CN109784632B - 一种工商业用户的中断响应特性挖掘方法 - Google Patents
一种工商业用户的中断响应特性挖掘方法 Download PDFInfo
- Publication number
- CN109784632B CN109784632B CN201811523762.4A CN201811523762A CN109784632B CN 109784632 B CN109784632 B CN 109784632B CN 201811523762 A CN201811523762 A CN 201811523762A CN 109784632 B CN109784632 B CN 109784632B
- Authority
- CN
- China
- Prior art keywords
- clustering
- daily load
- curves
- response
- centers
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种工商业用户的中断响应特性挖掘方法,该方法以工商业用户日负荷曲线为特征向量,进行两组聚类操作,第一组聚类操作采用ward聚类法与FCM聚类法相结合的二次聚类法对工商业用户的所有日负荷曲线进行聚类,分离出工商业用户的的常规日负荷曲线与中断响应后的日负荷曲线;第二组聚类操作针对第一组聚类操作获得的中断响应后的日负荷曲线,先利用聚类有效性函数确定聚类数目,接着采用二次聚类法聚类;在两组聚类操作完成后,通过对聚类结果进行计算分析,确定出用户的最大中断响应速率和最大中断响应容量。本发明能够有效挖掘出工商业用户的最大中断响应速率特性和最大中断容量特性,从而实现对中断特性更为全面的研究。
Description
技术领域
本发明涉及可中断负荷研究领域,尤其涉及一种工商业用户的中断响应特性挖掘方法。
背景技术
随着智能电网的发展,用电信息采集系统、在线胆控系统己广泛在电网中实施并得到应用,但也给电网带来了数量级别达到PB级的海量用能数据,从此电为行业也进入了大数据时代。尽管数据挖掘技术己在金融业、电信业、零售业等领域得到实践应用,而在电力系统上对于数据挖掘的研究和应用却基本处于起步阶段,因此吸引了越来越多的专家学者投入到电力系统大数据研究中来。
随着技术发展和设备升级,智能电网中数据采集和负荷特性分析已具有一定发展水平。目前负荷特性分析的主要方法有负荷曲线分析法,通过绘制图表来分析负荷特性,包括年、月、日的负荷指标分析等等。但用户可中断容量的挖掘往往直接以峰值负荷减去经济生产保障负荷,有失精准。也有研究提出通过检验消费者是否实现需求响应计划判断用户的需求响应潜力,但未对可中断负荷做精细化分析。
发明内容
发明目的:针对现有技术中存在的技术问题,提供了一种工商业用户的中断响应速率及中断响应容量挖掘模型,涉及可中断负荷研究领域。随着新能源的大量接入,用户对供电可靠性的要求提高,对需求响应的依赖性越来越大,可中断特性的研究是大用户进行需求响应的基础。
技术方案:本发明的工商业用户的中断响应特性挖掘方法包括如下步骤:
(1)收集特定工商业用户在多天内的多条日负荷曲线,其中在多天内用户的中断响应频率超过预设频率;
(2)对多条日负荷曲线进行通过第一组聚类操作,得到常规日负荷曲线与中断响应后的日负荷曲线这两类曲线以及两类曲线对应的聚类中心;
(3)对中断响应后的日负荷曲线进行第二组聚类操作,得到各类中断响应后的精细化日负荷曲线对应的聚类中心;
(4)分析常规日负荷曲线对应的聚类中心以及各类中断响应后的精细化日负荷曲线对应的聚类中心,确定工商业用户的最大中断容量和最大中断响应速率。
进一步地,在步骤(2)中,第一组聚类操作包括如下步骤:
(21)用ward聚类法对多条日负荷曲线进行聚类,得到两个聚类中心;
(22)将步骤(21)中的两个聚类中心作为初始状态,采用FCM聚类法对所述多条日负荷曲线进行聚类,得到两个优化后的聚类中心:
(23)在两个优化后的聚类中心中,将包含较高用电量数据者视为常规日负荷曲线的聚类中心,将包含较低用电量数据者视为中断响应后的日负荷曲线的聚类中心。
进一步地,在步骤(3)中,第二组聚类操作包括如下步骤:
(31)设置聚类数上限C'的值,其中2≤C'≤n',n’为第一次聚类得到的中断响应后的日负荷功率曲线的数量;令有效值FC0=0且聚类数C=2;
