CN111489188A - 一种居民可调负荷潜力挖掘方法及系统 - Google Patents
一种居民可调负荷潜力挖掘方法及系统 Download PDFInfo
- Publication number
- CN111489188A CN111489188A CN202010164424.7A CN202010164424A CN111489188A CN 111489188 A CN111489188 A CN 111489188A CN 202010164424 A CN202010164424 A CN 202010164424A CN 111489188 A CN111489188 A CN 111489188A
- Authority
- CN
- China
- Prior art keywords
- load
- adjustable
- feature
- characteristic
- clustering
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005065 mining Methods 0.000 title claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000007621 cluster analysis Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009469 supplementation 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
- 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
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种居民可调负荷潜力挖掘方法及系统,其建立了居民用户电器用电信息采集系统结构,对用电负荷响应调节的能力进行分析,辨识可调负荷,建立负荷调节能力指标,分析负荷调节能力;通过特征优选,提取表征居民负荷调节能力的特征;通过改进的聚类算法探索居民的电力需求响应调控潜力。最终可以指导智能终端的安装,实现能源数据信息的感知和调控,提升用户侧负荷管理能力。
Description
技术领域
本发明属于智能量测领域,涉及一种居民可调负荷潜力挖掘方法及系统。
背景技术
在数字化高速发展的时代背景下,一方面,能源行业中对各项数字化技术的重视力度大幅度提升,另一方面,我国供给侧结构性改革不断推进,促进了可再生能源的消纳利用,目标是建设多元融合、供需互动的能源生产和消费模式。因此未来的能源体系将以用户为中心。
随着电力泛在物联网的建设,居民用能的可靠、精细性日益凸显。但是在负荷监控和数据统计中,观察到的往往是综合负荷,所以如何结合人工智能和大数据,针对负荷的物理状态信息、用户需求度阈值信息、基于时间序列的负荷状态集以及由用户用电行为的不确定性修正信息等,判断哪些负荷是有调节能力的负荷,哪些是非可调负荷,负荷的调节能力如何,成为了重要的课题。
在此基础上,建立用户的可调度潜力评估模型,对用户的可调度潜力进行评估,是将来信息物理系统融合、了解需求侧资源调控现状、实现客户智慧用能与优质服务的基础。然而目前,从电力行业的角度,我国针对用户侧的管理手段单一、需求响应的相关政策灵活性低,缺乏完善的需求侧资源响应分析以用户的可调度资源分析,亟需该方面的模型补充,以助于电力公司更好地掌控某一区域用户的需求响应潜力。
发明内容
本发明的目的在于克服现有技术的不足,提供一种居民可调负荷潜力挖掘方法及系统。
本发明解决其技术问题是采取以下技术方案实现的:
一种居民可调负荷潜力挖掘方法,包括如下步骤:
步骤一,获取居民用户电器设备的用能数据;
步骤二,根据所获取的用能数据得到负荷曲线图及用能特征指标;
步骤三,根据负荷曲线图及用能特征指标判断居民负荷的可调性,若判断负荷可调,则将其加入可调负荷集合,并汇入其他可调负荷;若判断负荷为不可调,则将其加入非可调负荷集合;
步骤四,对加入可调负荷集合的负荷进行负荷条件特征优选,并将优选的负荷加入优选负荷特征集合,并汇入其他用户的优选负荷特征集合;
步骤五,对加入优选负荷特征集合的负荷进行聚类分析,最终输出不同级别需求响应调控潜力的客户集合,评估每一户用户的需求响应调控潜力。
