CN108428055A - 一种考虑负荷纵向特性的负荷聚类方法 - Google Patents

Abstract

本发明公开了一种考虑负荷纵向特性的负荷聚类方法，包括步骤：1)输入n个用户T天内的负荷数据，对数据进行归一化处理，并修正异常尖峰数据；2)计算每一个用户T天内各个时刻负荷均值和负荷方差；3)构建用户的用电行为向量，向量的每一个元素为一个二维实数对，实数对中第一位表征负荷的横向特性，第二位表征负荷的纵向特性；4)计算两个用户之间的综合距离系数，根据得出的距离矩阵进行聚类。本发明对用户用电行为的表征更加准确和科学，符合实际，提高聚类的合理性，为电力调度和需求侧管理提供更有效的信息。

Description

一种考虑负荷纵向特性的负荷聚类方法

技术领域

本发明涉及智能电网的技术领域，尤其是指一种考虑负荷纵向特性的负荷聚类方法。

背景技术

随着智能电网的发展，实现对电力用户的合理分类已成为电力负荷预测、需求侧管理、电力市场运营等的重要前提。日负荷曲线描述了电力负荷24小时内随时间的变化情况，反映了电力负荷短时间内的变化趋势，定义为用户用电行为的横向特性。不同日子的日负荷曲线的差异性定义为用电行为的纵向特性。不同用户的纵向波动性差异显著。例如，工业客户的纵向波动率相对较低，居民的纵向波动率较高。

负荷的纵向波动性是指用户在一段时间内(例如1个月)的负荷波动。部分用户的负荷受外界因素的影响较大，波动较大，而部分用户的用电行为相对稳定。另外，同一天内同一客户在不同时刻的负荷波动也不同。

传统负荷聚类方法只考虑负荷的横向特性，未能全面地反映用户的用电行为。因此，需要一种同时考虑负荷横向和纵向特性的聚类方法，实现对电力用户更加准确的分类。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种考虑负荷纵向特性的负荷聚类方法，能够实现对电力用户进行更加准确地分类。

为实现上述目的，本发明所提供的技术方案为：一种考虑负荷纵向特性的负荷聚类方法，包括以下步骤：

1)输入n个用户T天内的负荷数据，对数据进行归一化处理，并修正异常尖峰数据；

2)计算每一个用户T天内各个时刻负荷均值和负荷方差；

3)构建用户的用电行为向量，向量的每一个元素为一个二维实数对，实数对中第一位表征负荷的横向特性，第二位表征负荷的纵向特性；

4)计算两个用户之间的综合距离系数，根据得出的距离矩阵进行聚类。

在步骤1)中，输入配电网中n个电力用户的历史负荷值，历史负荷值包括连续T天的负荷数据，每天采样m个时刻的负荷值；对输入的原始数据进行归一化处理，假设为用户i在第k天的负荷数据，其中表示第i个用户第k天的第m个时刻归一化前的负荷值。

x_ijk为第i个用户第k天的第j个时刻归一化后的负荷值，具体计算公式如下：

其中，表示第i个用户第k天的第j(j＝1,2,...,m)个时刻归一化前的负荷值，表示第i个用户第k天的最小负荷值，表示第i个用户第k天的最大负荷值。

由归一化公式可见，负荷序列的最大负荷值出现异常，即出现异常尖峰，会对归一化后的数据造成影响，恶化分布特性。因此在进行数据归一化之前，须先进行异常尖峰数据的识别和修正。具体识别公式如下：

式中，表示用户i第k日的最大负荷值，和表示最大负荷值相邻两个时刻的负荷值，表示用户i第k日的最大负荷值与相邻两个时刻的负荷值之差的均值，n表示所统计的天数，μ_i表示第i个用户n个(天)的均值，表示第i个用户n个(天)的方差。若则认为该天最大负荷值异常，对该天最大负荷值作出修正，否则不作处理。具体修正公式如下：

式中，是对的修正，是对的修正。

在步骤3)中，构造每个用户的用电行为向量，具体表示如下：

式中，m表示为每天所统计的时刻数，和σ_im分别表示用户i第m个时刻在所统计的一段时间内(例如：一周或者一个月)的负荷均值和负荷方差，第i个用户第k个时刻负荷的横向和纵向特性分别用步骤2)中计算的一段时间内用户各个时刻的负荷均值和方差σ_ij表示，具体计算公式如下：

式中，x_ijk为用户i在第k天第j个时刻的负荷值(归一化后)，T是所统计的周期(例如一个星期或者一个月)，和σ_ij为T天内用户i在第j个时刻的负荷值的均值和方差。

在步骤4)中，利用欧氏距离计算两个用户之间的用电行为差异性，具体计算公式如下：

式中，d_ilj表示用户i和用户l在第j个时刻的综合距离，和σ_ij为T天内用户i在第j个时刻的负荷值的均值和方差，和σ_lj为T天内用户l在第j个时刻的负荷值的均值和方差，D_il表示用户i和用户l用电行为的距离，m表示每天所统计的时刻数；

根据所计算的两两用户之间的距离值，形成两两比较的距离矩阵，然后根据距离矩阵的信息进行层次聚类，合并距离最小的两个簇，并计算其聚类中心，以此类推，直到只有一个簇剩下。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明突破了传统方法中只考虑负荷横向特性的缺点，本发明同时考虑负荷的横向和纵向特性，重构了用户用电行为的表征方法，更加全面地反映用户的用电行为。

2、本发明减轻了传统负荷聚类方法中数据预处理的数据丢失问题。

3、本发明的聚类结果更加科学合理，负荷实际，提高聚类的准确性。

附图说明

图1为本发明方法的流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本发明所提供的考虑负荷纵向特性的负荷聚类方法，是以负荷一段时间内日负荷曲线的均值表征负荷的横向特性，以多日同一时刻的负荷值方差表征负荷的纵向特性，从负荷的横向特性和纵向特性两方面对一个用户的用电行为做了系统的描述。如图1所示，所述考虑负荷纵向特性的负荷聚类方法，包括以下步骤：

步骤1：输入n个用户T天内的负荷数据，对数据进行归一化处理，并修正异常尖峰数据，具体如下：

输入配电网中n个电力用户的历史负荷值，历史负荷值包括连续T天的负荷数据，每天采样m个时刻的负荷值；对输入的原始数据进行归一化处理，假设为用户i在第k天的负荷数据，其中表示第i个用户第k天的第m个时刻归一化前的负荷值。

x_ijk为第i个用户第k天的第j个时刻归一化后的负荷值，具体计算公式如下：

其中，表示第i个用户第k天的第j(j＝1,2,...,m)个时刻归一化前的负荷值，表示第i个用户第k天的最小负荷值，表示第i个用户第k天的最大负荷值。

由归一化公式可见，负荷序列的最大负荷值出现异常，即出现异常尖峰，会对归一化后的数据造成影响，恶化分布特性。因此在进行数据归一化之前，须先进行异常尖峰数据的识别和修正。具体识别公式如下：

式中，表示用户i第k日的最大负荷值，和表示最大负荷值相邻两个时刻的负荷值，表示用户i第k日的最大负荷值与相邻两个时刻的负荷值之差的均值，n表示所统计的天数，μ_i表示第i个用户n个(天)的均值，表示第i个用户n个(天)的方差。若则认为该天最大负荷值异常，对该天最大负荷值作出修正，否则不作处理。具体修正公式如下：

式中，是对的修正，是对的修正。

步骤2：计算每一个用户T天内各个时刻负荷均值和负荷方差。

步骤3：构建用户的用电行为向量，向量的每一个元素为一个二维实数对，实数对中第一位表征负荷的横向特性，第二位表征负荷的纵向特性；其中，构造每个用户的用电行为向量，具体表示如下：

式中，m表示为每天所统计的时刻数，和σ_im分别表示用户i第m个时刻在所统计的一段时间内(例如：一周或者一个月)的负荷均值和负荷方差，第i个用户第k个时刻负荷的横向和纵向特性分别用步骤2)中计算的一段时间内用户各个时刻的负荷均值和方差σ_ij表示，具体计算公式如下：

式中，x_ijk为用户i在第k天第j个时刻的负荷值(归一化后)，T是所统计的周期(例如一个星期或者一个月)，和σ_ij为T天内用户i在第j个时刻的负荷值的均值和方差。

步骤4：计算两个用户之间的综合距离系数，根据得出的距离矩阵进行聚类，具体如下：

利用欧氏距离计算两个用户之间的用电行为差异性，具体计算公式如下：

式中，d_ilj表示用户i和用户l在第j个时刻的综合距离，和σ_ij为T天内用户i在第j个时刻的负荷值的均值和方差，和σ_lj为T天内用户l在第j个时刻的负荷值的均值和方差，D_il表示用户i和用户l用电行为的距离，m表示每天所统计的时刻数；

根据所计算的两两用户之间的距离值，形成两两比较的距离矩阵，然后根据距离矩阵的信息进行层次聚类，合并距离最小的两个簇，并计算其聚类中心，以此类推，直到只有一个簇剩下。

在本发明实施例中，选取1500个居民用电负荷数据作为研究对象。数据集中包含了1500个居民用户30天的日负荷曲线数据，每15分钟采集一次负荷数据。

按照步骤1进行实施，对1500个用户的30天的负荷数据进行归一化，修正异常尖峰。

再按照步骤2进行实施，计算每个用户96个时刻在30天内的负荷均值

和负荷方差

其中i＝1,2,...,1500，j＝1,2,...,96。

然后按照步骤3进行实施，构造1500个用户的用电行为向量

最后按照步骤4进行实施，利用欧氏距离计算两个用户之间各个时刻的距离值

其中j＝1,2,...,96。

再对96个时刻的距离值求取均方根这就是量化后的两个用户之间用电行为的差异性。计算所有两两用户之间的差异性后，构造一个1500×1500的距离矩阵。利用层次聚类方法，合并距离最小的两个用户(簇)，并计算其聚类中心，以此类推，直到只有一个簇剩下。最后根据决策者的需要选择最佳聚类，在本实例中选择4作为最佳聚类数。选取聚类数为4进行层次聚类后，将本方法的聚类结果如下表1所示：

表1各类用户簇包含的用户数

类别1	类别2	类别3	类别4
				501	325	433	241

上述实例分析表明：本发明方法解决了传统负荷聚类方法中忽略负荷纵向波动性的问题，使得聚类的结果更加科学合理，符合实际，也提高了聚类的准确性，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种考虑负荷纵向特性的负荷聚类方法，其特征在于，包括以下步骤：

1)输入n个用户T天内的负荷数据，对数据进行归一化处理，并修正异常尖峰数据；

2)计算每一个用户T天内各个时刻负荷均值和负荷方差；

3)构建用户的用电行为向量，向量的每一个元素为一个二维实数对，实数对中第一位表征负荷的横向特性，第二位表征负荷的纵向特性；

4)计算两个用户之间的综合距离系数，根据得出的距离矩阵进行聚类。

2.根据权利要求1所述的一种考虑负荷纵向特性的负荷聚类方法，其特征在于：在步骤1)中，输入配电网中n个电力用户的历史负荷值，历史负荷值包括连续T天的负荷数据，每天采样m个时刻的负荷值；对输入的原始数据进行归一化处理，假设为用户i在第k天的负荷数据，其中表示第i个用户第k天的第m个时刻归一化前的负荷值；

x_ijk为第i个用户第k天的第j个时刻归一化后的负荷值，具体计算公式如下：

其中，表示第i个用户第k天的第j个时刻归一化前的负荷值，表示第i个用户第k天的最小负荷值，表示第i个用户第k天的最大负荷值；

由归一化公式可见，负荷序列的最大负荷值出现异常，即出现异常尖峰，会对归一化后的数据造成影响，恶化分布特性；因此在进行数据归一化之前，须先进行异常尖峰数据的识别和修正，具体识别公式如下：

式中，表示用户i第k日的最大负荷值，和表示最大负荷值相邻两个时刻的负荷值，表示用户i第k日的最大负荷值与相邻两个时刻的负荷值之差的均值，n表示所统计的天数，μ_i表示第i个用户n个的均值，表示第i个用户n个的方差；若则认为该天最大负荷值异常，对该天最大负荷值作出修正，否则不作处理，具体修正公式如下：

式中，是对的修正，是对的修正。

3.根据权利要求1所述的一种考虑负荷纵向特性的负荷聚类方法，其特征在于：在步骤3)中，构造每个用户的用电行为向量，具体表示如下：

式中，m表示为每天所统计的时刻数，和σ_im分别表示用户i第m个时刻在所统计的一段时间内的负荷均值和负荷方差，第i个用户第k个时刻负荷的横向和纵向特性分别用步骤2)中计算的一段时间内用户各个时刻的负荷均值和方差σ_ij表示，具体计算公式如下：

式中，x_ijk为用户i在第k天第j个时刻归一化后的负荷值，T是所统计的周期，和σ_ij为T天内用户i在第j个时刻的负荷值的均值和方差。

4.根据权利要求1所述的一种考虑负荷纵向特性的负荷聚类方法，其特征在于：在步骤4)中，利用欧氏距离计算两个用户之间的用电行为差异性，具体计算公式如下：

式中，d_ilj表示用户i和用户l在第j个时刻的综合距离，和σ_ij为T天内用户i在第j个时刻的负荷值的均值和方差，和σ_lj为T天内用户l在第j个时刻的负荷值的均值和方差，D_il表示用户i和用户l用电行为的距离，m表示每天所统计的时刻数；

根据所计算的两两用户之间的距离值，形成两两比较的距离矩阵，然后根据距离矩阵的信息进行层次聚类，合并距离最小的两个簇，并计算其聚类中心，以此类推，直到只有一个簇剩下。