(32)采用Ward聚类法将各条中断响应后的日负荷曲线分成C类,得到C个对应的初始子聚类中心,用于作为步骤(33)中FCM聚类法的初始状态;
(33)用FCM聚类法对各条中断响应后的日负荷曲线进行聚类,得到C个优化后的子聚类中心和对应的隶属度矩阵U’={u’ab},u’ab表示第b条中断响应后的日负荷曲线对第a个优化后的子聚类中心的隶属度;
(35)基于C个优化后的子聚类中心和对应的隶属度矩阵U’计算聚类有效性函数FC的值,当FC≥FC0时令FC0=FC,反之FC0不变;其中,
(36)比较C与C'的大小,当C≥C'时,将最新的C个优化后的子聚类中心视为各类中断响应后的精细化日负荷曲线对应的聚类中心;否则令C=C+1,将最新的C个优化后的子聚类中心作为步骤(33)中FCM聚类法的初始状态,并重新执行步骤(33)至步骤(36)。
进一步地,步骤(4)中,确定最大中断容量包括:用常规日负荷曲线对应的聚类中心分别减去各类中断响应后的精细化日负荷曲线对应的各聚类中心,得到各类中断响应容量曲线;比较各类中断响应容量曲线,选取各时刻对应的中断响应容量的最大值,得到用户的最大中断响应容量。确定最大中断响应速率包括:比较各类中断响应后的精细化日负荷曲线对应的各聚类中心,找出负荷下降最快时对应的速率,得到最大中断响应速率。
有益效果:本发明与现有技术相比,采用Ward系统聚类法与改进模糊C均值法(FCM法)对关键用户日负荷数据进行聚类分析,利用有效性函数优化分类数目;提出二分法聚类模型,对历史用电数据进行双层聚类,使负荷特性挖掘结果更精细化,对用户中断特性的研究也更全面。
附图说明
图1为本发明的工商业用户中断响应特性挖掘方法的总体流程图;
图2为本发明实施例中第一组聚类操作的结果;
图3为本发明实施例中第二组聚类操作的结果。
具体实施方式
以下结合附图对本发明进行详细说明。
如图1,在本发明的工商业用户的中断响应特性挖掘方法中,首先收集关键工商业用户在中断响应较为频繁的一段时间内的日负荷曲线作为原始数据集,然后,应用二分法中断响应特性挖掘模型,对用户的所有日负荷曲线进行两组聚类操作,最后再根据两组聚类操作的结果进行中断特性分析。
第一组聚类操作采用Ward聚类法与模糊C均值聚类(FCM)法相结合的二次聚类法,以对收集到的工商业用户的所有日负荷曲线进行聚类。Ward聚类法的基本思想来源于方差分析,每次缩小一类,选择使方差增加最小的两类合并,从而使同类样本的离差平方和较小,而不同类之间的离差平方和较大,原理直观,过程简单,分类快速且客观。FCM能对用电数据进行准确分类,还可以通过模糊聚类中心直接进行用电特性综合,构造典型用电模式,但FCM法对初始状态设置较为敏感。因此先进行Ward聚类,以Ward聚类的结果作为模糊C均值聚类的初始状态。既可避FCM对初始参数的敏感性,又能保证取得较好的聚类效果。
FCM的基本思想是不断迭代调整(U,V),使得在满足约束条件的情况下目标函数J的值最小。其中,U为隶属度矩阵,V为聚类中心的集合。在本实施例中,目标函数J表示用FCM聚类法进行分类后用户负荷功率与聚类中心功率的差值之和。U的大小为c*n,c为所有日负荷功率数据的最终聚类数,n为用户日负荷功率曲线数量。V={v1,v2,v3,…,vc},共含c个聚类中心,矩阵元素vi表示第i类别的聚类中心。目标函数J为:
dij=||xj-vi|| (2)
约束条件为:
其中,uij为隶属度矩阵U中的元素,表示用户j属于第i类的隶属度;dij=||xj-vi||表示用户j到聚类中心i的距离;x={x1,x2,x3,…,xn}为收集到的工商业用户所有日负荷曲线的集合;dij为日负荷曲线xj到聚类中心vi的距离。
第一组聚类操作主要包括如下步骤:
(1)用Ward聚类法对收集到的所有日负荷曲线进行聚类,得到两个聚类中心。Ward聚类法的具体过程可以参见《统计与决策》2017年第22期中的“基于能量距离推广的Ward聚类算法研究”。
(2)将采用Ward聚类法得到的两个聚类中心作为初始状态,采用FCM聚类法对所述多条日负荷曲线进行聚类,得到两个优化后的聚类中心。这一步实际上是结合之前提到的约束条件对求解出使目标函数J最小时的隶属度矩阵U和聚类中心集合V。具体说来,可以通过拉格朗日乘数法基于式子(1)至(3)推算出U和V的迭代公式:
其中,L为迭代次数。大致求解过程为:将Ward聚类法得到的两个聚类中心作为初始聚类中心,计算出收集到的各条日负荷曲线对这两个初始聚类中心的隶属度,从而得到隶属度矩阵U;根据迭代公式基于当前的U更新聚类中心集合V,再基于当前的V更新U,如此反复迭代更新U和V,直到更新前后U的变化小于设定阈值时停止迭代,将最新的U和V视为最优解,最新的聚类中心集合V中包含两个优化后的聚类中心。
(3)在两个优化后的聚类中心中,将包含较高用电量数据者视为常规日负荷曲线的聚类中心,将包含较低用电量数据者视为中断响应后的日负荷曲线的聚类中心。
第二次聚类针对第一次聚类获得的中断响应后的日负荷曲线,以获取典型的工商业用户中断响应模式。在第二次聚类中,先利用聚类有效性函数确定聚类数目,接着采用上述二次聚类法聚类。二次聚类法涉及的两种聚类算法中,不管原始数据结构如何,实际数据的分类情况往往是未知的,需要确定聚类数C,选用聚类有效性函数FC进行聚类数的确定。FC的表达式由下式确定:
其中,n’表示的是第一次聚类得到的中断响应后的日负荷功率曲线的数量,u’ab是第二次聚类分析时中断响应后的日负荷功率a属于第二次分类中第b类的程度。当FC的值越接近于1,聚类的模糊性越小,聚类效果就越好。聚类有效性函数是用来选择最佳聚类数目的,第二次聚类的整体流程如下:
(a)设置聚类数上限C'的值,其中2≤C'≤n',n’为第一次聚类得到的中断响应后的日负荷功率曲线的数量;令有效值FC0=0且聚类数C=2。
(b)采用Ward聚类法将各条中断响应后的日负荷曲线分成C类,得到C个对应的初始子聚类中心,用于作为步骤(33)中FCM聚类法的初始状态。
(c)用FCM聚类法对各条中断响应后的日负荷曲线进行聚类,得到C个优化后的子聚类中心和对应的隶属度矩阵U’={u’ab},u’ab表示第b条中断响应后的日负荷曲线对第a个优化后的子聚类中心的隶属度。
(d)基于C个优化后的子聚类中心和对应的隶属度矩阵U’计算聚类有效性函数FC的值,当FC≥FC0时令FC0=FC,反之FC0不变。
(e)比较C与C'的大小,当C≥C'时,将最新的C个优化后的子聚类中心视为各类中断响应后的精细化日负荷曲线对应的聚类中心;否则令C=C+1,将最新的C个优化后的子聚类中心作为步骤(c)中FCM聚类法的初始状态,并重新执行步骤(c)至步骤(e)。
以下以不锈钢制造行业某一用户的7月份数据为例进行说明:
以用户96点日负荷数据作为特征向量,设定聚类数为2,对原始数据集进行聚类分析,获得最终的隶属度矩阵和聚类中心。其中,96点日负荷数据是指包含日内每15min的负荷功率,共有96个,故称为96点日负荷功率。图2示出了第一次聚类后得到的每一类的聚类中心曲线。其中,原始日负荷功率曲线被分为2类,得到2类数据的聚类中心曲线,根据负荷功率大小可以区分常规日负荷曲线和中断响应后的日负荷曲线,即用电量较高的曲线为常规日负荷曲线,用电量较低的曲线为中断响应后的日负荷曲线。
经过第一次聚类,用户常规日负荷数据与中断响应后日负荷数据已经从原始数据中分离出来,对第一次聚类得到的中断响应后的日负荷数据再次进行聚类,利用聚类有效性函数确定聚类数目,通过二次聚类法聚类分析,第二次聚类中心如图3所示,其中的2条聚类中心曲线对应中断响应后的两类精细化日负荷数据对应的曲线。
用第一次聚类后获得的每个时刻对应的常规日负荷数据减去分别减去每个时刻对应的各类中断响应后的精细化日负荷数据,得到用户的各类中断响应容量曲线。比较各类中断响应容量曲线,选取每个时刻对应的最大中断响应容量,得到用户的最大中断响应容量。比较各类中断响应后的精细化日负荷数据对应的精细化日负荷曲线,得到该用户的最大中断响应速率。
该用户最大中断响应容量与最大中断响应速率如表I所示:
表I
由实施例可知,本发明能有效地挖掘出工商业用户的最大中断响应速率特性和最大中断容量特性。
以上详细描述了本发明对仿真模型的实施方式,但是本发明并不限于上述实施方式中的具体细节。任何熟悉本领域的人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应该涵盖在本发明的保护范围之内。
Claims (3)
1.一种工商业用户的中断响应特性挖掘方法,其特征在于,包括如下步骤:
(1)收集特定工商业用户在多天内的多条日负荷曲线,其中在所述多天内用户的中断响应频率超过预设频率;
(2)对所述多条日负荷曲线进行通过第一组聚类操作,得到常规日负荷曲线与中断响应后的日负荷曲线这两类曲线以及两类曲线对应的聚类中心;
(3)对中断响应后的日负荷曲线进行第二组聚类操作,得到各类中断响应后的精细化日负荷曲线对应的聚类中心;
(4)分析常规日负荷曲线对应的聚类中心以及各类中断响应后的精细化日负荷曲线对应的聚类中心,确定所述工商业用户的最大中断容量和最大中断响应速率;
在步骤(2)中,第一组聚类操作包括如下步骤:
(21)用ward聚类法对所述多条日负荷曲线进行聚类,得到两个聚类中心;
(22)将步骤(21)得到的两个聚类中心作为初始状态,采用FCM聚类法对所述多条日负荷曲线进行聚类,得到两个优化后的聚类中心;
(23)在两个优化后的聚类中心中,将包含较高用电量数据者视为常规日负荷曲线的聚类中心,将包含较低用电量数据者视为中断响应后的日负荷曲线的聚类中心;
在步骤(3)中,第二组聚类操作包括如下步骤:
(31)设置聚类数上限C'的值,其中2≤C'≤n',n’为第一次聚类得到的中断响应后的日负荷功率曲线的数量;令有效值FC0=0且聚类数C=2;
(32)采用Ward聚类法将各条中断响应后的日负荷曲线分成C类,得到C个对应的初始子聚类中心,用于作为步骤(33)中FCM聚类法的初始状态;
(33)用FCM聚类法对各条中断响应后的日负荷曲线进行聚类,得到C个优化后的子聚类中心和对应的隶属度矩阵U’={u’ab},u’ab表示第b条中断响应后的日负荷曲线对第a个优化后的子聚类中心的隶属度;
(35)基于C个优化后的子聚类中心和对应的隶属度矩阵U’计算聚类有效性函数FC的值,当FC≥FC0时令FC0=FC,反之FC0不变;其中,
(36)比较C与C'的大小,当C≥C'时,将最新的C个优化后的子聚类中心视为各类中断响应后的精细化日负荷曲线对应的聚类中心;否则令C=C+1,将最新的C个优化后的子聚类中心作为步骤(33)中FCM聚类法的初始状态,并重新执行步骤(33)至步骤(36)。
2.根据权利要求1所描述的工商业用户的中断响应特性挖掘方法,其特征在于,步骤(4)中,确定最大中断容量包括:
用常规日负荷曲线对应的聚类中心分别减去各类中断响应后的精细化日负荷曲线对应的各聚类中心,得到各类中断响应容量曲线;
比较各类中断响应容量曲线,选取各时刻对应的中断响应容量的最大值,得到用户的最大中断响应容量。
3.根据权利要求1所描述的工商业用户的中断响应特性挖掘方法,其特征在于,步骤(4)中,确定最大中断响应速率包括:
比较各类中断响应后的精细化日负荷曲线对应的各聚类中心,找出负荷下降最快时对应的速率,得到最大中断响应速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811523762.4A CN109784632B (zh) | 2018-12-13 | 2018-12-13 | 一种工商业用户的中断响应特性挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811523762.4A CN109784632B (zh) | 2018-12-13 | 2018-12-13 | 一种工商业用户的中断响应特性挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784632A CN109784632A (zh) | 2019-05-21 |
CN109784632B true CN109784632B (zh) | 2020-07-31 |
Family
ID=66495907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811523762.4A Active CN109784632B (zh) | 2018-12-13 | 2018-12-13 | 一种工商业用户的中断响应特性挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784632B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401239A (zh) * | 2013-08-07 | 2013-11-20 | 国家电网公司 | 电力需求侧参与缓解配电线路过载的方法 |
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 |
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
CN105678314A (zh) * | 2015-10-15 | 2016-06-15 | 东南大学 | 一种基于模糊c聚类的典型需求侧用户筛选方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11069009B2 (en) * | 2014-05-16 | 2021-07-20 | Accenture Global Services Limited | System, method and apparatuses for identifying load volatility of a power customer and a tangible computer readable medium |
-
2018
- 2018-12-13 CN CN201811523762.4A patent/CN109784632B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401239A (zh) * | 2013-08-07 | 2013-11-20 | 国家电网公司 | 电力需求侧参与缓解配电线路过载的方法 |
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 |
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
CN105678314A (zh) * | 2015-10-15 | 2016-06-15 | 东南大学 | 一种基于模糊c聚类的典型需求侧用户筛选方法 |
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 |
Non-Patent Citations (1)
Title |
---|
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;《燕山大学学报》;20160531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109784632A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
US11043808B2 (en) | Method for identifying pattern of load cycle | |
Sun et al. | An objective-based scenario selection method for transmission network expansion planning with multivariate stochasticity in load and renewable energy sources | |
Xiao et al. | Data mining in building automation system for improving building operational performance | |
ElNozahy et al. | A probabilistic load modelling approach using clustering algorithms | |
US20210326696A1 (en) | Method and apparatus for forecasting power demand | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
CN103049651A (zh) | 一种用于电力负荷聚类的方法及装置 | |
CN110674993A (zh) | 一种用户负荷短期预测方法和装置 | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
CN111582548A (zh) | 一种基于多元用户行为画像的用电负荷预测方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN113378954B (zh) | 一种基于粒子群改进k均值算法的负荷曲线聚类方法及系统 | |
CN117725537A (zh) | 实时计量数据处理平台 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN109784632B (zh) | 一种工商业用户的中断响应特性挖掘方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |