländer et al. | A methodology to realize energy-related use cases for a cloud-based smart energy management |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |