CN111612650B - 一种基于dtw距离的电力用户分群方法及系统 - Google Patents
一种基于dtw距离的电力用户分群方法及系统 Download PDFInfo
- Publication number
- CN111612650B CN111612650B CN202010458531.0A CN202010458531A CN111612650B CN 111612650 B CN111612650 B CN 111612650B CN 202010458531 A CN202010458531 A CN 202010458531A CN 111612650 B CN111612650 B CN 111612650B
- Authority
- CN
- China
- Prior art keywords
- user
- power
- power quality
- data
- matrix
- 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.)
- Active
Links
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种基于DTW距离和近邻传播聚类算法的电力用户分群方法及系统,包括步骤:采集电能质量监测数据和用户有功功率数据,构造表征时间序列变化规律的特征矩阵;计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度;以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类;向具有不同电能质量特征的用户提供对应的不同电能质量的电能。本发明实现了基于电能质量方面的用户特性分类,为用户精益化电能质量服务提供了技术支撑。
Description
技术领域
本发明涉及电力系统及电能监测技术领域,特别是一种基于DTW距离和近邻传播聚类算法的电力用户分群方法及系统。
背景技术
随着电力技术的发展和用户对电能质量要求的提高,电力企业更加注重为电力用户提供差异化、个性化的电能质量服务,提高供用电质量已经成为保证电力供需系统安全稳定运行的先决条件。倘若电力部门仅仅将电能传输给用户,而不考虑其对电能质量的需求,劣质电能将带来一系列安全隐患和社会影响。
当前电网存在数据未有效贯通、人工录入问题普遍存在、客户参与度和满意度有待提升等问题。传统的用户特征刻画方法难以应对日益增长的个性化、精准化客户服务体验要求。因此,有必要整合多源信息以提取用户的电能质量特征,进行电力用户的电能质量分群,实现以用户为导向的精益化电能质量服务,以满足电力用户日益多样化的需求,并保证不同用户用电的安全问题。
目前电力用户的分类研究缺乏考虑用户在电能质量方面的特征,采用的数据类型单一,未能提取用户在电能质量方面相关的数据信息,限制了电力用户分类在电网电能质量方面的应用。
发明内容
有鉴于此,本发明的目的是提出一种基于DTW距离和近邻传播聚类算法的电力用户分群方法及系统,实现了基于电能质量方面的用户特性分类,为用户精益化电能质量服务提供了技术支撑。
本发明采用以下方案实现:一种基于DTW距离和近邻传播聚类算法的电力用户分群方法,具体包括以下步骤:
采集电能质量监测数据和用户有功功率数据,构造表征时间序列变化规律的特征矩阵;
计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度;
以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类;
向具有不同电能质量特征的用户提供对应的不同电能质量的电能。
进一步地,所述采集电能质量监测数据和用户有功功率数据具体为:
获取分析时段t1~tn内10kV母线处电能质量监测终端的监测数据序列,记为X={(x1,t1),(x2,t2),…,(xi,ti),…,(xn,tn)};其中,(xi,ti)为电能质量指标x在时刻ti的监测数据xi,1≤i≤n,n为电能质量监测终端采集的时段总数;电能质量指标包括谐波电压含有率、电压偏差、负序电压不平衡度在内的指标;由于采样相邻时间间隔一致,将电能质量监测终端的监测数据序列简记为X=[x1,x2,…xn];
获取用电采集系统的平均有功功率数据作为描述各个用户用电行为的信息,令同一时段内用户的平均有功功率序列矩阵形式分别为:P1=[p11,p12,…,p1η]、P2=[p21,p22,…,p2η]、…、Pm=[pm1,pm2,…,pmη];其中,m为母线所连接的用户个数,pij为第i个用户在时刻tj的有功功率数据,1≤i≤m,1≤j≤η,η为用电采集系统采集的时段总数;所有时间序列起止时间点对齐。
进一步地,所述构造表征时间序列变化规律的特征矩阵具体为:
将采集到的电能质量监测数据和用户有功功率数据进行标准化处理,转化为无单位的z-score分值,转化后的电能质量监测数据和用户有功功率数据的序列矩阵形式分别记为X′=[x′1,x′2,…,x′n],P′k=[p′k1,p′k2,…,p′kη],1≤k≤m,m为母线上的用户数量,n为电能质量监测终端采集的时段总数,η为用电采集系统采集的时段总数,由于监测数据与用采数据的采样周期不同,在同一分析时段内,η不等于n;
将标准化处理后的序列进行分段线性处理,将原始序列分割成不重叠的子序列,每个子序列由转折点数据以及相应的时间跨度组成,分别得到电能质量监测数据和用户有功功率数据的新序列与其中表示电能质量监测数据的第i个子序列的趋势转折点,M为电能质量监测数据序列对应的趋势转折点的个数,为用户有功功率数据的第i个子序列,M′k为第k个用户有功功率数据序列对应的趋势转折点的个数;li为电能质量监测数据的第i个子序列的时间跨度或第k个用户有功功率数据的第i个子序列的时间跨度;
分别对序列X″和P″k中各元素进行求解,得到表征趋势特征的时间序列夹角,结合表征时间特征的子序列时间跨度,得到特征序列形式为{(α1,l1),(α2,l2),…,(αM,lM)},其中αi为某个时序中第i个趋势转折点处相应的夹角,li为第i个子序列的时间跨度,对应的记电能质量监测数据的特征矩阵为L=[(α1,l1),(α2,l2),…,(αM,lM)],第k个用户的有功功率数据的特征矩阵为Tk=[(αk1,l1),(αk2,l2),…,(αkM′,lkM′)];其中,第i个趋势转折点处相应的夹角αi为第i个趋势转折点与第i-1个趋势转折点、第i+1个趋势转折点的连线的夹角。
进一步地,所述计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度具体为:
令D(i,j)表示电能质量监测数据的特征矩阵L中第i个特征组(αi,li)与第k个用户的有功功率数据的特征矩阵Tk中第j个特征组(αkj,lkj)之间的欧氏距离,记特征距离矩阵为S,并初始设置S[1,1]=D(1,1);根据DTW算法,利用下式计算,直至直至i=M且j=M′k:
依次计算m个用户特征矩阵Tk与电能质量监测数据特征矩阵L之间的距离,S[M,M′k]代表各个用户与电能质量监测数据在趋势特征和时间特征上的整体相似度,距离值越小,则相似度越高;
将S[M,M′1]、S[M,M′2]、…、S[M,M′m]共m个数值两两作差并取负值存入相似度差值矩阵SΔ;考虑不同的两个用户i和j,SΔ[i,j]越大,即S[M,M′i]与S[M,M′j]的差值越接近,认为用户i与用户j对于监测数据的相似程度一致性越高,也就代表两者具有较为相似的电能质量特征。
进一步地,所述以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类具体为:
步骤1:零初始化吸引度矩阵R和归属度矩阵A;
步骤2:按下式迭代、更新吸引度矩阵R中的元素r:
式中,at(i,j)是归属度矩阵A中的元素,表示第j个用户适合作为用户i的聚类中心的适应度大小,值越大则两者越可能为同一类;rt(i,j)表示用户i支持第j个用户为聚类中心的支持度大小,其值越大,用户j成为聚类中心的可能性越大;
步骤3:利用步骤2中得到的新值进一步迭代、更新归属度矩阵A中的元素a,计算公式如下:
步骤4:根据衰减系数λ按下式进行计算:
步骤5:重复步骤S2至步骤S4,直至吸引度矩阵和归属度矩阵稳定或达到最大迭代次数,并取at+1(i,k)+rt+1(i,k)最大时对应的k作为聚类中心,并由此确定最优聚类类别,实现电力用户的电能质量特征分群。
本发明还提供了一种基于DTW距离和近邻传播聚类算法的电力用户分群系统,包括采集模块、处理模块、存储模块以及供电模块;
所述采集模块采集电能质量监测数据和用户有功功率数据,并将采集到的数据传输至处理模块;
所述存储模块中存储有能够被处理模块运行的计算机指令,当处理器运行该计算机指令时,完成以下步骤:构造表征时间序列变化规律的特征矩阵;计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度;以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类;
所述处理器根据分类结果控制供电模块向具有不同电能质量特征的用户提供对应的不同电能质量的电能。
