CN108898273B - 一种基于形态分析的用户侧负荷特征聚类评价方法 - Google Patents

一种基于形态分析的用户侧负荷特征聚类评价方法 Download PDF

Info

Publication number
CN108898273B
CN108898273B CN201810533922.7A CN201810533922A CN108898273B CN 108898273 B CN108898273 B CN 108898273B CN 201810533922 A CN201810533922 A CN 201810533922A CN 108898273 B CN108898273 B CN 108898273B
Authority
CN
China
Prior art keywords
load
cloud
index
gravity
value
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
CN201810533922.7A
Other languages
English (en)
Other versions
CN108898273A (zh
Inventor
柴玉凤
靳晓凌
代贤忠
王阳
张晨
张钰
张钧
韩新阳
张全
张岩
白翠粉
吴丹
雷珽
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 Energy Research Institute Co Ltd
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Energy Research Institute Co Ltd
State Grid Shanghai Electric Power 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 Energy Research Institute Co Ltd, State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Energy Research Institute Co Ltd
Priority to CN201810533922.7A priority Critical patent/CN108898273B/zh
Publication of CN108898273A publication Critical patent/CN108898273A/zh
Application granted granted Critical
Publication of CN108898273B publication Critical patent/CN108898273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于形态分析的用户侧负荷特征聚类评价方法，包括以下步骤：采用计算机的数据输入模块输入地区的各类用户每年的日负荷数据；表征各用户单一用户全年的典型用能行为；基于步骤S2所得到的各单一用户的典型日负荷曲线，先提取各曲线形态特征，将单一用户按照典型日负荷曲线的形态特征进行分类，得到不同类别用户的负荷特征曲线；利用“云重心”评价单元的“云重心”发生器产生最终的评估结果；由计算机结果输出模块输出可视化的用户侧负荷特征聚类结果和“云重心”评估结果。本发明具有将海量用户侧数据物尽其用，对负荷数据进行精准分析，挖掘用户侧负荷特点，对用户侧的用能行为优劣做出评价的优点。

Description

一种基于形态分析的用户侧负荷特征聚类评价方法
技术领域
本发明涉及用户侧负荷特征聚类技术领域，尤其是涉及一种基于形态分析的用户侧负荷特征聚类评价方法。
背景技术
在电力领域，具体表现为分布式能源、储能、电动汽车推广应用，使得用户侧负荷结构日渐复杂。与此同时，用户侧的智能量测装置普及使用，电力部门可获取详细的用户侧负荷数据，如何将海量用户侧数据物尽其用，对负荷数据进行精准分析，挖掘用户侧负荷特点，对用户侧的用能行为优劣做出评价，进而制定具有用户互动性的运营策略，是当前电力系统面临的重要问题
近年来，大数据学科、数据挖掘技术迅速发展，为针对海量用户侧负荷数据进行分析研究提供了技术支持，本发明在智慧能源网络建设的背景下，考虑分布式能源、储能、电动汽车等多种资源接入对用户侧用能行为的影响，提出了一种基于形态分析的用户侧负荷特征聚类评价方法，为电力部门了解多种资源接入下的用户侧负荷特性变化，进行更具互动性的运营模式调整提供技术支持。
发明内容
本发明的主要目的在于提供基于形态分析的用户侧负荷特征聚类评价方法，用以解决海量用户侧数据不能物尽其用、不能对负荷数据进行精准分析以及无法对用户侧的用能行为优劣做出评价的问题。
为实现上述目的，本发明采取的技术方案为：
本发明的上述技术问题主要是通过下述技术方案得以解决的：
本发明公开了一种基于形态分析的用户侧负荷特征聚类评价方法，包括以下步骤：
步骤S1：采用计算机的数据输入模块输入地区的各类用户每年的日负荷数据；
步骤S2：采用基于欧氏距离聚类的可能性模糊C—均值聚类算法(PFCM)进行负荷聚类，从各类用户负荷数据中先得到各单一用户的典型日负荷曲线，用以表征各用户单一用户全年的典型用能行为；
步骤S3：基于步骤S2所得到的各单一用户的典型日负荷曲线，先提取各曲线形态特征，再利用可能性模糊C—均值聚类算法(PFCM)进行聚类，将单一用户按照典型日负荷曲线的形态特征进行分类，得到不同类别用户的负荷特征曲线；
步骤S4：利用负荷特征评价指标体系对各类用户的负荷特征曲线进行评估，利用“云重心”评价单元的“云重心”发生器产生最终的评估结果。
步骤S5，由计算机结果输出模块输出可视化的用户侧负荷特征聚类结果和“云重心”评估结果。
作为优选，所述的步骤S2中，所述的可能性模糊C—均值聚类算法(PFCM)的核心步骤为：
(1)设订聚类数目C，且1<C<n并设定m取值范围为[0,∞)；
(2)初始化算法迭代次数L，使之为1；
(3)将可能性划分矩阵uik初始化，设定η的值；
(4)循环进行以下过程，直至目标函数与之前一次的差值小于设定的阈值时，或在L大于Lmax：
对隶属度原型矩阵U进行更新，依据公式为：
Figure GDA0001742916200000031
对典型性原型矩阵T进行更新，依据公式为：
Figure GDA0001742916200000032
更新聚类中心V，依据公式为：
Figure GDA0001742916200000033
(5)重新对η的值进行估计，并再次进行步骤(4)。
作为优选，所述的步骤S3中，所采用的曲线形态特征提取方法为极大值归一化法，该方法可用公式表述如下：
xif *＝xif/ximax
式中，xif为典型日负荷曲线中的点i对应的负荷值，ximax为该条典型日负荷曲线的最大负荷值，xif *为该点对应的归一化值。
作为优选，所述的步骤S4中，所述负荷特征评价指标体系所包含指标如下，公式中的负荷值均为标幺值，其中，正向指标表示指标值越大特征状况越好，反向指标表示指标值越小特征状况越好：
(1)负荷率
日平均负荷与最大负荷的比率，用于评估用户占用产能设备容量的冗余情况。为正向指标，计算公式如下：
Figure GDA0001742916200000034
(2)日峰谷差率
日最大负荷、日最小负荷之间的差值与日最大负荷的比率，用于评估用户负荷峰谷波动幅度。为反向指标，计算公式如下：
Figure GDA0001742916200000041
(3)日峰期负载率
日峰期平均负荷与平均负荷的比率，为反向指标
Figure GDA0001742916200000042
(4)日谷期负载率
日谷期平均负荷与平均负荷的比率，为正向指标
Figure GDA0001742916200000043
(5)日平期负载率
日平期平均负荷与平均负荷的比率，为正向指标
Figure GDA0001742916200000044
作为优选，所述的步骤S4中，当得到负荷特征评价指标体系各项指标的值之后，需要计算指标得分，正向指标对应极大型变量，反向指标对应极小型变量，利用功效系数法对指标得分进行计算，公式如下：
极大型变量的指标得分:
Figure GDA0001742916200000045
在本式中，dli为第i个极大型变量的评价指标得分；xi为第i个评价指标的实际值；xhi为第i个指标的理想值；xsi为第i个指标的不允许值。
极小型变量的指标得分:
Figure GDA0001742916200000051
在本式中，dli为第i个极小型评价指标的单项功效系数值；xi为第i个评价指标的实际值；xhi为第i个指标的理想值；xsi为第i个指标的不允许值。
作为优选，所述的步骤S4中，计算完毕各项指标得分后，可基于权重进行加和，得到评价总分，公式为：
Z＝∑widli (∑wi＝1)
式中，Z为某类用户用能行为综合得分，其中，wi为第i个指标的权重，由评价人员依照评价目的的重点进行赋值，dli为某类用户在第i个指标的得分。
作为优选，所述的步骤S4中，所述“云重心”评价单元采用的“云重心”理论阐述如下：
有X＝{x}为普通的定量数值集的集合，称为论集。定义论集U为一个精确的定量数值集的集合U＝{x}，T是与U相联系的定性概念。如果U中元素x对T的隶属度u(x)(或称x与T的相容度)是具有稳定倾向的随机数，则称u(x)为在论域U上的分布为隶属云，简称为“云”(cloud)，“云”是由许多“云滴”组成的。
其中，u(x)取值范围为[0,1]，云是指从论域U到区间[0,1]的映射，即
u(x):U→[0,1]
Figure GDA0001742916200000052
映射u(x)被称为T的云模型，其中的每一个x称为一个“云滴”。云的维度可以为一维甚至多维，这取决于论域U的维度。定义中提及的确定度即为模糊意义下的隶属度，同时也具有概率意义下的分布。
云重心理论的云模型，利用三个参数：特征期望Ex、熵En和超熵He来表征概念的整体特性，Ex是云的重心位置，反映定性概念的中心值；En是定性概念亦此亦彼性的变量，即模糊度。He是En的离散程度，反映定性概念的随机性。云重心可表示为T＝g.h，式中，g表示云重心的位置，h表示云重心的高度。云重心的位置即反映定性概念中心值的期望，云重心的高度反映云在系统中的权重，云重心的改变取决于期望值和权重的变化，云重心的变化可以用来度量系统状态的变化情况。
作为优选，所述的步骤S4中，“云重心”评价单元最终产生的评估结果通过“云重心发生器”呈现，“云重心发生器”概念阐述如下：
“云重心”理论的评价结果，最终需要在一个“标尺”上表现出来。这个“标尺”即为“云重心”发生器，“云重心”发生器是利用评语集S＝{好，良好，一般，较差，差}中的各项评语的期望量化分，分别计算出各自云模型的特征值，来构造评语的云模型，最后组合起来，产生了云重心发生器。
与现有技术相比，本发明具有如下有益效果：与现有的预测技术相比，本发明中所述基于形态分析的用户侧负荷特征聚类评价方法，用于在多种资源接入用户侧的背景下对用户的负荷曲线进行聚类，并从负荷曲线中提取用户用能行为信息，进行用能行为优劣评价。所述方法聚类更为精准，评估结果呈现更为直观，可从帮助电力部门从海量用户侧负荷数据中有效提取出用户用能典型特征，为电力部门根据用户侧负荷特征提供有互动性的服务，制定优化用户用能行为的引导机制提供技术支持。
附图说明
图1是本发明中所述基于形态分析的用户侧负荷特征聚类评价方法的计算机程序结构图；
图2是本发明中所述基于形态分析的用户侧负荷特征聚类评价方法的算法流程图；
图3是本发明中所述单一用户负荷特征聚类流程图；
图4是本发明中所述用户群体负荷特征分类流程图；
图5是本发明中所述用户聚类仿真结果；
图6是本发明中所述用户侧用能行为评价流程图；
图7是本发明中所述云模型结构图；
图8是本发明中所述“云重心”发生器示意图；
图9是本发明中所述“云重心”评估结果仿真示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施例1
如图1所示，本发明中所述的一种基于形态分析的用户侧负荷特征聚类评价方法的程序安装于计算机中，可通过Matlab、Python等软件编写实现。该程序所安装的计算机内包括数据输入模块1.1、负荷特征聚类模块1.2、负荷特征评价模块1.3、结果输出模块1.4。所述数据输入模块1.1为计算机输入设备，包括但不限于键盘、鼠标等；所述结果输出模块1.4包括但不限于显示器等。
如图1所示，所述的负荷特征聚类模块1.2包括但不限于：单一用户负荷特征获取单元1.2.1、用户群体负荷特征聚类单元1.2.2。本模块的各单元指的是能够被计算机的处理器执行并运行以实现特定功能的计算机程序指令段，可由Matlab、Python等软件编写实现，该程序存储于计算机中。
如图1所示，所述的负荷特征评价模块1.3包括但不限于：负荷特征评价指标体系1.3.1、“云重心”评价单元1.3.2。本模块的各单元指的是能够被计算机的处理器执行并运行以实现特定功能的计算机程序指令段，可由Matlab、Python等软件编写实现，该程序同样存储于计算机中。
如图2所示，本发明所述的一种基于形态分析的用户侧负荷特征聚类评价方法，包括以下步骤：
步骤S1：通过计算机的数据输入模块1.1输入地区的各类用户每年的日负荷数据。
步骤S2：采用基于欧氏距离聚类的可能性模糊C—均值聚类算法(PFCM)进行负荷聚类，从各类用户负荷数据中先得到各单一用户的典型日负荷曲线，用以表征各用户单一用户全年的典型用能行为，该步骤由负荷特征聚类模块1.2的单一用户负荷特征获取单元1.2.1完成，流程如图3所示。
优选的，所述可能性模糊C—均值聚类算法(PFCM)表述如下：
该算法的目标函数为
Figure GDA0001742916200000081
式中：
uik——为隶属度矩阵，
Figure GDA0001742916200000082
(k＝1,…,n)，且uik≥0；
tik——为典型性矩阵，tik≤1；
a——用于表征隶属度值的影响，a>0；
b——用于表征典型性值的影响，b>0；
由目标函数可知，在可能性模糊C—均值聚类算法(PFCM)模型中，若有b>a，则可以确定在确定聚类中心的过程中，受到样本数据典型性的影响会更大。
此外，若对于所有的i和k，以及m>1，有：
Dik＝||xk-vi||＞0
且，X中至少含有c个独立数据点，则有：
(U,T,V)∈Mfcn×Mpcn×Rp
该算法的核心步骤为：
(1)设订聚类数目C，且1<C<n并设定m取值范围为[0,∞)；
(2)初始化算法迭代次数L，使之为1；
(3)将可能性划分矩阵uik初始化，设定η的值；
(4)循环进行以下过程，直至目标函数与之前一次的差值小于设定的阈值时，或在L大于Lmax。
a.对隶属度原型矩阵U进行更新，依据公式为：
Figure GDA0001742916200000091
b.对典型性原型矩阵T进行更新，依据公式为：
Figure GDA0001742916200000092
c.更新聚类中心V，依据公式为：
Figure GDA0001742916200000093
(5)重新对η的值进行估计，并再次进行步骤(4)。
步骤S3：基于步骤S2所得到的各单一用户的典型日负荷曲线，先提取各曲线形态特征，再利用可能性模糊C—均值聚类算法(PFCM)进行聚类，将单一用户按照典型日负荷曲线的形态特征进行分类，得到不同类别用户的负荷特征曲线。该步骤由负荷特征聚类模块1.2的用户群体负荷特征聚类单元1.2.2完成，流程如图4所示。
优选的，一种基于形态分析的用户侧负荷特征聚类评价方法所采用的曲线形态特征提取方法为极大值归一化法，该方法可用公式表述如下：
xif *＝xif/ximax
式中，xif为典型日负荷曲线中的点i对应的负荷值，ximax为该条典型日负荷曲线的最大负荷值，xif *为该点对应的归一化值。
聚类结果仿真示例如图5所示。
步骤S4：利用负荷特征评价指标体系对各类用户的负荷特征曲线进行评估，该部分由负荷特征评价模块1.3的负荷特征评价指标体系1.3.1完成。利用“云重心”评价单元的“云重心”发生器产生最终的评估结果，该部分由负荷特征评价模块1.3的“云重心”评价单元1.3.2完成。具体算法如图6所示。
优选的，所述负荷特征评价指标体系所包含指标如下(公式中的负荷值均为标幺值)，其中，正向指标表示指标值越大特征状况越好，反向指标表示指标值越小特征状况越好：
(1)负荷率
日平均负荷与最大负荷的比率，用于评估用户占用产能设备容量的冗余情况。为正向指标，计算公式如下：
Figure GDA0001742916200000101
(2)日峰谷差率
日最大负荷、日最小负荷之间的差值与日最大负荷的比率，用于评估用户负荷峰谷波动幅度。为反向指标，计算公式如下：
Figure GDA0001742916200000102
(3)日峰期负载率
日峰期平均负荷与平均负荷的比率，为反向指标
Figure GDA0001742916200000111
(4)日谷期负载率
日谷期平均负荷与平均负荷的比率，为正向指标
Figure GDA0001742916200000112
(5)日平期负载率
日平期平均负荷与平均负荷的比率，为正向指标
Figure GDA0001742916200000113
优选的，当得到负荷特征评价指标体系各项指标的值之后，需要计算指标得分，正向指标对应极大型变量，反向指标对应极小型变量，利用功效系数法对指标得分进行计算，公式如下：
极大型变量的指标得分:
Figure GDA0001742916200000114
在本式中，dli为第i个极大型变量的评价指标得分；xi为第i个评价指标的实际值；xhi为第i个指标的理想值；xsi为第i个指标的不允许值。
极小型变量的指标得分:
Figure GDA0001742916200000115
在本式中，dli为第i个极小型评价指标的单项功效系数值；xi为第i个评价指标的实际值；xhi为第i个指标的理想值；xsi为第i个指标的不允许值。
优选的，计算完毕各项指标得分后，可基于权重进行加和，得到评价总分，公式为：
Z＝∑widli (∑wi＝1)
式中，Z为某类用户用能行为综合得分，其中，wi为第i个指标的权重，由评价人员依照评价目的的重点进行赋值，dli为某类用户在第i个指标的得分。
优选的，所述“云重心”评价单元采用的“云重心”理论阐述如下：
有X＝{x}为普通的定量数值集的集合，称为论集。定义论集U为一个精确的定量数值集的集合U＝{x}，T是与U相联系的定性概念。如果U中元素x对T的隶属度u(x)(或称x与T的相容度)是具有稳定倾向的随机数，则称u(x)为在论域U上的分布为隶属云，简称为“云”(cloud)，“云”是由许多“云滴”组成的。
其中，u(x)取值范围为[0,1]，云是指从论域U到区间[0,1]的映射，即
u(x):U→[0,1]
Figure GDA0001742916200000121
映射u(x)被称为T的云模型，其中的每一个x称为一个“云滴”。云的维度可以为一维甚至多维，这取决于论域U的维度。定义中提及的确定度即为模糊意义下的隶属度，同时也具有概率意义下的分布。
云重心理论的云模型如图7所示，利用三个参数：特征期望Ex、熵En和超熵He来表征概念的整体特性。Ex是云的重心位置，反映定性概念的中心值；En是定性概念亦此亦彼性的变量，即模糊度。He是En的离散程度，反映定性概念的随机性。云重心可表示为T＝g.h，式中，g表示云重心的位置，h表示云重心的高度。云重心的位置即反映定性概念中心值的期望，云重心的高度反映云在系统中的权重，云重心的改变取决于期望值和权重的变化，云重心的变化可以用来度量系统状态的变化情况。
优选的，“云重心”评价单元最终产生的评估结果通过“云重心发生器”呈现，“云重心发生器”如图8所示，概念阐述如下：
“云重心”理论的评价结果，最终需要在一个“标尺”上表现出来。这个“标尺”即为“云重心”发生器。
“云重心”发生器是利用评语集S＝{好，良好，一般，较差，差}中的各项评语的期望量化分，分别计算出各自云模型的特征值，来构造评语的云模型，最后组合起来，产生了云重心发生器。
步骤S5：由计算机结果输出模块1.4输出可视化的用户侧负荷特征聚类结果和“云重心”评估结果，评估结果仿真如图9所示。
与现有技术相比，本发明中所述基于形态分析的用户侧负荷特征聚类评价方法，用于在多种资源接入用户侧的背景下对用户的负荷曲线进行聚类，并从负荷曲线中提取用户用能行为信息，进行用能行为优劣评价。所述方法聚类更为精准，评估结果呈现更为直观，可从帮助电力部门从海量用户侧负荷数据中有效提取出用户用能典型特征，为电力部门根据用户侧负荷特征提供有互动性的服务，制定优化用户用能行为的引导机制提供技术支持。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了如可能性模糊C—均值聚类算法、“云重心”理论等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明专利精神相违背的。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效功能变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于形态分析的用户侧负荷特征聚类评价方法，其特征在于：包括以下步骤：
步骤S1：采用计算机的数据输入模块输入地区的各类用户每年的日负荷数据；
步骤S2：采用基于欧氏距离聚类的可能性模糊C—均值聚类算法进行负荷聚类，从各类用户负荷数据中先得到各单一用户的典型日负荷曲线，用以表征各单一用户全年的典型用能行为；
步骤S3：基于步骤S2所得到的各单一用户的典型日负荷曲线，先提取各曲线形态特征，再利用可能性模糊C—均值聚类算法进行聚类，将单一用户按照典型日负荷曲线的形态特征进行分类，得到不同类别用户的负荷特征曲线；
步骤S4：利用负荷特征评价指标体系对各类用户的负荷特征曲线进行评估，利用“云重心”评价单元的“云重心发生器”产生最终的评估结果；
所述负荷特征评价指标体系所包含指标如下，公式中的负荷值均为标幺值，其中，正向指标表示指标值越大特征状况越好，反向指标表示指标值越小特征状况越好：
(1)负荷率
日平均负荷与最大负荷的比率，用于评估用户占用产能设备容量的冗余情况；为正向指标，计算公式如下：
Figure FDA0003534846870000011
(2)日峰谷差率
日最大负荷、日最小负荷之间的差值与日最大负荷的比率，用于评估用户负荷峰谷波动幅度；为反向指标，计算公式如下：
Figure FDA0003534846870000021
(3)日峰期负载率
日峰期平均负荷与平均负荷的比率，为反向指标
Figure FDA0003534846870000022
(4)日谷期负载率
日谷期平均负荷与平均负荷的比率，为正向指标
Figure FDA0003534846870000023
(5)日平期负载率
日平期平均负荷与平均负荷的比率，为正向指标
Figure FDA0003534846870000024
当得到负荷特征评价指标体系各项指标的值之后，需要计算指标得分，正向指标对应极大型变量，反向指标对应极小型变量，利用功效系数法对指标得分进行计算，公式如下：
极大型变量的指标得分:
Figure FDA0003534846870000025
在本式中，dli为第i个极大型变量的评价指标得分；xi为第i个评价指标的实际值；xhi为第i个指标的理想值；xsi为第i个指标的不允许值，
极小型变量的指标得分:
Figure FDA0003534846870000031
在本式中，dli为第i个极小型评价指标的单项功效系数值；xi为第i个评价指标的实际值；xhi为第i个指标的理想值；xsi为第i个指标的不允许值；
步骤S5，由计算机结果输出模块输出可视化的用户侧负荷特征聚类结果和“云重心”评估结果。
2.根据权利要求1所述的一种基于形态分析的用户侧负荷特征聚类评价方法，其特征在于：所述的步骤S2中，所述的可能性模糊C—均值聚类算法的核心步骤为：
(1)设定聚类数目C，且1<C<n并设定m取值范围为[0,∞)；
(2)初始化算法迭代次数L，使之为1；
(3)将可能性划分矩阵uik初始化，设定η的值；
(4)循环进行以下过程，直至目标函数与之前一次的差值小于设定的阈值时，或L大于Lmax：
对隶属度原型矩阵U进行更新，依据公式为：
Figure FDA0003534846870000032
式中，1≤i≤c；1≤k≤n；uik——为隶属度矩阵，
Figure FDA0003534846870000033
k＝1,…,n，且uik≥0；
对典型性原型矩阵T进行更新，依据公式为：
Figure FDA0003534846870000034
式中，1≤i≤c；1≤k≤n,tik——为典型性矩阵，tik≤1；
更新聚类中心V，依据公式为：
Figure FDA0003534846870000041
式中，1≤i≤c；
a——用于表征隶属度值的影响，a>0；
b——用于表征典型性值的影响，b>0；
(5)重新对η的值进行估计，并再次进行步骤(4)。
3.根据权利要求1所述的一种基于形态分析的用户侧负荷特征聚类评价方法，其特征在于：所述的步骤S3中，所采用的曲线形态特征提取方法为极大值归一化法，该方法用公式表述如下：
xif *＝xif/ximax
式中，xif为典型日负荷曲线中的点i对应的负荷值，ximax为该条典型日负荷曲线的最大负荷值，
Figure FDA0003534846870000042
为该点对应的归一化值。
4.根据权利要求1所述的一种基于形态分析的用户侧负荷特征聚类评价方法，其特征在于：所述的步骤S4中，计算完毕各项指标得分后，基于权重进行加和，得到评价总分，公式为：
Z＝∑widli
式中，∑wi＝1,Z为某类用户用能行为综合得分，其中，wi为第i个指标的权重，由评价人员依照评价目的的重点进行赋值，dli为某类用户在第i个指标的得分。
5.根据权利要求1所述的一种基于形态分析的用户侧负荷特征聚类评价方法，其特征在于：所述的步骤S4中，所述“云重心”评价单元采用的“云重心”理论阐述如下：
有X＝{x}为普通的定量数值集的集合，称为论集，定义论集U为一个精确的定量数值集的集合U＝{x}，T是与U相联系的定性概念，如果U中元素x对T的隶属度u(x)或称x与T的相容度是具有稳定倾向的随机数，则称u(x)为在论域U上的分布为隶属云，简称为“云”，“云”是由许多“云滴”组成的，
其中，u(x)取值范围为[0,1]，云是指从论域U到区间[0,1]的映射，即
u(x):U→[0,1]
Figure FDA0003534846870000051
x→u(x)
映射u(x)被称为T的云模型，其中的每一个x称为一个“云滴”，云的维度为一维甚至多维，这取决于论域U的维度，定义中提及的确定度即为模糊意义下的隶属度，同时也具有概率意义下的分布，
云重心理论的云模型，利用三个参数：特征期望Ex、熵En和超熵He来表征概念的整体特性，Ex是云的重心位置，反映定性概念的中心值；En是定性概念亦此亦彼性的变量，即模糊度，He是En的离散程度，反映定性概念的随机性，云重心可表示为T＝g.h，式中，g表示云重心的位置，h表示云重心的高度，云重心的位置即反映定性概念中心值的期望，云重心的高度反映云在系统中的权重，云重心的改变取决于期望值和权重的变化，云重心的变化用来度量系统状态的变化情况。
6.根据权利要求1所述的一种基于形态分析的用户侧负荷特征聚类评价方法，其特征在于：所述的步骤S4中，“云重心”评价单元最终产生的评估结果通过“云重心发生器”呈现，“云重心发生器”概念阐述如下：
“云重心”理论的评价结果，最终需要在一个“标尺”上表现出来，这个“标尺”即为“云重心发生器”，“云重心发生器”是利用评语集S＝{好，良好，一般，较差，差}中的各项评语的期望量化分，分别计算出各自云模型的特征值，来构造评语的云模型，最后组合起来，产生了云重心发生器。
CN201810533922.7A 2018-05-29 2018-05-29 一种基于形态分析的用户侧负荷特征聚类评价方法 Active CN108898273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810533922.7A CN108898273B (zh) 2018-05-29 2018-05-29 一种基于形态分析的用户侧负荷特征聚类评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810533922.7A CN108898273B (zh) 2018-05-29 2018-05-29 一种基于形态分析的用户侧负荷特征聚类评价方法

Publications (2)

Publication Number Publication Date
CN108898273A CN108898273A (zh) 2018-11-27
CN108898273B true CN108898273B (zh) 2022-04-15

Family

ID=64343466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810533922.7A Active CN108898273B (zh) 2018-05-29 2018-05-29 一种基于形态分析的用户侧负荷特征聚类评价方法

Country Status (1)

Country Link
CN (1) CN108898273B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516849A (zh) * 2019-08-02 2019-11-29 国网上海市电力公司 一种基于典型日负荷曲线的负荷分类结果评价方法
CN111461429B (zh) * 2020-03-31 2024-03-15 上海能源建设工程设计研究有限公司 一种气电协调的多能互补系统优化方法
CN115994714B (zh) * 2023-03-22 2023-05-19 江苏金寓信息科技有限公司 一种基于大数据统计的idc机房锂电池效能评估方法
CN116485042B (zh) * 2023-06-16 2023-09-01 国网上海能源互联网研究院有限公司 一种基于负荷聚类的园区能源系统运行的优化方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103036802A (zh) * 2013-01-08 2013-04-10 中国科学院计算技术研究所 一种流量卸载的方法和系统
CN107730031A (zh) * 2017-09-25 2018-02-23 中国电力科学研究院 一种超短期高峰负荷预测方法及其系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5075009B2 (ja) * 2008-05-16 2012-11-14 三菱電機株式会社 類似度分析評価システム
CN103268115B (zh) * 2013-06-14 2015-08-26 鲁电集团有限公司 电力需求侧监控系统及监控方法
CN104463697A (zh) * 2014-11-28 2015-03-25 清华大学 含大规模风电电力系统的风险评估方法
CN104809255A (zh) * 2015-05-21 2015-07-29 国家电网公司 一种负荷形态获取方法和系统
CN105488628A (zh) * 2015-11-30 2016-04-13 国网天津市电力公司 一种面向电力大数据可视化的数据挖掘方法
CN106446967A (zh) * 2016-10-28 2017-02-22 国网福建省电力有限公司 一种新型电力系统负荷曲线聚类方法
CN106777005A (zh) * 2016-12-07 2017-05-31 国网天津市电力公司 基于大数据技术改进聚类算法的用户用电行为分析方法
CN107273911A (zh) * 2017-04-24 2017-10-20 国网江西省电力公司赣州供电分公司 一种基于模糊c均值聚类分析的台区负荷精确分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103036802A (zh) * 2013-01-08 2013-04-10 中国科学院计算技术研究所 一种流量卸载的方法和系统
CN107730031A (zh) * 2017-09-25 2018-02-23 中国电力科学研究院 一种超短期高峰负荷预测方法及其系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Analysis of customers" electricity consumption behavior based on massive data;Jian Liu 等;《2016 12th International Conference on Natural Computation》;20161024;第1433-1438页 *
Power System Load Forecasting Based on Fuzzy Clustering and Gray Target Theory;Jing Hao 等;《Energy Procedia》;20120317;第16卷;第1852-1859页 *
基于云模型和模糊聚类的电力负荷模式提取方法;宋易阳 等;《电网技术》;20141205;第38卷(第12期);第3378-3383页 *
基于改进的模糊c-均值聚类算法的负荷特性指标分析与分类;李文华 等;《燕山大学学报》;20160531;第40卷(第3期);第230-235页 *

Also Published As

Publication number Publication date
CN108898273A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108898273B (zh) 一种基于形态分析的用户侧负荷特征聚类评价方法
Lai et al. A robust correlation analysis framework for imbalanced and dichotomous data with uncertainty
CN102185735B (zh) 一种网络安全态势预测方法
CN107609147B (zh) 一种从日志流中自动提取特征的方法和系统
CN110674636B (zh) 一种用电行为分析方法
CN112926645B (zh) 一种基于边缘计算的窃电检测方法
WO2024067387A1 (zh) 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质
CN107220311A (zh) 一种利用局部嵌入话题建模的文本表示方法
CN112529638B (zh) 基于用户分类和深度学习的服务需求动态预测方法及系统
CN109492748A (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
Zhang et al. A novel hybrid correlation measure for probabilistic linguistic term sets and crisp numbers and its application in customer relationship management
CN114139940A (zh) 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法
Glauner Artificial intelligence for the detection of electricity theft and irregular power usage in emerging markets
CN108830407B (zh) 多工况条件下结构健康监测中的传感器分布优化方法
CN103106329A (zh) 一种用于svr短期负荷预测的训练样本分组构造方法
CN111708865B (zh) 一种基于改进XGBoost算法的技术预见及专利预警分析方法
CN111782805A (zh) 一种文本标签分类方法及系统
Jian-Xiang et al. Application of genetic algorithm in document clustering
Dong et al. Research on academic early warning model based on improved SVM algorithm
Gu et al. Employment Quality Evaluation Model Based on Hybrid Intelligent Algorithm
CN115935225A (zh) 一种非侵入式负荷识别方法及装置
Yu et al. An automatic recognition method of journal impact factor manipulation
CN116128275A (zh) 一种事件推演预测系统
Chan et al. Modelling breaks and clusters in the steady states of macroeconomic variables
CN113535820A (zh) 一种基于卷积神经网络的电气操作人员属性推测方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chai Yufeng

Inventor after: Zhang Yan

Inventor after: Bai Cuifen

Inventor after: Wu Dan

Inventor after: Lei Ting

Inventor after: Jin Xiaoling

Inventor after: Dai Xian Zhong

Inventor after: Wang Yang

Inventor after: Zhang Chen

Inventor after: Zhang Yu

Inventor after: Zhang Jun

Inventor after: Han Xinyang

Inventor after: Zhang Quan

Inventor before: Zhang Quan

Inventor before: Zhang Chen

Inventor before: Zhang Jun

Inventor before: Wu Dan

Inventor before: Lei Ting

Inventor before: Han Xinyang

Inventor before: Wang Yang

Inventor before: Chai Yufeng

Inventor before: Zhang Yu

Inventor before: Zhang Yan

Inventor before: Dai Xian Zhong

Inventor before: Jin Xiaoling

Inventor before: Bai Cuifen

GR01 Patent grant
GR01 Patent grant