CN109146252A - 基于调节潜力指标的用户用电行为聚类分析方法和系统 - Google Patents
基于调节潜力指标的用户用电行为聚类分析方法和系统 Download PDFInfo
- Publication number
- CN109146252A CN109146252A CN201810825526.1A CN201810825526A CN109146252A CN 109146252 A CN109146252 A CN 109146252A CN 201810825526 A CN201810825526 A CN 201810825526A CN 109146252 A CN109146252 A CN 109146252A
- Authority
- CN
- China
- Prior art keywords
- user
- peak
- load
- index
- customer charge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 9
- 230000005611 electricity Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 240000002853 Nelumbo nucifera Species 0.000 claims description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 11
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于调节潜力指标的用户用电行为聚类分析方法和系统，其特征在于包括以下步骤：1)根据预先获取的用户日负荷曲线信息以及峰谷分时电价信息，构建考虑峰谷分时电价的用户负荷转移率模型，并计算用户调节潜力指标；2)以用户调节潜力指标为样本空间集合，结合K‑means聚类算法，得到基于调节潜力指标的用户用电行为聚类结果。本发明在对具有明显峰谷特性的用户进行聚类分析时，聚合效果较好，在对大规模用户进行聚类分析时，可在保证聚类效果的同时，提高聚类效率可以广泛应用于峰谷分时电价的电力系统数据分析领域。
Description
技术领域
本发明涉及智能电网技术、电力系统数据分析领域，尤其涉及一种基于调节潜力指标的用户用电行为聚类分析方法和系统。
背景技术
用电峰谷时期的电量供需不平衡状态在目前仍是一项十分严峻的问题。随着智能电网构建的推进，近年来智能量测终端大量投入使用，使得用户的用电数据得以实时采集，反映了更多的用户用电规律，这为了解用户的用电特性，提高负荷预测精度、识别用户用电模式、评估需求响应潜力、指导电价制定等提供了基础。聚类分析作为一种被广泛应用的数据挖掘算法，逐步应用到智能用电领域。负荷聚类分析的方法主要分为直接聚类和间接聚类两类：直接聚类的对象是负荷曲线本身，方法包括模糊聚类、层次聚类等；间接聚类则是先提取负荷曲线的特征，再进行聚类分析，特征提取方法包括降维分析和时间序列分析，常见的降维分析方法包括主成分分析等，而时间序列分析方法则包括离散傅里叶分析等。
通过主动改变用电时间及用电量大小，参与电网的运行控制的负荷被称为柔性负荷。随着这种能够与电网进行能量互动，具有柔性特征负荷的不断接入，相比于以前以电网为主导、用户被动响应为主的需求响应调度方式，目前的研究热点为考虑电网用户两侧双向互动完成调度过程。由于这种具有灵活可变特性的柔性负荷多种多样，对用户负荷数据的合理聚类分析可以为柔性负荷用户的互动潜力评估提供帮助。
目前，针对负荷聚类分析已有较多研究。例如，有研究提出一种考虑市场价值、潜在市场价值、区域贡献价值的用户聚类指标体系；或运用模糊C均值聚类和模式识别原理提出一种基于日负荷曲线的用户所属用电行业的分类与综合方法，或基于典型负荷形态的余弦相似性进行聚类，这些研究多提出相应负荷聚类指标，但未针对用户的调节潜力进行分析。还有研究采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行聚类分析，提出聚类数优选策略，但未提出相应分聚类方法。另外，已有研究虽均对负荷数据聚类分析展开了研究，但并未针对柔性负荷不断接入背景下的用户调节潜力特征提出合理有效的聚类方法。
发明内容
针对上述问题，本发明的目的是提供一种基于调节潜力指标的用户用电行为聚类分析方法和系统，以负荷用户为研究对象，结合负荷用户的调节潜力进行聚类分析。
为实现上述目的，本发明采取以下技术方案：一种基于调节潜力指标的用户用电行为聚类分析方法，其特征在于包括以下步骤：1)根据预先构建的用户负荷转移率模型，计算用户调节潜力指标；2)以用户调节潜力指标为样本空间集合，结合K-means聚类算法，得到基于调节潜力指标的用户用电行为聚类结果。
所述步骤1)中，根据预先构建的用户负荷转移率模型，计算用户调节潜力指标的方法，包括以下步骤：1.1)获取用户日负荷曲线信息以及峰谷分时电价信息；1.2)根据得到的峰谷分时电价信息，基于用户心理学构建用户负荷转移率模型；1.3)对用户日负荷曲线数据进行预处理，结合典型负荷特性指标，得到考虑峰谷分时电价的用户负荷转移率模型；1.4)基于考虑峰谷分时电价的用户负荷转移率模型，计算各用户的调节潜力指标。
所述步骤1.2)中，构建的用户负荷转移率模型为：
式中，为第k个用户在t1时刻转移到t2时刻的负荷转移率和最大负荷转移率；分别为t1时刻和t2时刻的电费价格差；分别为第k个用户从t1时刻到t2时刻的线性区斜率响应阈值。
所述步骤1.3)中，考虑峰谷分时电价的用户负荷转移率模型的构建方法，包括以下步骤：
1.3.1)分别以各用户一天中的负荷最大值作为参考值，对各用户负荷数据进行归一化处理；
将每个用户一天中的负荷最大值作为参考值，对负荷数据进行归一化处理：
式中，xk,t和xk,max分别表示第k个用户在t时刻的负荷大小和和一天96个采样点中负荷数据的最大值；
1.3.2)采用平滑公式对归一化后的用户负荷数据进行处理，对异常数据进行修正，公式为：
式中，a、b分别表示向前和向后取点，a1、b1分别表示向前和向后取点的最大值；
1.3.3)以步骤1.2)中的负荷转移率模型为基础，结合典型负荷特性指标，得到考虑峰谷分时电价的用户负荷转移率模型。
所述步骤1.3.3)中，考虑峰谷分时电价的用户负荷转移率模型包括用户峰时负荷率、平时负荷率、谷时负荷率，计算公式分别为：
其中，tf、tp、tg分别代表峰时、平时和谷时时段，σf *、σp *、σg *分别为峰时负荷率、平时负荷率、谷时负荷率。
所述步骤1.4)中，计算用户调节潜力指标的方法，包括以下步骤：
1.4.1)根据考虑峰谷分时电价背景的用户负荷转移率模型，计算考虑负荷转移率的拟合曲线；
1.4.2)根据负荷转移率的拟合曲线，得到第k个用户由t时段到ti时段考虑用户负荷转移率的聚类指标的计算公式：
1.4.3)考虑峰谷分时电价以及典型负荷特性指标，得到用户调节潜力指标为：
其中，λfg、λpg、λfp分别代表峰时到谷时的负荷转移率、平时到谷时的负荷转移率、峰时到平时的负荷转移率。
所述步骤2)中，以用户调节潜力指标为样本空间集合，结合K-means聚类算法，得到基于调节潜力指标的用户用电行为聚类结果的方法包括以下步骤：
2.1)将各个用户的调节潜力指标作为样本空间集合，随机选取K个样本作为初始类中心；
2.2)计算所有样本到其所在类别聚类中心的距离平方和的值，将各样本划分到离其距离最近的类中心处，类中心相同的为一类；
式中，umn为二进制变量，等于1表示第n个样本属于第m类，等于0则表示不属于该类，cm为样本聚类中心，xn为类中其他样本数据；
2.3)根据前一步的划分结果，基于最小二乘法和拉格朗日原理，更新K个类的中心cm；
2.4)判断是否满足收敛条件，未满足则返回步骤2.3)，若满足则输出结果；
收敛条件为：
|cm-cm-1|≤0.01。
一种基于调节潜力指标的用户用电行为聚类分析系统，其特征在于：其包括：调节潜力指标计算模块，用于根据获取的各用户日负荷曲线信息以及峰谷分时电价信息，计算得到各用户的调节潜力指标；聚类分析模块，用于根据得到的各用户的调节潜力指标，计算得到用户用电行为聚类结果。
所述调节潜力指标计算模块包括：基础数据获取模块，用于获取用户日负荷曲线信息以及峰谷分时电价信息；第一模型构建模块，用于根据获取的峰谷分时电价信息，构建用户负荷转移率模型；第二模型构建模块，用于根据用户日负荷曲线信息以及负荷转移率模型，构建考虑峰谷分时电价的用户负荷转移率模型；指标计算模块，用于根据考虑峰谷分时电价的用户负荷转移率模型，计算各用户的调节潜力指标。
所述第二模型构建模块，包括数据预处理模块、修正模块以及模型构建子模块；所述数据预处理模块用于对用户日负荷数据进行预处理，得到归一化后的用户日负荷数据；所述修正模块用于对归一化后的用户日负荷数据进行修正，得到修正后的用户日负荷数据；所述模型搭建子模块用于根据修正后的用户日负荷数据以及典型负荷特性指标，建立考虑峰谷分时电价的用户负荷转移率模型。
本发明由于采取以上技术方案，其具有以下优点：1、本发明基于用户负荷数据信息以及电价信息，构建了基于用户心理学的用户负荷转移率模型，对用户负荷的调节潜力的描述更加贴近实际情况；2、本发明构建了用户调节潜力指标，基于考虑峰谷分时电价的负荷转移率模型，得到每个用户的调节潜力指标，在对具有明显峰谷特性的用户进行聚类分析时，聚合效果较好，可为参与需求响应的用户筛选提供一定参考；3、本发明基于用户调节潜力指标进行聚类分析，在对大规模用户进行聚类分析时，可在保证聚类效果的同时，提高聚类效率。本发明可以广泛应用于峰谷用电时期的电力系统数据分析领域。
附图说明
图1为本发明的方法流程图；
图2为本发明提供的负荷转移率模型图；
图3为本发明提供的聚类方法流程图；
图4为本发明提供的少量用户原始负荷曲线图；
图5为本发明提供的少量用户聚类效果图；
图6为本发明提供的大量用户原始负荷曲线图；
图7为本发明提供的大量用户聚类效果图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供的一种基于调节潜力指标的用户用电行为聚类分析方法，包括以下步骤：
1)根据预先获取的用户日负荷曲线信息以及峰谷分时电价信息，构建考虑峰谷分时电价的用户负荷转移率模型，并计算用户调节潜力指标；
2)以用户调节潜力指标为样本空间集合，结合K-means聚类算法，得到基于调节潜力指标的用户用电行为聚类结果。
上述步骤1)中，构建用户负荷转移率模型并计算用户调节潜力指标的方法，包括以下步骤：
1.1)获取用户日负荷曲线信息以及峰谷分时电价信息；
1.2)根据得到的峰谷分时电价信息，基于用户心理学构建用户负荷转移率模型；
1.3)对用户日负荷曲线数据进行预处理，结合典型负荷特性指标，得到考虑峰谷分时电价的用户负荷转移率模型；
1.4)基于考虑峰谷分时电价的用户负荷转移率模型，计算各用户的调节潜力指标。
上述步骤1.2)中，如图2所示，由用户心理学原理可知，对于消费者的激励只有在达到一定阈值后才会产生反馈，超过这一阈值后反馈会随着激励程度的增大而增大，直到达到饱和值，常用线性分段曲线来表示。因此，本发明中基于用户心理学构建的负荷转移率模型为：
式中，为第k个用户在t1时刻转移到t2时刻的负荷转移率和最大负荷转移率；分别为t1时刻和t2时刻的电费价格差；分别为第k个用户从t1时刻到t2时刻的线性区斜率响应阈值。其中，t1时刻和t2时刻为用户日负荷曲线中任意的两个时刻。
上述步骤1.3)中，考虑峰谷分时电价的用户负荷转移率模型的构建方法，包括以下步骤：
1.3.1)分别以各用户一天中的负荷最大值作为参考值，对各用户日负荷数据进行归一化处理；
从电力公司数据库中获取用户的日负荷数据，设用户负荷数据样本集合为X：
X＝[x1,x2,...xk,...,xM] (2)
式中，xk为M个样本数据中的任意一个用户负荷一天96个采样点(每15分钟一个)的功率数据，如下式所示：
xk＝[xk,1,xk,2,...xk,96] (3)
由于负荷聚类主要考虑的是负荷曲线形状的相似性，为消除用户负荷数据基值大小对聚类效果的影响，本发明将每个用户一天中的负荷最大值作为参考值，对负荷数据进行归一化处理：
式中，xk,t和xk,max分别表示第k个用户在t时刻的负荷大小和和一天96个采样点中负荷数据的最大值。
1.3.2)采用平滑公式对归一化后的用户日负荷数据进行处理，对异常数据进行修正；
在某些时刻由于采样设备故障等突发情况，可能导致负荷曲线的骤升、骤降，会影响到负荷聚类的效果，因此本发明采用平滑公式对异常数据进行修正：
式中，a、b分别表示向前和向后取点，a1、b1分别表示向前和向后取点的最大值，本发明中两者都取1。
1.3.3)以步骤1.2)中的负荷转移率模型为基础，结合典型负荷特性指标，得到考虑峰谷分时电价的用户负荷转移率模型。
其中，本发明中典型负荷特性指标采用负荷计算中常用的计算指标，包括日负荷率σ1、日峰谷差率σ2和日最大负荷利用时间σ3，计算公式分别为：
式中，xk,av为第k个用户一天的平均负荷，xk,max为第k个用户一天的最大负荷，xk,min为第k个用户一天的最小负荷。
将典型负荷特性指标与步骤1.2)中的用户负荷转移率模型相结合，得到考虑峰谷分时电价的用户负荷转移率模型，包括用户峰时负荷率、平时负荷率、谷时负荷率，计算公式分别为：
其中，tf、tp、tg分别代表峰时、平时和谷时时段，σf *、σp *、σg *分别为峰时负荷率、平时负荷率、谷时负荷率。
上述步骤1.4)中，计算用户调节潜力指标的方法，包括以下步骤：
1.4.1)根据考虑峰谷分时电价背景的用户负荷转移率模型，计算考虑负荷转移率的拟合曲线；
式中，为t时段考虑负荷转移率后的归一化拟合功率，xk,t *为t2时段的归一化负荷大小，为t时段向ti时段的负荷转移率，为ti时段的归一化平均负荷，
各时刻归一化平均负荷的计算公式如下：
1.4.2)根据负荷转移率的拟合曲线，得到第k个用户由t时段到ti时段考虑用户负荷转移率的聚类指标
式中，为ti时段的归一化平均负荷。
考虑用户负荷转移率的聚类指标从负荷转移率的角度反映了负荷的调节潜力，因此，的绝对值大小反映了可调节容量的大小。
