CN111539657A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111539657A CN111539657A CN202010487016.5A CN202010487016A CN111539657A CN 111539657 A CN111539657 A CN 111539657A CN 202010487016 A CN202010487016 A CN 202010487016A CN 111539657 A CN111539657 A CN 111539657A
- Authority
- CN
- China
- Prior art keywords
- user
- curve
- data
- typical
- daily
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 179
- 238000001308 synthesis method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims description 90
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 102100039133 Integrator complex subunit 6 Human genes 0.000 claims description 18
- 101150014481 Ints6 gene Proteins 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims 5
- 230000010354 integration Effects 0.000 claims 2
- 239000013642 negative control Substances 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种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,首先利用用电信息采集系统获取的典型用户日用电量数据和负控系统获取的典型用户有功功率数据,采用模糊C均值方法和原理,分别解析各用户所属典型行业类别,识别其中归类不同的用户;接着利用ΔDBI指标确定此类用户实际分类;最后运用DBI指标确定典型用电行业最优聚类中心曲线。本方法在原有负荷聚类方法上,引入用户日用电量曲线,可以有效解析各用户所属典型行业类别,确定典型用电行业最优聚类中心曲线,搭建更为准确的用户负荷模型,且聚类结果与实际工程相符,具有良好的工程价值。
Description
技术领域
本发明属于电力系统分析与控制技术领域,特别涉及一种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。
背景技术
电力系统负荷模型对电网的运行、分析与控制有着重要的影响,但是建立准确的负荷模型一直以来就是电力系统分析控制领域公认的世界性难题,其关键的障碍就在于负荷特性自身的复杂性,这种复杂性的最突出表现则在于负荷特性的地域分散性和随机时变性,在线实时负荷建模则是解决负荷特性时变性的有效途径。为了实现在线实时的负荷建模,一方面必须有丰富的负荷特性数据支撑,另一方面必须有高效的负荷建模工具。
随着智能配电网建设的快速推进,覆盖全电网范围、直达电网最末端(0.4kV低压端)电力用户和发电电源的新一代电力信息量测/采集系统为实现上述目标奠定了优越的基础条件,电力大数据和云计算/云终端技术则为实现上述目标提供了根本的技术支持。基于已建立的负荷建模理论方法、模型结构和实现技术体系,广域、完备、实时的负荷信息使得实现在线实时负荷建模目标成为可能。用电信息采集系统中的电量数据信息覆盖范围广、内容详尽,包含丰富的负荷特性信息。因此,可将电量信息应用于变电站负荷解析。
基于此,本文以用电信息采集系统为数据来源,提出了一种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,对现有的基于用户有功功率曲线的典型用电行业聚类方法进行补充,对有功功率数据采集、处理过程中可能存在的错误进行修正,从而建立更为准确的典型行业日负荷聚类中心曲线,有效解析各用户所属的典型行业类别,为后续计算变电站典型用电行业构成比例提供更为准确的数据支持,这是可行并具有工程意义的。
发明内容
本发明所解决的技术问题是,针对现有技术的不足,提出一种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,不仅可以解析变电站典型用电行业构成比例,还可以建立基于用户日用电量曲线的用户负荷模型,进行加权处理后可实现对典型用电行业负荷特性分类与综合的实时修正。
本发明的技术方案是:
一种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,包括以下步骤:
1)获取典型用户日用电量数据和与之对应的有功功率数据,利用两种数据分别解析各用户所属典型行业类别并进行对比,识别出根据两种数据分别被归于不同归类的同一用户;
2)对不同归类的同一用户,利用ΔDBI指标进行评价,确定用户的实际分类;
3)根据用户实际分类,对典型用户日用电量数据和典型用户有功功率数据进行修正,得到更为准确的日用电量曲线和有功功率曲线。
4)结合3)得到的修正后的日用电量曲线和有功功率曲线,运用DBI指标确定典型用电行业最优聚类中心曲线。
所述的一种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,所述步骤1)中包括以下步骤,
1-1)选取典型用户日用电量数据和与之对应的有功功率数据为原始数据样本,然后对原始数据样本进行预处理,包括对数据组中的异常数据进行识别与修正,再对修正后的数据进行标幺化处理;
1-2)采用模糊C均值方法对标幺化处理后的数据样本进行典型用电行业分类,分别得到日用电量聚类中心矩阵即n类用户日用电量聚类中心曲线和有功功率聚类中心矩阵即n类典型用户等效有功功率曲线,典型用电行业分类个数2≤n≤N,其中N为所选典型用户的数量;对两个聚类中心矩阵进行对照,识别出其中同一用户但归类不同的情况。
所述的一种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,所述步骤1-1)中,对数据进行预处理包括:
计算各曲线中各采样时刻点的变化率并与预设阈值比较,若超出阈值范围则视为异常数据;对异常数据进行进行修正,是首先判断负荷曲线的数据缺失量和异常量是否小于10%,若是,则先将异常量置为0即置为缺失量,再以一元三点抛物线插值算法对缺失量进行插值拟合,否则直接删除该条曲线;
进行标幺化处理包括:取用户的日用电量最大值wkmax为基准值,根据公式一对原始数据样本进行标幺化处理,其中wki为经异常数据处理后的日用电量数据,w'ki为经标幺化后的日用电量数据;
w'ki=wki/wkmax
公式一
得到归一化的用户日用电量标幺值矩阵W'k=[w'k1,w'k2,…,w'ki,...,w'km]∈R1×m和变电站下属典型用户的日用电量标幺值矩阵W'=[W'1,W'2,...,W'k,...,W'N]T∈RN×m;其中R为实数,m为每条日用电量曲线的数据点个数,N为所选典型用户的数量;
