CN109902868A - 一种基于负荷特性的大用户业扩辅助分析方法和装置 - Google Patents

一种基于负荷特性的大用户业扩辅助分析方法和装置 Download PDF

Info

Publication number
CN109902868A
CN109902868A CN201910138894.3A CN201910138894A CN109902868A CN 109902868 A CN109902868 A CN 109902868A CN 201910138894 A CN201910138894 A CN 201910138894A CN 109902868 A CN109902868 A CN 109902868A
Authority
CN
China
Prior art keywords
load
user
follows
formula
submodule
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
Application number
CN201910138894.3A
Other languages
English (en)
Inventor
袁少光
魏澄宙
李晓蕾
郭志民
耿俊成
王自强
田杨阳
张小斐
万迪明
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 Corp of China SGCC
State Grid Henan Electric Power Co Ltd
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Henan Electric Power Co Ltd
Electric Power Research Institute of State Grid Henan 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 Corp of China SGCC, State Grid Henan Electric Power Co Ltd, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910138894.3A priority Critical patent/CN109902868A/zh
Publication of CN109902868A publication Critical patent/CN109902868A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Abstract

本申请涉及一种基于负荷特性的大用户业扩辅助分析方法和装置，首先从电网公司获取大用户历史负荷用电数据；再通过模糊C均值聚类提取已有用户的典型负荷模式，建立大用户负荷特征库；再通过梯度提升树模型建立了负荷模式识别方法，基于用户负荷特性，以负荷特征库中对应的用电模式模拟新用户用电行为；最终提出业扩报装供电方案优化模型，确定最优供电方案。本申请的方法和装置可解决大用户报装接入点峰谷差率大，电力系统运行效率低的问题，提高电力系统安全稳定性。