1.4.3)考虑峰谷分时电价以及典型负荷特性指标，得到用户调节潜力指标为：
其中，λfg、λpg、λfp分别代表峰时到谷时的负荷转移率、平时到谷时的负荷转移率、峰时到平时的负荷转移率。λfg、λpg、λfp采用的是最小二乘估计法获得的，取值参考文献《阮文骏,王蓓蓓,李扬,等.峰谷分时电价下的用户响应行为研究[J].电网技术,2012(7):86-93.》。
上述步骤2)中，如图3所示，利用K-means聚类算法，对基于调节潜力指标的用户用电行为进行聚类时，首先需要选取初始聚类中心，然后对所有数据点进行分类，最后计算每个聚类的平均值调整聚类中心，不断的迭代循环，最终使类内对象相似性最大，类间对象相似性最小。Kmeans算法的输入为聚类的数目K和包含N个对象的数据库，当聚类中心不再改变时，输出K个聚类簇，包括以下步骤：
2.1)初始化。将步骤1)中得到的各个用户的调节潜力指标作为样本空间集合，随机选取K个样本作为初始类中心。
2.2)样本归类。计算所有样本到其所在类别聚类中心的距离平方和的值，将各样本划分到离其距离最近的类中心处，类中心相同的即为一类；
式中，umn为二进制变量，等于1表示第n个样本属于第m类，等于0则表示不属于该类。cm为样本聚类中心，xn为类中其他样本数据。
2.3)类中心更新。根据前一步的划分结果，基于最小二乘法和拉格朗日原理，更新K个类的中心cm；
2.4)判断是否满足收敛条件，未满足则返回步骤2.3)，若满足则输出结果。
本发明中收敛条件为：
|cm-cm-1|≤0.01 (18)
本发明还提供一种适用于上述基于调节潜力指标的用户用电行为聚类分析方法的分析系统，其包括：调节潜力指标计算模块，用于根据获取的各用户日负荷曲线信息以及峰谷分时电价信息，计算得到各用户的调节潜力指标；聚类分析模块，用于根据得到的各用户的调节潜力指标，计算得到用户用电行为聚类结果。
其中，调节潜力指标计算模块包括：基础数据获取模块，用于获取用户日负荷曲线信息以及峰谷分时电价信息；第一模型构建模块，用于根据获取的峰谷分时电价信息，构建用户负荷转移率模型；第二模型构建模块，用于根据用户日负荷曲线信息以及负荷转移率模型，构建考虑峰谷分时电价的用户负荷转移率模型；指标计算模块，用于根据考虑峰谷分时电价的用户负荷转移率模型，计算各用户的调节潜力指标。
第二模型构建模块，包括数据预处理模块、修正模块以及模型构建子模块；数据预处理模块用于对用户日负荷数据进行预处理，得到归一化后的用户日负荷数据；修正模块用于对归一化后的用户日负荷数据进行修正，得到修正后的用户日负荷数据；模型搭建子模块用于根据修正后的用户日负荷数据以及典型负荷特性指标，建立考虑峰谷分时电价的用户负荷转移率模型。
实施例1
如图4～图7所示，本实施例中同时对少量用户和大量用户的负荷数据进行聚类分析，得到各用户的聚类结果。图4和图5反映了对少量用户的聚类分析效果，图6和图7反映了本发明所提方法对大量用户的聚类分析效果。从结果可以看出，本发明所提供的聚类方法，对用户聚类分析效果较好。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (10)
1.一种基于调节潜力指标的用户用电行为聚类分析方法，其特征在于包括以下步骤：
1)根据预先构建的用户负荷转移率模型，计算用户调节潜力指标；
2)以用户调节潜力指标为样本空间集合，结合K-means聚类算法，得到基于调节潜力指标的用户用电行为聚类结果。
2.如权利要求1所述的一种基于调节潜力指标的用户用电行为聚类分析方法，其特征在于：所述步骤1)中，根据预先构建的用户负荷转移率模型，计算用户调节潜力指标的方法，包括以下步骤：
1.1)获取用户日负荷曲线信息以及峰谷分时电价信息；
1.2)根据得到的峰谷分时电价信息，基于用户心理学构建用户负荷转移率模型；
1.3)对用户日负荷曲线数据进行预处理，结合典型负荷特性指标，得到考虑峰谷分时电价的用户负荷转移率模型；
1.4)基于考虑峰谷分时电价的用户负荷转移率模型，计算各用户的调节潜力指标。
3.如权利要求2所述的一种基于调节潜力指标的用户用电行为聚类分析方法，其特征在于：所述步骤1.2)中，构建的用户负荷转移率模型为：
式中，为第k个用户在t1时刻转移到t2时刻的负荷转移率和最大负荷转移率；分别为t1时刻和t2时刻的电费价格差；分别为第k个用户从t1时刻到t2时刻的线性区斜率响应阈值。
4.如权利要求1所述的一种基于调节潜力指标的用户用电行为聚类分析方法，其特征在于：所述步骤1.3)中，考虑峰谷分时电价的用户负荷转移率模型的构建方法，包括以下步骤：
1.3.1)分别以各用户一天中的负荷最大值作为参考值，对各用户负荷数据进行归一化处理；
将每个用户一天中的负荷最大值作为参考值，对负荷数据进行归一化处理：
式中，xk,t和xk,max分别表示第k个用户在t时刻的负荷大小和和一天96个采样点中负荷数据的最大值；
1.3.2)采用平滑公式对归一化后的用户负荷数据进行处理，对异常数据进行修正，公式为：
式中，a、b分别表示向前和向后取点，a1、b1分别表示向前和向后取点的最大值；
1.3.3)以步骤1.2)中的用户负荷转移率模型为基础，结合典型负荷特性指标，得到考虑峰谷分时电价的用户负荷转移率模型。
5.如权利要求4所述的一种基于调节潜力指标的用户用电行为聚类分析方法，其特征在于：所述步骤1.3.3)中，考虑峰谷分时电价的用户负荷转移率模型包括用户峰时负荷率、平时负荷率、谷时负荷率，计算公式分别为：
其中，tf、tp、tg分别代表峰时、平时和谷时时段，σf *、σp *、σg *分别为峰时负荷率、平时负荷率、谷时负荷率。
6.如权利要求2所述的一种基于调节潜力指标的用户用电行为聚类分析方法，其特征在于：所述步骤1.4)中，计算用户调节潜力指标的方法，包括以下步骤：
1.4.1)根据考虑峰谷分时电价背景的用户负荷转移率模型，计算考虑负荷转移率的拟合曲线；
1.4.2)根据负荷转移率的拟合曲线，得到第k个用户由t时段到ti时段考虑用户负荷转移率的聚类指标的计算公式；
1.4.3)考虑峰谷分时电价以及典型负荷特性指标，得到用户调节潜力指标为：
其中，λfg、λpg、λfp分别代表峰时到谷时的负荷转移率、平时到谷时的负荷转移率、峰时到平时的负荷转移率。
7.如权利要求1所述的一种基于调节潜力指标的用户用电行为聚类分析方法，其特征在于：所述步骤2)中，以用户调节潜力指标为样本空间集合，结合K-means聚类算法，得到基于调节潜力指标的用户用电行为聚类结果的方法，包括以下步骤：
2.1)将各个用户的调节潜力指标作为样本空间集合，随机选取K个样本作为初始类中心；
2.2)计算所有样本到其所在类别聚类中心的距离平方和的值，将各样本划分到离其距离最近的类中心处，类中心相同的为一类；
式中，umn为二进制变量，等于1表示第n个样本属于第m类，等于0则表示不属于该类；cm为样本聚类中心，xn为类中其他样本数据；
2.3)根据前一步的划分结果，基于最小二乘法和拉格朗日原理，更新K个类的中心cm；
2.4)判断是否满足收敛条件，未满足则返回步骤2.3)，若满足则输出结果；
收敛条件为：
|cm-cm-1|≤0.01。
8.一种适用于如权利要求1～7任一项所述方法的基于调节潜力指标的用户用电行为聚类分析系统，其特征在于：其包括：
调节潜力指标计算模块，用于根据获取的各用户日负荷曲线信息以及峰谷分时电价信息，计算得到各用户的调节潜力指标；
聚类分析模块，用于根据得到的各用户的调节潜力指标，计算得到用户用电行为聚类结果。
9.如权利要求8所述的一种基于调节潜力指标的用户用电行为聚类分析系统，其特征在于：所述调节潜力指标计算模块包括：
基础数据获取模块，用于获取用户日负荷曲线信息以及峰谷分时电价信息；
第一模型构建模块，用于根据获取的峰谷分时电价信息，构建用户负荷转移率模型；
第二模型构建模块，用于根据用户日负荷曲线信息以及负荷转移率模型，构建考虑峰谷分时电价的用户负荷转移率模型；
指标计算模块，用于根据考虑峰谷分时电价的用户负荷转移率模型，计算各用户的调节潜力指标。
10.如权利要求9所述的一种基于调节潜力指标的用户用电行为聚类分析系统，其特征在于：所述第二模型构建模块，包括数据预处理模块、修正模块以及模型构建子模块；
所述数据预处理模块用于对用户日负荷数据进行预处理，得到归一化后的用户日负荷数据；
所述修正模块用于对归一化后的用户日负荷数据进行修正，得到修正后的用户日负荷数据；
所述模型搭建子模块用于根据修正后的用户日负荷数据以及典型负荷特性指标，建立考虑峰谷分时电价的用户负荷转移率模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810825526.1A CN109146252A (zh) | 2018-07-25 | 2018-07-25 | 基于调节潜力指标的用户用电行为聚类分析方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810825526.1A CN109146252A (zh) | 2018-07-25 | 2018-07-25 | 基于调节潜力指标的用户用电行为聚类分析方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109146252A true CN109146252A (zh) | 2019-01-04 |
Family
ID=64797758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810825526.1A Pending CN109146252A (zh) | 2018-07-25 | 2018-07-25 | 基于调节潜力指标的用户用电行为聚类分析方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146252A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675042A (zh) * | 2019-09-17 | 2020-01-10 | 南瑞集团有限公司 | 基于K-Means聚类算法的工业用户储能建设研判方法 |
| CN110705616A (zh) * | 2019-09-23 | 2020-01-17 | 广东电力交易中心有限责任公司 | 基于用电偏好进行用户负荷曲线聚类的方法及系统 |
| CN111028098A (zh) * | 2019-11-05 | 2020-04-17 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于细粒度用电行为的用户可调潜力确定方法 |
| CN111489188A (zh) * | 2020-03-11 | 2020-08-04 | 国网天津市电力公司电力科学研究院 | 一种居民可调负荷潜力挖掘方法及系统 |
| CN111915116A (zh) * | 2019-05-10 | 2020-11-10 | 国网能源研究院有限公司 | 一种基于K-means聚类的电力居民用户分类方法 |
| CN112183900A (zh) * | 2020-11-05 | 2021-01-05 | 山东德佑电气股份有限公司 | 一种基于聚类分析的用电分析及优化调度方法 |
| CN112365164A (zh) * | 2020-11-13 | 2021-02-12 | 国网江苏省电力有限公司扬州供电分公司 | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 |
| CN112465403A (zh) * | 2020-12-17 | 2021-03-09 | 国网能源研究院有限公司 | 一种区域电力需求侧响应潜力评估方法 |
| CN112581012A (zh) * | 2020-12-25 | 2021-03-30 | 国网北京市电力公司 | 参与需求响应的用电客户分类方法 |
| CN114169802A (zh) * | 2021-12-31 | 2022-03-11 | 佰聆数据股份有限公司 | 电网用户需求响应潜力分析方法、系统及存储介质 |
| CN114565293A (zh) * | 2022-03-03 | 2022-05-31 | 国网经济技术研究院有限公司 | 一种工业负荷提供长周期需求响应能力的评估方法 |
| CN116365529A (zh) * | 2022-12-21 | 2023-06-30 | 四川大学 | 一种基于负荷用电特性的工业用户可调节潜力评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100082172A1 (en) * | 2008-09-25 | 2010-04-01 | Korea Electric Power Corporation | Load forecasting analysis system for calculating customer baseline load |
| CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
| 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 |
| CN105894034A (zh) * | 2016-04-01 | 2016-08-24 | 中国电力科学研究院 | 一种基于二次聚类的商业负荷特性聚类分析方法 |
-
2018
- 2018-07-25 CN CN201810825526.1A patent/CN109146252A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100082172A1 (en) * | 2008-09-25 | 2010-04-01 | Korea Electric Power Corporation | Load forecasting analysis system for calculating customer baseline load |
| CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
| 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 |
| CN105894034A (zh) * | 2016-04-01 | 2016-08-24 | 中国电力科学研究院 | 一种基于二次聚类的商业负荷特性聚类分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨卫红等: ""基于调节潜力指标的用户用电行为聚类分析算法研究"", 《电力建设》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915116A (zh) * | 2019-05-10 | 2020-11-10 | 国网能源研究院有限公司 | 一种基于K-means聚类的电力居民用户分类方法 |
| CN110675042A (zh) * | 2019-09-17 | 2020-01-10 | 南瑞集团有限公司 | 基于K-Means聚类算法的工业用户储能建设研判方法 |
| CN110675042B (zh) * | 2019-09-17 | 2022-07-01 | 南瑞集团有限公司 | 基于K-Means聚类算法的工业用户储能建设研判方法 |
| CN110705616A (zh) * | 2019-09-23 | 2020-01-17 | 广东电力交易中心有限责任公司 | 基于用电偏好进行用户负荷曲线聚类的方法及系统 |
| CN111028098A (zh) * | 2019-11-05 | 2020-04-17 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于细粒度用电行为的用户可调潜力确定方法 |
| CN111489188A (zh) * | 2020-03-11 | 2020-08-04 | 国网天津市电力公司电力科学研究院 | 一种居民可调负荷潜力挖掘方法及系统 |
| CN111489188B (zh) * | 2020-03-11 | 2023-08-18 | 国网天津市电力公司电力科学研究院 | 一种居民可调负荷潜力挖掘方法及系统 |
| CN112183900A (zh) * | 2020-11-05 | 2021-01-05 | 山东德佑电气股份有限公司 | 一种基于聚类分析的用电分析及优化调度方法 |
| CN112365164A (zh) * | 2020-11-13 | 2021-02-12 | 国网江苏省电力有限公司扬州供电分公司 | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 |
| CN112365164B (zh) * | 2020-11-13 | 2023-09-12 | 国网江苏省电力有限公司扬州供电分公司 | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 |
| CN112465403B (zh) * | 2020-12-17 | 2023-02-03 | 国网能源研究院有限公司 | 一种区域电力需求侧响应潜力评估方法 |
| CN112465403A (zh) * | 2020-12-17 | 2021-03-09 | 国网能源研究院有限公司 | 一种区域电力需求侧响应潜力评估方法 |
| CN112581012A (zh) * | 2020-12-25 | 2021-03-30 | 国网北京市电力公司 | 参与需求响应的用电客户分类方法 |
| CN114169802B (zh) * | 2021-12-31 | 2022-08-16 | 佰聆数据股份有限公司 | 电网用户需求响应潜力分析方法、系统及存储介质 |
| CN114169802A (zh) * | 2021-12-31 | 2022-03-11 | 佰聆数据股份有限公司 | 电网用户需求响应潜力分析方法、系统及存储介质 |
| CN114565293A (zh) * | 2022-03-03 | 2022-05-31 | 国网经济技术研究院有限公司 | 一种工业负荷提供长周期需求响应能力的评估方法 |
| CN114565293B (zh) * | 2022-03-03 | 2024-06-04 | 国网经济技术研究院有限公司 | 一种工业负荷提供长周期需求响应能力的评估方法 |
| CN116365529A (zh) * | 2022-12-21 | 2023-06-30 | 四川大学 | 一种基于负荷用电特性的工业用户可调节潜力评估方法 |
| CN116365529B (zh) * | 2022-12-21 | 2024-01-23 | 四川大学 | 一种基于负荷用电特性的工业用户可调节潜力评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
| CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
| CN108280479B (zh) | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 | |
| Panapakidis et al. | Pattern recognition algorithms for electricity load curve analysis of buildings | |
| Kim et al. | Methods for generating TLPs (typical load profiles) for smart grid-based energy programs | |
| Cremers et al. | Efficient methods for approximating the Shapley value for asset sharing in energy communities | |
| CN110263995A (zh) | 考虑负荷增长率与用户用电特性的配变重过载预测方法 | |
| CN106327357B (zh) | 一种基于改进概率神经网络的负载识别方法 | |
| CN106446967A (zh) | 一种新型电力系统负荷曲线聚类方法 | |
| CN106408008A (zh) | 一种基于负荷曲线距离和形状的负荷分类方法 | |
| Ferraro et al. | Comparison and clustering analysis of the daily electrical load in eight European countries | |
| Quek et al. | Load disaggregation using one-directional convolutional stacked long short-term memory recurrent neural network | |
| CN111242161B (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
| CN110380444A (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
| Lu et al. | Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers | |
| CN111144447A (zh) | 一种新能源出力引起的反调峰风险的电网峰谷时段划分方法 | |
| Haq et al. | Classification of electricity load profile data and the prediction of load demand variability | |
| Chihota | Extending the Herman-beta transform for probabilistic load flow analysis of radial feeders | |
| Varghese et al. | Smart grid consumer behavioral model using machine learning | |
| Prahastono et al. | A review of electricity load profile classification methods | |
| Hu et al. | A novel hybrid technique for short-term electricity price forecasting in UK electricity markets | |
| Panapakidis et al. | Deriving the optimal number of clusters in the electricity consumer segmentation procedure |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |