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
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 Download PDFInfo
- Publication number
- CN110580585A CN110580585A CN201910859952.1A CN201910859952A CN110580585A CN 110580585 A CN110580585 A CN 110580585A CN 201910859952 A CN201910859952 A CN 201910859952A CN 110580585 A CN110580585 A CN 110580585A
- Authority
- CN
- China
- Prior art keywords
- load
- clustering
- power
- cluster
- power consumer
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000005611 electricity Effects 0.000 claims abstract description 19
- 230000001932 seasonal effect Effects 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000007621 cluster analysis Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 11
- 238000005192 partition Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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Pz分解成基本级负荷Pb、季节性负荷Pw以及随机负荷Pr。基础负荷Pb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Pw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,...,xn}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,...,xn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′,...,xn′}T,方法如公式(1):
其中,xmax和xmin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Pz可以分解成基本级负荷Pb、季节性负荷Pw以及随机负荷Pr,由于随机负荷因素Pr影响较小,故可以不予考虑,因此季节性负荷Pw可通过式(3)求得:
Pw=Pz-Pb (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Xi与其对应的聚类中心vi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:
Pj∈i,i表示用户类别,j表示用户编号,ci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,...,xn}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,...,xn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′,...,xn′}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Pz可以分解成基本级负荷Pb、季节性负荷Pw以及随机负荷Pr。由于随机负荷因素Pr影响较小,故可以不予考虑,因此季节性负荷Pw可通过式()求得:
Pw=Pz-Pb (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Xi与其对应的聚类中心vi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:
Pj∈i,i表示用户类别,j表示用户编号,ci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,...,xn}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,...,xn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′,...,xn′}T,方法如公式(1):
其中,xmax和xmin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Pz可以分解成基本级负荷Pb、季节性负荷Pw以及随机负荷Pr,由于随机负荷因素Pr影响较小,故可以不予考虑,因此季节性负荷Pw可通过式(3)求得:
Pw=Pz-Pb (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Xi与其对应的聚类中心vi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:
Pj∈i,i表示用户类别,j表示用户编号,ci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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859952.1A CN110580585A (zh) | 2019-09-11 | 2019-09-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859952.1A CN110580585A (zh) | 2019-09-11 | 2019-09-11 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110580585A true CN110580585A (zh) | 2019-12-17 |
Family
ID=68812913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859952.1A Pending CN110580585A (zh) | 2019-09-11 | 2019-09-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580585A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105098A (zh) * | 2019-12-25 | 2020-05-05 | 北京华电天仁电力控制技术有限公司 | 一种单体用户算法自匹配的负荷预测方法和系统 |
CN111582911A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
CN111582655A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种基于多元用户可调度潜力分析的用电系统 |
CN111598446A (zh) * | 2020-05-15 | 2020-08-28 | 广东电网有限责任公司 | 一种基于用户侧负荷曲线预判潜在优质储能用户的方法 |
CN111738340A (zh) * | 2020-06-24 | 2020-10-02 | 西安交通大学 | 一种分布式K-means电力用户分类方法、存储介质及分类设备 |
CN111860574A (zh) * | 2020-06-04 | 2020-10-30 | 远光软件股份有限公司 | 电网用户分组方法、装置、存储介质及电子设备 |
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 |
CN112465385A (zh) * | 2020-12-09 | 2021-03-09 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
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 |
CN113128063A (zh) * | 2021-04-27 | 2021-07-16 | 国网北京市电力公司 | 一种冰雪运动场馆的典型负荷场景生成方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2019
- 2019-09-11 CN CN201910859952.1A patent/CN110580585A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (1)
Title |
---|
杜乾: "基于负荷分解的居民差异化用电行为特性分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105098B (zh) * | 2019-12-25 | 2023-11-03 | 国能信控互联技术有限公司 | 一种单体用户算法自匹配的负荷预测方法和系统 |
CN111105098A (zh) * | 2019-12-25 | 2020-05-05 | 北京华电天仁电力控制技术有限公司 | 一种单体用户算法自匹配的负荷预测方法和系统 |
CN111582911A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
CN111582655A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种基于多元用户可调度潜力分析的用电系统 |
CN111582911B (zh) * | 2020-04-14 | 2023-06-30 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
CN111598446A (zh) * | 2020-05-15 | 2020-08-28 | 广东电网有限责任公司 | 一种基于用户侧负荷曲线预判潜在优质储能用户的方法 |
CN111860574A (zh) * | 2020-06-04 | 2020-10-30 | 远光软件股份有限公司 | 电网用户分组方法、装置、存储介质及电子设备 |
CN111738340B (zh) * | 2020-06-24 | 2022-05-20 | 西安交通大学 | 一种分布式K-means电力用户分类方法、存储介质及分类设备 |
CN111738340A (zh) * | 2020-06-24 | 2020-10-02 | 西安交通大学 | 一种分布式K-means电力用户分类方法、存储介质及分类设备 |
US11768858B2 (en) | 2020-06-24 | 2023-09-26 | Xi'an Jiaotong University | Method of power user classification based on distributed K-means, storage medium and classification device |
CN112183900B (zh) * | 2020-11-05 | 2022-08-09 | 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 |
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 |
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 |
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 |
CN112465385A (zh) * | 2020-12-09 | 2021-03-09 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
CN112465385B (zh) * | 2020-12-09 | 2023-12-01 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
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 |
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 |
CN113128063A (zh) * | 2021-04-27 | 2021-07-16 | 国网北京市电力公司 | 一种冰雪运动场馆的典型负荷场景生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580585A (zh) | 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 | |
CN111144468B (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
CN111461761A (zh) | 一种基于多维细粒度行为数据的居民用户画像方法 | |
CN111724278A (zh) | 一种面向电力多元负荷用户的精细分类方法及系统 | |
Ferraro et al. | Comparison and clustering analysis of the daily electrical load in eight European countries | |
CN109558467B (zh) | 用电用户类别识别方法及系统 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
CN103440539A (zh) | 一种用户用电数据处理方法 | |
CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
CN116451097A (zh) | 一种自适应确定聚类数的电力负荷数据加权增量聚类方法 | |
CN111126499A (zh) | 一种基于二次聚类的用电行为模式分类方法 | |
Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
CN113657678A (zh) | 一种基于信息新鲜度的电网电力数据预测方法 | |
CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN107093005A (zh) | 基于大数据挖掘算法实现办税服务厅自动分级的方法 | |
CN113591947A (zh) | 基于用电行为的电力数据聚类方法、装置和存储介质 | |
CN113112177A (zh) | 一种基于混合指标的台区线损处理方法及系统 | |
CN109784748B (zh) | 一种市场竞争机制下用户用电行为辨识方法及装置 | |
CN111898857A (zh) | 基于BEMD和kmeans电力用户特征分析方法及系统 | |
CN117034046A (zh) | 一种基于isodata聚类的柔性负荷可调潜力评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191217 |