Description

一种基于负荷特性的大用户业扩辅助分析方法和装置
技术领域
本申请属于电力业扩报装技术领域，尤其是涉及一种基于负荷特性的大用户业扩辅助分析方法和装置。
背景技术
业扩报装是供电公司面向用电客户的关键业务之一。通过业扩报装，电力系统营销部门可及时把握客户用电需求，结合电网网架结构及客户位置等实际情况，制定科学合理的供电方案，满足客户用电需求。当前供电方案的制定一般只考虑用户的最大负荷，较少精细地考虑负荷特性。相似负荷特性的大用户若集中接入同一供电点，将增大供电接入点的峰谷差率，降低电力系统运行效率与经济效益。
在制定用户供电方案时考虑负荷的时序特性是业扩报装的新思路，该方法利用用户负荷特性的互补性，将负荷曲线峰谷互补的用电客户接入相同电源点，使电源点负荷曲线更平缓，从而降低电源点负荷峰谷差率，提高电力系统安全稳定性。但是由于新装用户无历史运行数据，供电企业无法直接获取新装用户负荷特性。随着电力系统遥测、遥信技术的发展，用户历史负荷数据的采集变得更简洁方便；随着大数据技术的发展，学术界关于利用大数据技术进行负荷模式识别及模拟的研究日趋成熟。这些都为大用户负荷模式识别奠定了基础，也为业扩报装供电方案制定中利用大数据进行分析提供了方法。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种基于负荷特性的大用户业扩辅助分析方法，用以解决大用户报装接入点峰谷差率大，电力系统运行效率低的问题。
本发明解决其技术问题所采用的技术方案是：
一种基于负荷特性的大用户业扩辅助分析方法，包括以下步骤：
S1：从电网公司获取大用户历史负荷用电数据；
S2：通过模糊C均值聚类提取已有用户的典型负荷模式，建立大用户负荷特征库；
S3：通过梯度提升树模型建立了负荷模式识别方法，基于用户负荷特性，以负荷特征库中对应的用电模式模拟新用户用电行为；
S4：提出业扩报装供电方案优化模型，确定最优供电方案。
优选地，本发明的基于负荷特性的大用户业扩辅助分析方法，S1步骤中，用电分属多个行业的多个用户，且采集每个用户典型日的至少96点负荷数据，形成日负荷曲线。
优选地，本发明的基于负荷特性的大用户业扩辅助分析方法，S2步骤具体包括：
S21：计算大用户历史用电数据，具体公式为：
U＝[U1 U2 … Ui … UN]T
Ui＝[ui,1 ui,2 … ui,j … ui,96]
式中:Ui—第i条历史用电数据；ui,j—第i条历史用电数据中第j时段的有功功率；
S22：对第i条历史用电数据进行归一化处理，具体公式如下：
S23：计算聚类中心矩阵X，具体公式为：
X＝[X1 X2 … Xk … XL]T
S24：Di属于第k个聚类中心Xk的隶属度Vi,k需满足条件用以下公式表示：
S25：当选择簇k中样本数据与对应聚类中心间的欧式距离作为日负荷曲线形态的相似度指标时，目标函数F可定义为：
S26：对目标函数进行拉格朗日变换，得如下公式：
S27：若Di归类于Xk，其隶属度需满足条件为：
Vi,k＝max(Vi,1,Vi,2,…,Vi,k,…,Vi,L)
S28：通过聚类有效性函数fc(L)确定FCM的最佳分类数目，fc(L)越接近1，聚类分析效果越好，fc(L)具体公式为：
优选地，本发明的根据权利要求1所述的基于负荷特性的大用户业扩辅助分析方法，S3步骤具体包括：
S31：根据大用户报装参数，计算负荷特性指标
I＝[a1 a2 a3 a4 a5 a6]
其中，a1—日负荷率；a2—日最小负荷率；a3—日峰谷差率；a4—峰期负载率；a5—平期负载率；a6—谷期负载率；
S32：初始化F0(x)，对于日负荷模式特征数据集{xi,yi}n，其中i＝1,2,L,n，xi为第i个用户日负荷模式特征，yi为FCM算法中第i个负荷类型，定义损失函数为L[y,F(x)],F(x)为输出的强学习器最后得到的模式分类，最大迭代次数为M；记第m次更新的强学习器模型为Fm(x)，初始化梯度提升树弱学习器模型F0(x)，取值为定值，即：
式中：x为用户日负荷用电模式特征序列，γ为本次初始化所对应的负荷类型；
S33：计算残差rim，对于迭代轮次m＝1,2,L,M，第m棵弱学习器决策树hm-1(x)的日负荷模型识别结果F(x)取上一颗决策树的输出Fm-1(x)，然后计算负梯度也就是残差rim，公式如下所示：
S34：根据S33步骤中的公式获得更新训练集{(xi,ri)}n，其中，i＝1,2,L,n；
S35：训练第m+1决策树hm(x)，再输出该次迭代最佳拟合负荷类型γm的公式为：
S36：计算第m次更新学习器模型，当m迭代到最大值M时，获得强学习器最终分类模型Fm(x)，具体公式为：
Fm(x)＝Fm-1(x)+γmhm(x)。
优选地，本发明的基于负荷特性的大用户业扩辅助分析方法，其特征在于：S4步骤具体包括：
S41：估计待报装用户的用电负荷，具体公式为：
Ai＝XkPi,max
其中，第i个用户(i＝1,2,...,n)负荷模式为大用户负荷特征中的第k(k＝1,2,...,L)类负荷模式，Pi,max为大用户i的日负荷最大值；
S42：计算第j个供电点(j＝1,2,...，M)日负荷曲线，具体公式为:
lj＝[xj,1 xj,2 … xj,96]
S43：计算负荷均衡指标，具体公式为:
其中，为第j个供电点的平均负荷。
S44：选择业扩报装优化接入模型的目标函数，具体公式为:
S45：计算接入新装用户后供电点负荷值，具体公式为:
其中，表示第j个供电点初始负荷；Di,j为决策变量，当用户i接入电源点j时，Di,j＝1；其他情况下Di,j＝0。
本发明还提供一种基于负荷特性的大用户业扩辅助分析装置，包括：
数据获取模块：用于从电网公司获取大用户历史负荷用电数据；
负荷特征库建立模块：用于通过模糊C均值聚类提取已有用户的典型负荷模式，建立大用户负荷特征库；
模拟用电行为模块：用于通过梯度提升树模型建立了负荷模式识别方法，基于用户负荷特性，以负荷特征库中对应的用电模式模拟新用户用电行为；
方案确定模块：用于提出业扩报装供电方案优化模型，确定最优供电方案。
优选地，本发明的基于负荷特性的大用户业扩辅助分析方法，数据获取模块中，用电分属多个行业的多个用户，且采集每个用户典型日的至少96点负荷数据，形成日负荷曲线。
优选地，本发明的基于负荷特性的大用户业扩辅助分析方法，负荷特征库建立模块，具体包括以下子模块：
历史用电数据子模块：用于计算大用户历史用电数据，具体公式为：
U＝[U1 U2 … Ui …UN]T
Ui＝[ui,1 ui,2 … ui,j … ui,96]
式中:Ui—第i条历史用电数据；ui,j—第i条历史用电数据中第j时段的有功功率；
数据归一化处理子模块：用于对第i条历史用电数据进行归一化处理，具体公式如下：
中心矩阵计算子模块：用于计算聚类中心矩阵X，具体公式为：
X＝[X1 X2 … Xk … XL]T
隶属度条件子模块：用于确定条件，Di属于第k个聚类中心Xk的隶属度Vi,k需满足条件用以下公式表示：
目标函数子模块：用于定义目标函数F，当选择簇k中样本数据与对应聚类中心间的欧式距离作为日负荷曲线形态的相似度指标时，目标函数F可定义为：
目标函数变换子模块：用于对目标函数进行拉格朗日变换，得如下公式：
隶属度条件子模块：用于确定隶属度需满足的条件，若Di归类于Xk，其隶属度需满足条件为：
Vi,k＝max(Vi,1,Vi,2,…,Vi,k,…,Vi,L)
聚类分析效果分析子模块：用于通过聚类有效性函数fc(L)确定FCM的最佳分类数目，fc(L)越接近1，聚类分析效果越好，fc(L)具体公式为：
优选地，本发明的根据权利要求1所述的基于负荷特性的大用户业扩辅助分析装置，模拟用电行为模块具体包括：
负荷特性指标计算子模块：根据大用户报装参数，计算负荷特性指标I＝[a1 a2 a3a4 a5 a6]
其中，a1—日负荷率；a2—日最小负荷率；a3—日峰谷差率；a4—峰期负载率；a5—平期负载率；a6—谷期负载率；
梯度提升树模型建立子模块：用于建立梯度提升树模型，建立方法为：初始化F0(x)，对于日负荷模式特征数据集{xi,yi}n，其中i＝1,2,L,n，xi为第i个用户日负荷模式特征，yi为FCM算法中第i个负荷类型，定义损失函数为L[y,F(x)],F(x)为输出的强学习器最后得到的模式分类，最大迭代次数为M，记第m次更新的强学习器模型为Fm(x)，初始化梯度提升树弱学习器模型F0(x)，取值为定值，即：
式中：x为用户日负荷用电模式特征序列，γ为本次初始化所对应的负荷类型；
残差计算子模块：用于计算残差rim，对于迭代轮次m＝1,2,L,M，第m棵弱学习器决策树hm-1(x)的日负荷模型识别结果F(x)取上一颗决策树的输出Fm-1(x)，然后计算负梯度也就是残差rim，公式如下所示：
训练集子模块：用于根据残差计算子模块中的公式获得更新训练集{(xi,ri)}n，其中，i＝1,2,L,n；
最佳拟合负荷类型生成子模块：用于训练第m+1决策树hm(x)，再输出该次迭代最佳拟合负荷类型γm的公式为：
最终分类模型确认子模块：用于计算第m次更新学习器模型，当m迭代到最大值M时，获得强学习器最终分类模型Fm(x)，具体公式为：
Fm(x)＝Fm-1(x)+γmhm(x)。
优选地，本发明的基于负荷特性的大用户业扩辅助分析装置，其特征在于：方案确定模块包括：
用电负荷子模块：用于估计待报装用户的用电负荷，具体公式为：
Ai＝XkPi,max
其中，第i个用户(i＝1,2,…,n)负荷模式为大用户负荷特征中的第k(k＝1,2,...,L)类负荷模式，Pi,max为大用户i的日负荷最大值；
日负荷曲线计算子模块：用于计算第j个供电点(j＝1,2,...，M)日负荷曲线，具体公式为:
lj＝[xj,1 xj,2 … xj,96]
负荷均衡指标计算子模块：用于计算负荷均衡指标，具体公式为:
其中，为第j个供电点的平均负荷。
接入模型目标函数建立子模块：用于选择业扩报装优化接入模型的目标函数，具体公式为:
新装用户供电点负荷值计算子模块：计算接入新装用户后供电点负荷值，具体公式为:
其中，表示第j个供电点初始负荷；Di,j为决策变量，当用户i接入电源点j时，Di,j＝1；其他情况下Di,j＝0。
本发明的有益效果是：
针对当前供电公司在制定业扩报装供电方案时，只考虑用户的最大负荷，忽略大用户负荷的时序特性，导致供电点负荷日峰谷差不断增大等一系列问题的现状。本发明提出了一种基于负荷特性的大用户业扩辅助分析方法和装置，首先从电网公司获取大用户历史负荷用电数据；再通过模糊C均值聚类提取已有用户的典型负荷模式，建立大用户负荷特征库；再通过梯度提升树模型建立了负荷模式识别方法，基于用户负荷特性，以负荷特征库中对应的用电模式模拟新用户用电行为；最终提出业扩报装供电方案优化模型，确定最优供电方案。本申请的方法和装置可解决大用户报装接入点峰谷差率大，电力系统运行效率低的问题，提高电力系统安全稳定性。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1为本发明提供的基于负荷特性的大用户业扩辅助分析方法的流程图；
图2为本发明算例负荷曲线聚类效果图，a、b、c、d分别对应一种负荷模式；
图3为本发明算例用户日负荷曲线图；
图4a为本发明算例优化前日负荷曲线；
图4b为本发明算例优化后日负荷曲线；
图5为本发明提供的基于负荷特性的大用户业扩辅助分析方法的主要流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例1
本实施例提供一种基于负荷特性的大用户业扩辅助分析方法，如图5所示，包括以下步骤：
--S1：从电网公司获取大用户历史负荷用电数据，用电分属多个行业的多个用户，且采集每个用户典型日的至少96点负荷数据，形成日负荷曲线；
--S2：通过模糊C均值聚类提取已有用户的典型负荷模式，建立大用户负荷特征库；
具体建立过程为：
S21：计算大用户历史用电数据，具体公式为：
U＝[U1 U2 … Ui … UN]T
Ui＝[ui,1 ui,2 … ui,j … ui,96]
式中:Ui—第i条历史用电数据；ui,j—第i条历史用电数据中第j时段的有功功率；
S22：对第i条历史用电数据进行归一化处理，具体公式如下：
S23：计算聚类中心矩阵X，具体公式为：
X＝[X1 X2 … Xk … XL]T
S24：Di属于第k个聚类中心Xk的隶属度Vi,k需满足条件用以下公式表示：
S25：当选择簇k中样本数据与对应聚类中心间的欧式距离作为日负荷曲线形态的相似度指标时，目标函数F可定义为：
S26：对目标函数进行拉格朗日变换，得如下公式：
S27：若Di归类于Xk，其隶属度需满足条件为：
Vi,k＝max(Vi,1,Vi,2,…,Vi,k,…,Vi,L)
S28：通过聚类有效性函数fc(L)确定FCM的最佳分类数目，fc(L)越接近1，聚类分析效果越好，fc(L)具体公式为：
--S3：通过梯度提升树模型建立了负荷模式识别方法，基于用户负荷特性，以负荷特征库中对应的用电模式模拟新用户用电行为；
S3步骤具体包括：
S31：根据大用户报装参数，计算负荷特性指标
I＝[a1 a2 a3 a4 a5 a6]
其中，a1—日负荷率；a2—日最小负荷率；a3—日峰谷差率；a4—峰期负载率；a5—平期负载率；a6—谷期负载率；
S32：初始化F0(x)，对于日负荷模式特征数据集{xi,yi}n，其中i＝1,2,L,n，xi为第i个用户日负荷模式特征，yi为FCM算法中第i个负荷类型，定义损失函数为L[y,F(x)],F(x)为输出的强学习器最后得到的模式分类，最大迭代次数为M。记第m次更新的强学习器模型为Fm(x)，初始化梯度提升树弱学习器模型F0(x)，取值为定值，即：
式中：x为用户日负荷用电模式特征序列，γ为本次初始化所对应的负荷类型；
S33：计算残差rim，对于迭代轮次m＝1,2,L,M，第m棵弱学习器决策树hm-1(x)的日负荷模型识别结果F(x)取上一颗决策树的输出Fm-1(x)，然后计算负梯度也就是残差rim，公式如下所示：
S34：根据S33步骤中的公式获得更新训练集{(xi,ri)}n，其中，i＝1,2,L,n；
S35：训练第m+1决策树hm(x)，再输出该次迭代最佳拟合负荷类型γm的公式为：
S36：计算第m次更新学习器模型，当m迭代到最大值M时，获得强学习器最终分类模型Fm(x)，具体公式为：
Fm(x)＝Fm-1(x)+γmhm(x)。
--S4：提出业扩报装供电方案优化模型，确定最优供电方案。
S4步骤具体包括：
S41：估计待报装用户的用电负荷，具体公式为：
Ai＝XkPi,max
其中，第i个用户(i＝1,2,...,n)负荷模式为大用户负荷特征中的第k(k＝1,2,...,L)类负荷模式，Pi,max为大用户i的日负荷最大值；
S42：计算第j个供电点(j＝1,2,...，M)日负荷曲线，具体公式为:
lj＝[xj,1 xj,2 … xj,96]
S43：计算负荷均衡指标，具体公式为:
其中，为第j个供电点的平均负荷。
S44：选择业扩报装优化接入模型的目标函数，具体公式为:
S45：计算接入新装用户后供电点负荷值，具体公式为:
其中，表示第j个供电点初始负荷；Di,j为决策变量，当用户i接入电源点j时，Di,j＝1；其他情况下Di,j＝0。
实施例2
一种基于负荷特性的大用户业扩辅助分析装置，其特征在于，包括：