与现有技术相比,本发明有以下有益效果:本发明利用实际用电信息采集系统的用户用电数据,融合电能质量监测系统检测到的数据,分析用户在电能质量方面的特性,构造了表征时间序列变化规律的特征矩阵,在此基础上,通过动态规划原理的时间序列相似度计算方法,量化了用户特征与电能质量特征的关联程度。并利用这种关联程度作为电力用户分类依据,进行聚类计算,将具有相似关联程度的用户归为同一类。该电力用户分群方法不需要添加额外测试设备进行专门测试,能有效利用电网现有数据。基于以上方法,实现了时序规律特征的刻画以及基于电能质量方面的用户特性分类,实现了为用户提供精益化的电能质量服务。
附图说明
图1为本发明实施例的方法原理示意图。
图2为本发明实施例的时间序列夹角示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于DTW距离和近邻传播聚类算法的电力用户分群方法,具体包括以下步骤:
采集电能质量监测数据和用户有功功率数据,构造表征时间序列变化规律的特征矩阵;
计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度;
以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类;
向具有不同电能质量特征的用户提供对应的不同电能质量的电能。
同时,本实施例还提供了一种基于DTW距离和近邻传播聚类算法的电力用户分群系统,包括采集模块、处理模块、存储模块以及供电模块;
所述采集模块采集电能质量监测数据和用户有功功率数据,并将采集到的数据传输至处理模块;
所述存储模块中存储有能够被处理模块运行的计算机指令,当处理器运行该计算机指令时,完成以下步骤:构造表征时间序列变化规律的特征矩阵;计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度;以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类;
所述处理器根据分类结果控制供电模块向具有不同电能质量特征的用户提供对应的不同电能质量的电能。
母线处的电能质量指标数据与该母线连接的众多电力用户的用电行为有必然的关系,这种关系反映了用户在电能质量层面的行为特征。因此,在本实施例中,所述采集电能质量监测数据和用户有功功率数据具体为:
获取分析时段t1~tn内10kV母线处电能质量监测终端的监测数据序列,记为X={(x1,t1),(x2,t2),…,(xi,ti),…,(xn,tn)};其中,(xi,ti)为电能质量指标x在时刻ti的监测数据xi,1≤i≤n,n为电能质量监测终端采集的时段总数;电能质量指标包括谐波电压含有率、电压偏差、负序电压不平衡度在内的指标;由于采样相邻时间间隔一致,将电能质量监测终端的监测数据序列简记为X=[x1,x2,…xn];这里的采样间隔设为3分钟;
获取用电采集系统的平均有功功率数据作为描述各个用户用电行为的信息,令同一时段内用户的平均有功功率序列矩阵形式分别为:P1=[p11,p12,…,p1η]、P2=[p21,p22,…,p2η]、…、Pm=[pm1,pm2,…,pmη];其中,m为母线所连接的用户个数,pij为第i个用户在时刻tj的有功功率数据,1≤i≤m,1≤j≤η,η为用电采集系统采集的时段总数;当j=η时,tj=tn,所有时间序列起止时间点对齐;这里的采样间隔设为15分钟。
在本实施例中,所述构造表征时间序列变化规律的特征矩阵具体为:
以上所述的电能质量监测数据和电力用户平均有功功率两类数值型数据,具有不同的量纲,为了提高数据的可比性,利用z-score标准化方法,将采集到的电能质量监测数据和用户有功功率数据进行标准化处理,转化为无单位的z-score分值,转化后的电能质量监测数据和用户有功功率数据的序列矩阵形式分别记为X′=[x′1,x′2,…,x′n],P′k=[p′k1,p′k2,…,p′kη],1≤k≤m,m为母线上的用户数量,n为电能质量监测终端采集的时段总数,η为用电采集系统采集的时段总数,由于监测数据与用采数据的采样周期不同,在同一分析时段内,η不等于n;
电能质量监测数据与电力用户用电行为之间的关系体现为相应时间序列变化规律的相似性,分析变化规律的参数主要有趋势特征和时间跨度。为了有效表示时间序列的趋势特征和时间跨度,将标准化处理后的序列进行分段线性处理,将原始序列分割成不重叠的子序列,各个子序列的趋势转折点满足下式,式子取得等号时,与有且仅有一者成立:
假设原始序列经M个趋势转折点分割,则形成M+1段子序列。将时间间隔为[t1,tn]中第i个子序列的时间跨度记为li,定义时间分割序列为Mseg,其元素由各个子序列的起止时间组成,记为Mseg={(t1,r1),(r1,r2),…,(rM-1,rM),(rM,tn)},ri表示第i个转折点对应的时刻,li的计算公式如下:
每个子序列由转折点数据以及相应的时间跨度组成,分别得到电能质量监测数据和用户有功功率数据的新序列与其中表示电能质量监测数据的第i个子序列的趋势转折点,M为电能质量监测数据序列对应的趋势转折点的个数,为用户有功功率数据的第i个子序列,M′k为第k个用户有功功率数据序列对应的趋势转折点的个数;li为电能质量监测数据的第i个子序列的时间跨度或第k个用户有功功率数据的第i个子序列的时间跨度;
分别对序列X″和P″k中各元素进行求解,得到表征趋势特征的时间序列夹角,结合表征时间特征的子序列时间跨度,得到特征序列形式为{(α1,l1),(α2,l2),…,(αM,lM)},其中αi为某个时序中第i个趋势转折点处相应的夹角,li为第i个子序列的时间跨度,对应的记电能质量监测数据的特征矩阵为L=[(α1,l1),(α2,l2),…,(αM,lM)],第k个用户的有功功率数据的特征矩阵为Tk=[(αk1,l1),(αk2,l2),…,(αkM′,lkM′)];其中,第i个趋势转折点处相应的夹角αi为第i个趋势转折点与第i-1个趋势转折点、第i+1个趋势转折点的连线的夹角。
较佳的,通过筛选出的转折点计算各个子序列的趋势特征及时间跨度特征,并对时间序列进行重新描述。以一个趋势转折点为例,如图2所示,相邻的三个趋势转折点构成一个三角形,边a、b之间的夹角αi可以量化序列在[ri-1,ri+1]时间内的趋势变化规律。βi表示边a、b之间顺时针方向的夹角,对图中三角形的内角αi求解,计算方法如下式所示:
在本实施例中,所述计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度具体为:
进一步基于动态规划原理进行求解电能质量监测数据和各个用户有功功率的特征矩阵之间的相似性。因为特征矩阵中的元素均为二元序列,令D(i,j)表示电能质量监测数据的特征矩阵L中第i个特征组(αi,li)与第k个用户的有功功率数据的特征矩阵Tk中第j个特征组(αkj,lkj)之间的欧氏距离,记特征距离矩阵为S,并初始设置S[1,1]=D(1,1);根据DTW算法,利用下式计算,直至直至i=M且j=M′k:
依次计算m个用户特征矩阵Tk与电能质量监测数据特征矩阵L之间的距离,S[M,M′k]代表各个用户与电能质量监测数据在趋势特征和时间特征上的整体相似度,距离值越小,则相似度越高;
将S[M,M′1]、S[M,M′2]、…、S[M,M′m]共m个数值两两作差并取负值存入相似度差值矩阵SΔ;考虑不同的两个用户i和j,SΔ[i,j]越大,即S[M,M′i]与S[M,M′j]的差值越接近,认为用户i与用户j对于监测数据的相似程度一致性越高,也就代表两者具有较为相似的电能质量特征。
由上可知,SΔ为m×m的矩阵,先按下式对其主对角线元素赋值ε:
ε=-max|S[M,M′i]-S[M,M′j]|,i≠j,1≤i,j≤m;
SΔ中非主对角线的元素计算公式可表示为式(8)。
SΔ[i,j]=-|S[M,M′i]-S[M,M′j]|,i≠j,1≤i,j≤m。
在本实施例中,所述以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类具体为:采用近邻传播聚类(Affinity Propagation Clustering,AP聚类)方法,进行聚类计算。该聚类方法不需要提前设置聚类数目,并且能够在原有数据的基础上提取聚类中心,从而将具有相似电能质量关联程度的用户归为同一类。具体步骤如下:
步骤1:零初始化吸引度矩阵R和归属度矩阵A;
步骤2:按下式迭代、更新吸引度矩阵R中的元素r:
式中,at(i,j)是归属度矩阵A中的元素,表示第j个用户适合作为用户i的聚类中心的适应度大小,值越大则两者越可能为同一类;rt(i,j)表示用户i支持第j个用户为聚类中心的支持度大小,其值越大,用户j成为聚类中心的可能性越大;
步骤3:利用步骤2中得到的新值进一步迭代、更新归属度矩阵A中的元素a,计算公式如下:
步骤4:根据衰减系数λ按下式进行计算:
较佳的,λ取为0.5;
步骤5:重复步骤S2至步骤S4,直至吸引度矩阵和归属度矩阵稳定或达到最大迭代次数,并取at+1(i,k)+rt+1(i,k)最大时对应的k作为聚类中心,并由此确定最优聚类类别,实现电力用户的电能质量特征分群。
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,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种基于DTW距离和近邻传播聚类算法的电力用户分群方法,其特征在于,包括以下步骤:
采集电能质量监测数据和用户有功功率数据,构造表征时间序列变化规律的特征矩阵;
计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度;
以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类;
向具有不同电能质量特征的用户提供对应的不同电能质量的电能;
所述计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度具体为:
令D(i,j)表示电能质量监测数据的特征矩阵L中第i个特征组(αi,li)与第k个用户的有功功率数据的特征矩阵Tk中第j个特征组(αkj,l′kj)之间的欧氏距离,记特征距离矩阵为S,并初始设置S[1,1]=D(1,1);根据DTW算法,利用下式计算,直至i=M且j=M′k:
依次计算m个用户的有功功率数据的特征矩阵Tk与电能质量监测数据特征矩阵L之间的距离,S[M,M′k]代表各个用户与电能质量监测数据在趋势特征和时间特征上的整体相似度,距离值越小,则相似度越高;
将S[M,M′1]、S[M,M′2]、…、S[M,M′m]共m个数值两两作差并取负值存入相似度差值矩阵SΔ;考虑不同的两个用户i和j,SΔ[i,j]越大,即S[M,M′i]与S[M,M′j]的差值越接近,用户i与用户j对于监测数据的相似度一致性越高,也就代表两者具有较为相似的电能质量特征;
所述以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类具体为:
步骤1:零初始化吸引度矩阵R和归属度矩阵A;
步骤2:按下式迭代、更新吸引度矩阵R中的元素r:
式中,at(i,j)是归属度矩阵A中的元素,表示第j个用户适合作为用户i的聚类中心的适应度大小;rt(i,j)表示用户i支持第j个用户为聚类中心的支持度大小;
步骤3:利用步骤2中得到的新值进一步迭代、更新归属度矩阵A中的元素at (i,j) ,计算公式如下:
步骤4:根据衰减系数λ按下式进行计算:
步骤5:重复步骤2至步骤4,直至吸引度矩阵和归属度矩阵稳定或达到最大迭代次数,并取at+1(i,k)+rt+1(i,k)最大时对应的k作为聚类中心,并确定最优聚类类别,进行电力用户的电能质量特征分群。
2.根据权利要求1所述的一种基于DTW距离和近邻传播聚类算法的电力用户分群方法,其特征在于,所述采集电能质量监测数据和用户有功功率数据具体为:
获取分析时段t1~tn内10kV母线处电能质量监测终端的监测数据序列,记为X={(x1,t1),(x2,t2),…,(xi,ti),…,(xn,tn)};其中,(xi,ti)为电能质量指标x在时刻ti的监测数据xi,1≤i≤n,n为电能质量监测终端采集的时段总数;电能质量指标包括谐波电压含有率、电压偏差、负序电压不平衡度;由于采样相邻时间间隔一致,将电能质量监测终端的监测数据序列简记为X=[x1,x2,…,xn];
获取用电采集系统的平均有功功率数据作为描述各个用户用电行为的信息,令同一时段内用户的平均有功功率序列矩阵形式分别为:P1=[p11,p12,…,p1η]、P2=[p21,p22,…,p2η]、…、Pm=[pm1,pm2,…,pmη];其中,m为母线所连接的用户个数,psj为第s个用户在时刻tj的有功功率数据,1≤s≤m,1≤j≤η,η为用电采集系统采集的时段总数;所有时间序列起止时间点对齐。
3.根据权利要求1所述的一种基于DTW距离和近邻传播聚类算法的电力用户分群方法,其特征在于,所述构造表征时间序列变化规律的特征矩阵具体为:
将采集到的电能质量监测数据和用户有功功率数据进行标准化处理,转化为无单位的z-score分值,转化后的电能质量监测数据序列矩阵形式记为X′=[x′1,x′2,…,x′n],用户有功功率数据的序列矩阵形式记为P′k=[p′k1,p′k2,…,p′kη],1≤k≤m,m为母线所连接的用户个数,n为电能质量监测终端采集的时段总数,η为用电采集系统采集的时段总数,由于监测数据与用电采集数据的采样周期不同,在同一分析时段内,η不等于n;
将标准化处理后的序列进行分段线性处理,将原始序列分割成不重叠的子序列,每个子序列由转折点数据以及相应的时间跨度组成,分别得到电能质量监测数据的新序列和用户有功功率数据的新序列其中表示电能质量监测数据的第i个子序列的趋势转折点,M为电能质量监测数据序列对应的趋势转折点的个数,为用户有功功率数据的第i个子序列,M′k为第k个用户有功功率数据序列对应的趋势转折点的个数;li为电能质量监测数据的第i个子序列的时间跨度,l′kj为第k个用户有功功率数据的第i个子序列的时间跨度;
4.一种基于DTW距离和近邻传播聚类算法的电力用户分群系统,其特征在于,包括采集模块、处理模块、存储模块以及供电模块;
所述采集模块采集电能质量监测数据和用户有功功率数据,并将采集到的数据传输至处理模块;
所述存储模块中存储有能够被处理模块运行的计算机指令,当处理器运行该计算机指令时,完成以下步骤:构造表征时间序列变化规律的特征矩阵;计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度;以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类;
所述处理器根据分类结果控制供电模块向具有不同电能质量特征的用户提供对应的不同电能质量的电能;
所述计算各个用户与电能质量指标之间的特征相似度,量化用户特征与电能质量特征的关联程度具体为:
令D(i,j)表示电能质量监测数据的特征矩阵L中第i个特征组(αi,li)与第k个用户的有功功率数据的特征矩阵Tk中第j个特征组(αkj,l′kj)之间的欧氏距离,记特征距离矩阵为S,并初始设置S[1,1]=D(1,1);根据DTW算法,利用下式计算,直至i=M且j=M′k:
依次计算m个用户的有功功率数据的特征矩阵Tk与电能质量监测数据特征矩阵L之间的距离,S[M,M′k]代表各个用户与电能质量监测数据在趋势特征和时间特征上的整体相似度,距离值越小,则相似度越高;
将S[M,M′1]、S[M,M′2]、…、S[M,M′m]共m个数值两两作差并取负值存入相似度差值矩阵SΔ;考虑不同的两个用户i和j,SΔ[i,j]越大,即S[M,M′i]与S[M,M′j]的差值越接近,用户i与用户j对于监测数据的相似度一致性越高,也就代表两者具有较为相似的电能质量特征;
所述以用户特征与电能质量特征的关联程度为依据,进行不同用户的电能质量特征相似度聚类计算,将具有相似关联程度的用户归为同一类具体为:
步骤1:零初始化吸引度矩阵R和归属度矩阵A;
步骤2:按下式迭代、更新吸引度矩阵R中的元素r:
式中,at(i,j)是归属度矩阵A中的元素,表示第j个用户适合作为用户i的聚类中心的适应度大小;rt(i,j)表示用户i支持第j个用户为聚类中心的支持度大小;
步骤3:利用步骤2中得到的新值进一步迭代、更新归属度矩阵A中的元素at (i,j) ,计算公式如下:
步骤4:根据衰减系数λ按下式进行计算:
步骤5:重复步骤2至步骤4,直至吸引度矩阵和归属度矩阵稳定或达到最大迭代次数,并取at+1(i,k)+rt+1(i,k)最大时对应的k作为聚类中心,并确定最优聚类类别,进行电力用户的电能质量特征分群。
5.根据权利要求4所述的一种基于DTW距离和近邻传播聚类算法的电力用户分群系统,其特征在于,所述采集电能质量监测数据和用户有功功率数据具体为:
获取分析时段t1~tn内10kV母线处电能质量监测终端的监测数据序列,记为X={(x1,t1),(x2,t2),…,(xi,ti),…,(xn,tn)};其中,(xi,ti)为电能质量指标x在时刻ti的监测数据xi,1≤i≤n,n为电能质量监测终端采集的时段总数;电能质量指标包括谐波电压含有率、电压偏差、负序电压不平衡度;由于采样相邻时间间隔一致,将电能质量监测终端的监测数据序列简记为X=[x1,x2,…,xn];
获取用电采集系统的平均有功功率数据作为描述各个用户用电行为的信息,令同一时段内用户的平均有功功率序列矩阵形式分别为:P1=[p11,p12,…,p1η]、P2=[p21,p22,…,p2η]、…、Pm=[pm1,pm2,…,pmη];其中,m为母线所连接的用户个数,psj为第s个用户在时刻tj的有功功率数据,1≤s≤m,1≤j≤η,η为用电采集系统采集的时段总数;所有时间序列起止时间点对齐。
6.根据权利要求4所述的一种基于DTW距离和近邻传播聚类算法的电力用户分群系统,其特征在于,所述构造表征时间序列变化规律的特征矩阵具体为:
将采集到的电能质量监测数据和用户有功功率数据进行标准化处理,转化为无单位的z-score分值,转化后的电能质量监测数据序列矩阵形式记为X′=[x′1,x′2,…,x′n],用户有功功率数据的序列矩阵形式记为P′k=[p′k1,p′k2,…,p′kη],1≤k≤m,m为母线所连接的用户个数,n为电能质量监测终端采集的时段总数,η为用电采集系统采集的时段总数,由于监测数据与用电采集数据的采样周期不同,在同一分析时段内,η不等于n;
将标准化处理后的序列进行分段线性处理,将原始序列分割成不重叠的子序列,每个子序列由转折点数据以及相应的时间跨度组成,分别得到电能质量监测数据的新序列和用户有功功率数据的新序列其中表示电能质量监测数据的第i个子序列的趋势转折点,M为电能质量监测数据序列对应的趋势转折点的个数,为用户有功功率数据的第i个子序列,M′k为第k个用户有功功率数据序列对应的趋势转折点的个数;li为电能质量监测数据的第i个子序列的时间跨度,l′ki为第k个用户有功功率数据的第i个子序列的时间跨度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458531.0A CN111612650B (zh) | 2020-05-27 | 2020-05-27 | 一种基于dtw距离的电力用户分群方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458531.0A CN111612650B (zh) | 2020-05-27 | 2020-05-27 | 一种基于dtw距离的电力用户分群方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612650A CN111612650A (zh) | 2020-09-01 |
CN111612650B true CN111612650B (zh) | 2022-06-17 |
Family
ID=72196359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010458531.0A Active CN111612650B (zh) | 2020-05-27 | 2020-05-27 | 一种基于dtw距离的电力用户分群方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612650B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230056B (zh) * | 2020-09-07 | 2022-04-26 | 国网河南省电力公司电力科学研究院 | 一种基于OFMMK-Means聚类和复合分位数回归多谐波源贡献计算方法 |
CN113065604B (zh) * | 2021-04-15 | 2022-10-21 | 北京理工大学 | 一种基于dtw-dbscan算法的空中目标分群方法 |
CN113222013A (zh) * | 2021-05-11 | 2021-08-06 | 山西晟视汇智科技有限公司 | 一种多系统差异数据巡检方法、系统和存储介质 |
CN113139881B (zh) * | 2021-05-12 | 2023-04-07 | 广东电网有限责任公司 | 双电源用户主供电源识别方法、装置、设备及存储介质 |
CN113190696A (zh) * | 2021-05-12 | 2021-07-30 | 百果园技术(新加坡)有限公司 | 一种用户筛选模型的训练、用户推送方法和相关装置 |
CN113469500A (zh) * | 2021-06-07 | 2021-10-01 | 深圳供电局有限公司 | 一种行业用电大数据特征分析方法及装置 |
CN114004269A (zh) * | 2021-08-06 | 2022-02-01 | 国网天津市电力公司 | 一种孪生神经网络的重要电力用户电能质量数据分类方法 |
CN113675853B (zh) * | 2021-08-24 | 2023-06-20 | 国网福建省电力有限公司营销服务中心 | 一种面向能源互联网的用电信息采集系统 |
CN114781624B (zh) * | 2022-05-23 | 2023-01-10 | 上海行蕴信息科技有限公司 | 基于大数据分析的用户行为意图挖掘方法及大数据系统 |
CN116883059B (zh) * | 2023-09-06 | 2023-11-28 | 山东德源电力科技股份有限公司 | 一种配电终端管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN108460410A (zh) * | 2018-02-08 | 2018-08-28 | 合肥工业大学 | 居民需求侧的用电模式识别方法和系统、存储介质 |
CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
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
- 2020-05-27 CN CN202010458531.0A patent/CN111612650B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN108460410A (zh) * | 2018-02-08 | 2018-08-28 | 合肥工业大学 | 居民需求侧的用电模式识别方法和系统、存储介质 |
CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
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 |
Non-Patent Citations (3)
Title |
---|
张逸等.基于监测数据相关性分析的用户谐波责任划分方法.《电力系统自动化》.2019,(第02期),全文. * |
彭勃等.基于近邻传播算法的电力用户负荷曲线聚类分析.《机电工程技术》.2019,(第04期),全文. * |
沈建良等.大数据技术在电力大用户用电特征分类中的应用.《浙江电力》.2017,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111612650A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及系统 | |
De Baets et al. | Appliance classification using VI trajectories and convolutional neural networks | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN110503338B (zh) | 一种泛在电力物联网监测方法 | |
CN107817404B (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
CN109856299A (zh) | 一种变压器在线监测差异化阈值动态设置方法、系统 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN111614491A (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
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 | |
CN109784388A (zh) | 窃电用户识别方法和装置 | |
CN111950622B (zh) | 基于人工智能的行为预测方法、装置、终端及存储介质 | |
CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
EP3870475A1 (en) | Detection of electric vehicle charging at premise | |
CN112308124A (zh) | 一种面向用电信息采集系统的智能防窃电方法 | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN115358448A (zh) | 乡村资源环境综合承载力测算模型 | |
CN112215410B (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN115169405B (zh) | 基于支持向量机的酒店客房设备故障诊断方法及系统 | |
CN110009427B (zh) | 一种基于深度循环神经网络的电力销售金额智能预测方法 | |
CN111080089A (zh) | 一种基于随机矩阵理论的线损率关键因子确定方法和装置 | |
CN111239484A (zh) | 一种非居民用户非侵入式负荷用电信息采集方法 | |
CN116205544A (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 |
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 |