取用户的功率最大值pkmax为基准值,根据公式一对原始数据样本进行标幺化处理,其中pki为经异常数据处理后的日用电量数据,p'ki为经标幺化后的日用电量数据:
p'ki=pki/pkmax
公式二
得到归一化的用户有功功率标幺值矩阵Pk=[p'k1,p'k2,...,p'ki,...,p'km]∈R1×m和变电站下属典型用户的有功功率标幺值矩阵P'=[P'1,P'2,...,P'k,...,P'N]T∈RN×m。
所述的一种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,所述步骤1-2)中典型用电行业分类包括以下步骤:
采用模糊C均值方法来迭代计算,以得到最优的隶属度和聚类中心,首先设定初始电量聚类中心矩阵CA (0)=[CA1 (0),...,CAj (0),...,CAn (0)]T∈Rn×m和初始功率聚类中心矩阵CB (0)=[CB1 (0),…,CBj (0),…,CBn (0)]T∈Rn×m,并作为n类典型用户的m点有功功率和日用电量标幺值的初始值;
通过下式得到隶属度矩阵:
当进行第b轮迭代时,得到变电站下属第k个用户基于日用电量的隶属度VAk (b)=[vAk1 (b),…,vAkj (b),…,vAkn (b)]∈R1×n和变电站下属N个用户基于日用电量的隶属度矩阵VA (b)=[VA1(b),…,VAk (b),…,VAN (b)]∈RN×n;以及变电站下属第k个用户基于有功功率的隶属度VBk (b)=[vBk1 (b),…,vBkj (b),…,vBkn (b)]∈R1×n和变电站下属N个用户基于有功功率的隶属度矩阵VB (b)=[VB1 (b),…,VBk (b),…,VBN (b)]∈RN×n;
然后通过下式更新聚类中心:
从而得到第b+1轮迭代时n类典型用户的日用电量聚类中心矩阵CA (b+1)=[CA1 (b +1),…,CAj (b+1),…,CAn (b+1)]T∈Rn×m和n类典型用户的有功功率聚类中心矩阵CB (b+1)=[CB1 (b +1),…,CBj (b+1),…,CBn (b+1)]T∈Rn×m,返回公式三循环迭代,直至或则分别停止迭代,其中ε’为判定迭代收敛的允许误差范围;
迭代完成后得到n类典型行业等效日用电量曲线CAn=[CA1 (b),…,CAj (b),…,CAm (b)]∈R1×m,以及聚类中心矩阵CA=[CA1,…,CAj,…,CAn]T∈Rn×m;n类典型行业等效有功功率曲线CBn=[Cu1 b,…,Cuj b,…,Cum b]∈R1×m,以及聚类中心矩阵CB=[CB1,…,CBj,…,CBn]T∈Rn×m;
分别根据日用电量曲线和等效有功功率中得到的各个用户相对于各个类的隶属度大小,将用户归类为对应隶属度最大的类别,得到基于用户日用电量曲线的典型用户分类矩阵MA=[MA1,…,MAj,…,MAN]T∈RN×1和基于用户等效有功功率曲线的典型用户分类矩阵MB=[MB1,…,MBj,…,MBN]T∈RN×1,并筛选出MA和MB中分类不同的用户M。
所述的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,所述步骤2)中确定用归类不同用户的实际分类,其步骤包括:
2-1)通过步骤1)得到的n类典型行业等效日用电量聚类中心矩阵和等效有功功率聚类中心矩阵,分别求两种聚类方法的△DBI指标;
2-2)通过步骤2-1)所得△DBI指标评价,确定对应用户实际的日负荷曲线。
所述的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,所述步骤2-1)中分别求两种聚类方法的△DBI指标的方法为:
当用户M与聚类中心曲线的差异越小时,△DBI指标越小,表明该对象为该类典型对象,以判别M用户曲线是否符合归类特征,△DBI指标计算公式如下:
其中,N表示典型用户个数,ΔDBI1、ΔDBI2分别为基于日用电量数据的△DBI指标和基于有功功率数据的△DBI指标,DBI1、DBI2分别为基于日用电量数据的DBI指标和基于有功功率数据的DBI指标,DBIN-1、DBIN分别用来衡量引入该用户前后的DBI指标,其计算公式如下:
其中,n表示聚类数目,R1i、R2i分别用来衡量引入用户M前后第i类与第j类的相似度,其计算公式如下:
其中,Cij为第i类中心与第j类中心的距离,其计算公式如下:
其中Cij为第i类中心与第j类中心的距离;Ci为第i类的中心;adi为第i类的中心点Ci的第d个属性的值;p取1时表示1-范数,p取2时表示2-范数,即两个类中心的欧式距离;
其中,S1i、S2i分别用来衡量引入用户M前后第i个类中数据点的分散程度,计算公式如下:
其中,X1l、X2l分别为引入该用户前后第i类中第l个数据点;Ci为第i典型行业的聚类中心;T1i、T2i分别为引入该用户前后第i类中数据点的个数;q取1时Si为各点到中心的距离的均值,q取2时Si为各点到中心的距离的标准差,均用来衡量类内分散程度。
所述的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,所述步骤2-2)中确定两种聚类方法的△DBI指标的方法具体为:
通过对比公式五所得基于日用电量数据的△DBI指标ΔDBI1和基于功率数据的△DBI指标ΔDBI2,以判别该用户准确分类;若ΔDBI1小于ΔDBI2,则说明该用户日用电量曲线更具有典型特征,即该用户的日用电量数据更能反映用户负荷实际情况;否则,则说明该用户有功功率曲线更具有典型特征,即该用户的有功功率数据更能反映用户负荷实际情况。
所述的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,所述步骤3)中优化该用户日用电量曲线和有功功率曲线的方法具体为:
1)若该用户的日用电量数据更能反映用户负荷实际情况,则以该用户的日用电量曲线为基准,对该用户的有功功率曲线数据进行修正,计算公式如下:
p”M=w'M
公式十
其中,p”M为经过修正处理后的用户M有功功率曲线;w'M为经过标幺化处理的用户M有功功率曲线
由公式十得到用户M有功功率曲线W”M=[w”M1,…,w”Mj,…,w”Mm]∈R1×m,从而得到修正M后用户有功功率曲线数据W”=[W'1,…,W'j,…,W”M,…,W'N]T∈RN×m;
2)若该用户的有功功率数据更能反映用户负荷实际情况,则以该用户的有功功率曲线为基准,对该用户的日用电量曲线数据进行修正:
其中,p'Mi为经过修正处理后的用户M有功功率曲线第i个数据点的值;w”Mi为经过标幺化处理的用户M有功功率曲线第i个数据点的值;
所述的一种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,所述步骤4)中包括以下步骤,
4-1)再次采用模糊C均值方法对修正M后用户有功功率曲线数据和修正M后用户日用电量曲线数据进行典型用电行业聚类,得到聚类中心矩阵,即n类行业日用电量最优聚类中心曲线和n类行业有功功率最优聚类中心曲线,典型用电行业分类个数2≤n≤N。
4-2)基于DBI指标评判两种聚类中心的优劣,确定最终的最优聚类中心矩阵,即n类行业日负荷最优聚类中心曲线。
