CN110866841A - 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 - Google Patents
基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 Download PDFInfo
- Publication number
- CN110866841A CN110866841A CN201911142049.XA CN201911142049A CN110866841A CN 110866841 A CN110866841 A CN 110866841A CN 201911142049 A CN201911142049 A CN 201911142049A CN 110866841 A CN110866841 A CN 110866841A
- Authority
- CN
- China
- Prior art keywords
- clustering
- load data
- power
- power consumption
- daily load
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000012935 Averaging Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 230000005611 electricity Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统，电力系统负荷特性分析技术领域。通过计算平均值的方法形成同一行业内各电力用户的典型日负荷数据，采用Ward聚类算法进行第一次负荷聚类，并将Ward聚类算法的结果作为FCM聚类算法的初值进行第二次聚类，得到行业内电力用户的不同用电模式，完成对于电力用户行业维度的用电模式辨识分析。本发明通过Ward聚类方法产生合理初值，并代入FCM聚类算法对用户用电模式进行分析，解决了传统聚类方法由于初值敏感性而聚类效果不佳的问题。
Description
技术领域
本发明属于电力系统负荷特性分析技术领域，具体涉及一种基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统。
背景技术
随着电力系统的不断发展，当今电网中的供需不平衡问题也变得愈发严峻，用户侧资源也愈加受到重视。传统的发电调度由于对于用电紧张问题的作用有限，目前负荷调控正在逐渐成为应对用电问题的一大关键手段。用户负荷资源作为一种需求侧可调度资源，可以实现削减峰谷差等目的，丰富了电网运行调度的调节手段，有利于缓解用户用电量不断增长给电网造成的压力。工商业中，同一行业用户工艺、设备、流程、产品不同可能形成差异较大的特性曲线，在负荷构成方面具有不同特点，在负荷调控方法、用能习惯、功耗水平等有所区别，亟需挖掘用户基本信息，形成更细的用户分类标签及对应典型曲线。面对海量的用户数据，如何从中挖掘获取细节化的用能信息十分关键，因此需要对各种电力负荷数据进行相关性和关联性的挖掘分析，从而提炼用户负荷特性，获取电力用户的用电行为特征，做到大量用户信息及负荷特性数据的对应、梳理分析，形成用户标签及构建典型负荷特性数据库。
国内对于负荷特性分析的研究起步较晚，主要集中于一些传统方法，如：按行业特性分类、按负荷重要程度分类、按负荷工作特点分类，以及对于电力系统的负荷曲线特性分析等。按行业特性、负荷重要程度、负荷工作特点等特征进行弹性负荷特性分类的方法相对比较粗糙，但是在实际电力系统中，这些方法依然比较常用。
对于同一行业内的电力用户而言，虽然它们所属的行业类别相同，但是不同用户之间的用电模式可能存在差异，然而目前针对电力用户行业维度用电模式辨识分析的研究较少。
发明内容
本发明的目的在于克服现有技术中的不足，提出了一种基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统，解决了由于聚类方法的初值敏感性，缺少适用于针对用户行业维度的用电模式辨识分析方法的问题。
为解决上述技术问题，本发明提供了一种基于双聚类法的电力用户行业维度用电模式辨识分析方法，其特征是，包括以下过程：
获取电力用户的典型日负荷数据；
将典型日负荷数据进行归一化处理；
采用Ward聚类算法对归一化后的典型日负荷数据进行第一次聚类；
将第一次聚类结果作为FCM算法的初值，采用FCM算法进行第二次聚类，得到不同的聚类中心以及电力用户的隶属度矩阵；
根据最大隶属度原则，将电力用户划分至不同聚类中心所代表的用电模式类，实现行业维度的用电模式辨识分析。
进一步的，所述获取电力用户的典型日负荷数据包括：
获取电力用户的日负荷数据；
对日负荷数据进行平均化处理获得典型日负荷数据。
进一步的，所述对日负荷数据进行平均化处理获得典型日负荷数据包括：
对一定时间段内的工作日负荷数据进行求取平均值操作，将平均后的负荷数据作为其典型日负荷数据：
Li＝[Li,1,Li,2,...,Li,j,...,Li,96] (2)
其中，L'为用户的典型日负荷数据向量；Li为第i个工作日的用户日负荷数据向量；N为选取的工作日数；Li,j表示用户第i个工作日中第j时段的用电量大小，一天共有96个采样时段。
进一步的，所述采用FCM算法进行第二次聚类包括：
FCM算法通过不断迭代调整聚类中心与隶属度矩阵，使得聚类有效性函数J最小；其中U为用户的隶属度矩阵，U＝[…,uij,…]，V为聚类中心，V＝[…,vi,…]；具体的优化模型如下所示：
dij＝||xj-vi|| (8)
uij∈[0,1] (9)
其中，uij表示用户j属于第i类的隶属度，dij表示用户xj到聚类中心vi的距离，c表示聚类数目，n为数据数目，聚类中心V＝[…,vi,…]的初值即是第一次聚类结果得到的聚类中心
聚类数目c的初值即是第一次聚类结果得到的聚类数k。
相应的，本发明还提供了一种基于双聚类法的电力用户行业维度用电模式辨识分析系统，其特征是，包括数据获取模块、数据归一化模块、第一次聚类模块、第二次聚类模块和用电模式辨识模块；
数据获取模块，用于获取电力用户的典型日负荷数据；
数据归一化模块，用于将典型日负荷数据进行归一化处理；
第一次聚类模块，用于采用Ward聚类算法对归一化后的典型日负荷数据进行第一次聚类；
第二次聚类模块，用于将第一次聚类结果作为FCM算法的初值，采用FCM算法进行第二次聚类，得到不同的聚类中心以及电力用户的隶属度矩阵；
用电模式辨识模块，用于根据最大隶属度原则，将电力用户划分至不同聚类中心所代表的用电模式类，实现行业维度的用电模式辨识分析。
进一步的，数据获取模块中，所述获取电力用户的典型日负荷数据包括：
获取电力用户的日负荷数据；
对日负荷数据进行平均化处理获得典型日负荷数据。
进一步的，数据获取模块中，所述对日负荷数据进行平均化处理获得典型日负荷数据包括：
对一定时间段内的工作日负荷数据进行求取平均值操作，将平均后的负荷数据作为其典型日负荷数据：
Li＝[Li,1,Li,2,...,Li,j,...,Li,96] (2)
其中，L'为用户的典型日负荷数据向量；Li为第i个工作日的用户日负荷数据向量；N为选取的工作日数；Li,j表示用户第i个工作日中第j时段的用电量大小，一天共有96个采样时段。
进一步的，第二次聚类模块中，所述采用FCM算法进行第二次聚类包括：
FCM算法通过不断迭代调整聚类中心与隶属度矩阵，使得聚类有效性函数J最小；其中U为用户的隶属度矩阵，U＝[…,uij,…]，V为聚类中心，V＝[…,vi,…]；具体的优化模型如下所示：
dij＝||xj-vi|| (8)
uij∈[0,1] (9)
其中，uij表示用户j属于第i类的隶属度，dij表示用户xj到聚类中心vi的距离，c表示聚类数目，n为数据数目，聚类中心V＝[…,vi,…]的初值即是第一次聚类结果得到的聚类中心
聚类数目c的初值即是第一次聚类结果得到的聚类数k。
与现有技术相比，本发明所达到的有益效果是：本发明通过Ward聚类方法产生合理初值，并代入FCM聚类算法对用户用电模式进行分析，解决了传统聚类方法由于初值敏感性而聚类效果不佳的问题，通过二次聚类，使得聚类方法更加适用于解决基于行业维度的用电模式辨识分析问题。
附图说明
图1为本发明方法的流程图示意图；
图2为实施例中4种用电模式类中不同用户的日负荷用电量曲线。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提出了一种基于双聚类法的电力用户行业维度用电模式辨识分析方法。通过计算平均值的方法形成同一行业内各电力用户的典型日负荷数据，采用Ward聚类算法进行第一次负荷聚类，并将Ward聚类算法的结果作为FCM聚类算法的初值进行第二次聚类，得到行业内电力用户的不同用电模式，完成对于电力用户行业维度的用电模式辨识分析。
本发明的一种基于双聚类法的电力用户行业维度用电模式辨识分析方法，参见图1所示，具体包括以下过程：
步骤S1，对电力用户的日负荷数据，进行平均化处理，削弱异常数据的影响，得到用于表征该行业电力用户的典型负荷数据；
针对需要进行用电模式分析的电力用户行业，为了削弱单个用户的异常负荷的影响，对其一定时间段内的工作日负荷数据进行求取平均值操作(平均化处理)，并将平均后的负荷数据作为其典型日负荷数据，用于表征该用户的典型日负荷形态，为后续步骤中的负荷聚类奠定基础。
Li＝[Li,1,Li,2,...,Li,j,...,Li,96] (2)
其中，L'为用户的典型日负荷数据向量；Li为第i个工作日的用户日负荷数据向量；N为选取的工作日数，可以取N＝5；Li,j表示用户第i个工作日中第j时段的用电量大小，一天共有96个采样时段。
步骤S2，将电力用户的典型日负荷数据进行归一化处理，突出负荷曲线的形状特征，排除负荷绝对值大小的干扰；
在电力用户典型日负荷曲线的聚类中，判断聚类的依据主要是负荷曲线的形状、距离特征，而不是用户负荷的绝对实际值大小，因此，对于涉及到欧式距离计算的聚类算法而言，进行归一化处理是有必要的。采用的归一化方法其定义式如下：
其中，
为用户进行极值归一化操作后的第i时段用电数据；xmax为该用户典型日负荷数据序列的最大值；xmin为该用户典型日负荷数据序列的最小值。经过归一化之后，用户的典型日负荷数据将会被压缩到区间[0,1]之中。
步骤S3，对归一化后的典型日负荷数据，采用Ward聚类算法进行第一次聚类，得到二次聚类需要的初值；
设将n个用户的典型日负荷数据向量分成k类：G1,G2,...,Gk，用
表示Gt中的第i个用户的典型日负荷数据向量，nt表示Gt中的用户个数，
是Gt的聚类中心，则Gt中用户的典型日负荷数据向量的离差平方和为：
k个类的类内离差平方和为：
离差平方和聚类法(即Ward聚类算法)基于方差分析，如果分类正确，同类样品的离差平方和应当较小，类与类的离差平方和应当较大。先将n个数据自成一类，即n类；然后每次合并n类中的任意两类，使得类数缩小至n-1类，每缩小一类，根据式(1)至(5)计算类与类的离差平方和，若类与类间的离差平方和增大，即表示目前的分类结果使得类与类间的差异程度变大，即分类合理；通过迭代计算，尝试所有的合并组合，使得类数缩小至离差平方和S不再增加，此时的分类结果(聚类数k，聚类结果G1,G2,...,Gk，聚类中心
)即为Ward聚类算法的最优结果。
将Ward聚类的结果作为FCM聚类算法的初始状态，既可避免FCM聚类算法对初始参数的敏感性，又能保证取得较好的聚类效果。
步骤S4，将步骤S3取得的聚类结果代入FCM算法进行第二次聚类，得到不同的聚类中心V以及电力用户的隶属度矩阵U；
模糊C均值聚类算法(FCM算法)通过不断迭代调整聚类中心与隶属度矩阵，使得聚类有效性函数J最小。其中U为用户的隶属度矩阵，U＝[…,uij,…]，V为聚类中心，V＝[…,vi,…]。具体的优化模型如下所示：
dij＝||xj-vi|| (8)
uij∈[0,1] (9)
其中，uij表示用户j属于第i类的隶属度，dij表示用户xj到聚类中心vi的距离，c表示聚类数目，n为数据数目，聚类中心V＝[…,vi,…]的初值即是步骤S3得到的
聚类数目c的初值即是步骤S3得到的k。
只用一种聚类，初值的选取对结果的影响性很大，通过采用两种聚类相结合的方法，可以通过第一种聚类方法提供优化过的初值，代入第二种聚类方法进行计算，从而提高整体聚类的效率和效果。
步骤S5，根据S4得到的隶属度矩阵U和聚类中心V，基于最大隶属度原则，将电力用户划分至不同聚类中心所代表的用电模式类中，实现行业维度的用电模式辨识分析。
用电模式类，即将典型日负荷数据聚类后得到的类，没有具体定义。各电力用户的典型日负荷数据所归属的用电模式类按照最大隶属度原则进行确定。若电力用户i的典型日负荷数据属于用电模式类j，则其隶属度需满足：
ui,j＝max{ui,1,ui,2,···,ui,j,···,ui,k} (10)
其中max(·)表示最大值函数，ui,j表示用户i属于第j类用电特征类的隶属度，k为总类数。
本发明通过Ward聚类方法产生合理初值，并代入FCM聚类算法对用户用电模式进行分析，解决了传统聚类方法由于初值敏感性而聚类效果不佳的问题，通过二次聚类，使得聚类方法更加适用于解决基于行业维度的用电模式辨识分析问题。
相应的，本发明还提供了一种基于双聚类法的电力用户行业维度用电模式辨识分析系统，其特征是，包括数据获取模块、数据归一化模块、第一次聚类模块、第二次聚类模块和用电模式辨识模块；
数据获取模块，用于获取电力用户的典型日负荷数据；
数据归一化模块，用于将典型日负荷数据进行归一化处理；
第一次聚类模块，用于采用Ward聚类算法对归一化后的典型日负荷数据进行第一次聚类；
第二次聚类模块，用于将第一次聚类结果作为FCM算法的初值，采用FCM算法进行第二次聚类，得到不同的聚类中心以及电力用户的隶属度矩阵；
用电模式辨识模块，用于根据最大隶属度原则，将电力用户划分至不同聚类中心所代表的用电模式类，实现行业维度的用电模式辨识分析。
进一步的，数据获取模块中，所述获取电力用户的典型日负荷数据包括：
获取电力用户的日负荷数据；
对日负荷数据进行平均化处理获得典型日负荷数据。
进一步的，数据获取模块中，所述对日负荷数据进行平均化处理获得典型日负荷数据包括：
对一定时间段内的工作日负荷数据进行求取平均值操作，将平均后的负荷数据作为其典型日负荷数据：
Li＝[Li,1,Li,2,...,Li,j,…,Li,96] (2)
其中，L'为用户的典型日负荷数据向量；Li为第i个工作日的用户日负荷数据向量；N为选取的工作日数；Li,j表示用户第i个工作日中第j时段的用电量大小，一天共有96个采样时段。
进一步的，第二次聚类模块中，所述采用FCM算法进行第二次聚类包括：
FCM算法通过不断迭代调整聚类中心与隶属度矩阵，使得聚类有效性函数J最小；其中U为用户的隶属度矩阵，U＝[…,uij,…]，V为聚类中心，V＝[…,vi,…]；具体的优化模型如下所示：
dij＝||xj-vi|| (8)
uij∈[0,1] (9)
其中，uij表示用户j属于第i类的隶属度，dij表示用户xj到聚类中心vi的距离，c表示聚类数目，n为数据数目，聚类中心V＝[…,vi,…]的初值即是第一次聚类结果得到的聚类中心
聚类数目c的初值即是第一次聚类结果得到的聚类数k。
实施例
本发明实施例中，对于200户金属加工制造业的电力用户进行用电模式的辨识分析，得到了4种典型的用电模式类。4种用电模式类中不同用户的日负荷用电量曲线如图2所示。图中，横坐标表示时间(单位为小时)，纵坐标表示用户日负荷用电量归一化后的值(无量纲)。
由图2可知，用电模式类1中的金属制造业用户有两个主要用电时段，其用电高峰时段集中在上午6时到9时以及下午18时到20时，高峰持续时间不长，且下午的负荷高峰要高于上午的负荷高峰；用电模式类2中的金属加工制造业用户有1个重要用电时段，用电高峰主要集中于上午8时至下午14时，高峰出现时间较长；用电模式类3中的金属加工制造业用户其用电高峰时段集中在上午9时到11时以及下午13时到17时，高峰有一定持续时间，两个用电高峰的峰值相近；用电模式类4中的金属加工制造业用户用电高峰时段集中于上午7时至下午13时，高峰持续时间较长，且用电高峰后用电量持续回落。
综上所述，结合本发明提出的基于双聚类法的电力用户行业维度用电模式辨识分析方法，能够解决传统分析方法的初值敏感性问题，从而很好地对大量电力用户的用电特征进行聚类分析，将不同特征用户的电力负荷曲线进行聚合归类，帮助电网调度优化决策者更好地辨识不同用电特征，提高用电辨识分析的效率和可靠性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.一种基于双聚类法的电力用户行业维度用电模式辨识分析方法，其特征是，包括以下过程：
获取电力用户的典型日负荷数据；
将典型日负荷数据进行归一化处理；
采用Ward聚类算法对归一化后的典型日负荷数据进行第一次聚类；
将第一次聚类结果作为FCM算法的初值，采用FCM算法进行第二次聚类，得到不同的聚类中心以及电力用户的隶属度矩阵；
根据最大隶属度原则，将电力用户划分至不同聚类中心所代表的用电模式类，实现行业维度的用电模式辨识分析。
2.根据权利要求1所述的一种基于双聚类法的电力用户行业维度用电模式辨识分析方法，其特征是，所述获取电力用户的典型日负荷数据包括：
获取电力用户的日负荷数据；
对日负荷数据进行平均化处理获得典型日负荷数据。
3.根据权利要求2所述的一种基于双聚类法的电力用户行业维度用电模式辨识分析方法，其特征是，所述对日负荷数据进行平均化处理获得典型日负荷数据包括：
对一定时间段内的工作日负荷数据进行求取平均值操作，将平均后的负荷数据作为其典型日负荷数据：
Li＝[Li,1,Li,2,...,Li,j,...,Li,96] (2)
其中，L'为用户的典型日负荷数据向量；Li为第i个工作日的用户日负荷数据向量；N为选取的工作日数；Li,j表示用户第i个工作日中第j时段的用电量大小，一天共有96个采样时段。
4.根据权利要求1所述的一种基于双聚类法的电力用户行业维度用电模式辨识分析方法，其特征是，所述采用FCM算法进行第二次聚类包括：
FCM算法通过不断迭代调整聚类中心与隶属度矩阵，使得聚类有效性函数J最小；其中U为用户的隶属度矩阵，U＝[…,uij,…]，V为聚类中心，V＝[…,vi,…]；具体的优化模型如下所示：
s.t.
dij＝||xj-vi|| (8)
uij∈[0,1] (9)
其中，uij表示用户j属于第i类的隶属度，dij表示用户xj到聚类中心vi的距离，c表示聚类数目，n为数据数目，聚类中心V＝[…,vi,…]的初值即是第一次聚类结果得到的聚类中心
聚类数目c的初值即是第一次聚类结果得到的聚类数k。
5.一种基于双聚类法的电力用户行业维度用电模式辨识分析系统，其特征是，包括数据获取模块、数据归一化模块、第一次聚类模块、第二次聚类模块和用电模式辨识模块；
数据获取模块，用于获取电力用户的典型日负荷数据；
数据归一化模块，用于将典型日负荷数据进行归一化处理；
第一次聚类模块，用于采用Ward聚类算法对归一化后的典型日负荷数据进行第一次聚类；
第二次聚类模块，用于将第一次聚类结果作为FCM算法的初值，采用FCM算法进行第二次聚类，得到不同的聚类中心以及电力用户的隶属度矩阵；
用电模式辨识模块，用于根据最大隶属度原则，将电力用户划分至不同聚类中心所代表的用电模式类，实现行业维度的用电模式辨识分析。
6.根据权利要求5所述的一种基于双聚类法的电力用户行业维度用电模式辨识分析系统，其特征是，数据获取模块中，所述获取电力用户的典型日负荷数据包括：
获取电力用户的日负荷数据；
对日负荷数据进行平均化处理获得典型日负荷数据。
7.根据权利要求6所述的一种基于双聚类法的电力用户行业维度用电模式辨识分析系统，其特征是，数据获取模块中，所述对日负荷数据进行平均化处理获得典型日负荷数据包括：
对一定时间段内的工作日负荷数据进行求取平均值操作，将平均后的负荷数据作为其典型日负荷数据：
Li＝[Li,1,Li,2,...,Li,j,...,Li,96] (2)
其中，L'为用户的典型日负荷数据向量；Li为第i个工作日的用户日负荷数据向量；N为选取的工作日数；Li,j表示用户第i个工作日中第j时段的用电量大小，一天共有96个采样时段。
8.根据权利要求5所述的一种基于双聚类法的电力用户行业维度用电模式辨识分析系统，其特征是，第二次聚类模块中，所述采用FCM算法进行第二次聚类包括：
FCM算法通过不断迭代调整聚类中心与隶属度矩阵，使得聚类有效性函数J最小；其中U为用户的隶属度矩阵，U＝[…,uij,…]，V为聚类中心，V＝[…,vi,…]；具体的优化模型如下所示：
s.t.
dij＝||xj-vi|| (8)
uij∈[0,1] (9)
其中，uij表示用户j属于第i类的隶属度，dij表示用户xj到聚类中心vi的距离，c表示聚类数目，n为数据数目，聚类中心V＝[…,vi,…]的初值即是第一次聚类结果得到的聚类中心
聚类数目c的初值即是第一次聚类结果得到的聚类数k。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911142049.XA CN110866841A (zh) | 2019-11-20 | 2019-11-20 | 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911142049.XA CN110866841A (zh) | 2019-11-20 | 2019-11-20 | 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110866841A true CN110866841A (zh) | 2020-03-06 |
Family
ID=69655172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911142049.XA Withdrawn CN110866841A (zh) | 2019-11-20 | 2019-11-20 | 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866841A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539657A (zh) * | 2020-05-30 | 2020-08-14 | 国网湖南省电力有限公司 | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 |
| CN111539845A (zh) * | 2020-04-21 | 2020-08-14 | 国网四川省电力公司电力科学研究院 | 一种基于用电模式隶属评分的企业环保管控响应研判方法 |
| CN112821559A (zh) * | 2021-01-22 | 2021-05-18 | 西安理工大学 | 一种非侵入式家电负荷深度再识别方法 |
| CN113743977A (zh) * | 2021-06-28 | 2021-12-03 | 国网上海市电力公司 | 一种基于用户行为的用电数据特征提取方法及系统 |
| CN114841832A (zh) * | 2022-07-04 | 2022-08-02 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 |
-
2019
- 2019-11-20 CN CN201911142049.XA patent/CN110866841A/zh not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539845A (zh) * | 2020-04-21 | 2020-08-14 | 国网四川省电力公司电力科学研究院 | 一种基于用电模式隶属评分的企业环保管控响应研判方法 |
| CN111539845B (zh) * | 2020-04-21 | 2020-12-29 | 国网四川省电力公司电力科学研究院 | 一种基于用电模式隶属评分的企业环保管控响应研判方法 |
| CN111539657A (zh) * | 2020-05-30 | 2020-08-14 | 国网湖南省电力有限公司 | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 |
| CN111539657B (zh) * | 2020-05-30 | 2023-11-24 | 国网湖南省电力有限公司 | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 |
| CN112821559A (zh) * | 2021-01-22 | 2021-05-18 | 西安理工大学 | 一种非侵入式家电负荷深度再识别方法 |
| CN112821559B (zh) * | 2021-01-22 | 2023-08-01 | 物兴科技(深圳)有限公司 | 一种非侵入式家电负荷深度再识别方法 |
| CN113743977A (zh) * | 2021-06-28 | 2021-12-03 | 国网上海市电力公司 | 一种基于用户行为的用电数据特征提取方法及系统 |
| CN114841832A (zh) * | 2022-07-04 | 2022-08-02 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 |
| CN114841832B (zh) * | 2022-07-04 | 2023-01-24 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866841A (zh) | 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 | |
| Li et al. | Classification of energy consumption in buildings with outlier detection | |
| CN111724278A (zh) | 一种面向电力多元负荷用户的精细分类方法及系统 | |
| CN111582548A (zh) | 一种基于多元用户行为画像的用电负荷预测方法 | |
| CN110991477A (zh) | 一种识别电力系统异常行业用户和异常用电行为的方法和系统 | |
| CN110991555A (zh) | 一种典型行业的用户用电量异常监控方法 | |
| CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
| CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
| CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
| CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
| Fernandes et al. | Analysis of residential natural gas consumers using fuzzy c-means clustering | |
| CN117458544B (zh) | 一种基于多类型储能资源动态聚合的优化协同调控方法 | |
| Feng et al. | Identification of disturbance sources based on random forest model | |
| CN117955098A (zh) | 高比例新能源电力系统典型场景生成方法及系统 | |
| CN111898857A (zh) | 基于BEMD和kmeans电力用户特征分析方法及系统 | |
| CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN111768066B (zh) | 基于融合特征的园区电热负荷耦合关系分析方法及装置 | |
| Islam et al. | Load profile segmentation using residential energy consumption data | |
| CN114417972A (zh) | 一种基于主成分分析和密度峰值聚类的用户用电行为分析方法 | |
| CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
| CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
| Shen et al. | A Novel AI-based Method for EV Charging Load Profile Clustering | |
| CN113191630A (zh) | 基于大数据的费控策略推荐方法 | |
| Li et al. | Identifying working day and rest day data based on machine learning method for more accurate transformer load forecasting | |
| Chen et al. | Research on power consumption behavior analysis based on power big data |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200306 |