而且,所述居民负荷的可调性判断方法为:
步骤1,对于特定的负荷,基于获取的用能数据,获取其日负荷曲线;
步骤2,根据系统发布的需求,获取的日负荷曲线做出相应的响应;
步骤3,对所述响应前后的两条日负荷曲线,确定负荷调节系数J:
负荷调节系数越大,用户电器的需求响应潜力越高;当负荷调节系数大于设定阈值时,则判断为可调节负荷,加入可调特征集合;否则判断为不可调负荷。
而且,所述对加入可调负荷集合的负荷进行负荷条件特征优选的方法为:
步骤1,设优选特征集合是Y,备选特征集合为X,对于单一居民用户的所有可调负荷特征全集,根据评价函数对所有特征集进行评价,其中J为负荷调节系数,是某备选特征与某优选特征间的关联系数;其中COV(xj,yi)为备选特征xj与已选特征集合中的特征yi的协方差,和分别为备选特征xj和已选特征集合中的特征yi的标准差;
步骤2,用评价函数在备选集中取最大值加入特征优选集,每次将备选特征的一个最优特征加入优选特征集,直到满足其中max{K(xi)}是当前备选特征集中评价值最大的特征的评价值,K(Y)是当前优选特征集的评价值。当备选特征集中最大的评价值与优选特征集中最大的评价值之比小于一个阈值T时,则认为特征优选完成。输出能够表征客户可调负荷需求响应能力的特征集合。
而且,所述对加入优选负荷特征集合的负荷进行聚类分析的方法为:
步骤1,首先确定聚类数k,随机选定一条数据作为聚类中心,计算其他对象到该中心的距离,选择欧氏距离相距最大的对象作为下一个聚类中心,当已选定的聚类中心数目不止一个时,需要分别计算数据对象到各聚类中心的距离,在这些距离中选择最小的距离作为该数据对象的判定距离;
步骤2,重复上述步骤直至聚类中心数达到预设值k;
步骤3,在确定聚类中心后,采用k-means聚类进行分析,计算每个数据到各聚类中心的距离,按照距离最小的原则将其划分到聚类中心所在的聚类中;
步骤4,计算各聚类均值,更新聚类中心,随后判断新旧聚类中心的误差,若误差满足小于阈值则终止循环,结果输出不同级别需求响应调控潜力的客户集合。
一种居民可调负荷潜力挖掘系统,包括用能数据获取模块、用能数据处理模块、居民负荷可调性判断模块、负荷条件特征优选模块以及负荷聚类分析模块,
所述的数据获取模块用于采集居民用户电器设备的用能数据;
所述的用能数据处理模块用于根据所获取的用能数据得到负荷曲线图及用能特征指标;
所述的居民负荷可调性判断模块用于根据负荷曲线图及用能特征指标判断居民负荷的可调性,若判断负荷可调,则将其加入可调负荷集合,并汇入其他可调负荷;若判断负荷为不可调,则将其加入非可调负荷集合;
所述的负荷条件特征优选模块用于对加入可调负荷集合的负荷进行负荷条件特征优选,并将优选的负荷加入优选负荷特征集合,并汇入其他用户的优选负荷特征集合;
所述的负荷聚类分析模块用于对加入优选负荷特征集合的负荷进行聚类分析,最终输出不同级别需求响应调控潜力的客户集合,评估每一户用户的需求响应调控潜力。
而且,所述的居民负荷可调性判断模块用于根据负荷曲线图及用能特征指标判断居民负荷的可调性的方法为:
步骤1,对于特定的负荷,基于获取的用能数据,获取其日负荷曲线;
步骤2,根据系统发布的需求,获取的日负荷曲线做出相应的响应;
步骤3,对所述响应前后的两条日负荷曲线,确定负荷调节系数J:
负荷调节系数越大,用户电器的需求响应潜力越高;当负荷调节系数大于设定阈值时,则判断为可调节负荷,加入可调特征集合;否则判断为不可调负荷。
而且,所述的负荷条件特征优选模块用于对加入可调负荷集合的负荷进行负荷条件特征优选的方法为:
步骤2,用评价函数在备选集中取最大值加入特征优选集,每次将备选特征的一个最优特征加入优选特征集,直到满足其中max{K(xi)}是当前备选特征集中评价值最大的特征的评价值,K(Y)是当前优选特征集的评价值。当备选特征集中最大的评价值与优选特征集中最大的评价值之比小于一个阈值T时,则认为特征优选完成,输出能够表征客户可调负荷需求响应能力的特征集合。
而且,所述的负荷聚类分析模块用于对加入优选负荷特征集合的负荷进行聚类分析的方法为:
步骤1,首先确定聚类数k,随机选定一条数据作为聚类中心,计算其他对象到该中心的距离,选择欧氏距离相距最大的对象作为下一个聚类中心,当已选定的聚类中心数目不止一个时,需要分别计算数据对象到各聚类中心的距离,在这些距离中选择最小的距离作为该数据对象的判定距离;
步骤2,重复上述步骤直至聚类中心数达到预设值k;
步骤3,在确定聚类中心后,采用k-means聚类进行分析,计算每个数据到各聚类中心的距离,按照距离最小的原则将其划分到聚类中心所在的聚类中;
步骤4,计算各聚类均值,更新聚类中心,随后判断新旧聚类中心的误差,若误差满足小于阈值则终止循环,结果输出不同级别需求响应调控潜力的客户集合。
本发明的优点和积极效果是:
1、本发明提出一种基于建立的采集系统广泛采集的居民电器用能数据,筛选具有调节能力的负荷及其符合调节特征,分析优选用户负荷调节特征,通过聚类,实现用户需求响应潜力分析。
2、本发明考虑了用户负荷调节特征的关联性,为了避免了无关信息冗余,对单个用户的负荷调节能力进行特征优选,筛选能表征单个客户可调负荷需求响应能力的特征集合。基于有效特征集合,将用户根据需求响应调控潜力聚类,由此筛选高需求响应调控潜力的客户。本发明可以指导智能终端的安装,实现能源数据信息的感知和调控,提升用户侧负荷管理能力。
附图说明
图1为本发明的方法流程图;
图2为本发明负荷条件特征优选的方法流程图;
图3为本发明对负荷进行聚类分析的方法流程图;
图4为本发明系统的原理结构示意图。
具体实施方式
以下结合附图对本发明的实施例做进一步详述:
一种居民可调负荷潜力挖掘方法,其创新之处在于:包括如下步骤:
步骤一,通过表计采集居民用户电器设备的用能数据;
步骤二,根据所获取的用能数据得到负荷曲线图及用能特征指标;
步骤三,根据负荷曲线图及用能特征指标判断居民负荷的可调性,若判断负荷可调,则将其加入可调负荷集合,并汇入其他可调负荷;若判断负荷为不可调,则将其加入非可调负荷集合;
步骤四,对加入可调负荷集合的负荷进行负荷条件特征优选,并将优选的负荷加入优选负荷特征集合,并汇入其他用户的优选负荷特征集合;
步骤五,对加入优选负荷特征集合的负荷进行聚类分析,最终输出不同级别需求响应调控潜力的客户集合,评估每一户用户的需求响应调控潜力。
所述居民负荷的可调性判断方法为:
步骤1,对于某一种特定的负荷,基于设备采集的用能信息,获取其日负荷曲线;
步骤2,根据系统发布的需求,获取的日负荷曲线做出相应的响应;
步骤3,对需求响应前后的两条日负荷曲线,定义负荷调节系数J,
负荷调节系数越大,用户电器的需求响应潜力越高;当负荷调节系数大于一定阈值时,则判断为可调节负荷,加入可调特征集合;否则判断为不可调负荷。一户居民用户的多种负荷的调节特征不仅具有一定关联性,而且权重不同。为消除信息重叠和冗余,获取更有效的用户负荷调节特征,需要对负荷调节特征进行优选。
所述对加入可调负荷集合的负荷进行负荷条件特征优选的方法为:
步骤1,设优选特征集合是Y,备选特征集合为X,对于单一居民用户的所有可调负荷特征全集,先用评价函数对所有特征集进行评价,其中J为负荷调节系数,是某备选特征与某优选特征间的关联系数;其中COV(xj,yi)为备选特征xj与已选特征集合中的特征yi的协方差,和分别为备选特征xj和已选特征集合中的特征yi的标准差;
步骤2,用评价函数在备选集中取最大值加入特征优选集,该算法可以在确保特征的有效性的同时,减少数据冗余性,每次将备选特征的一个最优特征加入优选特征集,直到满足其中max{K(xi)}是当前备选特征集中评价值最大的特征的评价值,K(Y)是当前优选特征集的评价值。当备选特征集中最大的评价值与优选特征集中最大的评价值之比小于一个阈值T时,则认为特征优选完成,输出能够表征客户可调负荷需求响应能力的特征集合。
对居民用户进行聚类,筛选高需求响应调控潜力的用户。在优选的特征集基础上,利用初始聚类中心改进的k-mean聚类算法。所述对加入优选负荷特征集合的负荷进行聚类分析的方法为:
步骤1,首先确定聚类数k,随机选定一条数据作为聚类中心,计算其他对象到该中心的距离,选择欧氏距离相距最大的对象作为下一个聚类中心,当已选定的聚类中心数目不止一个时,需要分别计算数据对象到各聚类中心的距离,在这些距离中选择最小的距离作为该数据对象的判定距离;
步骤2,重复上述步骤直至聚类中心数达到预设值k;
步骤3,在确定聚类中心后,采用k-means聚类进行分析,计算每个数据到各聚类中心的距离,按照距离最小的原则将其划分到聚类中心所在的聚类中;
步骤4,计算各聚类均值,更新聚类中心,随后判断新旧聚类中心的误差,若误差满足小于阈值则终止循环,结果输出不同级别需求响应调控潜力的客户集合。
一种居民可调负荷潜力挖掘系统,其创新之处在于:该系统分为采集部分、数据处理部分、算法部分和数据存储单元。系统的采集部分主要为硬件平台,将负荷的电压、电流信息经总线和传感器传输,经过信号放大处理到达采集终端完成采集;数据处理部分将用电数据进行预处理,将电压、电流数据转换为算法分析需要的日负荷曲线;算法部分实现算法,包括对居民负荷的可调性进行判断,对负荷特征进行优选,居民负荷聚类分析;数据存储单元用于存储用户用电数据、算法的过程和结果数据。
所述对居民负荷的可调性进行判断的方法为:
步骤1,对于某一种特定的负荷,基于设备采集的用能信息,获取其日负荷曲线;
步骤2,根据系统发布的需求,获取的日负荷曲线做出相应的响应;
步骤3,对需求响应前后的两条日负荷曲线,定义负荷调节系数J,
负荷调节系数越大,用户电器的需求响应潜力越高;当负荷调节系数大于一定阈值时,则判断为可调节负荷,加入可调特征集合;否则判断为不可调负荷。
所述对负荷特征进行优选的方法为:
步骤2,用评价函数在备选集中取最大值加入特征优选集,每次将备选特征的一个最优特征加入优选特征集,直到满足其中max{K(xi)}是当前备选特征集中评价值最大的特征的评价值,K(Y)是当前优选特征集的评价值。当备选特征集中最大的评价值与优选特征集中最大的评价值之比小于一个阈值T时,则认为特征优选完成,输出能够表征客户可调负荷需求响应能力的特征集合。
所述对居民负荷聚类分析的方法为:
步骤1,首先确定聚类数k,随机选定一条数据作为聚类中心,计算其他对象到该中心的距离,选择欧氏距离相距最大的对象作为下一个聚类中心,当已选定的聚类中心数目不止一个时,需要分别计算数据对象到各聚类中心的距离,在这些距离中选择最小的距离作为该数据对象的判定距离;
步骤2,重复上述步骤直至聚类中心数达到预设值k;
步骤3,在确定聚类中心后,采用k-means聚类进行分析,计算每个数据到各聚类中心的距离,按照距离最小的原则将其划分到聚类中心所在的聚类中;
步骤4,计算各聚类均值,更新聚类中心,随后判断新旧聚类中心的误差,若误差满足小于阈值则终止循环,结果输出不同级别需求响应调控潜力的客户集合。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种居民可调负荷潜力挖掘方法,其特征在于:包括如下步骤:
步骤一,获取居民用户电器设备的用能数据;
步骤二,根据所获取的用能数据得到负荷曲线图及用能特征指标;
步骤三,根据负荷曲线图及用能特征指标判断居民负荷的可调性,若判断负荷可调,则将其加入可调负荷集合,并汇入其他可调负荷;若判断负荷为不可调,则将其加入非可调负荷集合;
步骤四,对加入可调负荷集合的负荷进行负荷条件特征优选,并将优选的负荷加入优选负荷特征集合,并汇入其他用户的优选负荷特征集合;
步骤五,对加入优选负荷特征集合的负荷进行聚类分析,最终输出不同级别需求响应调控潜力的客户集合,评估每一户用户的需求响应调控潜力。
3.根据权利要求1所述的一种居民可调负荷潜力挖掘方法,其特征在于:所述对加入可调负荷集合的负荷进行负荷条件特征优选的方法为:
步骤1,设优选特征集合是Y,备选特征集合为X,对于单一居民用户的所有可调负荷特征全集,根据评价函数对所有特征集进行评价,其中J为负荷调节系数,是某备选特征与某优选特征间的关联系数;其中COV(xj,yi)为备选特征xj与已选特征集合中的特征yi的协方差,和分别为备选特征xj和已选特征集合中的特征yi的标准差;
其中max{K(xi)}是当前备选特征集中评价值最大的特征的评价值,K(Y)是当前优选特征集的评价值;当备选特征集中最大的评价值与优选特征集中最大的评价值之比小于一个阈值T时,则认为特征优选完成,输出能够表征客户可调负荷需求响应能力的特征集合。
4.根据权利要求1所述的一种居民可调负荷潜力挖掘方法,其特征在于:所述对加入优选负荷特征集合的负荷进行聚类分析的方法为:
步骤1,首先确定聚类数k,随机选定一条数据作为聚类中心,计算其他对象到该中心的距离,选择欧氏距离相距最大的对象作为下一个聚类中心,当已选定的聚类中心数目不止一个时,需要分别计算数据对象到各聚类中心的距离,在这些距离中选择最小的距离作为该数据对象的判定距离;
步骤2,重复上述步骤直至聚类中心数达到预设值k;
步骤3,在确定聚类中心后,采用k-means聚类进行分析,计算每个数据到各聚类中心的距离,按照距离最小的原则将其划分到聚类中心所在的聚类中;
步骤4,计算各聚类均值,更新聚类中心,随后判断新旧聚类中心的误差,若误差满足小于阈值则终止循环,结果输出不同级别需求响应调控潜力的客户集合。
5.一种居民可调负荷潜力挖掘系统,其特征在于:包括用能数据获取模块、用能数据处理模块、居民负荷可调性判断模块、负荷条件特征优选模块以及负荷聚类分析模块,
所述的数据获取模块用于采集居民用户电器设备的用能数据;
所述的用能数据处理模块用于根据所获取的用能数据得到负荷曲线图及用能特征指标;
所述的居民负荷可调性判断模块用于根据负荷曲线图及用能特征指标判断居民负荷的可调性,若判断负荷可调,则将其加入可调负荷集合,并汇入其他可调负荷;若判断负荷为不可调,则将其加入非可调负荷集合;
所述的负荷条件特征优选模块用于对加入可调负荷集合的负荷进行负荷条件特征优选,并将优选的负荷加入优选负荷特征集合,并汇入其他用户的优选负荷特征集合;
所述的负荷聚类分析模块用于对加入优选负荷特征集合的负荷进行聚类分析,最终输出不同级别需求响应调控潜力的客户集合,评估每一户用户的需求响应调控潜力。
6.根据权利要求5所述的一种居民可调负荷潜力挖掘系统,其特征在于:所述的居民负荷可调性判断模块用于根据负荷曲线图及用能特征指标判断居民负荷的可调性的方法为:
步骤1,对于特定的负荷,基于获取的用能数据,获取其日负荷曲线;
步骤2,根据系统发布的需求,获取的日负荷曲线做出相应的响应;
步骤3,对所述响应前后的两条日负荷曲线,确定负荷调节系数J:
负荷调节系数越大,用户电器的需求响应潜力越高;当负荷调节系数大于设定阈值时,则判断为可调节负荷,加入可调特征集合;否则判断为不可调负荷。
7.根据权利要求5所述的一种居民可调负荷潜力挖掘系统,其特征在于:所述的负荷条件特征优选模块用于对加入可调负荷集合的负荷进行负荷条件特征优选的方法为:
步骤1,设优选特征集合是Y,备选特征集合为X,对于单一居民用户的所有可调负荷特征全集,根据评价函数对所有特征集进行评价,其中J为负荷调节系数,是某备选特征与某优选特征间的关联系数;其中COV(xj,yi)为备选特征xj与已选特征集合中的特征yi的协方差,和分别为备选特征xj和已选特征集合中的特征yi的标准差;
其中max{K(xi)}是当前备选特征集中评价值最大的特征的评价值,K(Y)是当前优选特征集的评价值;当备选特征集中最大的评价值与优选特征集中最大的评价值之比小于一个阈值T时,则认为特征优选完成,输出能够表征客户可调负荷需求响应能力的特征集合。
8.根据权利要求5所述的一种居民可调负荷潜力挖掘系统,其特征在于:所述的负荷聚类分析模块用于对加入优选负荷特征集合的负荷进行聚类分析的方法为:
步骤1,首先确定聚类数k,随机选定一条数据作为聚类中心,计算其他对象到该中心的距离,选择欧氏距离相距最大的对象作为下一个聚类中心,当已选定的聚类中心数目不止一个时,需要分别计算数据对象到各聚类中心的距离,在这些距离中选择最小的距离作为该数据对象的判定距离;
步骤2,重复上述步骤直至聚类中心数达到预设值k;
步骤3,在确定聚类中心后,采用k-means聚类进行分析,计算每个数据到各聚类中心的距离,按照距离最小的原则将其划分到聚类中心所在的聚类中;
步骤4,计算各聚类均值,更新聚类中心,随后判断新旧聚类中心的误差,若误差满足小于阈值则终止循环,结果输出不同级别需求响应调控潜力的客户集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164424.7A CN111489188B (zh) | 2020-03-11 | 2020-03-11 | 一种居民可调负荷潜力挖掘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164424.7A CN111489188B (zh) | 2020-03-11 | 2020-03-11 | 一种居民可调负荷潜力挖掘方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489188A true CN111489188A (zh) | 2020-08-04 |
CN111489188B CN111489188B (zh) | 2023-08-18 |
Family
ID=71812436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010164424.7A Active CN111489188B (zh) | 2020-03-11 | 2020-03-11 | 一种居民可调负荷潜力挖掘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489188B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270509A (zh) * | 2020-12-14 | 2021-01-26 | 江苏智臻能源科技有限公司 | 居民可调负荷供需互动系统智能选择价值用户的算法 |
CN112966717A (zh) * | 2021-02-04 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 一种配电网可调资源的可调潜力聚合方法 |
CN113258583A (zh) * | 2021-06-03 | 2021-08-13 | 国网江苏省电力有限公司营销服务中心 | 一种台区侧负荷用电优化方法 |
CN113837311A (zh) * | 2021-09-30 | 2021-12-24 | 南昌工程学院 | 一种基于需求响应数据的居民客户聚类方法及装置 |
CN115829786A (zh) * | 2023-02-16 | 2023-03-21 | 国网浙江省电力有限公司金华供电公司 | 一种基于空调负荷的电网响应调节方法 |
CN116957306A (zh) * | 2023-09-20 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530650A (zh) * | 2013-10-16 | 2014-01-22 | 深圳大学 | 电网低频振荡类噪声信号辨识方法 |
CN105790286A (zh) * | 2016-03-31 | 2016-07-20 | 东南大学 | 一种中央空调负荷聚合及参与平抑分布式电源出力的策略 |
CN109146252A (zh) * | 2018-07-25 | 2019-01-04 | 国家电网有限公司 | 基于调节潜力指标的用户用电行为聚类分析方法和系统 |
-
2020
- 2020-03-11 CN CN202010164424.7A patent/CN111489188B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530650A (zh) * | 2013-10-16 | 2014-01-22 | 深圳大学 | 电网低频振荡类噪声信号辨识方法 |
CN105790286A (zh) * | 2016-03-31 | 2016-07-20 | 东南大学 | 一种中央空调负荷聚合及参与平抑分布式电源出力的策略 |
CN109146252A (zh) * | 2018-07-25 | 2019-01-04 | 国家电网有限公司 | 基于调节潜力指标的用户用电行为聚类分析方法和系统 |
Non-Patent Citations (2)
Title |
---|
孔祥玉等: "分时电价环境下用户负荷需求响应分析方法" * |
孙毅等: "基于云模型的用户群负荷调控算法" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270509A (zh) * | 2020-12-14 | 2021-01-26 | 江苏智臻能源科技有限公司 | 居民可调负荷供需互动系统智能选择价值用户的算法 |
CN112270509B (zh) * | 2020-12-14 | 2021-03-23 | 江苏智臻能源科技有限公司 | 居民可调负荷供需互动系统智能选择价值用户的算法 |
CN112966717A (zh) * | 2021-02-04 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 一种配电网可调资源的可调潜力聚合方法 |
CN113258583A (zh) * | 2021-06-03 | 2021-08-13 | 国网江苏省电力有限公司营销服务中心 | 一种台区侧负荷用电优化方法 |
CN113837311A (zh) * | 2021-09-30 | 2021-12-24 | 南昌工程学院 | 一种基于需求响应数据的居民客户聚类方法及装置 |
CN113837311B (zh) * | 2021-09-30 | 2023-10-10 | 南昌工程学院 | 一种基于需求响应数据的居民客户聚类方法及装置 |
CN115829786A (zh) * | 2023-02-16 | 2023-03-21 | 国网浙江省电力有限公司金华供电公司 | 一种基于空调负荷的电网响应调节方法 |
CN116957306A (zh) * | 2023-09-20 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
CN116957306B (zh) * | 2023-09-20 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111489188B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489188A (zh) | 一种居民可调负荷潜力挖掘方法及系统 | |
CN111027872B (zh) | 一种区域用户的用电成熟度确定方法及系统 | |
CN106462905B (zh) | 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质 | |
CN111724278A (zh) | 一种面向电力多元负荷用户的精细分类方法及系统 | |
CN110070048B (zh) | 基于双次K-means聚类的设备类型识别方法及系统 | |
CN110930198A (zh) | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 | |
TW201321763A (zh) | 基於使用者回饋資訊之電器偵測方法與系統 | |
CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN111509728B (zh) | 一种基于多源异构虚拟负荷的优化调控方法及系统 | |
CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
CN111242161A (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
CN110543889A (zh) | 电力负荷分层聚类方法、装置、计算机设备及存储介质 | |
CN114720764A (zh) | 一种基于电表实时监测数据的谐波分析方法及系统 | |
CN111126780A (zh) | 一种非侵入式负荷监测方法及存储介质 | |
JP2016163445A (ja) | 契約メニュー作成方法 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN110597792A (zh) | 基于同期线损数据融合的多级冗余数据融合方法及装置 | |
CN113962477A (zh) | 一种产业电量关联聚集预测方法、装置、设备及存储介质 | |
CN111047465B (zh) | 一种基于电力大数据的电网友好型负荷响应方法 | |
Wang et al. | User electricity consumption pattern optimal clustering method for smart gird | |
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 | |
CN111860574A (zh) | 电网用户分组方法、装置、存储介质及电子设备 | |
Li et al. | Power Load Curve Clustering based on ISODATA | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 |
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 |