所述的基于用户日用电量曲线的变电站负荷模型参数修正方法,所述步骤4-1)中获取n类行业日用电量最优聚类中心曲线和n类行业有功功率最优聚类中心曲线的方法具体为:
采用模糊C均值方法来迭代计算,以得到最优的隶属度和聚类中心,首先设定初始电量最优聚类中心矩阵CA'(0)=[CA1'(0),…,CAj'(0),…,CAn'(0)]T∈Rn×m和初始功率聚类中心矩阵CB'(0)=[CB1'(0),…,CBj'(0),…,CBn'(0)]T∈Rn×m,并作为n类典型用户的m点有功功率和日用电量标幺值的初始值;
通过下式得到隶属度矩阵:
当进行第b轮迭代时,变电站下属第k个用户基于日用电量的隶属度VAk'(b)=[vAk1'(b),…,vAkj'(b),…,vAkn'(b)]∈R1×n和变电站下属N个用户基于日用电量的隶属度矩阵VA'(b)=[VA1'(b),…,VAk'(b),…,VAN'(b)]∈RN×n;以及变电站下属第k个用户基于有功功率的隶属度VBk'(b)=[vBk1'(b),…,vBkj'(b),…,vBkn'(b)]∈R1×n和变电站下属N个用户基于有功功率的隶属度矩阵VB'(b)=[VB1'(b),…,VBk'(b),…,VBN'(b)]∈RN×n;
然后通过下式更新聚类中心:
从而得到第b+1轮迭代时n类典型用户的日用电量聚类中心矩阵CA'(b+1)=[CA1'(b+1),…,CAj'(b+1),…,CAn'(b+1)]T∈Rn×m和n类典型用户的有功功率聚类中心矩阵CB'(b+1)=[CB1'(b+1),…,CBj'(b+1),…,CBn'(b+1)]T∈Rn×m,直至||CA'(b+1)-CA'(b)||≤ε'或||CB'(b+1)-CB'(b)||≤ε',则分别停止迭代;
迭代完成后得到n类典型行业等效日用电量曲线CAn'=[CA1'(b),…,CAj'(b),…,CAm'(b)]∈R1×m,以及聚类中心矩阵CA'=[CA1',…,CAj',…,CAn']T∈Rn×m;n类典型行业等效有功功率曲线CBn'=[CB1'b,…,CBj'b,…,CBm'b]∈R1×m,以及聚类中心矩阵CB'=[CB1',…,CBj',…,CBn']T∈Rn×m。
所述的基于用户日用电量曲线的变电站负荷模型参数修正方法,所述步骤4-2)中获取n类行业日负荷最优聚类中心曲线的方法具体为:
DBI计算公式如下:
其中,n表示聚类数目,DBI1'、DBI2'分别为修正后基于日用电量数据的DBI指标和基于有功功率数据的DBI指标,R1i、R2i分别用来衡量修正后基于日用电量数据和有功功率数据各自第i类与第j类的相似度,其计算公式如下:
其中,Cij为第i类中心与第j类中心的距离,其计算公式如下:
其中Cij为第i类中心与第j类中心的距离;Ci为第i类的中心;adi为第i类的中心点Ci的第d个属性的值;p取1时表示1-范数,p取2时表示2-范数,即两个类中心的欧式距离;
其中,S1i、S2i分别用来衡量修正后基于日用电量数据和有功功率数据各自第i个类中数据点的分散程度,计算公式如下:
其中,X1l、X2l分别为引入新用户数据前后第i类中第l个数据点;Ci为第i典型行业的聚类中心;T1i、T2i分别为引入新用户数据前后第i类中数据点的个数;q取1时Si为各点到中心的距离的均值,q取2时Si为各点到中心的距离的标准差,均用来衡量类内分散程度;
通过对比公式八所得基于修正后日用电量曲线的DBI指标DBI1'和基于修正后有功功率曲线的DBI指标DBI2',评判两种聚类方法的优劣,即修正后两种判别方法得出的最优聚类中心曲线哪种能够更好的反映实际日负荷特性,若DBI1'小于DBI2',则说明修正后日用电量聚类中心曲线更能反映实际日负荷特性,即将修正后日用电量聚类中心曲线作为最优日负荷聚类中心曲线;否则,则说明修正后有功功率聚类中心曲线更能反映实际日负荷特性,即将修正后有功功率聚类中心曲线作为最优日负荷聚类中心曲线。
本发明的技术效果在于,对现有的基于用户有功功率曲线的典型用电行业聚类方法进行补充,引入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,对数据采集过程中可能存在的错误进行修正,从而建立更为准确的典型行业日负荷聚类中心曲线,有效解析各用户所属的典型行业类别,为后续计算变电站典型用电行业构成比例提供更为准确的数据支持,具有良好的应用前景。
附图说明
图1为本发明的方法总体思路框图。
图2为筛选归类不同用户流程图。
图3为修正曲线流程图。
图4为日负荷曲线运算框图。
具体实施方式
下面结合附图对本发明作进一步说明:
本实施例的总体思路框图如图1所示,包括以下步骤:
1)利用用电信息采集系统获取的典型用户日用电量数据和负控系统获取的典型用户有功功率数据,采用模糊C均值方法和原理,分别解析各用户所属典型行业类别,识别其中归类不同的用户;
2)结合1)得到的归类不同的用户,利用ΔDBI指标评价此类用户,确定此类用户的实际分类;
3)结合2)得到的用户实际分类,对典型用户日用电量数据和典型用户有功功率数据进行修正,得到更为准确的日用电量曲线和有功功率曲线。
4)结合3)得到的修正后的日用电量曲线和有功功率曲线,运用DBI指标确定典型用电行业聚类中心曲线。
如图2所示,所述步骤1)包括以下步骤:
1-1)选取变电站下属典型用户日用电量数据和与之对应的有功功率数据为原始数据样本,对数据组中的异常数据进行识别与修正,对修正后的数据进行标幺化处理;
1-2)采用模糊C均值方法对标幺化处理后的数据样本进行典型用电行业分类,得到聚类中心矩阵即n类用户日用电量聚类中心曲线和聚类中心矩阵即n类典型用户等效有功功率曲线,典型用电行业分类个数2≤n≤N;对两种典型用户分类方法进行对照,识别出其中归类不同的用户。
对于以上步骤进行相关解释如下:
所述步骤1-1)中对原始数据样本进行识别、修正与标幺化处理的方法具体为:
计算各曲线中各采样时刻点的变化率并与预设阈值比较,若超出阈值范围则视为异常数据;对异常数据进行进行修正,是首先判断负荷曲线的数据缺失量和异常量是否小于10%,若是,则先将异常量置为0即置为缺失量,再以一元三点抛物线插值算法对缺失量进行插值拟合,否则直接删除该条曲线。
取用户的日用电量最大值wkmax为基准值,根据公式一对原始数据样本进行标幺化处理。
w'ki=wki/wkmax
公式一
得到归一化的用户日用电量标幺值矩阵W'k=[w'k1,w'k2,...,w'ki,...,w'km]∈R1×m和变电站下属典型用户的日用电量标幺值矩阵W'=[W'1,W'2,...,W'k,...,W'N]T∈RN×m。
取用户的功率最大值pkmax为基准值,根据公式一对原始数据样本进行标幺化处理。
p'ki=pki/pkmax
公式二
得到归一化的用户有功功率标幺值矩阵Pk=[p'k1,p'k2,...,p'ki,...,p'km]∈R1×m和变电站下属典型用户的有功功率标幺值矩阵P'=[P'1,P'2,...,P'k,...,P'N]T∈RN×m。
所述步骤1-2)中识别出归类不同的用户M的方法,具体为:
设定初始电量聚类中心矩阵CA (0)=[CA1 (0),…,CAj (0),…,CAn (0)]T∈Rn×m和初始功率聚类中心矩阵CB (0)=[CB1 (0),…,CBj (0),…,CBn (0)]T∈Rn×m,为n类典型用户的m点有功功率和日用电量标幺值的初始值。
