CN110580585A - 一种基于负荷分解的电力用户聚类用电行为特性分析方法 - Google Patents

Abstract

本发明涉及一种基于负荷分解的电力用户聚类用电行为特性分析方法。该方法考虑到温度等气象敏感性负荷在电力总负荷中的占比越来越大，为了对电力用户的负荷进行更为精细化地分析，将电力总负荷分解为基本级负荷和季节性负荷后，再运用模糊C均值算法对这两级负荷分别进行聚类分析。对每一聚类选取典型用户，综合考虑了多种常用的筛选方法，最后采用灰色关联度法选择出了每一类型的典型用户。最后，对每一类典型用户计算其重要的特性指标以分析其负荷调控潜力的大小，并按照其调控潜力的大小对电力用户进一步分类，以便最后制定更为详细的需求侧调控措施。

Description

一种基于负荷分解的电力用户聚类用电行为特性分析方法

技术领域

本发明涉及电力用户聚类用电行为特性分析方法领域，特别是涉及一种基于负荷分解的电力用户聚类用电行为特性分析方法。

背景技术

基于负荷分解的电力用户聚类分析包含五大基本内容：1)数据获取与预处理；2)负荷分解；3)模糊C均值聚类(FCM)分析；4)基于灰色关联度的典型用户筛选；5)调控潜力分析。其共同构成电力用户聚类用电行为特性分析的流程如图1所示。该方法首先需要获取相应的电力用户负荷数据并进行预处理(剔除有大量空白值的用户以及明显错误的数据)；考虑到气象因素越来越多的影响负荷值，将负荷分解为基本级负荷和季节性负荷；而后采用FCM算法对两级负荷分别进行聚类分析；运用多种筛选典型用户的方法进行选择，利用灰色关联度算法确定最适合的典型用户；最后通过分析负荷特性指标分析各类负荷的调控潜力，并制定出相应的需求侧调控措施。

当前对于电力用户用电行为分析的方法大多是直接采用聚类算法进行分析。虽然其聚类结果也可以对各类用户进行用电行为的分析，但是可能存在的情况是：其总负荷属于同一类，而若采用负荷分解后，其基本级负荷和季节性负荷却差异较大，甚至不属于同一类。因此，若继续按照传统不分解的方法对电力用户进行聚类，无法对电力用户进行精细化分析，即无法保证以此制定出来的需求侧调控措施有效。考虑到电力用户的基本用电量主要由其生活生产习惯决定，以及在夏冬两季气温因素对季节性负荷的巨大影响，可以将电力用户的总负荷P_z分解成基本级负荷P_b、季节性负荷P_w以及随机负荷P_r。基础负荷P_b表现了电力用户在较长时间段内的用电习惯，其具有周期性和稳定性；季节性负荷P_w代表了温度、人体舒适度、生活习惯等气象、经济生活因素对负荷大小的影响。

对于典型用户的筛选，目前采取的较多方法有：选取日最大负荷的用户、与某一聚类中的平均日负荷最为相近的用户、各聚类的聚类中心曲线、基于加权重心综合考虑用户的日用电量和峰谷特征。由于不同的数据总存在差异性，无法保证哪一种筛选方法一定是最优解，因此将筛选出来的典型用户作为参考数列，聚类中的其他用户作为比较数列进行灰色关联度分析。通过比较灰色关联度的大小，最终确定每一聚类的典型用户。

发明内容

为了解决以上问题，本发明提供一种基于负荷分解的电力用户聚类用电行为特性分析方法，是一种柔性的模糊划分聚类算法，通过计算每个样本数据相对于各类中心的隶属度大小进行聚类。聚类生成的簇为模糊集合，即每个样本数据隶属于各个簇的隶属度在[0，1]之间，且隶属度矩阵之和为1。依据最大隶属度原则，可以保证被划分到同一簇的曲线之间相似度最大，而不同簇之间的相似度最小，为达此目的，本发明提供一种基于负荷分解的电力用户聚类用电行为特性分析方法，包括以下步骤：

步骤一、获取电力用户负荷数据并进行预处理和归一化处理；

步骤二、计算电力用户基本级负荷；

步骤三、将电力用户的基本级负荷和季节性负荷数据分别作为输入向量进行FCM聚类分析；

步骤四、对每一聚类采用多种筛选典型用户的方法进行选择；

步骤五、利用灰色关联度算法最终选择出典型用户；

步骤六、计算每一聚类典型用户的负荷特性指标并分析其错峰调控潜力；

步骤七、依据潜力值，提出一种新分类；

步骤八、对不同类别的电力用户制定相应的需求侧调控措施。

作为本发明进一步改进，所述步骤一详细步骤如下；

获取到的电力数据总会出现空白值或者明显错误的数据，在进行分析之前需要对其进行预处理，剔除当天空白值大于30％的电力负荷数据，对其余空白值采用前后负荷的均值填充，预处理后的数据集X＝{x₁，...，x_n}^T需要进行归一化处理，是为了防止强调较大的负荷数据而忽略较小的负荷数据，其中x₁，...，x_n都是由s个数据组成的矢量，经过归一化处理后所得到的数据集为X′＝{x₁′，...，x_n′}^T，方法如公式(1)：

其中，x_max和x_min分别为数据集中的最大值和最小值。

作为本发明进一步改进，所述步骤二详细步骤如下；

采用基准比较法将电力负荷进行分解：将当年四月和十月工作日负荷的平均值作为夏季基础负荷，方法如公式(2)：

电力用户的总负荷P_z可以分解成基本级负荷P_b、季节性负荷P_w以及随机负荷P_r，由于随机负荷因素P_r影响较小，故可以不予考虑，因此季节性负荷P_w可通过式(3)求得：

P_w＝P_z-P_b (3)。

作为本发明进一步改进，所述步骤三详细步骤如下；

在进行聚类分析之前，其中的两个参数：聚类类别数c和模糊加权系数m需要提前给定，其数值的选择对聚类效果的好坏以及分析结果合理与否有直接的影响，由于c要远远小于聚类样本的总数，且c＞1；m是一个控制算法的柔性参数，其过大或者过小，聚类效果都不会很好，特别是当m过小会使得聚类算法结果类似于K均值聚类算法，对FCM聚类算法的参数进行初始化：其中模糊加权指数m在一般设置为2；循环开始时聚类数c＝2；迭代标准ε＝0.00001；

聚类中心V和模糊矩阵U的计算方法如下：

如果存在j，r使得则令：且当i≠r时，

若||V^(k+1)-V^(k)||＜ε＝0.00001，停止迭代；

有效性函数代表了聚类结果的合理性，其结果越大则表明聚类结果越合理，若L(c-1)＞L(c-2)并且L(c-1)＞L(c)，则FCM聚类过程完成；

在公式(6)中，L₁描述了负荷曲线X_i与其对应的聚类中心v_i的分散程度，该值为逆指标，其值越小说明聚类越合理；L₂描述了各聚类中心之间的分散程度，该指标为正指标其值越大说明聚类越合理；L₃描述了各条负荷曲线的最大隶属程度的均值，依据最大隶属度原则就能够确定每条负荷曲线归为哪一类，因此该值为正指标，L(c)越大，聚类效果就越好，以此确定聚类c的最优值。

作为本发明进一步改进，所述步骤四详细步骤如下；

选用目前常用的四种选取典型用户的方法进行筛选，分别为选取日最大负荷的用户、与某一聚类中的平均日负荷最为相近的用户、各聚类的聚类中心曲线、基于加权重心综合考虑用户的日用电量和峰谷特征，其中最后一种方法的筛选方法如下：

P_j∈i，i表示用户类别，j表示用户编号，c_i表示i类用户的个数。

作为本发明进一步改进，所述步骤五详细步骤如下；

选取每一聚类的参考数列和比较数列，依据灰色关联度算法流程，计算其关联系数和关联度：

作为本发明进一步改进，所述步骤六详细步骤如下；

对筛选出来的典型用户计算其重要的负荷特性指标，依据这些指标分析各类电力用户的错峰调控潜力。

作为本发明进一步改进，所述步骤六中负荷特性指标包括日负荷率、日最大负荷、日最大负荷时间点以及峰谷期耗电值。

作为本发明进一步改进，所述步骤七详细步骤如下；

按照各类负荷调控潜力的大小，进一步分类，可分为：两级负荷调控潜力都较大或较小、基本级负荷调控潜力大而季节性负荷调控潜力小、基本级负荷调控潜力小而季节性负荷调控潜力大共四类。

作为本发明进一步改进，所述步骤八详细步骤如下；

依据负荷调控潜力的大小，对其制定相应的电价政策、负荷响应政策、智能用电措施。

本申请一种基于负荷分解的电力用户聚类用电行为特性分析方法，该方法考虑到温度等气象敏感性负荷在电力总负荷中的占比越来越大，为了对电力用户的负荷进行更为精细化地分析，将电力总负荷分解为基本级负荷和季节性负荷后，再运用模糊C均值算法对这两级负荷分别进行聚类分析。对每一聚类选取典型用户，综合考虑了多种常用的筛选方法，最后采用灰色关联度法选择出了每一类型的典型用户。最后，对每一类典型用户计算其重要的特性指标以分析其负荷调控潜力的大小，并按照其调控潜力的大小对电力用户进一步分类，以便最后制定更为详细的需求侧调控措施。

附图说明

图1是模糊C均值算法的基本流程图；

附图2是灰色关联度分析法的基本流程图；

附图3基于负荷分解的电力用户聚类用电行为特性分析方法的流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种基于负荷分解的电力用户聚类用电行为特性分析方法，是一种柔性的模糊划分聚类算法，通过计算每个样本数据相对于各类中心的隶属度大小进行聚类。聚类生成的簇为模糊集合，即每个样本数据隶属于各个簇的隶属度在[0，1]之间，且隶属度矩阵之和为1。依据最大隶属度原则，可以保证被划分到同一簇的曲线之间相似度最大，而不同簇之间的相似度最小。

本申请模糊C均值算法是一种柔性的模糊划分聚类算法，通过计算每个样本数据相对于各类中心的隶属度大小进行聚类。聚类生成的簇为模糊集合，即每个样本数据隶属于各个簇的隶属度在[0，1]之间，且隶属度矩阵之和为1。依据最大隶属度原则，可以保证被划分到同一簇的曲线之间相似度最大，而不同簇之间的相似度最小。

本发明提出一种基于负荷分解的电力用户聚类用电行为特性分析方法，包括以下步骤：

步骤一、获取电力用户负荷数据并进行预处理和归一化处理：

获取到的电力数据总会出现空白值或者明显错误的数据，在进行分析之前需要对其进行预处理。剔除当天空白值大于30％的电力负荷数据，对其余空白值采用前后负荷的均值填充。预处理后的数据集X＝{x₁，...，x_n}^T需要进行归一化处理，是为了防止强调较大的负荷数据而忽略较小的负荷数据，其中x₁，...，x_n都是由s个数据组成的矢量。经过归一化处理后所得到的数据集为X′＝{x₁′，...，x_n′}^T，方法如公式(1)：

步骤二、计算电力用户基本级负荷：

采用基准比较法将电力负荷进行分解，其基本思想是：将当年四月和十月工作日负荷的平均值作为夏季基础负荷，方法如公式(2)：

电力用户的总负荷P_z可以分解成基本级负荷P_b、季节性负荷P_w以及随机负荷P_r。由于随机负荷因素P_r影响较小，故可以不予考虑，因此季节性负荷P_w可通过式()求得：

P_w＝P_z-P_b (3)

步骤三、将电力用户的基本级负荷和季节性负荷数据分别作为输入向量进行FCM聚类分析：

尽管FCM聚类算法是一种无监督的聚类算法，但是在进行聚类分析之前，其中的两个参数：聚类类别数c和模糊加权系数m需要提前给定，其数值的选择对聚类效果的好坏以及分析结果合理与否有直接的影响。一般来说，c要远远小于聚类样本的总数，且c＞1；m是一个控制算法的柔性参数，其过大或者过小，聚类效果都不会很好，特别是当m过小会使得聚类算法结果类似于K均值聚类算法。对FCM聚类算法的参数进行初始化：其中模糊加权指数m在一般设置为2；循环开始时聚类数c＝2；迭代标准ε＝0.00001；其算法流程图如图2所示。聚类中心V和模糊矩阵U的计算方法如下：

如果存在j，r使得则令：且当i≠r时，

若||V^(k+1)-V^(k)||＜ε＝0.00001，可停止迭代。

有效性函数代表了聚类结果的合理性，其结果越大则表明聚类结果越合理，若L(c-1)＞L(c-2)并且L(c-1)＞L(c)，则FCM聚类过程完成。

在公式(6)中，L₁描述了负荷曲线X_i与其对应的聚类中心v_i的分散程度，该值为逆指标，其值越小说明聚类越合理；L₂描述了各聚类中心之间的分散程度，该指标为正指标其值越大说明聚类越合理；L₃描述了各条负荷曲线的最大隶属程度的均值，依据最大隶属度原则就能够确定每条负荷曲线归为哪一类，因此该值为正指标。L(c)越大，聚类效果就越好，以此确定聚类c的最优值。

步骤四、对每一聚类采用多种筛选典型用户的方法进行选择：

选用目前常用的四种选取典型用户的方法进行筛选，分别为选取日最大负荷的用户、与某一聚类中的平均日负荷最为相近的用户、各聚类的聚类中心曲线、基于加权重心综合考虑用户的日用电量和峰谷特征。其中最后一种方法的筛选方法如下：

P_j∈i，i表示用户类别，j表示用户编号，c_i表示i类用户的个数。

步骤五、利用灰色关联度算法最终选择出典型用户：

选取每一聚类的参考数列和比较数列，依据灰色关联度算法流程如图3所示，计算其关联系数和关联度：

步骤六、计算每一聚类典型用户的负荷特性指标并分析其错峰调控潜力：

对筛选出来的典型用户计算其重要的负荷特性指标，如：日负荷率、日最大负荷、日最大负荷时间点、峰谷期耗电值等。依据这些指标分析各类电力用户的错峰调控潜力。

步骤七、依据潜力值，提出一种新分类：

按照各类负荷调控潜力的大小，进一步分类。可分为：两级负荷调控潜力都较大或较小、基本级负荷调控潜力大而季节性负荷调控潜力小、基本级负荷调控潜力小而季节性负荷调控潜力大共四类。

步骤八、对不同类别的电力用户制定相应的需求侧调控措施：

依据负荷调控潜力的大小，对其制定相应的电价政策、负荷响应政策、智能用电措施。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (10)

1.一种基于负荷分解的电力用户聚类用电行为特性分析方法，包括以下步骤，其特征在于：

步骤一、获取电力用户负荷数据并进行预处理和归一化处理；

步骤二、计算电力用户基本级负荷；

步骤三、将电力用户的基本级负荷和季节性负荷数据分别作为输入向量进行FCM聚类分析；

步骤四、对每一聚类采用多种筛选典型用户的方法进行选择；

步骤五、利用灰色关联度算法最终选择出典型用户；

步骤六、计算每一聚类典型用户的负荷特性指标并分析其错峰调控潜力；

步骤七、依据潜力值，提出一种新分类；

步骤八、对不同类别的电力用户制定相应的需求侧调控措施。

2.根据权利要求1所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征在于：所述步骤一详细步骤如下；

获取到的电力数据总会出现空白值或者明显错误的数据，在进行分析之前需要对其进行预处理，剔除当天空白值大于30％的电力负荷数据，对其余空白值采用前后负荷的均值填充，预处理后的数据集X＝{x₁，...，x_n}^T需要进行归一化处理，是为了防止强调较大的负荷数据而忽略较小的负荷数据，其中x₁，...，x_n都是由s个数据组成的矢量，经过归一化处理后所得到的数据集为X′＝{x₁′，...，x_n′}^T，方法如公式(1)：

其中，x_max和x_min分别为数据集中的最大值和最小值。

3.根据权利要求1所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征在于：所述步骤二详细步骤如下；

采用基准比较法将电力负荷进行分解：将当年四月和十月工作日负荷的平均值作为夏季基础负荷，方法如公式(2)：

电力用户的总负荷P_z可以分解成基本级负荷P_b、季节性负荷P_w以及随机负荷P_r，由于随机负荷因素P_r影响较小，故可以不予考虑，因此季节性负荷P_w可通过式(3)求得：

P_w＝P_z-P_b (3)。

4.根据权利要求1所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征是：所述步骤三详细步骤如下；

在进行聚类分析之前，其中的两个参数：聚类类别数c和模糊加权系数m需要提前给定，其数值的选择对聚类效果的好坏以及分析结果合理与否有直接的影响，由于c要远远小于聚类样本的总数，且c＞1；m是一个控制算法的柔性参数，其过大或者过小，聚类效果都不会很好，特别是当m过小会使得聚类算法结果类似于K均值聚类算法，对FCM聚类算法的参数进行初始化：其中模糊加权指数m在一般设置为2；循环开始时聚类数c＝2；迭代标准ε＝0.00001；

聚类中心V和模糊矩阵U的计算方法如下：

如果存在j，r使得则令：且当i≠r时，

若||V^(k+1)-V^(k)||＜ε＝0.00001，停止迭代；

有效性函数代表了聚类结果的合理性，其结果越大则表明聚类结果越合理，若L(c-1)＞L(c-2)并且L(c-1)＞L(c)，则FCM聚类过程完成；

在公式(6)中，L₁描述了负荷曲线X_i与其对应的聚类中心v_i的分散程度，该值为逆指标，其值越小说明聚类越合理；L₂描述了各聚类中心之间的分散程度，该指标为正指标其值越大说明聚类越合理；L₃描述了各条负荷曲线的最大隶属程度的均值，依据最大隶属度原则就能够确定每条负荷曲线归为哪一类，因此该值为正指标，L(c)越大，聚类效果就越好，以此确定聚类c的最优值。

5.根据权利要求1所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征在于：所述步骤四详细步骤如下；

选用目前常用的四种选取典型用户的方法进行筛选，分别为选取日最大负荷的用户、与某一聚类中的平均日负荷最为相近的用户、各聚类的聚类中心曲线、基于加权重心综合考虑用户的日用电量和峰谷特征，其中最后一种方法的筛选方法如下：

P_j∈i，i表示用户类别，j表示用户编号，c_i表示i类用户的个数。

6.根据权利要求1所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征在于：所述步骤五详细步骤如下；

选取每一聚类的参考数列和比较数列，依据灰色关联度算法流程，计算其关联系数和关联度：

7.根据权利要求1所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征在于：所述步骤六详细步骤如下；

对筛选出来的典型用户计算其重要的负荷特性指标，依据这些指标分析各类电力用户的错峰调控潜力。

8.根据权利要求7所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征在于：

所述步骤六中负荷特性指标包括日负荷率、日最大负荷、日最大负荷时间点以及峰谷期耗电值。

9.根据权利要求1所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征在于：所述步骤七详细步骤如下；

按照各类负荷调控潜力的大小，进一步分类，可分为：两级负荷调控潜力都较大或较小、基本级负荷调控潜力大而季节性负荷调控潜力小、基本级负荷调控潜力小而季节性负荷调控潜力大共四类。

10.根据权利要求1所述的一种基于负荷分解的电力用户聚类用电行为特性分析方法，其特征在于：所述步骤八详细步骤如下；

依据负荷调控潜力的大小，对其制定相应的电价政策、负荷响应政策、智能用电措施。