--数据获取模块：用于从电网公司获取大用户历史负荷用电数据；数据获取模块中，用电分属多个行业的多个用户，且采集每个用户典型日的至少96点负荷数据，形成日负荷曲线。
--负荷特征库建立模块：用于通过模糊C均值聚类提取已有用户的典型负荷模式，建立大用户负荷特征库；
负荷特征库建立模块，具体包括以下子模块：
历史用电数据子模块：用于计算大用户历史用电数据，具体公式为：
U＝[U1 U2 … Ui … UN]T
Ui＝[ui,1 ui,2 … ui,j … ui,96]
式中:Ui—第i条历史用电数据；ui,j—第i条历史用电数据中第j时段的有功功率；
数据归一化处理子模块：用于对第i条历史用电数据进行归一化处理，具体公式如下：
中心矩阵计算子模块：用于计算聚类中心矩阵X，具体公式为：
X＝[X1 X2 … Xk … XL]T
隶属度条件子模块：用于确定条件，Di属于第k个聚类中心Xk的隶属度Vi,k需满足条件用以下公式表示：
目标函数子模块：用于定义目标函数F，当选择簇k中样本数据与对应聚类中心间的欧式距离作为日负荷曲线形态的相似度指标时，目标函数F可定义为：
目标函数变换子模块：用于对目标函数进行拉格朗日变换，得如下公式：
隶属度条件子模块：用于确定隶属度需满足的条件，若Di归类于Xk，其隶属度需满足条件为：
Vi,k＝max(Vi,1,Vi,2,…,Vi,k,…,Vi,L)
聚类分析效果分析子模块：用于通过聚类有效性函数fc(L)确定FCM的最佳分类数目，fc(L)越接近1，聚类分析效果越好，fc(L)具体公式为：
--模拟用电行为模块：用于通过梯度提升树模型建立了负荷模式识别方法，基于用户负荷特性，以负荷特征库中对应的用电模式模拟新用户用电行为；
模拟用电行为模块具体包括：
负荷特性指标计算子模块：根据大用户报装参数，计算负荷特性指标I＝[a1 a2 a3a4 a5 a6]
其中，a1—日负荷率；a2—日最小负荷率；a3—日峰谷差率；a4—峰期负载率；a5—平期负载率；a6—谷期负载率；
梯度提升树模型建立子模块：用于建立梯度提升树模型，建立方法为：初始化F0(x)，对于日负荷模式特征数据集{xi,yi}n，其中i＝1,2,L,n，xi为第i个用户日负荷模式特征，yi为FCM算法中第i个负荷类型，定义损失函数为L[y,F(x)],F(x)为输出的强学习器最后得到的模式分类，最大迭代次数为M，记第m次更新的强学习器模型为Fm(x)，初始化梯度提升树弱学习器模型F0(x)，取值为定值，即：
式中：x为用户日负荷用电模式特征序列，γ为本次初始化所对应的负荷类型；
残差计算子模块：用于计算残差rim，对于迭代轮次m＝1,2,L,M，第m棵弱学习器决策树hm-1(x)的日负荷模型识别结果F(x)取上一颗决策树的输出Fm-1(x)，然后计算负梯度也就是残差rim，公式如下所示：
训练集子模块：用于根据残差计算子模块中的公式获得更新训练集{(xi,ri)}n，其中，i＝1,2,L,n；
最佳拟合负荷类型生成子模块：用于训练第m+1决策树hm(x)，再输出该次迭代最佳拟合负荷类型γm的公式为：
最终分类模型确认子模块：用于计算第m次更新学习器模型，当m迭代到最大值M时，获得强学习器最终分类模型Fm(x)，具体公式为：
Fm(x)＝Fm-1(x)+γmhm(x)。
--方案确定模块：用于提出业扩报装供电方案优化模型，确定最优供电方案。
方案确定模块包括：
用电负荷子模块：用于估计待报装用户的用电负荷，具体公式为：
Ai＝XkPi,max
其中，第i个用户(i＝1,2,...,n)负荷模式为大用户负荷特征中的第k(k＝1,2,...,L)类负荷模式，Pi,max为大用户i的日负荷最大值；
日负荷曲线计算子模块：用于计算第j个供电点(j＝1,2,...，M)日负荷曲线，具体公式为:
lj＝[xj,1 xj,2 … xj,96]
负荷均衡指标计算子模块：用于计算负荷均衡指标，具体公式为:
其中，为第j个供电点的平均负荷。
接入模型目标函数建立子模块：用于选择业扩报装优化接入模型的目标函数，具体公式为:
新装用户供电点负荷值计算子模块：计算接入新装用户后供电点负荷值，具体公式为:
其中，表示第j个供电点初始负荷；Di,j为决策变量，当用户i接入电源点j时，Di,j＝1；其他情况下Di,j＝0。
效果实施例
本实施例选择供电公司分属机械加工、电子、轻工业、商业多个行业的120个电力用户的实际负荷数据进行聚类分析，计算不同聚类数目变化过程中fc(L)的的数值，当L＝4时，fc(L)最接近于1，因此负荷的最佳分类结果为4类，聚类结果见图2所示。
在聚类分析的结果上，选取待报装用户进行负荷模式识别。该用户的负荷特性指标I＝[0.5，1.1，0.72，1.2，0.98，0.71]，经过梯度提升树的迭代识别可确定该用户属于聚类结果中的负荷模式2，该用户的负荷曲线见图3所示。
当前有8户新装大用户等待接入两条馈线。在传统方法中，电力公司考虑用户最大负荷及其他影响因素，将用户1到用户4接于馈线1，用户5至用户8接于馈线2。根据本发明中大用户供电接入优化模型给出优化接入方法，将用户1，2，3，5用户接入馈线1，用户4，6，7，8接入馈线2。分别计算传统方法和优化方法下两条馈线的日负荷曲线，并与初始负荷进行对比，结果见图4。
从实施例结果可以明显看出，优化方法能够有效的削峰填谷，降低日峰谷差率，使得馈线日负荷曲线更加平缓，日负荷率得到提高。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域的技术开发人员应该明白，在本发明的技术方案的基础上，本领域及相关领域的技术开发人员不需要付出创造性劳动即可做出的各种修改或变形，仍在本发明的保护范围以内。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种基于负荷特性的大用户业扩辅助分析方法，其特征在于，包括以下步骤：
S1：从电网公司获取大用户历史负荷用电数据；
S2：通过模糊C均值聚类提取已有用户的典型负荷模式，建立大用户负荷特征库；
S3：通过梯度提升树模型建立了负荷模式识别方法，基于用户负荷特性，以负荷特征库中对应的用电模式模拟新用户用电行为；
S4：提出业扩报装供电方案优化模型，确定最优供电方案。
2.根据权利要求1所述的基于负荷特性的大用户业扩辅助分析方法，其特征在于，S1步骤中，用电分属多个行业的多个用户，且采集每个用户典型日的至少96点负荷数据，形成日负荷曲线。
3.根据权利要求1或2所述的基于负荷特性的大用户业扩辅助分析方法，其特征在于，S2步骤具体包括：
S21：计算大用户历史用电数据，具体公式为：
U＝[U1 U2…Ui…UN]T
Ui＝[ui,1 ui,2…ui,j…ui,96]
式中:Ui—第i条历史用电数据；ui,j—第i条历史用电数据中第j时段的有功功率；
S22：对第i条历史用电数据进行归一化处理，具体公式如下：
S23：计算聚类中心矩阵X，具体公式为：
X＝[X1 X2…Xk…XL]T
S24：Di属于第k个聚类中心Xk的隶属度Vi,k需满足条件用以下公式表示：
S25：当选择簇k中样本数据与对应聚类中心间的欧式距离作为日负荷曲线形态的相似度指标时，目标函数F可定义为：
S26：对目标函数进行拉格朗日变换，得如下公式：
S27：若Di归类于Xk，其隶属度需满足条件为：
Vi,k＝max(Vi,1,Vi,2,…,Vi,k,…,Vi,L)
S28：通过聚类有效性函数fc(L)确定FCM的最佳分类数目，fc(L)越接近1，聚类分析效果越好，fc(L)具体公式为：
4.根据权利要求1-3任一项所述的根据权利要求1所述的基于负荷特性的大用户业扩辅助分析方法，其特征在于，S3步骤具体包括：
S31：根据大用户报装参数，计算负荷特性指标
I＝[a1 a2 a3 a4 a5 a6]
其中，a1—日负荷率；a2—日最小负荷率；a3—日峰谷差率；a4—峰期负载率；a5—平期负载率；a6—谷期负载率；
S32：初始化F0(x)，对于日负荷模式特征数据集{xi,yi}n，其中i＝1,2,L,n，xi为第i个用户日负荷模式特征，yi为FCM算法中第i个负荷类型，定义损失函数为L[y,F(x)],F(x)为输出的强学习器最后得到的模式分类，最大迭代次数为M；记第m次更新的强学习器模型为Fm(x)，初始化梯度提升树弱学习器模型F0(x)，取值为定值，即：
式中：x为用户日负荷用电模式特征序列，γ为本次初始化所对应的负荷类型；
S33：计算残差rim，对于迭代轮次m＝1,2,L,M，第m棵弱学习器决策树hm-1(x)的日负荷模型识别结果F(x)取上一颗决策树的输出Fm-1(x)，然后计算负梯度也就是残差rim，公式如下所示：
S34：根据S33步骤中的公式获得更新训练集{(xi,ri)}n，其中，i＝1,2,L,n；
S35：训练第m+1决策树hm(x)，再输出该次迭代最佳拟合负荷类型γm的公式为：
S36：计算第m次更新学习器模型，当m迭代到最大值M时，获得强学习器最终分类模型Fm(x)，具体公式为：
Fm(x)＝Fm-1(x)+γmhm(x)。
5.根据权利要求1所述的基于负荷特性的大用户业扩辅助分析方法，其特征在于：S4步骤具体包括：
S41：估计待报装用户的用电负荷，具体公式为：
Ai＝XkPi,max
其中，第i个用户(i＝1,2,...,n)负荷模式为大用户负荷特征中的第k(k＝1,2,...,L)类负荷模式，Pi,max为大用户i的日负荷最大值；
S42：计算第j个供电点(j＝1,2,...，M)日负荷曲线，具体公式为:
lj＝[xj,1 xj,2…xj,96]
S43：计算负荷均衡指标，具体公式为:
其中，为第j个供电点的平均负荷。
S44：选择业扩报装优化接入模型的目标函数，具体公式为:
S45：计算接入新装用户后供电点负荷值，具体公式为:
其中，表示第j个供电点初始负荷；Di,j为决策变量，当用户i接入电源点j时，Di,j＝1；其他情况下Di,j＝0。
6.一种基于负荷特性的大用户业扩辅助分析装置，其特征在于，包括：
数据获取模块：用于从电网公司获取大用户历史负荷用电数据；
负荷特征库建立模块：用于通过模糊C均值聚类提取已有用户的典型负荷模式，建立大用户负荷特征库；
模拟用电行为模块：用于通过梯度提升树模型建立了负荷模式识别方法，基于用户负荷特性，以负荷特征库中对应的用电模式模拟新用户用电行为；
方案确定模块：用于提出业扩报装供电方案优化模型，确定最优供电方案。
7.根据权利要求6所述的基于负荷特性的大用户业扩辅助分析方法，其特征在于，数据获取模块中，用电分属多个行业的多个用户，且采集每个用户典型日的至少96点负荷数据，形成日负荷曲线。
8.根据权利要求6或7所述的基于负荷特性的大用户业扩辅助分析方法，其特征在于，负荷特征库建立模块，具体包括以下子模块：
历史用电数据子模块：用于计算大用户历史用电数据，具体公式为：
U＝[U1 U2…Ui…UN]T
Ui＝[ui,1 ui,2…ui,j…ui,96]
式中:Ui—第i条历史用电数据；ui,j—第i条历史用电数据中第j时段的有功功率；
数据归一化处理子模块：用于对第i条历史用电数据进行归一化处理，具体公式如下：
中心矩阵计算子模块：用于计算聚类中心矩阵X，具体公式为：
X＝[X1 X2…Xk…XL]T
隶属度条件子模块：用于确定条件，Di属于第k个聚类中心Xk的隶属度Vi,k需满足条件用以下公式表示：
目标函数子模块：用于定义目标函数F，当选择簇k中样本数据与对应聚类中心间的欧式距离作为日负荷曲线形态的相似度指标时，目标函数F可定义为：
目标函数变换子模块：用于对目标函数进行拉格朗日变换，得如下公式：
隶属度条件子模块：用于确定隶属度需满足的条件，若Di归类于Xk，其隶属度需满足条件为：
Vi,k＝max(Vi,1,Vi,2,…,Vi,k,…,Vi,L)
聚类分析效果分析子模块：用于通过聚类有效性函数fc(L)确定FCM的最佳分类数目，fc(L)越接近1，聚类分析效果越好，fc(L)具体公式为：
9.根据权利要求6-8任一项所述的根据权利要求1所述的基于负荷特性的大用户业扩辅助分析装置，其特征在于，模拟用电行为模块具体包括：
负荷特性指标计算子模块：根据大用户报装参数，计算负荷特性指标I＝[a1 a2 a3 a4a5 a6]
其中，a1—日负荷率；a2—日最小负荷率；a3—日峰谷差率；a4—峰期负载率；a5—平期负载率；a6—谷期负载率；
梯度提升树模型建立子模块：用于建立梯度提升树模型，建立方法为：初始化F0(x)，对于日负荷模式特征数据集{xi,yi}n，其中i＝1,2,L,n，xi为第i个用户日负荷模式特征，yi为FCM算法中第i个负荷类型，定义损失函数为L[y,F(x)],F(x)为输出的强学习器最后得到的模式分类，最大迭代次数为M，记第m次更新的强学习器模型为Fm(x)，初始化梯度提升树弱学习器模型F0(x)，取值为定值，即：
式中：x为用户日负荷用电模式特征序列，γ为本次初始化所对应的负荷类型；
残差计算子模块：用于计算残差rim，对于迭代轮次m＝1,2,L,M，第m棵弱学习器决策树hm-1(x)的日负荷模型识别结果F(x)取上一颗决策树的输出Fm-1(x)，然后计算负梯度也就是残差rim，公式如下所示：
训练集子模块：用于根据残差计算子模块中的公式获得更新训练集{(xi,ri)}n，其中，i＝1,2,L,n；
最佳拟合负荷类型生成子模块：用于训练第m+1决策树hm(x)，再输出该次迭代最佳拟合负荷类型γm的公式为：
最终分类模型确认子模块：用于计算第m次更新学习器模型，当m迭代到最大值M时，获得强学习器最终分类模型Fm(x)，具体公式为：
Fm(x)＝Fm-1(x)+γmhm(x)。
10.根据权利要求6所述的基于负荷特性的大用户业扩辅助分析装置，其特征在于：方案确定模块包括：
用电负荷子模块：用于估计待报装用户的用电负荷，具体公式为：
Ai＝XkPi,max
其中，第i个用户(i＝1,2,...,n)负荷模式为大用户负荷特征中的第k(k＝1,2,...,L)类负荷模式，Pi,max为大用户i的日负荷最大值；
日负荷曲线计算子模块：用于计算第j个供电点(j＝1,2,...，M)日负荷曲线，具体公式为:
lj＝[xj,1 xj,2…xj,96]
负荷均衡指标计算子模块：用于计算负荷均衡指标，具体公式为:
其中，为第j个供电点的平均负荷。
接入模型目标函数建立子模块：用于选择业扩报装优化接入模型的目标函数，具体公式为:
新装用户供电点负荷值计算子模块：计算接入新装用户后供电点负荷值，具体公式为:
其中，表示第j个供电点初始负荷；Di,j为决策变量，当用户i接入电源点j时，Di,j＝1；其他情况下Di,j＝0。
CN201910138894.3A 2019-02-25 2019-02-25 一种基于负荷特性的大用户业扩辅助分析方法和装置 Pending CN109902868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910138894.3A CN109902868A (zh) 2019-02-25 2019-02-25 一种基于负荷特性的大用户业扩辅助分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910138894.3A CN109902868A (zh) 2019-02-25 2019-02-25 一种基于负荷特性的大用户业扩辅助分析方法和装置

Publications (1)

Publication Number Publication Date
CN109902868A true CN109902868A (zh) 2019-06-18

Family

ID=66945623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910138894.3A Pending CN109902868A (zh) 2019-02-25 2019-02-25 一种基于负荷特性的大用户业扩辅助分析方法和装置

Country Status (1)

Country Link
CN (1) CN109902868A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110544177A (zh) * 2019-08-15 2019-12-06 广州水沐青华科技有限公司 基于电力指纹的负荷识别方法及计算机可读存储介质
CN110852621A (zh) * 2019-11-12 2020-02-28 国网重庆市电力公司电力科学研究院 电力客户负荷特性分析及分类方法、装置及可读存储介质
CN111461921A (zh) * 2020-03-31 2020-07-28 国网湖南省电力有限公司 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111539839A (zh) * 2020-06-08 2020-08-14 国网江苏省电力有限公司常州供电分公司 渔业电力用户用电精准化管理方法
CN112417640A (zh) * 2020-09-15 2021-02-26 国网浙江省电力有限公司湖州供电公司 一种含储能的馈线可开放容量评估方法
CN113075448A (zh) * 2021-03-23 2021-07-06 国网四川省电力公司营销服务中心 一种基于知识图谱的业扩计量装置的配置方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150046221A1 (en) * 2011-09-17 2015-02-12 Autogrid Inc. Load forecasting from individual customer to system level based on price
CN104598986A (zh) * 2014-12-12 2015-05-06 国家电网公司 基于大数据的电力负荷预测方法
CN105678398A (zh) * 2015-12-24 2016-06-15 国家电网公司 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN107800140A (zh) * 2017-10-18 2018-03-13 天津大学 一种考虑负荷特征的大用户供电接入决策方法
CN109376907A (zh) * 2018-09-25 2019-02-22 国网浙江省电力有限公司经济技术研究院 适应输配电网一体化规划的高压配网变电站负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150046221A1 (en) * 2011-09-17 2015-02-12 Autogrid Inc. Load forecasting from individual customer to system level based on price
CN104598986A (zh) * 2014-12-12 2015-05-06 国家电网公司 基于大数据的电力负荷预测方法
CN105678398A (zh) * 2015-12-24 2016-06-15 国家电网公司 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN107800140A (zh) * 2017-10-18 2018-03-13 天津大学 一种考虑负荷特征的大用户供电接入决策方法
CN109376907A (zh) * 2018-09-25 2019-02-22 国网浙江省电力有限公司经济技术研究院 适应输配电网一体化规划的高压配网变电站负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘丽轻等: "电力用户负荷模式识别方法研究", 《华北电力大学学报(自然科学版)》 *
周国鹏等: "基于模糊C均值聚类算法的电力行业负荷特性分析", 《电气应用》 *
王守相等: "计及用电模式的居民负荷梯度提升树分类识别方法", 《电力系统及其自动化学报》 *
骆柏锋等: "基于负荷特征库的大用户供电接入决策方法", 《电力系统自动化》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110544177A (zh) * 2019-08-15 2019-12-06 广州水沐青华科技有限公司 基于电力指纹的负荷识别方法及计算机可读存储介质
CN110852621A (zh) * 2019-11-12 2020-02-28 国网重庆市电力公司电力科学研究院 电力客户负荷特性分析及分类方法、装置及可读存储介质
CN111461921A (zh) * 2020-03-31 2020-07-28 国网湖南省电力有限公司 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111461921B (zh) * 2020-03-31 2023-11-24 国网湖南省电力有限公司 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111539839A (zh) * 2020-06-08 2020-08-14 国网江苏省电力有限公司常州供电分公司 渔业电力用户用电精准化管理方法
CN111539839B (zh) * 2020-06-08 2022-08-30 国网江苏省电力有限公司常州供电分公司 渔业电力用户用电精准化管理方法
CN112417640A (zh) * 2020-09-15 2021-02-26 国网浙江省电力有限公司湖州供电公司 一种含储能的馈线可开放容量评估方法
CN112417640B (zh) * 2020-09-15 2024-03-29 国网浙江省电力有限公司湖州供电公司 一种含储能的馈线可开放容量评估方法
CN113075448A (zh) * 2021-03-23 2021-07-06 国网四川省电力公司营销服务中心 一种基于知识图谱的业扩计量装置的配置方法及系统

Similar Documents

Publication Publication Date Title
CN109902868A (zh) 一种基于负荷特性的大用户业扩辅助分析方法和装置
Ji et al. Two-stage gradient-based recursive estimation for nonlinear models by using the data filtering
Wang et al. Building load forecasting using deep neural network with efficient feature fusion
CN108205717A (zh) 一种光伏发电功率多时间尺度预测方法
CN109063911A (zh) 一种基于门控循环单元网络的负荷聚合体分组预测方法
CN106600059A (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
CN106446967A (zh) 一种新型电力系统负荷曲线聚类方法
CN110909912A (zh) 基于自适应误差反馈的园区电力系统净负荷组合预测方法
CN111724039B (zh) 一种向电力用户推荐客服人员的推荐方法
Azimi et al. A novel clustering algorithm based on data transformation approaches
CN109546659A (zh) 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN111561734A (zh) 基于人工智能的供暖户阀调节方法、系统及设备
Pang et al. Hierarchical Electricity Time Series Forecasting for Integrating Consumption Patterns Analysis and Aggregation Consistency.
CN109919423A (zh) 一种基于深度学习的智慧水务管理方法及系统
CN113988358A (zh) 基于迁移强化学习的碳排放指数预测与治理方法
CN108304976A (zh) 一种电力系统精细化负荷预测和分析方法
CN111562541A (zh) 一种应用cart算法实现电能表检测数据管理的软件平台
Huang et al. Short-term load forecasting based on a hybrid neural network and phase space reconstruction
Salgado et al. A short-term bus load forecasting system
CN109272058A (zh) 一种集成电力负荷曲线聚类方法
CN112417308A (zh) 一种基于电力大数据的用户画像标签生成方法
CN116862068A (zh) 一种计及激励型响应不确定性的变电站规划分布鲁棒优化方法及系统
CN114839586B (zh) 基于em算法的低压台区计量装置失准计算方法
Gavrilas et al. Identifying typical load profiles using neural-fuzzy models
CN112801115B (zh) 基于微电网源荷综合特性图像的电源波动控制方法及应用

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: 20190618

RJ01 Rejection of invention patent application after publication