通过下式计算或更新隶属度矩阵:
得到第b轮迭代时,变电站下属第k个用户基于日用电量的隶属度VAk (b)=[vAk1 (b),…,vAkj (b),…,vAkn (b)]∈R1×n和变电站下属N个用户基于日用电量的隶属度矩阵VA (b)=[VA1 (b),…,VAk (b),…,VAN (b)]∈RN×n;以及变电站下属第k个用户基于有功功率的隶属度VBk (b)=[vBk1 (b),…,vBkj (b),…,vBkn (b)]∈R1×n和变电站下属N个用户基于有功功率的隶属度矩阵VB (b)=[VB1 (b),…,VBk (b),…,VBN (b)]∈RN×n;
通过下式更新聚类中心:
得到第b+1轮迭代后n类典型用户的日用电量聚类中心矩阵CA (b+1)=[CA1 (b+1),…,CAj (b+1),…,CAn (b+1)]T∈Rn×m和n类典型用户的有功功率聚类中心矩阵CB (b+1)=[CB1 (b+1),…,CBj (b+1),…,CBn (b+1)]T∈Rn×m,直至或则分别停止迭代。
得到n类典型行业等效日用电量曲线CAn=[CA1 (b),…,CAj (b),…,CAm (b)]∈R1×m,以及聚类中心矩阵CA=[CA1,…,CAj,…,CAn]T∈Rn×m;n类典型行业等效有功功率曲线CBn=[Cu1 b,…,Cuj b,…,Cum b]∈R1×m,以及聚类中心矩阵;CB=[CB1,…,CBj,…,CBn]T∈Rn×m
根据各个用户相对于各个类的隶属度大小,进行典型用户分类,综合得到典型用户所属类别,得到基于用户日用电量曲线的典型用户分类矩阵MA=[MA1,…,MAj,…,MAN]T∈RN×1和基于用户日用电量曲线的典型用户分类矩阵MB=[MB1,…,MBj,…,MBN]T∈RN×1,筛选出MA和MB中分类不同的用户M。如图3所示,所述步骤2)中,结合1)得到的用户日用电量聚类中心曲线,与变电站日用电量曲线构成映射关系,变电站典型用电行业构成比例的解析方法包括:
如图3所示,所述步骤2)包括以下步骤:
2-1)通过步骤1)得到的n类典型行业等效日用电量聚类中心矩阵和等效有功功率聚类中心矩阵,分别求两种聚类方法的△DBI指标。
2-2)通过步骤2-1)所得△DBI指标评价,确定对应用户实际的日用电量曲线有功功率曲线。
对于以上步骤进行相关解释如下:
所述步骤2-1)中求两种聚类方法的△DBI指标的方法具体为:
△DBI是反映单一对象M对该类影响程度的评价指标。用户M与聚类中心曲线的差异越小,△DBI指标越小,表明该对象为该类典型对象,使用该指标可用于判别M用户曲线是否符合归类特征,其计算公式如下:
其中,N表示典型用户个数,CDBI1、CDBI2分别为基于日用电量数据的△DBI指标和基于有功功率数据的△DBI指标,DBI1、DBI2分别为基于日用电量数据的DBI指标和基于有功功率数据的DBI指标,DBIN-1、DBIN分别用来衡量引入该用户前后的DBI指标,其计算公式如下:
其中,n表示聚类数目,R1i、R2i分别用来衡量引入用户M前后第i类与第j类的相似度,其计算公式如下:
其中,Cij为第i类中心与第j类中心的距离,其计算公式如下:
其中Cij为第i类中心与第j类中心的距离;Ci为第i类的中心;adi为第i类的中心点Ci的第d个属性的值;p取1时表示1-范数,p取2时表示2-范数(即两个类中心的欧式距离)。
其中,S1i、S2i分别用来衡量引入用户M前后第i个类中数据点的分散程度,计算公式如下:
其中,X1l、X2l分别为引入该用户前后第i类中第l个数据点;Ci为第i典型行业的聚类中心;T1i、T2i分别为引入该用户前后第i类中数据点的个数;q取1时Si为各点到中心的距离的均值,q取2时Si为各点到中心的距离的标准差,它们都可以用来衡量类内分散程度。
所述步骤2-2)中确定对应用户实际的日负荷曲线的方法具体为:
通过对比公式五所得基于日用电量数据的△DBI指标CDBI1和基于功率数据的△DBI指标CDBI2,可判别该用户准确分类。若CDBI1小于DBI2,则说明该用户日用电量曲线更具有典型特征,即该用户的日用电量数据更能反映用户负荷实际情况;否则,则说明该用户有功功率曲线更具有典型特征,即该用户的有功功率数据更能反映用户负荷实际情况。
所述步骤3)得到更为准确的日用电量曲线和有功功率曲线的方法具体为:
3)若该用户的日用电量数据更能反映用户负荷实际情况,则以该用户的日用电量曲线为基准,对该用户的有功功率曲线数据进行修正,计算公式如下:
p'M=w'M
公式十
其中,p”M为经过修正处理后的用户M有功功率曲线;w'M为经过标幺化处理的用户M有功功率曲线
由上式推导出用户M有功功率曲线W”M=[w”M1,…,w”Mj,…,w”Mm]∈R1×m,从而得到修正M后用户有功功率曲线数据W”=[W'1,…,W'j,…,W”M,…,W'N]T∈RN×m。
4)若该用户的有功功率数据更能反映用户负荷实际情况,则以该用户的有功功率曲线为基准,对该用户的日用电量曲线数据进行修正。
其中,p”M为经过修正处理后的用户M有功功率曲线;w'M为经过标幺化处理的用户M有功功率曲线。
由上式推导出用户M日用电量曲线P”M=[p”M1,…,p”Mj,…,p”Mm]∈R1×m,从而得到修正M后用户日用电量曲线数据P”=[P'1,…,P'j,…,P”M,…,P'N]T∈RN×m。
如图4所示,所述步骤4)包括以下步骤:
4-1)再次采用模糊C均值方法对修正M后用户有功功率曲线数据和修正M后用户日用电量曲线数据进行典型用电行业聚类,得到聚类中心矩阵,即n类行业日用电量最优聚类中心曲线和n类行业有功功率最优聚类中心曲线,典型用电行业分类个数2≤n≤N。
4-2)基于DBI评判两种聚类中心的优劣,确定最终的最优聚类中心矩阵,即n类行业日负荷最优聚类中心曲线。
对于以上步骤进行相关解释如下:
所述步骤4-1)中获得日用电量最优聚类中心曲线和有功功率最优聚类中心曲线的方法具体为:
设定初始电量最优聚类中心矩阵CA'(0)=[CA1'(0),…,CAj'(0),…,CAn'(0)]T∈Rn×m和初始功率聚类中心矩阵CB'(0)=[CB1'(0),…,CBj'(0),…,CBn'(0)]T∈Rn×m,为n类典型用户的m点有功功率和日用电量标幺值的初始值。
通过下式计算或更新隶属度矩阵:
得到第b轮迭代时,变电站下属第k个用户基于日用电量的隶属度VAk'(b)=[vAk1'(b),…,vAkj'(b),…,vAkn'(b)]∈R1×n和变电站下属N个用户基于日用电量的隶属度矩阵VA'(b)=[VA1'(b),…,VAk'(b),…,VAN'(b)]∈RN×n;以及变电站下属第k个用户基于有功功率的隶属度VBk'(b)=[vBk1'(b),…,vBkj'(b),…,vBkn'(b)]∈R1×n和变电站下属N个用户基于有功功率的隶属度矩阵VB'(b)=[VB1'(b),…,VBk'(b),…,VBN'(b)]∈RN×n;
通过下式更新聚类中心:
得到第b+1轮迭代后n类典型用户的日用电量聚类中心矩阵CA'(b+1)=[CA1'(b+1),…,CAj'(b+1),…,CAn'(b+1)]T∈Rn×m和n类典型用户的有功功率聚类中心矩阵CB'(b+1)=[CB1'(b+1),…,CBj'(b+1),…,CBn'(b+1)]T∈Rn×m,直至||CA'(b+1)-CA'(b)||≤ε'或||CB'(b+1)-CB'(b)||≤ε',则分别停止迭代。
得到n类典型行业等效日用电量曲线CAn'=[CA1'(b),…,CAj'(b),…,CAm'(b)]∈R1×m,以及聚类中心矩阵CA'=[CA1',…,CAj',…,CAn']T∈Rn×m;n类典型行业等效有功功率曲线CBn'=[CB1'b,…,CBj'b,…,CBm'b]∈R1×m,以及聚类中心矩阵CB'=[CB1',…,CBj',…,CBn']T∈Rn×m;
所述步骤4-2)中n类行业日负荷最优聚类中心曲线的方法具体为:
DBI是类内距离之和与类外距离的比值。类内对象距离越小,类间距离越大,DBI指标也越小,聚类效果越好。该指标用于评价聚类质量,使用该指标可用于判别新用户典型程度,即新用户的引入是否能够优化典型负荷数据库。其计算公式如下:
其中,n表示聚类数目,DBI1'、DBI2'分别为修正后基于日用电量数据的DBI指标和基于有功功率数据的DBI指标,R1i、R2i分别用来衡量修正后基于日用电量数据和有功功率数据各自第i类与第j类的相似度,其计算公式如下:
其中,Cij为第i类中心与第j类中心的距离,其计算公式如下:
其中Cij为第i类中心与第j类中心的距离;Ci为第i类的中心;adi为第i类的中心点Ci的第d个属性的值;p取1时表示1-范数,p取2时表示2-范数(即两个类中心的欧式距离)。
其中,S1i、S2i分别用来衡量修正后基于日用电量数据和有功功率数据各自第i个类中数据点的分散程度,计算公式如下:
其中,X1l、X2l分别为引入新用户数据前后第i类中第l个数据点;Ci为第i典型行业的聚类中心;T1i、T2i分别为引入新用户数据前后第i类中数据点的个数;q取1时Si为各点到中心的距离的均值,q取2时Si为各点到中心的距离的标准差,它们都可以用来衡量类内分散程度。
通过对比公式八所得基于修正后日用电量曲线的DBI指标DBI1'和基于修正后有功功率曲线的DBI指标DBI2',可评判两种聚类方法的优劣,即修正后两种判别方法得出的最优聚类中心曲线哪种能够更好的反映实际日负荷特性。若DBI1'小于DBI2',则说明修正后日用电量聚类中心曲线更能反映实际日负荷特性,即将修正后日用电量聚类中心曲线作为最优日负荷聚类中心曲线;否则,则说明修正后有功功率聚类中心曲线更能反映实际日负荷特性,即将修正后有功功率聚类中心曲线作为最优日负荷聚类中心曲线。
本发明采用的数据来源于湖南省电网公司在线实时负荷建模平台SQL2012数据库,并对其中日负荷曲线和有功功率曲线进行预处理之后,采用模糊C均值方法对标幺化处理后的数据样本进行典型用电行业分类,筛选出两种聚类方法归类不同的用户M;利用ΔDBI指标确定此类用户实际分类,并对各自日负荷曲线和有功功率曲线进行修正;接着再次采样模糊C均值方法得到两种方法的聚类中心曲线;最后运用DBI指标确定典型用电行业最优聚类中心曲线。从而建立更为准确的典型行业日负荷聚类中心曲线,有效解析各用户所属的典型行业类别,为后续计算变电站典型用电行业构成比例提供更为准确的数据支持。
Claims (11)
1.一种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,其特性在于,包括以下步骤:
1)获取典型用户日用电量数据和与之对应的有功功率数据,利用两种数据分别解析各用户所属典型行业类别并进行对比,识别出根据两种数据分别被归于不同归类的同一用户;
2)对不同归类的同一用户,利用ΔDBI指标进行评价,确定用户的实际分类;
3)根据用户实际分类,对典型用户日用电量数据和典型用户有功功率数据进行修正,得到更为准确的日用电量曲线和有功功率曲线。
4)结合3)得到的修正后的日用电量曲线和有功功率曲线,运用DBI指标确定典型用电行业最优聚类中心曲线。
2.根据权利要求1所述的一种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,其特性在于,所述步骤1)中包括以下步骤,
1-1)选取典型用户日用电量数据和与之对应的有功功率数据为原始数据样本,然后对原始数据样本进行预处理,包括对数据组中的异常数据进行识别与修正,再对修正后的数据进行标幺化处理;
1-2)采用模糊C均值方法对标幺化处理后的数据样本进行典型用电行业分类,分别得到日用电量聚类中心矩阵即n类用户日用电量聚类中心曲线和有功功率聚类中心矩阵即n类典型用户等效有功功率曲线,典型用电行业分类个数2≤n≤N,其中N为所选典型用户的数量;对两个聚类中心矩阵进行对照,识别出其中同一用户但归类不同的情况。
3.根据权利要求1所述的一种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,其特性在于,所述步骤1-1)中,对数据进行预处理包括:
计算各曲线中各采样时刻点的变化率并与预设阈值比较,若超出阈值范围则视为异常数据;对异常数据进行进行修正,是首先判断负荷曲线的数据缺失量和异常量是否小于10%,若是,则先将异常量置为0即置为缺失量,再以一元三点抛物线插值算法对缺失量进行插值拟合,否则直接删除该条曲线;
进行标幺化处理包括:取用户的日用电量最大值wkmax为基准值,根据公式一对原始数据样本进行标幺化处理,其中wki为经异常数据处理后的日用电量数据,w'ki为经标幺化后的日用电量数据;
w'ki=wki/wkmax
公式一
得到归一化的用户日用电量标幺值矩阵W'k=[w'k1,w'k2,…,w'ki,…,w'km]∈R1×m和变电站下属典型用户的日用电量标幺值矩阵W'=[W'1,W'2,...,W'k,...,W'N]T∈RN×m;其中R为实数,m为每条日用电量曲线的数据点个数,N为所选典型用户的数量;
取用户的功率最大值pkmax为基准值,根据公式一对原始数据样本进行标幺化处理,其中pki为经异常数据处理后的日用电量数据,p'ki为经标幺化后的日用电量数据:
p'ki=pki/pkmax
公式二
得到归一化的用户有功功率标幺值矩阵Pk=[p'k1,p'k2,...,p'ki,...,p'km]∈R1×m和变电站下属典型用户的有功功率标幺值矩阵P'=[P'1,P'2,...,P'k,...,P'N]T∈RN×m。
4.根据权利要求3所述的一种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,其特性在于,所述步骤1-2)中典型用电行业分类包括以下步骤:
采用模糊C均值方法来迭代计算,以得到最优的隶属度和聚类中心,首先设定初始电量聚类中心矩阵CA (0)=[CA1 (0),…,CAj (0),…,CAn (0)]T∈Rn×m和初始功率聚类中心矩阵CB (0)=[CB1 (0),…,CBj (0),…,CBn (0)]T∈Rn×m,并作为n类典型用户的m点有功功率和日用电量标幺值的初始值;
通过下式得到隶属度矩阵:
当进行第b轮迭代时,得到变电站下属第k个用户基于日用电量的隶属度VAk (b)=[vAk1 (b),…,vAkj (b),…,vAkn (b)]∈R1×n和变电站下属N个用户基于日用电量的隶属度矩阵VA (b)=[VA1 (b),…,VAk (b),…,VAN (b)]∈RN×n;以及变电站下属第k个用户基于有功功率的隶属度VBk (b)=[vBk1 (b),…,vBkj (b),…,vBkn (b)]∈R1×n和变电站下属N个用户基于有功功率的隶属度矩阵VB (b)=[VB1 (b),…,VBk (b),…,VBN (b)]∈RN×n;
然后通过下式更新聚类中心:
从而得到第b+1轮迭代时n类典型用户的日用电量聚类中心矩阵CA (b+1)=[CA1 (b+1),…,CAj (b+1),…,CAn (b+1)]T∈Rn×m和n类典型用户的有功功率聚类中心矩阵CB (b+1)=[CB1 (b+1),…,CBj (b+1),…,CBn (b+1)]T∈Rn×m,返回公式三循环迭代,直至或则分别停止迭代,其中ε’为判定迭代收敛的允许误差范围;
迭代完成后得到n类典型行业等效日用电量曲线CAn=[CA1 (b),…,CAj (b),…,CAm (b)]∈R1 ×m,以及聚类中心矩阵CA=[CA1,…,CAj,…,CAn]T∈Rn×m;n类典型行业等效有功功率曲线CBn=[Cu1 b,…,Cuj b,…,Cum b]∈R1×m,以及聚类中心矩阵CB=[CB1,…,CBj,…,CBn]T∈Rn×m;
分别根据日用电量曲线和等效有功功率中得到的各个用户相对于各个类的隶属度大小,将用户归类为对应隶属度最大的类别,得到基于用户日用电量曲线的典型用户分类矩阵MA=[MA1,…,MAj,…,MAN]T∈RN×1和基于用户等效有功功率曲线的典型用户分类矩阵MB=[MB1,…,MBj,…,MBN]T∈RN×1,并筛选出MA和MB中分类不同的用户M。
5.根据权利要求1所述的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,其特征在于,所述步骤2)中确定用归类不同用户的实际分类,其步骤包括:
2-1)通过步骤1)得到的n类典型行业等效日用电量聚类中心矩阵和等效有功功率聚类中心矩阵,分别求两种聚类方法的△DBI指标;
2-2)通过步骤2-1)所得△DBI指标评价,确定对应用户实际的日负荷曲线。
6.根据权利要求5所述的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,其特征在于,所述步骤2-1)中分别求两种聚类方法的△DBI指标的方法为:
当用户M与聚类中心曲线的差异越小时,△DBI指标越小,表明该对象为该类典型对象,以判别M用户曲线是否符合归类特征,△DBI指标计算公式如下:
其中,N表示典型用户个数,ΔDBI1、ΔDBI2分别为基于日用电量数据的△DBI指标和基于有功功率数据的△DBI指标,DBI1、DBI2分别为基于日用电量数据的DBI指标和基于有功功率数据的DBI指标,DBIN-1、DBIN分别用来衡量引入该用户前后的DBI指标,其计算公式如下:
其中,n表示聚类数目,R1i、R2i分别用来衡量引入用户M前后第i类与第j类的相似度,其计算公式如下:
其中,Cij为第i类中心与第j类中心的距离,其计算公式如下:
其中Cij为第i类中心与第j类中心的距离;Ci为第i类的中心;adi为第i类的中心点Ci的第d个属性的值;p取1时表示1-范数,p取2时表示2-范数,即两个类中心的欧式距离;
其中,S1i、S2i分别用来衡量引入用户M前后第i个类中数据点的分散程度,计算公式如下:
其中,X1l、X2l分别为引入该用户前后第i类中第l个数据点;Ci为第i典型行业的聚类中心;T1i、T2i分别为引入该用户前后第i类中数据点的个数;q取1时Si为各点到中心的距离的均值,q取2时Si为各点到中心的距离的标准差,均用来衡量类内分散程度。
7.根据权利要求1所述的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,其特征在于,所述步骤2-2)中确定两种聚类方法的△DBI指标的方法具体为:
通过对比公式五所得基于日用电量数据的△DBI指标ΔDBI1和基于功率数据的△DBI指标ΔDBI2,以判别该用户准确分类;若ΔDBI1小于ΔDBI2,则说明该用户日用电量曲线更具有典型特征,即该用户的日用电量数据更能反映用户负荷实际情况;否则,则说明该用户有功功率曲线更具有典型特征,即该用户的有功功率数据更能反映用户负荷实际情况。
8.根据权利要求1所述的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,其特征在于,所述步骤3)中优化该用户日用电量曲线和有功功率曲线的方法具体为:
1)若该用户的日用电量数据更能反映用户负荷实际情况,则以该用户的日用电量曲线为基准,对该用户的有功功率曲线数据进行修正,计算公式如下:
p”M=w'M
公式十
其中,p”M为经过修正处理后的用户M有功功率曲线;w'M为经过标幺化处理的用户M有功功率曲线
由公式十得到用户M有功功率曲线W”M=[w”M1,…,w”Mj,…,w”Mm]∈R1×m,从而得到修正M后用户有功功率曲线数据W”=[W'1,…,W'j,…,W”M,…,W'N]T∈RN×m;
2)若该用户的有功功率数据更能反映用户负荷实际情况,则以该用户的有功功率曲线为基准,对该用户的日用电量曲线数据进行修正:
其中,p'Mi为经过修正处理后的用户M有功功率曲线第i个数据点的值;w”Mi为经过标幺化处理的用户M有功功率曲线第i个数据点的值;
9.根据权利要求1所述的一种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,其特征在于,所述步骤4)中包括以下步骤,
4-1)再次采用模糊C均值方法对修正M后用户有功功率曲线数据和修正M后用户日用电量曲线数据进行典型用电行业聚类,得到聚类中心矩阵,即n类行业日用电量最优聚类中心曲线和n类行业有功功率最优聚类中心曲线,典型用电行业分类个数2≤n≤N。
4-2)基于DBI指标评判两种聚类中心的优劣,确定最终的最优聚类中心矩阵,即n类行业日负荷最优聚类中心曲线。
10.根据权利要求9所述的基于用户日用电量曲线的变电站负荷模型参数修正方法,其特征在于,所述步骤4-1)中获取n类行业日用电量最优聚类中心曲线和n类行业有功功率最优聚类中心曲线的方法具体为:
采用模糊C均值方法来迭代计算,以得到最优的隶属度和聚类中心,首先设定初始电量最优聚类中心矩阵CA'(0)=[CA1'(0),…,CAj'(0),…,CAn'(0)]T∈Rn×m和初始功率聚类中心矩阵CB'(0)=[CB1'(0),…,CBj'(0),…,CBn'(0)]T∈Rn×m,并作为n类典型用户的m点有功功率和日用电量标幺值的初始值;
通过下式得到隶属度矩阵:
当进行第b轮迭代时,变电站下属第k个用户基于日用电量的隶属度VAk'(b)=[vAk1'(b),…,vAkj'(b),…,vAkn'(b)]∈R1×n和变电站下属N个用户基于日用电量的隶属度矩阵VA'(b)=[VA1'(b),…,VAk'(b),…,VAN'(b)]∈RN×n;以及变电站下属第k个用户基于有功功率的隶属度VBk'(b)=[vBk1'(b),…,vBkj'(b),…,vBkn'(b)]∈R1×n和变电站下属N个用户基于有功功率的隶属度矩阵VB'(b)=[VB1'(b),…,VBk'(b),…,VBN'(b)]∈RN×n;
然后通过下式更新聚类中心:
从而得到第b+1轮迭代时n类典型用户的日用电量聚类中心矩阵CA'(b+1)=[CA1'(b+1),…,CAj'(b+1),…,CAn'(b+1)]T∈Rn×m和n类典型用户的有功功率聚类中心矩阵CB'(b+1)=[CB1'(b+1),…,CBj'(b+1),…,CBn'(b+1)]T∈Rn×m,直至||CA'(b+1)-CA'(b)||≤ε'或||CB'(b+1)-CB'(b)||≤ε',则分别停止迭代;
