CN107392678A - 一种电价制定方法及系统 - Google Patents
一种电价制定方法及系统 Download PDFInfo
- Publication number
- CN107392678A CN107392678A CN201710742295.3A CN201710742295A CN107392678A CN 107392678 A CN107392678 A CN 107392678A CN 201710742295 A CN201710742295 A CN 201710742295A CN 107392678 A CN107392678 A CN 107392678A
- Authority
- CN
- China
- Prior art keywords
- mrow
- user
- load
- msub
- matrix
- 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
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims abstract description 145
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000009499 grossing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000011068 loading method Methods 0.000 abstract 2
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013468 resource allocation Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电价制定方法及系统,包括:利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵;从总负荷数据矩阵中随机抽取k个平滑负荷矩阵作为初始聚类中心,得到聚类中心集;利用K‑means算法,计算每个用户的平滑负荷矩阵与各个初始聚类中心之间的距离,利用改进的相似度识别函数,将每个负荷数据矩阵分类到各个初始聚类中心,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群;利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价;改进的相似度识别函数为:本申请提高聚类识别效果,使用户群更加精准,能够更加精准进行定价。
Description
技术领域
本发明涉及电力系统领域,特别涉及一种电价制定方法及系统。
背景技术
随着电力用户的增加、产业结构的变化以及生活水平的提升导致发电资产、扩容投资等都显著增加,为了能够实时反映市场风险、能源结构成本、经济水平及电力资源配置等因素的真实情况,通过电价体现真实的供电成本,实现电力价值的传递,基于长期边际成本形成的边际成本定价法应运而生。正是由于该方法能够真实地反映不同供电电压、不同负荷特性的用户的实际供电成本,所以后期以边际成本为基础的定价方法深受世界各国电力市场认可。如欧洲国家中的法国、英国、德国、意大利、瑞典等已相继采用,而我国早些年在电价制定中也引用了该方法,并且基于该方法不断改进与创新。
现有技术中,基于边际成本定价的改进方法大都是立足于供电公司或发电公司的角度,而在新一轮电力市场改革背景下,售电公司作为售电主体将是主要的市场交易参与者,现有方法制定的单一形式分时电价无法满足售电公司为增强粘性吸引用户以抢占市场份额、提升市场竞争力的需求;其次,现有方法制定的分时电价下,电力用户仍处于不可控的高峰断电、拉闸限电的被动式用电中,电力价格机制无法体现充分开放用户选择权、电力消费者上帝的自主式用电;最后,现有改进方法中对用户特性及用电负荷分类的处理稍有不足,如对用户历史数据直接通过聚类算法进行负荷特性提取将无法达到满意的精确度,即使后期再度改进利用几何欧式距离的方法依旧存在负荷曲线值相似而无法保证负荷曲线趋势连续性变化形相似的不足。
因此,如何提供一种聚类识别效果好,更够更加精准的为不同用户类型用户定价的方法,成为了本领域技术人员需要克服的难题。
发明内容
有鉴于此,本发明的目的在于提供一种电价制定方法及系统,以提供聚类识别效果更好,更够更加精准的为不同用户类型用户定价的方法。其具体方案如下:
一种电价制定方法,包括:
利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,其中,所述总负荷数据矩阵包括多个用户的负荷数据矩阵进行高斯平滑处理后得到的平滑负荷矩阵;
从所述总负荷数据矩阵中随机抽取k个平滑负荷矩阵作为初始聚类中心,得到聚类中心集,其中,k为正整数;
利用K-means算法,计算所述总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,并利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群;
在满足目标函数的约束条件下,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,所述改进的相似度识别函数为:
式中,S(cx,cy)表示用户x的平滑负荷矩阵cx与用户y的平滑负荷矩阵cy之间的相似度,μ和ν均为权重系数,μ+ν=1,ωi为数据序列第i维元素的权重,且ωi∈[0,1],n表示日负荷划分的时段间隔数,diffi表示差分序列中第i个元素对应的用电负荷,表示负荷差分序列的均值,cx(i)表示用户x的平滑负荷矩阵cx中第i个元素,cy(i)表示用户y的平滑负荷矩阵cy中第i个元素。
可选的,所述并利用改进的相似度识别函数进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群的过程,包括:
利用所述改进的相似度识别函数求出每个用户的平滑负荷矩阵到各个初始聚类中心的相似度;
将每个用户的平滑负荷矩阵划分到相似度最高的初始聚类中心,得到k个初始用户群;
每个初始用户群利用所述中心点计算公式,计算出新聚类中心;
判断k个初始用户群各自的新聚类中心是否等于相应的初始聚类中心,如果不等于,则以新聚类中心为聚类中心,再次利用所述改进的相似度识别函数进行聚类,直到用户群的新聚类中心等于相应的初始聚类中心,最后得到k个以初始聚类中心为中心点的用户群;
其中,所述中心点计算公式为:
式中,ck'表示各类采样点所有维度的算数平均数,即是该用户群的新中心,cx'(i)表示同属一个用户群中平滑负荷矩阵的第i个元素。
可选的,所述高斯核函数为:
式中,σ为用户x的平滑负荷矩阵的方差,是曲线平滑程度的调节函数,x'为平滑曲线的数据矩阵。
可选的,所述约束条件,包括:
成本与承受力约束公式:
用户效益约束公式:Pfk·Wfk+Ppk·Wpk+Pgk·Wgk≤Pff·Wfk+Ppp·Wpk+Pgg·Wgk;
式中:Pf min、Pf max、Pp min、Pp max、Pg min、Pg max为分时电价制定中给予的最高电价与最低电价的阈值;Pff、Ppp、Pgg为供电企业为用户用电制定的统一峰平谷电价。
可选的,所述利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价的过程,包括:
利用基于峰谷差最小、峰值最小和售电利润生成的所述分时电价决策模型,利用加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,所述分时电价决策模型为:
式中,α、β、γ分别为售电公司利润、峰值最小、峰谷差最小的权重系数,且α+β+γ=1,F表示用户群的分时电价,f3表示售电利润,f2表示峰值最小,f1表示峰谷差最小。
可选的,所述售电利润为:
所述峰值最小为:
所述峰谷差最小为:
式中,表示不同种类用户的典型日负荷曲线中的峰时、平时、谷时对应的负荷,表示综合负荷曲线中的极大峰值负荷,表示综合负荷曲线中的极小谷值负荷,Pf0、Pp0、Pg0表示售电公司根据统一出清价差在市场购买负荷的峰平谷分时电价,Wfy、Wpy、Wgy表示售电公司第y类型用户群体峰平谷各时段所用的负荷量,Pfy、Ppy、Pgy表示售电公司制定的第y类型用户群体对应的峰平谷分时电价。
本发明还公开了一种电价制定系统,包括:
去噪模块,用于利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,其中,所述总负荷数据矩阵包括多个用户的负荷数据矩阵进行高斯平滑处理后得到的平滑负荷矩阵;
中心抽取模块,用于从所述总负荷数据矩阵中随机抽取k个平滑负荷矩阵作为初始聚类中心,得到聚类中心集,其中,k为正整数;
聚类迭代模块,用于利用K-means算法,计算所述总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,并利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群;
电价计算模块,用于在满足目标函数的约束条件下,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,所述改进的相似度识别函数为:
式中,S(cx,cy)表示用户x的平滑负荷矩阵cx与用户y的平滑负荷矩阵cy之间的相似度,μ和ν均为权重系数,μ+ν=1,ωi为数据序列第i维元素的权重,且ωi∈[0,1],n表示日负荷划分的时段间隔数,diffi表示差分序列中第i个元素对应的用电负荷,表示负荷差分序列的均值,cx(i)表示用户x的平滑负荷矩阵cx中第i个元素,cy(i)表示用户y的平滑负荷矩阵cy中第i个元素。
可选的,所述聚类迭代模块,包括:
相似度计算单元,用于利用所述改进的相似度识别函数求出每个用户的平滑负荷矩阵与各个初始聚类中心的相似度;
初始聚类单元,用于将每个用户的平滑负荷矩阵划分到相似度最高的初始聚类中心,得到k个初始用户群;
中心点计算单元,用于每个初始用户群利用所述中心点计算公式,计算出新聚类中心;
判断单元,用于判断k个初始用户群各自的新聚类中心是否等于相应的初始聚类中心;
迭代聚类单元,用于如果不等于,则以新聚类中心为聚类中心,再次利用所述改进的相似度识别函数进行聚类,直到用户群的新聚类中心等于相应的初始聚类中心,最后得到k个以初始聚类中心为中心点的用户群;
其中,所述中心点计算公式为:
式中,ck'表示各类采样点所有维度的算数平均数,即是该用户群的新中心,cx'(i)表示同属一个用户群中平滑负荷矩阵的第i个元素。
可选的,所述电价计算模块,具体用于利用基于峰谷差最小、峰值最小和售电利润生成的所述分时电价决策模型,利用加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,所述分时电价决策模型为:
式中,α、β、γ分别为售电公司利润、峰值最小、峰谷差最小的权重系数,且α+β+γ=1,F表示用户群的分时电价,f3表示售电利润,f2表示峰值最小,f1表示峰谷差最小。
本发明中,电价制定方法,包括:利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,其中,总负荷数据矩阵包括多个用户的负荷数据矩阵进行高斯平滑处理后得到的平滑负荷矩阵;从总负荷数据矩阵中随机抽取k个平滑负荷矩阵作为初始聚类中心,得到聚类中心集,其中,k为正整数;利用K-means算法,计算总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,并利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群;在满足目标函数的约束条件下,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价;其中,改进的相似度识别函数为:式中,S(cx,cy)表示用户x的平滑负荷矩阵cx与用户y的平滑负荷矩阵cy之间的相似度,μ和ν均为权重系数,μ+ν=1,ωi为数据序列第i维元素的权重,且ωi∈[0,1],n表示日负荷划分的时段间隔数,diffi表示差分序列中第i个元素对应的用电负荷,表示负荷差分序列的均值,cx(i)表示用户x的平滑负荷矩阵cx中第i个元素,cy(i)表示用户y的平滑负荷矩阵cy中第i个元素。
本发明利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,去除噪声,利用K-means算法,计算总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,由于使得用户类型的分类更加准确,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价,从而得到不同用户群各自的分时电价,提高聚类识别效果,使用户群更加精准,售电公司能够更加精准的对不同的用户群进行定价。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施公开的一种电价制定方法流程示意图;
图2为本发明实施公开的一种电价制定系统结构示意图。
具体实施方式
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,所描述的实施例仅仅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他实施例,都属于本发明保护的范围。
本发明实施例公开了一种电价制定方法,参见图1所示,该方法包括:
步骤S11:利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,其中,总负荷数据矩阵包括多个用户的负荷数据矩阵进行高斯平滑处理后得到的平滑负荷矩阵。
具体的,考虑到受软硬件故障、突发性恶劣气候、自然灾害、通信中断等干扰对于数据采集的影响,不可避免在用户终端的智能表计通信网络及智能电表甚至是计量系统检测到数据存在失真现象,导致用户历史用电数据存在“噪声”,为了得到更好地聚类效果,利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,其中,总负荷数据矩阵包括多个用户的负荷数据矩阵进行高斯平滑处理后得到的平滑负荷矩阵。
例如,某售电公司拥有电力用户总数为m,电力用户x的负荷用电数据矩阵为Cx=[Cx(1),Cx(2)…,Cx(i),…,Cx(n)],n为日负荷划分的时段间隔数,i为时间间隔数中的某个元素,x表示某个用户,对所有m位用户典型用电数据进行高斯平滑处理后的总负荷数据矩阵为csmooth=[c1,c2…,cx,…,cm]T。
步骤S12:从总负荷数据矩阵中随机抽取k个平滑负荷矩阵作为初始聚类中心,得到聚类中心集,其中,k为正整数。
例如,总负荷数据矩阵中包括100个用户的平滑负荷矩阵,从中抽取10个用户的平滑负荷矩阵作为初始聚类中心,10个用户的平滑负荷矩阵组成聚类中心集。
步骤S13:利用K-means算法,计算总负荷数据矩阵中每个用户的负荷数据矩阵与聚类中心集中各个初始聚类中心之间的距离,并利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群。
具体的,利用K-means算法,计算总负荷数据矩阵中每个用户的负荷数据矩阵与聚类中心集中各个初始聚类中心之间的距离,并利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,使每个用户的负荷数据矩阵分别归属到不同的初始聚类中心,得到初始用户群,利用中心点计算公式,重新计算初始用户群的聚类中心,以新聚类中心为初始用户群的聚类中心,并重复此过程,进行多次迭代聚类,直到新聚类中心等于初始聚类中心,提高了每个用户群的聚类程度,从而保证每个用户群包括的用户种类正确,最后得到k个根据初始聚类中心进行划分的用户群。
例如,总负荷数据矩阵中包括100个用户的平滑负荷矩阵,从中抽取10个用户的平滑负荷矩阵作为初始聚类中心,10个用户的平滑负荷矩阵组成聚类中心集,利用K-means算法计算出第一用户平滑负荷矩阵到第一初始聚类中心至第十初始聚类中心的距离,利用改进的相似度识别函数判断第一用户平滑负荷矩阵与第一初始聚类中心至第十初始聚类中心那个初始聚类中心相似度最高,若与第七初始聚类中心相似度最高,则第一用户平滑负荷矩阵归属到第七初始聚类中心,完成第一次迭代;利用中心点计算公式再次计算初始用户群的聚类中心,以新聚类中心为初始用户群的聚类中心,再次进行聚类,再次计算出新聚类中心,直至新聚类中心等于初始聚类中心,得到k个根据初始聚类中心进行划分的用户群。
其中,改进的相似度识别函数为:
式中,S(cx,cy)表示用户x的负荷数据矩阵cx与用户y的负荷数据矩阵cy之间的相似度,μ和ν均为权重系数,μ+ν=1,ωi为数据序列第i维元素的权重,且ωi∈[0,1],n表示负荷数据矩阵包括的元素总个数,diffi表示差分序列中第i个元素对应的用电负荷,表示负荷差分序列的均值,cx(i)表示用户x的负荷数据矩阵cx中第i个元素,cy(i)表示用户y的负荷数据矩阵cy中第i个元素。
需要说明的是,改进的相似度识别函数是根据欧氏距离公式法和序列间的查分均分差结合得到的。
其中,欧式距离公式法其主要思想是以几何平均距离作为依据来衡量研究对象的相似性,是一种静态的分析方法,适用于研究对象的静态分析;
欧式距离公式为:
式中,dxy是指用户x的负荷数据矩阵cx与用户y的负荷数据矩阵cy之间的欧氏距离。
其中,序列均方差通过数学方差动态地刻画时间序列相对于平均值离散的程度,可有效地研究时间序列的动态轮廓特征。差分序列是对用户用电数量序列线性平移得到的,然后将差分序列作为均方差的标准评判,如下:
差分序列公式:
式中:Diff(cx-cy)为两历史负荷数据的时间差分序列;diffi为差分序列中第i个元素对应的用电负荷。
差分序列均值公式:
均方差公式:
式中:为负荷差分序列的均值;σ(Diff)为负荷差分序列的均方差,在聚类中作为相似度识别的差分指标。
分析可知,由于时间差分序列具有方向性,且用电数据的时间序列形态Diff与负荷差分序列的均值接近,可表明两研究对象的形态具有高度相似性;此外,方差的数学特性能够描述反向变化趋势(离散程度),当用电数据的时间序列形态Diff与负荷差分序列的均值变化方向不一致时,均方差的数值变化将能够很好地刻画曲线的方向趋势,可见序列间的均方差方法能够在描述数据序列的“形相似”具备良好的效用,结合欧式距离具备很好的“值相似”效用,得出改进的相似度识别函数。
可见,改进的相似度识别函数包含两部分,第一部分序列间差分均方差表示负荷数据序列之间的“形相似”度,第二部分欧式距离表示“值相似”度,并通过权重系数将其进行有机组合,即可实现根据聚类划分需求做相应权重的调整,以达到所需的聚类识别效果。
步骤S14:在满足目标函数的约束条件下,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价。
具体的,分析常见多目标求解方法可知,多目标很难同时达到最优,求解的多目标最优解一般是在牺牲某个或多个目标的全局最优解而得到的综合最优解,因此,为得到更精准的最优解,对多目标模型归一化后,用加权法引入目标函数的权重系数将多目标转化为单目标求解问题,从而在满足目标函数的约束条件下,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价。
可见,本发明实施例中利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,去除噪声,利用K-means算法,计算总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,由于使得用户类型的分类更加准确,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价,从而得到不同用户群各自的分时电价,提高聚类识别效果,使用户群更加精准,售电公司能够更加精准的对不同的用户群进行定价。
本发明实施例公开了一种具体的电价制定方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
上一实施例中,利用改进的相似度识别函数进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群的过程,可以具体包括步骤S21至步骤S24:
步骤S21:利用改进的相似度识别函数求出每个用户的平滑负荷矩阵到各个初始聚类中心的相似度。
步骤S22:将每个用户的平滑负荷矩阵划分到相似度最高的初始聚类中心,得到k个初始用户群。
步骤S23:每个初始用户群利用中心点计算公式,计算出新聚类中心。
其中,中心点计算公式为:
式中,ck'表示各类采样点所有维度的算数平均数,即是该用户群的新中心,cx'(i)表示同属一个用户群中平滑负荷矩阵的第i个元素。
步骤S24:判断k个初始用户群各自的新聚类中心是否等于相应的初始聚类中心,如果不等于,则以新聚类中心为聚类中心,再次利用改进的相似度识别函数进行聚类,直到用户群的新聚类中心等于相应的初始聚类中心,最后得到k个以初始聚类中心为中心点的用户群。
本发明实施例中,高斯核函数可以具体为:
式中,σ为用户x的平滑负荷矩阵的方差,是曲线平滑程度的调节函数,x'为平滑曲线的数据矩阵。
本发明实施例中,目标函数的约束条件包括:
成本与承受力约束公式:
用户效益约束公式:Pfk·Wfk+Ppk·Wpk+Pgk·Wgk≤Pff·Wfk+Ppp·Wpk+Pgg·Wgk;
式中:Pf min、Pf max、Pp min、Pp max、Pg min、Pg max为分时电价制定中给予的最高电价与最低电价的阈值;Pff、Ppp、Pgg为供电企业为用户用电制定的统一峰平谷电价。
上一实施例中,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价的具体过程,为利用基于峰谷差最小、峰值最小和售电利润生成的分时电价决策模型,利用加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,分时电价决策模型为:
式中,α、β、γ分别为售电公司利润、峰值最小、峰谷差最小的权重系数,且α+β+γ=1,F表示用户群的分时电价,f3表示售电利润,f2表示峰值最小,f1表示峰谷差最小。
其中,售电利润为:
峰值最小为:
峰谷差最小为:
式中,表示不同种类用户的典型日负荷曲线中的峰时、平时、谷时对应的负荷,表示综合负荷曲线中的极大峰值负荷,表示综合负荷曲线中的极小谷值负荷,Pf0、Pp0、Pg0表示售电公司根据统一出清价差在市场购买负荷的峰平谷分时电价,Wfy、Wpy、Wgy表示售电公司第y类型用户群体峰平谷各时段所用的负荷量,Pfy、Ppy、Pgy表示售电公司制定的第y类型用户群体对应的峰平谷分时电价。
相应的,本发明实施例还公开了一种电价制定系统,参见图2所示,该系统包括:
去噪模块11,用于利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,其中,总负荷数据矩阵包括多个用户的负荷数据矩阵进行高斯平滑处理后得到的平滑负荷矩阵。
具体的,高斯核函数为:
式中,σ为用户x的平滑负荷矩阵的方差,是曲线平滑程度的调节函数,x'为平滑曲线的数据矩阵。
中心抽取模块12,用于从总负荷数据矩阵中随机抽取k个平滑负荷矩阵作为初始聚类中心,得到聚类中心集,其中,k为正整数。
聚类迭代模块13,用于利用K-means算法,计算总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,并利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群。
电价计算模块14,用于在满足目标函数的约束条件下,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价。
其中,改进的相似度识别函数为:
式中,S(cx,cy)表示用户x的平滑负荷矩阵cx与用户y的平滑负荷矩阵cy之间的相似度,μ和ν均为权重系数,μ+ν=1,ωi为数据序列第i维元素的权重,且ωi∈[0,1],n表示日负荷划分的时段间隔数,diffi表示差分序列中第i个元素对应的用电负荷,表示负荷差分序列的均值,cx(i)表示用户x的平滑负荷矩阵cx中第i个元素,cy(i)表示用户y的平滑负荷矩阵cy中第i个元素。
其中,约束条件,具体包括:
成本与承受力约束公式:
用户效益约束公式:Pfk·Wfk+Ppk·Wpk+Pgk·Wgk≤Pff·Wfk+Ppp·Wpk+Pgg·Wgk;
式中:Pf min、Pf max、Pp min、Pp max、Pg min、Pg max为分时电价制定中给予的最高电价与最低电价的阈值;Pff、Ppp、Pgg为供电企业为用户用电制定的统一峰平谷电价。
可见,本发明实施例中利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,去除噪声,利用K-means算法,计算总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,由于使得用户类型的分类更加准确,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价,从而得到不同用户群各自的分时电价,提高聚类识别效果,使用户群更加精准,售电公司能够更加精准的对不同的用户群进行定价。
本发明实施例中,聚类迭代模块13,可以包括相似度计算单元、初始聚类单元、中心点计算单元、判断单元和迭代聚类单元;其中,
相似度计算单元,用于利用改进的相似度识别函数求出每个用户的平滑负荷矩阵与各个初始聚类中心的相似度;
初始聚类单元,用于将每个用户的平滑负荷矩阵划分到相似度最高的初始聚类中心,得到k个初始用户群;
中心点计算单元,用于每个初始用户群利用中心点计算公式,计算出新聚类中心;
判断单元,用于判断k个初始用户群各自的新聚类中心是否等于相应的初始聚类中心;
迭代聚类单元,用于如果不等于,则以新聚类中心为聚类中心,再次利用改进的相似度识别函数进行聚类,直到用户群的新聚类中心等于相应的初始聚类中心,最后得到k个以初始聚类中心为中心点的用户群;
其中,中心点计算公式为:
式中,ck'表示各类采样点所有维度的算数平均数,即是该用户群的新中心,cx'(i)表示同属一个用户群中平滑负荷矩阵的第i个元素。
上述电价计算模块14,具体用于利用基于峰谷差最小、峰值最小和售电利润生成的分时电价决策模型,利用加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,分时电价决策模型为:
式中,α、β、γ分别为售电公司利润、峰值最小、峰谷差最小的权重系数,且α+β+γ=1,F表示用户群的分时电价,f3表示售电利润,f2表示峰值最小,f1表示峰谷差最小。
其中,售电利润为:
峰值最小为:
峰谷差最小为:
式中,表示不同种类用户的典型日负荷曲线中的峰时、平时、谷时对应的负荷,表示综合负荷曲线中的极大峰值负荷,表示综合负荷曲线中的极小谷值负荷,Pf0、Pp0、Pg0表示售电公司根据统一出清价差在市场购买负荷的峰平谷分时电价,Wfy、Wpy、Wgy表示售电公司第y类型用户群体峰平谷各时段所用的负荷量,Pfy、Ppy、Pgy表示售电公司制定的第y类型用户群体对应的峰平谷分时电价。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本发明所提供的一种电价制定方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种电价制定方法,其特征在于,包括:
利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,其中,所述总负荷数据矩阵包括多个用户的负荷数据矩阵进行高斯平滑处理后得到的平滑负荷矩阵;
从所述总负荷数据矩阵中随机抽取k个平滑负荷矩阵作为初始聚类中心,得到聚类中心集,其中,k为正整数;
利用K-means算法,计算所述总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,并利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群;
在满足目标函数的约束条件下,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,所述改进的相似度识别函数为:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>min</mi>
<mo>{</mo>
<mi>&mu;</mi>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>diff</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<mi>v</mi>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>c</mi>
<mi>x</mi>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>c</mi>
<mi>y</mi>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>}</mo>
<mo>;</mo>
</mrow>
式中,S(cx,cy)表示用户x的平滑负荷矩阵cx与用户y的平滑负荷矩阵cy之间的相似度,μ和ν均为权重系数,μ+ν=1,ωi为数据序列第i维元素的权重,且ωi∈[0,1],n表示日负荷划分的时段间隔数,diffi表示差分序列中第i个元素对应的用电负荷,表示负荷差分序列的均值,cx(i)表示用户x的平滑负荷矩阵cx中第i个元素,cy(i)表示用户y的平滑负荷矩阵cy中第i个元素。
2.根据权利要求1所述的电价制定方法,其特征在于,所述并利用改进的相似度识别函数进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群的过程,包括:
利用所述改进的相似度识别函数求出每个用户的平滑负荷矩阵到各个初始聚类中心的相似度;
将每个用户的平滑负荷矩阵划分到相似度最高的初始聚类中心,得到k个初始用户群;
每个初始用户群利用所述中心点计算公式,计算出新聚类中心;
判断k个初始用户群各自的新聚类中心是否等于相应的初始聚类中心,如果不等于,则以新聚类中心为聚类中心,再次利用所述改进的相似度识别函数进行聚类,直到用户群的新聚类中心等于相应的初始聚类中心,最后得到k个以初始聚类中心为中心点的用户群;
其中,所述中心点计算公式为:
式中,ck'表示各类采样点所有维度的算数平均数,即是该用户群的新中心,cx'(i)表示同属一个用户群中平滑负荷矩阵的第i个元素。
3.根据权利要求1所述的电价制定方法,其特征在于,所述高斯核函数为:
式中,σ为用户x的平滑负荷矩阵的方差,是曲线平滑程度的调节函数,x'为平滑曲线的数据矩阵。
4.根据权利要求1所述的电价制定方法,其特征在于,所述约束条件,包括:
成本与承受力约束公式:
用户效益约束公式:Pfk·Wfk+Ppk·Wpk+Pgk·Wgk≤Pff·Wfk+Ppp·Wpk+Pgg·Wgk;
式中:Pfmin、Pfmax、Ppmin、Ppmax、Pgmin、Pgmax为分时电价制定中给予的最高电价与最低电价的阈值;Pff、Ppp、Pgg为供电企业为用户用电制定的统一峰平谷电价。
5.根据权利要求1至4任一项所述的电价制定方法,其特征在于,所述利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价的过程,包括:
利用基于峰谷差最小、峰值最小和售电利润生成的所述分时电价决策模型,利用加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,所述分时电价决策模型为:
式中,α、β、γ分别为售电公司利润、峰值最小、峰谷差最小的权重系数,且α+β+γ=1,F表示用户群的分时电价,f3表示售电利润,f2表示峰值最小,f1表示峰谷差最小。
6.根据权利要求5所述的电价制定方法,其特征在于,所述售电利润为:
所述峰值最小为:
所述峰谷差最小为:
式中,表示不同种类用户的典型日负荷曲线中的峰时、平时、谷时对应的负荷,表示综合负荷曲线中的极大峰值负荷,表示综合负荷曲线中的极小谷值负荷,Pf0、Pp0、Pg0表示售电公司根据统一出清价差在市场购买负荷的峰平谷分时电价,Wfy、Wpy、Wgy表示售电公司第y类型用户群体峰平谷各时段所用的负荷量,Pfy、Ppy、Pgy表示售电公司制定的第y类型用户群体对应的峰平谷分时电价。
7.一种电价制定系统,其特征在于,包括:
去噪模块,用于利用高斯核函数对多个用户的负荷数据矩阵进行高斯平滑处理,得到总负荷数据矩阵,其中,所述总负荷数据矩阵包括多个用户的负荷数据矩阵进行高斯平滑处理后得到的平滑负荷矩阵;
中心抽取模块,用于从所述总负荷数据矩阵中随机抽取k个平滑负荷矩阵作为初始聚类中心,得到聚类中心集,其中,k为正整数;
聚类迭代模块,用于利用K-means算法,计算所述总负荷数据矩阵中每个用户的平滑负荷矩阵与聚类中心集中各个初始聚类中心之间的距离,并利用改进的相似度识别函数,将每个用户的负荷数据矩阵分类到各个初始聚类中心,利用中心点计算公式,重新计算聚类中心进行多次迭代聚类,最后得到k个根据初始聚类中心进行划分的用户群;
电价计算模块,用于在满足目标函数的约束条件下,利用分时电价决策模型基于加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,所述改进的相似度识别函数为:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>min</mi>
<mo>{</mo>
<mi>&mu;</mi>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>diff</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<mi>v</mi>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>c</mi>
<mi>x</mi>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>c</mi>
<mi>y</mi>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>}</mo>
<mo>;</mo>
</mrow>
式中,S(cx,cy)表示用户x的平滑负荷矩阵cx与用户y的平滑负荷矩阵cy之间的相似度,μ和ν均为权重系数,μ+ν=1,ωi为数据序列第i维元素的权重,且ωi∈[0,1],n表示日负荷划分的时段间隔数,diffi表示差分序列中第i个元素对应的用电负荷,表示负荷差分序列的均值,cx(i)表示用户x的平滑负荷矩阵cx中第i个元素,cy(i)表示用户y的平滑负荷矩阵cy中第i个元素。
8.根据权利要求7所述的电价制定系统,其特征在于,所述聚类迭代模块,包括:
相似度计算单元,用于利用所述改进的相似度识别函数求出每个用户的平滑负荷矩阵与各个初始聚类中心的相似度;
初始聚类单元,用于将每个用户的平滑负荷矩阵划分到相似度最高的初始聚类中心,得到k个初始用户群;
中心点计算单元,用于每个初始用户群利用所述中心点计算公式,计算出新聚类中心;
判断单元,用于判断k个初始用户群各自的新聚类中心是否等于相应的初始聚类中心;
迭代聚类单元,用于如果不等于,则以新聚类中心为聚类中心,再次利用所述改进的相似度识别函数进行聚类,直到用户群的新聚类中心等于相应的初始聚类中心,最后得到k个以初始聚类中心为中心点的用户群;
其中,所述中心点计算公式为:
式中,ck'表示各类采样点所有维度的算数平均数,即是该用户群的新中心,cx'(i)表示同属一个用户群中平滑负荷矩阵的第i个元素。
9.根据权利要求7或8所述的电价制定系统,其特征在于,所述电价计算模块,具体用于利用基于峰谷差最小、峰值最小和售电利润生成的所述分时电价决策模型,利用加权法对目标函数求解,得到k个用户群各自的分时电价;
其中,所述分时电价决策模型为:
式中,α、β、γ分别为售电公司利润、峰值最小、峰谷差最小的权重系数,且α+β+γ=1,F表示用户群的分时电价,f3表示售电利润,f2表示峰值最小,f1表示峰谷差最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710742295.3A CN107392678A (zh) | 2017-08-25 | 2017-08-25 | 一种电价制定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710742295.3A CN107392678A (zh) | 2017-08-25 | 2017-08-25 | 一种电价制定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392678A true CN107392678A (zh) | 2017-11-24 |
Family
ID=60345249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710742295.3A Pending CN107392678A (zh) | 2017-08-25 | 2017-08-25 | 一种电价制定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392678A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127082A (zh) * | 2019-12-09 | 2020-05-08 | 图灵人工智能研究院(南京)有限公司 | 用于供能系统的数据处理系统、方法及装置 |
CN111242458A (zh) * | 2020-01-07 | 2020-06-05 | 广东电网有限责任公司电力调度控制中心 | 一种基于个性化用电需求的电力零售定价方法及装置 |
CN112598446A (zh) * | 2020-12-28 | 2021-04-02 | 深圳壹账通创配科技有限公司 | 配件定价方法、系统、设备及存储介质 |
-
2017
- 2017-08-25 CN CN201710742295.3A patent/CN107392678A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127082A (zh) * | 2019-12-09 | 2020-05-08 | 图灵人工智能研究院(南京)有限公司 | 用于供能系统的数据处理系统、方法及装置 |
CN111127082B (zh) * | 2019-12-09 | 2023-10-10 | 图灵人工智能研究院(南京)有限公司 | 用于供能系统的数据处理系统、方法及装置 |
CN111242458A (zh) * | 2020-01-07 | 2020-06-05 | 广东电网有限责任公司电力调度控制中心 | 一种基于个性化用电需求的电力零售定价方法及装置 |
CN112598446A (zh) * | 2020-12-28 | 2021-04-02 | 深圳壹账通创配科技有限公司 | 配件定价方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Meta-heuristic optimization-based two-stage residential load pattern clustering approach considering intra-cluster compactness and inter-cluster separation | |
Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
Han et al. | Scaling up cooperative game theory-based energy management using prosumer clustering | |
CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
CN109146252A (zh) | 基于调节潜力指标的用户用电行为聚类分析方法和系统 | |
CN106709625A (zh) | 一种电力市场需求响应规划评估方法 | |
CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
CN107392678A (zh) | 一种电价制定方法及系统 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN109284851A (zh) | 一种适用于需求侧响应的用户用电行为分类方法 | |
CN107248031B (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
Wang et al. | Big data analytics for price forecasting in smart grids | |
CN111506876A (zh) | 一种数据预测分析方法、系统、设备及可读存储介质 | |
CN111259965A (zh) | 一种对基于降维的电气特征数据进行均值聚类的方法及系统 | |
CN114445124A (zh) | 一种基于电力零售数据的用户分类方法及系统 | |
CN110826777A (zh) | 风电竞价场内交易数据分析方法、装置、设备及介质 | |
CN117078462A (zh) | 一种负荷聚合商参与电能量和调频市场的决策方法 | |
Kumar et al. | A deep clustering framework for load pattern segmentation | |
CN107247776A (zh) | 一种用于聚类分析中相似度识别的方法 | |
Azizi et al. | Application of comparative strainer clustering as a novel method of high volume of data clustering to optimal power flow problem | |
Zhang et al. | User power interaction behavior clustering analysis that is based on the self-organizing-center K-means algorithm | |
CN111311084A (zh) | 发电网可行性的综合评价方法、装置及存储介质 | |
CN116581883A (zh) | 一种基于神经网络的配电网线损评估方法及装置 | |
CN111600304B (zh) | 一种楼宇电力调度方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
RJ01 | Rejection of invention patent application after publication |