迭代完成后得到n类典型行业等效日用电量曲线CAn'=[CA1'(b),…,CAj'(b),…,CAm'(b)]∈R1×m,以及聚类中心矩阵CA'=[CA1',…,CAj',…,CAn']T∈Rn×m;n类典型行业等效有功功率曲线CBn'=[CB1'b,…,CBj'b,…,CBm'b]∈R1×m,以及聚类中心矩阵CB'=[CB1',…,CBj',…,CBn']T∈Rn×m。
11.根据权利要求10所述的基于用户日用电量曲线的变电站负荷模型参数修正方法,其特征在于,所述步骤4-2)中获取n类行业日负荷最优聚类中心曲线的方法具体为:
DBI计算公式如下:
其中,n表示聚类数目,DBI1'、DBI2'分别为修正后基于日用电量数据的DBI指标和基于有功功率数据的DBI指标,R1i、R2i分别用来衡量修正后基于日用电量数据和有功功率数据各自第i类与第j类的相似度,其计算公式如下:
其中,Cij为第i类中心与第j类中心的距离,其计算公式如下:
其中Cij为第i类中心与第j类中心的距离;Ci为第i类的中心;adi为第i类的中心点Ci的第d个属性的值;p取1时表示1-范数,p取2时表示2-范数,即两个类中心的欧式距离;
其中,S1i、S2i分别用来衡量修正后基于日用电量数据和有功功率数据各自第i个类中数据点的分散程度,计算公式如下:
其中,X1l、X2l分别为引入新用户数据前后第i类中第l个数据点;Ci为第i典型行业的聚类中心;T1i、T2i分别为引入新用户数据前后第i类中数据点的个数;q取1时Si为各点到中心的距离的均值,q取2时Si为各点到中心的距离的标准差,均用来衡量类内分散程度;
通过对比公式八所得基于修正后日用电量曲线的DBI指标DBI1'和基于修正后有功功率曲线的DBI指标DBI2',评判两种聚类方法的优劣,即修正后两种判别方法得出的最优聚类中心曲线哪种能够更好的反映实际日负荷特性,若DBI1'小于DBI2',则说明修正后日用电量聚类中心曲线更能反映实际日负荷特性,即将修正后日用电量聚类中心曲线作为最优日负荷聚类中心曲线;否则,则说明修正后有功功率聚类中心曲线更能反映实际日负荷特性,即将修正后有功功率聚类中心曲线作为最优日负荷聚类中心曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010487016.5A CN111539657B (zh) | 2020-05-30 | 2020-05-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010487016.5A CN111539657B (zh) | 2020-05-30 | 2020-05-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539657A true CN111539657A (zh) | 2020-08-14 |
CN111539657B CN111539657B (zh) | 2023-11-24 |
Family
ID=71978085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010487016.5A Active CN111539657B (zh) | 2020-05-30 | 2020-05-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539657B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288598A (zh) * | 2020-12-24 | 2021-01-29 | 中国电力科学研究院有限公司 | 一种确定变电站的负荷元件的构成的方法和系统 |
CN112862626A (zh) * | 2021-01-12 | 2021-05-28 | 合肥阳光智维科技有限公司 | 一种光伏组串遮挡判断方法及系统 |
CN113642645A (zh) * | 2021-08-13 | 2021-11-12 | 云南电网有限责任公司电力科学研究院 | 基于模糊c均值与豪斯多夫距离的低压用户相别识别方法 |
CN113673168A (zh) * | 2021-08-27 | 2021-11-19 | 广东电网有限责任公司广州供电局 | 模型参数修正方法、装置、设备及可读存储介质 |
CN118194074A (zh) * | 2024-05-20 | 2024-06-14 | 南京邮电大学 | 一种基于改进粗糙C-means的负荷曲线聚类方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009213328A (ja) * | 2008-03-06 | 2009-09-17 | Kansai Electric Power Co Inc:The | 電力系統シミュレータにおける負荷曲線モデルの生成方法 |
JP2012205432A (ja) * | 2011-03-25 | 2012-10-22 | Tokyo Electric Power Co Inc:The | 変圧器の負荷推定方法および負荷推定システム |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
CN108492043A (zh) * | 2018-03-29 | 2018-09-04 | 南京财经大学 | 一种基于聚类算法的电力用户负荷测算方法 |
CN109359389A (zh) * | 2018-10-18 | 2019-02-19 | 东北大学 | 基于典型负荷动态博弈的城市电动汽车充电决策方法 |
CN109871860A (zh) * | 2018-11-02 | 2019-06-11 | 湖南大学 | 一种基于核主成分分析的日负荷曲线降维聚类方法 |
CN110223196A (zh) * | 2019-06-04 | 2019-09-10 | 国网浙江省电力有限公司电力科学研究院 | 基于典型行业特征库和反窃电样本库的反窃电分析方法 |
CN110866841A (zh) * | 2019-11-20 | 2020-03-06 | 江苏方天电力技术有限公司 | 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 |
CN110955811A (zh) * | 2019-09-12 | 2020-04-03 | 国网浙江省电力有限公司杭州供电公司 | 基于朴素贝叶斯算法的电力数据分类方法及系统 |
CN111144468A (zh) * | 2019-12-19 | 2020-05-12 | 国网冀北电力有限公司信息通信分公司 | 电力用户信息标签化方法和装置、电子设备以及存储介质 |
CN111199016A (zh) * | 2019-09-29 | 2020-05-26 | 国网湖南省电力有限公司 | 一种基于DTW的改进K-means的日负荷曲线聚类方法 |
-
2020
- 2020-05-30 CN CN202010487016.5A patent/CN111539657B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009213328A (ja) * | 2008-03-06 | 2009-09-17 | Kansai Electric Power Co Inc:The | 電力系統シミュレータにおける負荷曲線モデルの生成方法 |
JP2012205432A (ja) * | 2011-03-25 | 2012-10-22 | Tokyo Electric Power Co Inc:The | 変圧器の負荷推定方法および負荷推定システム |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
CN108492043A (zh) * | 2018-03-29 | 2018-09-04 | 南京财经大学 | 一种基于聚类算法的电力用户负荷测算方法 |
CN109359389A (zh) * | 2018-10-18 | 2019-02-19 | 东北大学 | 基于典型负荷动态博弈的城市电动汽车充电决策方法 |
CN109871860A (zh) * | 2018-11-02 | 2019-06-11 | 湖南大学 | 一种基于核主成分分析的日负荷曲线降维聚类方法 |
CN110223196A (zh) * | 2019-06-04 | 2019-09-10 | 国网浙江省电力有限公司电力科学研究院 | 基于典型行业特征库和反窃电样本库的反窃电分析方法 |
CN110955811A (zh) * | 2019-09-12 | 2020-04-03 | 国网浙江省电力有限公司杭州供电公司 | 基于朴素贝叶斯算法的电力数据分类方法及系统 |
CN111199016A (zh) * | 2019-09-29 | 2020-05-26 | 国网湖南省电力有限公司 | 一种基于DTW的改进K-means的日负荷曲线聚类方法 |
CN110866841A (zh) * | 2019-11-20 | 2020-03-06 | 江苏方天电力技术有限公司 | 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 |
CN111144468A (zh) * | 2019-12-19 | 2020-05-12 | 国网冀北电力有限公司信息通信分公司 | 电力用户信息标签化方法和装置、电子设备以及存储介质 |
Non-Patent Citations (4)
Title |
---|
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》", vol. 35, no. 16, pages 86 - 90 * |
朱琳: "《基于功率和电量信息的在线统计综合负荷建模方法与应用》", no. 5 * |
李培强等: "《统计综合法负荷建模中的行业用户精选》", vol. 29, no. 14, pages 34 - 38 * |
李欣然等: "《基于用户日负荷曲线的用电行业分类与综合方法 李》", vol. 34, no. 10, pages 56 - 61 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288598A (zh) * | 2020-12-24 | 2021-01-29 | 中国电力科学研究院有限公司 | 一种确定变电站的负荷元件的构成的方法和系统 |
CN112862626A (zh) * | 2021-01-12 | 2021-05-28 | 合肥阳光智维科技有限公司 | 一种光伏组串遮挡判断方法及系统 |
CN112862626B (zh) * | 2021-01-12 | 2024-04-09 | 阳光智维科技股份有限公司 | 一种光伏组串遮挡判断方法及系统 |
CN113642645A (zh) * | 2021-08-13 | 2021-11-12 | 云南电网有限责任公司电力科学研究院 | 基于模糊c均值与豪斯多夫距离的低压用户相别识别方法 |
CN113642645B (zh) * | 2021-08-13 | 2023-01-24 | 云南电网有限责任公司电力科学研究院 | 基于模糊c均值与豪斯多夫距离的低压用户相别识别方法 |
CN113673168A (zh) * | 2021-08-27 | 2021-11-19 | 广东电网有限责任公司广州供电局 | 模型参数修正方法、装置、设备及可读存储介质 |
CN113673168B (zh) * | 2021-08-27 | 2024-05-31 | 广东电网有限责任公司广州供电局 | 模型参数修正方法、装置、设备及可读存储介质 |
CN118194074A (zh) * | 2024-05-20 | 2024-06-14 | 南京邮电大学 | 一种基于改进粗糙C-means的负荷曲线聚类方法 |
CN118194074B (zh) * | 2024-05-20 | 2024-09-10 | 南京邮电大学 | 一种基于改进粗糙C-means的负荷曲线聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111539657B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539657B (zh) | 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 | |
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
CN109461025B (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN105719048A (zh) | 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN103049651A (zh) | 一种用于电力负荷聚类的方法及装置 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN107491783B (zh) | 基于改进密度峰值聚类算法的变压器故障类型分类方法 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN113393028A (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
CN111339167A (zh) | 基于K-means和主成分线性回归的台区线损率影响因素分析方法 | |
CN112070121A (zh) | 一种基于变分自编码器的智能电表数据填补方法 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
CN114266304B (zh) | 一种牵引供电系统电能质量分类管理的PCA—Kmeans聚类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |