CN112561138A - 电力负荷预测方法、装置、计算机设备和存储介质 - Google Patents

电力负荷预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112561138A
CN112561138A CN202011387053.5A CN202011387053A CN112561138A CN 112561138 A CN112561138 A CN 112561138A CN 202011387053 A CN202011387053 A CN 202011387053A CN 112561138 A CN112561138 A CN 112561138A
Authority
CN
China
Prior art keywords
clustering
value
power load
center
load data
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
Application number
CN202011387053.5A
Other languages
English (en)
Other versions
CN112561138B (zh
Inventor
罗思敏
王红斌
栾乐
许中
方健
徐硕
王海靖
郭倩雯
马智远
刘俊翔
肖天为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202011387053.5A priority Critical patent/CN112561138B/zh
Publication of CN112561138A publication Critical patent/CN112561138A/zh
Application granted granted Critical
Publication of CN112561138B publication Critical patent/CN112561138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种电力负荷预测方法、装置、计算机设备和存储介质。所述方法包括：确定电力负荷分类数量的取值范围；基于多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；所述第一电力负荷数据为配电变压器的负荷曲线；根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；将所述目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于所述聚类中心目标数量得到最终的聚类结果；基于最终的聚类结果，构建典型负荷画像；所述典型负荷画像用于预测对应配电变压器的电力负荷。本申请可以提高电力负荷预测准确性。

Description

电力负荷预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及数据处理技术领域，特别是涉及一种电力负荷预测方法、装置、计算机设备和存储介质。
背景技术
电力企业的工作目前从单纯的发电和电力输送转向以电力需求管理为重心。随着智能电网建设的不断推进，已逐步积累有大量的电力负荷数据。对各个用户的电力负荷数据进行特征提取，可以总结出用户的用电模式并进行分类，以预测用户的用电行为。
K-means(k-means clustering algorithm，k均值聚类算法)是一种迭代求解的聚类分析算法，在用户负荷数据处理上的应用较多。K-means算法的步骤包括：随机选取k个对象作为初始的聚类中心。计算其它对象与各个聚类中心之间的距离，把每个对象分配给距离最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个对象，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。
然而，K-means算法需要预先设定聚类中心的数量k。K-means算法应用在小范围的用户负荷数据上时，用户类别大致可以确定，聚类结果比较准确，可以按照聚类结果有针对性地进行电力负荷预测。但是K-means应用在大范围的用户负荷数据上时，用户类别比较复杂，无法通过经验指定k，极大影响了聚类的准确性，导致不能有效预测电力负荷。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电力负荷预测准确性的电力负荷预测方法、装置、计算机设备和存储介质。
一种电力负荷预测方法，所述方法包括：
获取多个第一电力负荷数据，并确定电力负荷分类数量的取值范围；
基于所述多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；所述第一电力负荷数据为配电变压器的负荷曲线；
根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；
将所述目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于所述聚类中心目标数量得到最终的聚类结果；
基于最终的聚类结果，构建典型负荷画像；所述典型负荷画像用于预测对应配电变压器的电力负荷。
在其中一个实施例中，所述确定电力负荷分类数量的取值范围，包括：
接收输入的电力负荷分类数量的最大值和最小值；
将所述最大值和所述最小值之间的所有整数的集合作为用户分类数量的取值范围。
在其中一个实施例中，所述基于多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，包括：
每次将所述取值范围内的一个数值作为聚类中心数量值k之后，在所述多个第一电力负荷数据中随机选取k个所述第一电力负荷数据，将k个所述第一电力负荷数据分别作为各个类别的聚类中心；
确定未作为所述聚类中心的所述第一电力负荷数据与各个所述聚类中心之间的距离，将未作为所述聚类中心的所述第一电力负荷数据分配到距离最小的所述聚类中心所在的类别中；
将与同一类别中其它的所述第一电力负荷数据之间的距离最小的所述第一电力负荷数据更新为所在类别的所述聚类中心；
若至少一个所述聚类中心更新前后的差值大于距离阈值，则重新确定未作为所述聚类中心的所述第一电力负荷数据与各个所述聚类中心之间的距离，将未作为所述聚类中心的所述第一电力负荷数据分配到距离最小的所述聚类中心所在的类别中，并将与同一类别中其它的所述第一电力负荷数据之间的距离最小的所述第一电力负荷数据更新为所在类别的所述聚类中心；
若k个所述聚类中心更新前后的差值均小于或等于距离阈值，则将所述多个第一电力负荷数据分配的类别作为聚类结果。
在其中一个实施例中，所述确定每次聚类得到的聚类结果的误差值，包括：
采用如下公式计算所述误差值E：
Figure BDA0002811249770000031
其中，load(τ)为未作为所述聚类中心的所述第一电力负荷数据在时刻τ时的数值，C(τ)为同一类别中所述聚类中心在时刻τ时的数值。
在其中一个实施例中，所述根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值，包括：
对每次聚类的所述误差值和所述聚类中心数量值进行归一化；
将每次聚类归一化的所述误差值和所述聚类中心数量值在坐标系上对应点与原点之间的距离，作为对应的目标值。
在其中一个实施例中，所述基于所述聚类中心目标数量得到最终的聚类结果，包括：
在分别将所述取值范围内的各个数值分别作为聚类中心数量值进行聚类得到的聚类结果中，将所述聚类中心目标数量对应的聚类结果确定为最终的聚类结果；
或者，
获取多个第二电力负荷数据，并基于所述多个第二电力负荷数据，将所述聚类中心目标数量作为聚类中心数量值进行聚类，得到最终的聚类结果；所述第二电力负荷数据为配电变压器的负荷曲线或者负荷特征向量，所述负荷特征向量包括配电变压器的平均负荷、配电变压器的负载率、配电变压器设定时段的负荷百分比中的至少一个。
在其中一个实施例中，当所述第二电力负荷数据为所述负荷特征向量时，所述方法还包括：
确定的聚类结果的准确度；
若所述准确度大于或等于准确度阈值，则将基于多个第二电力负荷数据进行聚类的聚类结果作为最终的聚类结果；
若所述准确度小于准确度阈值，则重新基于所述配电变压器的负荷曲线进行聚类，得到最终的聚类结果。
一种电力负荷预测装置，所述装置包括：
范围确定模块，用于获取多个第一电力负荷数据，并确定电力负荷分类数量的取值范围；
聚类模块，用于基于所述多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；所述第一电力负荷数据为配电变压器的负荷曲线；
目标确定模块，用于根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；
结果确定模块，用于将所述目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于所述聚类中心目标数量得到最终的聚类结果；
画像构建模块，用于基于最终的聚类结果，构建典型负荷画像；所述典型负荷画像用于预测对应配电变压器的电力负荷。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
确定电力负荷分类数量的取值范围；
基于多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；所述第一电力负荷数据为配电变压器的负荷曲线；
根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；
将所述目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于所述聚类中心目标数量得到最终的聚类结果；
基于最终的聚类结果，构建典型负荷画像；所述典型负荷画像用于预测对应配电变压器的电力负荷。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
确定电力负荷分类数量的取值范围；
基于多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；所述第一电力负荷数据为配电变压器的负荷曲线；
根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；
将所述目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于所述聚类中心目标数量得到最终的聚类结果；
基于最终的聚类结果，构建典型负荷画像；所述典型负荷画像用于预测对应配电变压器的电力负荷。
上述电力负荷预测处理方法、装置、计算机设备和存储介质，通过确定电力负荷分类数量的取值范围，从而分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值。根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值，进而将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果。这样可以基于最终的聚类结果，构建典型负荷画像，将典型负荷画像用于预测对应配电变压器的电力负荷。整个过程不需要预先设定聚类中心数量值，在每次聚类的聚类中心数量值和得到的聚类结果的误差值所确定的目标值中，选择最小值所对应的聚类中心数量作为聚类中心目标数量，利用误差值较小保证聚类结果的准确性，聚类中心数量值较小保证划分类别的集中性，使得最终的聚类结果所构建的典型负荷画像，可以准确地预测对应配电变压器的电力负荷，合理分配电力满足用户需求。
附图说明
图1为一个实施例中一种电力负荷预测方法的应用环境图；
图2为一个实施例中一种电力负荷预测方法的流程示意图；
图3为一个实施例中确定电力负荷分类数量的取值范围的流程示意图；
图4为一个实施例中分别将取值范围内的各个数值作为聚类中心数量值进行聚类的流程示意图；
图5为一个实施例中根据每次聚类的聚类中心数量值和得到的聚类结果的误差值确定对应的目标值的流程示意图；
图6为一个实施例中当第二电力负荷数据为负荷特征向量时的流程示意图；
图7为一个实施例中当聚类中心目标数量为取值范围中的最大值时的流程示意图；
图8为一个实施例中一种电力负荷预测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电力负荷预测方法，可以应用于如图1所示的应用环境中。其中，配电变压器102通过网络与服务器104进行通信。配电变压器102采集并存储电力负荷数据，服务器104基于配电变压器102采集的电力负荷数据进行电力负荷的预测，以合理分配电力。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电力负荷预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，服务器获取多个第一电力负荷数据，并确定电力负荷分类数量的取值范围。
其中，电力负荷分类数量为将电力负荷数据所划分类别的数量。电力负荷分类数量的取值范围可以包括多个正整数。当电力负荷分类数量为取值范围内的任意一个数值X时，则表示将电力负荷数据划分为X个类别。
具体地，服务器可以确定电力负荷分类数量的最小值和最大值，这个最小值和最大值之间所有整数的集合作为电力负荷分类数量的取值范围。
例如，确定电力负荷分类数量的最小值为A，电力负荷分类数量的最大值为C，A和C之间的整数只有B，则服务器确定电力负荷分类数量的取值范围包括A、B和C。
在实际应用中，电力负荷分类数量的具体取值很难准确确定，但是确定电力负荷分类数量的取值范围很容易。对于用户类别比较复杂的情况，设定一个比较大的取值范围，即可在取值范围内包括电力负荷分类数量的准确值。另外，对于用户类别大致可以确定的情况，可以设定一个比较小的取值范围，以减少数据处理量。
步骤S204，服务器基于多个第一电力负荷数据，分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值。
其中，第一电力负荷数据为配电变压器的负荷曲线。
具体地，配电变压器的负荷曲线为配电变压器在每天的多个时间点所记录数据形成的向量。例如，每隔15min记录一次数据，则一天一共有96个时间点记录数据。
在实际应用中，配电变压器每天的多个时间点所记录的数据有可能存在冗余或者缺失。若配电变压器每天的多个时间点所记录的数据存在冗余，则服务器将冗余的数据删除。
若配电变压器每天的多个时间点所记录的数据存在缺失，则服务器根据其它日期的同一个时间点所记录的数据进行补充。例如，第M天第N个时间点的数据缺失，则服务器将第M-1天第N个时间点的数据作为第M天第N个时间点的数据。
若连续的多个时间点所记录的数据存在缺失，则服务器根据缺失数据前后的数据进行线性补充。例如，第M天第N个时间点至第N+n个时间点的数据缺失，则服务器基于第M天第N-1个时间点所记录的数据和第M天第N+1+1个时间点所记录的数据进行线性补充。
在本实施例中，聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类别的过程。聚类中心数量值为聚类时所有类别的中心的数量值。由于一个类别的中心只有一个，因此聚类中心数量值也是划分类别的数量值。聚类结果的误差值为聚类结果与准确结果之间的差值。
具体地，服务器针对取值范围内的每个数值，可以将这个数值作为聚类中心数量值，对多个第一电力负荷数据进行聚类，得到聚类结果，并在聚类之后确定聚类结果的误差值。
例如，电力负荷分类数量的取值范围包括A、B和C，则服务器可以先将A作为聚类中心数量值，对多个第一电力负荷数据进行聚类，得到聚类结果，并在聚类之后确定聚类结果的误差值。然后服务器将B作为聚类中心数量值，对多个第一电力负荷数据进行聚类，得到聚类结果，并在聚类之后确定聚类结果的误差值。最后服务器将C作为聚类中心数量值，对多个第一电力负荷数据进行聚类，得到聚类结果，并在聚类之后确定聚类结果的误差值。
步骤S206，服务器根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值。
其中，目标值为综合考虑同一次的聚类中心数量值和聚类结果的误差值大小所产生影响的数值。
具体地，服务器可以将同一次的聚类中心数量值和聚类结果的误差值作为自变量，目标值作为因变量，在聚类中心数量值、聚类结果的误差值和目标值之间的函数关系。针对每次聚类，将这次聚类的聚类中心数量值和得到的聚类结果的误差值代入函数关系中，即可得到对应的目标值。
例如，电力负荷分类数量的取值范围包括A、B和C，分别将A、B和C作为聚类中心数量值进行聚类，则服务器先根据A和A作为聚类中心数量值进行聚类得到的聚类结果的误差值，确定一个目标值。然后服务器根据B和B作为聚类中心数量值进行聚类得到的聚类结果的误差值，确定一个目标值。最后服务器根据C和C作为聚类中心数量值进行聚类得到的聚类结果的误差值，确定一个目标值。
可选地，步骤S206包括：服务器采用如下公式计算误差值E：
Figure BDA0002811249770000081
其中，load(τ)为未作为聚类中心的第一电力负荷数据在时刻τ时的数值，C(τ)为同一类别中聚类中心在时刻τ时的数值。
将未作为聚类中心的第一电力负荷数据在时刻τ时的数值减去同一类别中聚类中心在时刻τ时的数值，可以得到这个类别聚类结果的偏差值。将偏差值平方，可以避免出现负数。将偏差值除以聚类中心在时刻τ时的数值，可以得到这个类别聚类结果的相对偏差值。所有偏差值相加，可以得到同一类别整体的偏差情况，即聚类结果的误差值。
步骤S208，服务器将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果。
其中，聚类中心目标数量为聚类中心数量的目标值。将这个目标值作为聚类中心数量值进行聚类所得到的聚类结果准确，可以有效预测电力预测。最终的聚类结果为最终进行电力预测的聚类结果。
具体地，服务器在目标值中选出最小值，将得到这个最小值的聚类中心数量值确定为聚类中心目标数量。将聚类中心目标数量作为聚类中心数量值进行聚类得到的聚类结果作为最终的聚类结果。
例如，电力负荷分类数量的取值范围包括A、B和C，如果根据C和C作为聚类中心数量值进行聚类得到的聚类结果的误差值确定的目标值，比根据A和A作为聚类中心数量值进行聚类得到的聚类结果的误差值确定的目标值、以及根据B和B作为聚类中心数量值进行聚类得到的聚类结果的误差值确定的目标值都小，则服务器将C作为聚类中心目标数量，将C作为聚类中心数量值进行聚类得到的聚类结果作为最终的聚类结果。
在一个实施例中，该步骤S208包括：服务器在分别将取值范围内的各个数值分别作为聚类中心数量值进行聚类得到的聚类结果中，将聚类中心目标数量对应的聚类结果确定为最终的聚类结果。
在确定聚类中心目标数量的过程中，已经将取值范围内的各个数值分别作为聚类中心数量值进行聚类，得到聚类结果。由于聚类中心目标数量是取值范围内的一个数值，因此将取值范围内的各个数值分别作为聚类中心数量值进行聚类得到的聚类结果进行保存，即可直接从保存的聚类结果中找到将聚类中心目标数量作为聚类中心数量值进行聚类得到的聚类结果，并将找到的聚类结果作为最终的聚类结果。
在另一个实施例中，步骤S208包括：服务器获取多个第二电力负荷数据，并基于多个第二电力负荷数据，将聚类中心目标数量作为聚类中心数量值进行聚类，得到最终的聚类结果。
其中，第二电力负荷数据为配电变压器的负荷曲线或者负荷特征向量。负荷特征向量包括配电变压器的平均负荷、配电变压器的负载率、配电变压器设定时段的负荷百分比中的至少一个。
具体地，服务器可以采用如下公式确定配电变压器的平均负荷：
Figure BDA0002811249770000101
其中，Laverage为平均负荷，L为配电变压器的负荷曲线，n为配电变压器的负荷曲线的维数。
服务器可以采用如下公式确定配电变压器的负载率：
Figure BDA0002811249770000102
其中，Lload_rate为负载率，Laverage为平均负荷，S为配电变压器的额定容量。
服务器可以采用如下公式确定配电变压器设定时段的负荷百分比：
Figure BDA0002811249770000103
其中，Lpercentage为设定时段的负荷百分比，∑L为配电变压器一天的总负荷，∑1L、∑2L和∑3L分别为配电变压器在一天的上午七点至十点之间、下午的三点至六点之间、晚上的九点至十一点之间的负荷总量。
在聚类中心目标数量确定之后，也可以重新将聚类中心目标数量作为聚类中心数量值进行聚类，得到聚类结果，并将得到的聚类结果作为最终的聚类结果。由于是重新聚类，因此可以不限于配电电压器的负荷曲线，也可以是配电变压器的负荷特征向量，负荷特征向量包括配电变压器的平均负荷、配电变压器的负载率、配电变压器设定时段的负荷百分比中的至少一个。
步骤S210，服务器基于最终的聚类结果，构建典型负荷画像。
其中，典型负荷画像用于预测对应配电变压器的电力负荷。
聚类结果包括划分类别的数量、分配到各个类别的电力负荷数据、以及作为各个类别的聚类中心的电力负荷数据。针对各个类别的电力负荷数据，服务器可以分别确定各个类别的电力负荷数据的特征，构建典型负荷画像，并利用典型负荷画像预测对应配电变压器的电力负荷。
在一个实施例中，不同季节的负荷曲线存在很大的差别，工作日与休息日的负荷曲线特征也可能完全不同。为了直观展现负荷对时间的敏感性，服务器可以构建典型负荷的时间敏感性画像。
具体地，服务器基于最终的聚类结果，确定每个配电变压器每天的负荷曲线所分配的类别；将每个配电变压器每天的负荷曲线按照月份、是否工作日进行分组，并附上各个配电变压器的负荷曲线所在月份中工作日或者非工作日的数量；将同一组的负荷曲线中选择所分配类别的众数作为代表数据，形成典型负荷的时间敏感性画像。
示例性地，服务器可以采用0～11分别代表1～12月，0和1分别代表工作日和非工作日，对应数值代表所在月份中工作日或者非工作日的数量。
在实际应用中，还可以附上配电变压器的排列序号。
在另一个实施例中，部分负荷曲线在较长一段时间内都不会有明显的变化，部分负荷曲线在不同季节、工作日与非工作日的负荷特征存在较大差异，这些不同类型的负荷曲线会被分配到不同的类别中。为了量化表示这种负载特征波动性，服务器可以基于各个配电变压器的负荷曲线的聚类结果进行画像分析。
具体地，服务器基于最终的聚类结果，确定每个配电变压器每天的负荷曲线所分配的类别；按照如下公式计算熵，形成典型负荷的特征波动性画像：
Figure BDA0002811249770000111
其中，S为熵，数组C代表负荷曲线所分配的类别，k为数组C中的类别数量，p(Ci)为第i个类别出现的频率。
如果熵比较大，说明特征波动较大；如果熵比较小，说明特征波动较小或者没有波动。
在实际应用中，还可以附上配电变压器的排列序号。
除了输出每个配电变送器对应的熵值，还可以对所有配电变送器的熵值进行降序排列，给出所有配电变送器的熵值降落曲线，并给出熵值较大的配电变送器的标号，方便电力公司有针对的进行设备巡检。
上述电力负荷预测方法中，通过确定电力负荷分类数量的取值范围，从而分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值。根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值，进而将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果。这样可以基于最终的聚类结果，构建典型负荷画像，将典型负荷画像用于预测对应配电变压器的电力负荷。整个过程不需要预先设定聚类中心数量值，在每次聚类的聚类中心数量值和得到的聚类结果的误差值所确定的目标值中，选择最小值所对应的聚类中心数量作为聚类中心目标数量，利用误差值较小保证聚类结果的准确性，聚类中心数量值较小保证划分类别的集中性，使得最终的聚类结果所构建的典型负荷画像，可以准确地预测对应配电变压器的电力负荷，合理分配电力满足用户需求。
在一个实施例中，如图3所示，确定电力负荷分类数量的取值范围，包括：
步骤S302，服务器接收输入的电力负荷分类数量的最大值和最小值。
在实际应用中，可以人为设定电力负荷分类数量的最大值和最小值。
示例性地，电力负荷分类数量的最小值为2。电力负荷分类数量的最大值可以根据电力负荷分类数量的一般范围进行设定，也可以根据电力负荷类别的识别难度进行设定。如果电力负荷类别的识别难度较小，电力负荷分类数量的最大值可以设定得较小。如果电力负荷类别的识别难度较大，电力负荷分类数量的最大值可以设定得较大。
步骤S304，服务器将最大值和最小值之间的所有整数的集合作为用户分类数量的取值范围。
例如，电力负荷分类数量的最大值为X，最小值为2，则用户分类数量的取值范围包括2、3、……、X-1和X。
本实施例中，通过接收输入的电力负荷分类数量的最大值和最小值，可以直接将将最大值和最小值之间的所有整数的集合作为用户分类数量的取值范围，实现简单容易。
在一个实施例中，如图4所示，基于多个第一电力负荷数据，分别将取值范围内的各个数值作为聚类中心数量值进行聚类，包括：
步骤S402，服务器每次将取值范围内的一个数值作为聚类中心数量值k之后，在多个第一电力负荷数据中随机选取k个第一电力负荷数据，将k个第一电力负荷数据分别作为各个类别的聚类中心。
其中，k为变量。第一电力负荷数据的数量值大于聚类中心数量值。聚类中心数量值等于聚类类别的数量值，每个聚类类别有一个聚类中心。
例如，将A作为聚类中心数量值，则服务器在多个第一电力负荷数据中随机选取A个第一电力负荷数据，将A个第一电力负荷数据与A个聚类中心一一对应，每个第一电力负荷数据作为对应的聚类中心。
步骤S404，服务器确定未作为聚类中心的第一电力负荷数据与各个聚类中心之间的距离，将未作为聚类中心的第一电力负荷数据分配到距离最小的聚类中心所在的类别中。
针对每个未作为聚类中心的第一电力负荷数据，服务器先确定与各个聚类中心之间的距离，再在确定的距离中找到最小值，最后将这个第一电力负荷数据分配到最小值对应的聚类中心所在的类别中。
例如，某个第一电力负荷数据与三个聚类中心之间的距离分别为D、E、F，D、E、F中D最小，因此服务器将这个第一电力负荷数据分配到D对应的聚类中心所在的类别中。
步骤S406，服务器将与同一类别中其它的第一电力负荷数据之间的距离最小的第一电力负荷数据更新为所在类别的聚类中心。
例如，G为原来的聚类中心，H分配到G所在的类别中。在这个类别中，H与其它的第一电力负荷数据之间的距离之和最小，因此服务器将H替换G作为这个类别的聚类中心。
步骤S408，若至少一个聚类中心更新前后的差值大于距离阈值，则服务器重新确定未作为聚类中心的第一电力负荷数据与各个聚类中心之间的距离，将未作为聚类中心的第一电力负荷数据分配到距离最小的聚类中心所在的类别中，并将与同一类别中其它的第一电力负荷数据之间的距离最小的第一电力负荷数据更新为所在类别的聚类中心。
若至少一个聚类中心更新前后的差值大于距离阈值，则再次执行步骤S404和步骤S406。
步骤S410，若k个聚类中心更新前后的差值均小于或等于距离阈值，则服务器将多个第一电力负荷数据分配的类别作为聚类结果。
若k个聚类中心更新前后的差值均小于或等于距离阈值，则这个数值作为聚类中心数量值k的聚类结束。
本实施例中，通过每次将取值范围内的一个数值作为聚类中心数量值k之后，先随机选取电力负荷数据作为初始的聚类中心，再根据与初始的聚类中心的距离大小，对未作为聚类中心的电力负荷数据划分类别，得到初始的聚类结果。在各个类别的电力负荷数据中重新确定聚类中心，再根据重新确定的聚类中心，重新对未作为聚类中心的电力负荷数据划分类别，得到更新的聚类结果。如此重复，直到聚类中心更新前后的差值满足一定的条件。这样一个不断迭代的过程，可以在聚类中心数量值选定的情况下，确定出合适的聚类中心和聚类结果。
在一个实施例中，如图5所示，根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值，包括：
步骤S502，服务器对每次聚类的误差值和聚类中心数量值进行归一化。
其中，归一化是将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。
步骤S504，服务器将每次聚类归一化的误差值和聚类中心数量值在坐标系上对应点与原点之间的距离，作为对应的目标值。
本实施例中，通过对每次聚类的误差值和聚类中心数量值进行归一化，使得误差值和聚类中心数量值可以对应到同一个坐标系上，进而将坐标系上对应点与原点之间的距离，作为对应的目标值。
在一个实施例中，如图6所示，当第二电力负荷数据为负荷特征向量时，该方法还包括：
步骤S602，服务器确定的聚类结果的准确度。若准确度大于或等于准确度阈值，则执行步骤S604。若准确度小于准确度阈值，则执行步骤S606。
可选地，该步骤S602包括：在将聚类中心目标数量作为聚类中心数量值进行聚类得到的聚类结果中，基于多个第二电力负荷数据进行聚类得到的聚类结果与基于多个第一电力负荷数据进行聚类得到的聚类结果的相似度，作为聚类结果的准确度。
在一个实施例中，该步骤S602包括：服务器确定同一类别中各个第一电力负荷数据对应的第二电力负荷数据所分配的类别；将同一类别中各个第一电力负荷数据对应的第二电力负荷数据所分配的类别的众数作为代表类别；若第一电力负荷数据对应的第二电力负荷数据所分配的类别与代表类别相同，则确定这个第二电力负荷数据正确聚类；若第一电力负荷数据对应的第二电力负荷数据所分配的类别与代表类别不同，则确定这个第二电力负荷数据错误聚类；将同一类别中正确聚类的第二电力负荷数据所占的比例，作为聚类结果的准确度。
在另一个实施例中，该步骤S602包括：服务器将与聚类中心i同一类别的各个第一电力负荷数据对应的第二电力负荷数据所分配的类别构建序列Xi；
按照如下公式确定序列Xi的熵Si：
Figure BDA0002811249770000151
其中，k为序列Xi中出现的聚类中心数量，p(Ci)为聚类中心i出现的频率；
确定各个序列Xi的熵Si的平均值S；
按照如下公式确定聚类结果的准确度corr：
corr＝1/(1+S)。
步骤S604，服务器将基于多个第二电力负荷数据进行聚类的聚类结果作为最终的聚类结果。
步骤S606，服务器重新基于配电变压器的负荷曲线进行聚类，得到最终的聚类结果。
本实施例中，通过确定的聚类结果的准确度，在准确度大于或等于准确度阈值时，才将基于多个第二电力负荷数据进行聚类的聚类结果作为最终的聚类结果，可以保证聚类结果的准确度。而且在准确度小于准确度阈值时，重新基于配电变压器的负荷曲线进行聚类，得到最终的聚类结果，可以保证得到最终的聚类结果。
在一个实施例中，如图7所示，当聚类中心目标数量为取值范围中的最大值时，该方法还包括：
步骤S702，服务器将聚类中心数量值加一，基于多个第一电力负荷数据进行聚类，并确定聚类得到的聚类结果的误差值。
例如，上次聚类的聚类中心数量值为C，则本次聚类的聚类中心数量值为C+1。
步骤S704，服务器根据本次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值。
步骤S706，若本次聚类确定的目标值小于上次聚类确定的目标值，则服务器将聚类中心数量值加一，基于多个第一电力负荷数据进行聚类，确定聚类得到的聚类结果的误差值，并根据本次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值。
若本次聚类确定的目标值小于上次聚类确定的目标值，则再次执行步骤S702和步骤S704。
步骤S708，若本次聚类确定的目标值大于或等于上次聚类确定的目标值，则服务器将上次聚类的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果。
本实施例中，通过逐渐增大聚类中心数量值，得到每个聚类中心数量值对应的聚类结果的误差值，进而确定对应的目标值。再基于目标值的变化情况，确定出聚类中心目标数量和最终的聚类结果，避免出现取值范围没有包含聚类中心目标数量的情况。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种电力负荷预测装置，包括：范围确定模块801、聚类模块802、目标确定模块803、结果确定模块804和画像构建模块805，其中：
范围确定模块801，用于获取多个第一电力负荷数据，并确定电力负荷分类数量的取值范围。
聚类模块802，用于基于多个第一电力负荷数据，分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值。第一电力负荷数据为配电变压器的负荷曲线。
目标确定模块803，用于根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值。
结果确定模块804，用于将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果。
画像构建模块805，用于基于最终的聚类结果，构建典型负荷画像。典型负荷画像用于预测对应配电变压器的电力负荷。
上述电力负荷预测处理装置，通过确定电力负荷分类数量的取值范围，从而分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值。根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值，进而将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果。这样可以基于最终的聚类结果，构建典型负荷画像，将典型负荷画像用于预测对应配电变压器的电力负荷。整个过程不需要预先设定聚类中心数量值，在每次聚类的聚类中心数量值和得到的聚类结果的误差值所确定的目标值中，选择最小值所对应的聚类中心数量作为聚类中心目标数量，利用误差值较小保证聚类结果的准确性，聚类中心数量值较小保证划分类别的集中性，使得最终的聚类结果所构建的典型负荷画像，可以准确地预测对应配电变压器的电力负荷，合理分配电力满足用户需求。
在一个实施例中，范围确定模块801包括：
接收子模块，用于接收输入的电力负荷分类数量的最大值和最小值。
范围确定子模块，用于将最大值和最小值之间的所有整数的集合作为用户分类数量的取值范围。
在一个实施例中，聚类模块802包括：
中心选取子模块，用于每次将取值范围内的一个数值作为聚类中心数量值k之后，在多个第一电力负荷数据中随机选取k个第一电力负荷数据，将k个第一电力负荷数据分别作为各个类别的聚类中心。
聚类子模块，用于确定未作为聚类中心的第一电力负荷数据与各个聚类中心之间的距离，将未作为聚类中心的第一电力负荷数据分配到距离最小的聚类中心所在的类别中。
中心更新子模块，用于将与同一类别中其它的第一电力负荷数据之间的距离最小的第一电力负荷数据更新为所在类别的聚类中心。
重新聚类子模块，用于若至少一个聚类中心更新前后的差值大于距离阈值，则重新确定未作为聚类中心的第一电力负荷数据与各个聚类中心之间的距离，将未作为聚类中心的第一电力负荷数据分配到距离最小的聚类中心所在的类别中，并将与同一类别中其它的第一电力负荷数据之间的距离最小的第一电力负荷数据更新为所在类别的聚类中心。
结果确定子模块，用于若k个聚类中心更新前后的差值均小于或等于距离阈值，则将多个第一电力负荷数据分配的类别作为聚类结果。
在一个实施例中，聚类模块802用于，采用如下公式计算误差值E：
Figure BDA0002811249770000181
其中，load(τ)为未作为聚类中心的第一电力负荷数据在时刻τ时的数值，C(τ)为同一类别中聚类中心在时刻τ时的数值。
可选地，目标确定模块803还用于对每次聚类的误差值和聚类中心数量值进行归一化；将每次聚类归一化的误差值和聚类中心数量值在坐标系上对应点与原点之间的距离，作为对应的目标值。
可选地，结果确定模块804用于，在分别将取值范围内的各个数值分别作为聚类中心数量值进行聚类得到的聚类结果中，将聚类中心目标数量对应的聚类结果确定为最终的聚类结果。或者，获取多个第二电力负荷数据，并基于多个第二电力负荷数据，将聚类中心目标数量作为聚类中心数量值进行聚类，得到最终的聚类结果。第二电力负荷数据为配电变压器的负荷曲线或者负荷特征向量，负荷特征向量包括配电变压器的平均负荷、配电变压器的负载率、配电变压器设定时段的负荷百分比中的至少一个。
在一个实施例中，当第二电力负荷数据为负荷特征向量时，该装置还包括：
准确度确定模块，用于确定的聚类结果的准确度。
结果确定模块，用于若准确度大于或等于准确度阈值，则将基于多个第二电力负荷数据进行聚类的聚类结果作为最终的聚类结果。若准确度小于准确度阈值，则重新基于配电变压器的负荷曲线进行聚类，得到最终的聚类结果。
关于电力负荷预测装置的具体限定可以参见上文中对于电力负荷预测方法的限定，在此不再赘述。上述电力负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力负荷数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力负荷预测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：确定电力负荷分类数量的取值范围；获取多个第一电力负荷数据，并基于多个第一电力负荷数据，分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；第一电力负荷数据为配电变压器的负荷曲线；根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果；基于最终的聚类结果，构建典型负荷画像；典型负荷画像用于预测对应配电变压器的电力负荷。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收输入的电力负荷分类数量的最大值和最小值；将最大值和最小值之间的所有整数的集合作为用户分类数量的取值范围。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：每次将取值范围内的一个数值作为聚类中心数量值k之后，在多个第一电力负荷数据中随机选取k个第一电力负荷数据，将k个第一电力负荷数据分别作为各个类别的聚类中心；确定未作为聚类中心的第一电力负荷数据与各个聚类中心之间的距离，将未作为聚类中心的第一电力负荷数据分配到距离最小的聚类中心所在的类别中；将与同一类别中其它的第一电力负荷数据之间的距离最小的第一电力负荷数据更新为所在类别的聚类中心；若至少一个聚类中心更新前后的差值大于距离阈值，则重新确定未作为聚类中心的第一电力负荷数据与各个聚类中心之间的距离，将未作为聚类中心的第一电力负荷数据分配到距离最小的聚类中心所在的类别中，并将与同一类别中其它的第一电力负荷数据之间的距离最小的第一电力负荷数据更新为所在类别的聚类中心；k个聚类中心更新前后的差值均小于或等于距离阈值，则将多个第一电力负荷数据分配的类别作为聚类结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用如下公式计算误差值E：
Figure BDA0002811249770000211
其中，load(τ)为未作为聚类中心的第一电力负荷数据在时刻τ时的数值，C(τ)为同一类别中聚类中心在时刻τ时的数值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对每次聚类的误差值和聚类中心数量值进行归一化；将每次聚类归一化的误差值和聚类中心数量值在坐标系上对应点与原点之间的距离，作为对应的目标值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在分别将取值范围内的各个数值分别作为聚类中心数量值进行聚类得到的聚类结果中，将聚类中心目标数量对应的聚类结果确定为最终的聚类结果；或者，获取多个第二电力负荷数据，并基于多个第二电力负荷数据，将聚类中心目标数量作为聚类中心数量值进行聚类，得到最终的聚类结果；第二电力负荷数据为配电变压器的负荷曲线或者负荷特征向量，负荷特征向量包括配电变压器的平均负荷、配电变压器的负载率、配电变压器设定时段的负荷百分比中的至少一个。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定的聚类结果的准确度；若准确度大于或等于准确度阈值，则将基于多个第二电力负荷数据进行聚类的聚类结果作为最终的聚类结果；若准确度小于准确度阈值，则重新基于配电变压器的负荷曲线进行聚类，得到最终的聚类结果。
上述计算机设备，通过确定电力负荷分类数量的取值范围，从而分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值。根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值，进而将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果。这样可以基于最终的聚类结果，构建典型负荷画像，将典型负荷画像用于预测对应配电变压器的电力负荷。整个过程不需要预先设定聚类中心数量值，在每次聚类的聚类中心数量值和得到的聚类结果的误差值所确定的目标值中，选择最小值所对应的聚类中心数量作为聚类中心目标数量，利用误差值较小保证聚类结果的准确性，聚类中心数量值较小保证划分类别的集中性，使得最终的聚类结果所构建的典型负荷画像，可以准确地预测对应配电变压器的电力负荷，合理分配电力满足用户需求。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取多个第一电力负荷数据，并确定电力负荷分类数量的取值范围；基于多个第一电力负荷数据，分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；第一电力负荷数据为配电变压器的负荷曲线；根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果；基于最终的聚类结果，构建典型负荷画像；典型负荷画像用于预测对应配电变压器的电力负荷。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收输入的电力负荷分类数量的最大值和最小值；将最大值和最小值之间的所有整数的集合作为用户分类数量的取值范围。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：每次将取值范围内的一个数值作为聚类中心数量值k之后，在多个第一电力负荷数据中随机选取k个第一电力负荷数据，将k个第一电力负荷数据分别作为各个类别的聚类中心；确定未作为聚类中心的第一电力负荷数据与各个聚类中心之间的距离，将未作为聚类中心的第一电力负荷数据分配到距离最小的聚类中心所在的类别中；将与同一类别中其它的第一电力负荷数据之间的距离最小的第一电力负荷数据更新为所在类别的聚类中心；若至少一个聚类中心更新前后的差值大于距离阈值，则重新确定未作为聚类中心的第一电力负荷数据与各个聚类中心之间的距离，将未作为聚类中心的第一电力负荷数据分配到距离最小的聚类中心所在的类别中，并将与同一类别中其它的第一电力负荷数据之间的距离最小的第一电力负荷数据更新为所在类别的聚类中心；k个聚类中心更新前后的差值均小于或等于距离阈值，则将多个第一电力负荷数据分配的类别作为聚类结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用如下公式计算误差值E：
Figure BDA0002811249770000231
其中，load(τ)为未作为聚类中心的第一电力负荷数据在时刻τ时的数值，C(τ)为同一类别中聚类中心在时刻τ时的数值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对每次聚类的误差值和聚类中心数量值进行归一化；将每次聚类归一化的误差值和聚类中心数量值在坐标系上对应点与原点之间的距离，作为对应的目标值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在分别将取值范围内的各个数值分别作为聚类中心数量值进行聚类得到的聚类结果中，将聚类中心目标数量对应的聚类结果确定为最终的聚类结果；或者，获取多个第二电力负荷数据，并基于多个第二电力负荷数据，将聚类中心目标数量作为聚类中心数量值进行聚类，得到最终的聚类结果；第二电力负荷数据为配电变压器的负荷曲线或者负荷特征向量，负荷特征向量包括配电变压器的平均负荷、配电变压器的负载率、配电变压器设定时段的负荷百分比中的至少一个。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定的聚类结果的准确度；若准确度大于或等于准确度阈值，则将基于多个第二电力负荷数据进行聚类的聚类结果作为最终的聚类结果；若准确度小于准确度阈值，则重新基于配电变压器的负荷曲线进行聚类，得到最终的聚类结果。
上述存储介质，通过确定电力负荷分类数量的取值范围，从而分别将取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值。根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值，进而将目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于聚类中心目标数量得到最终的聚类结果。这样可以基于最终的聚类结果，构建典型负荷画像，将典型负荷画像用于预测对应配电变压器的电力负荷。整个过程不需要预先设定聚类中心数量值，在每次聚类的聚类中心数量值和得到的聚类结果的误差值所确定的目标值中，选择最小值所对应的聚类中心数量作为聚类中心目标数量，利用误差值较小保证聚类结果的准确性，聚类中心数量值较小保证划分类别的集中性，使得最终的聚类结果所构建的典型负荷画像，可以准确地预测对应配电变压器的电力负荷，合理分配电力满足用户需求。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力负荷预测方法，其特征在于，所述方法包括：
获取多个第一电力负荷数据，并确定电力负荷分类数量的取值范围；
基于所述多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；所述第一电力负荷数据为配电变压器的负荷曲线；
根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；
将所述目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于所述聚类中心目标数量得到最终的聚类结果；
基于最终的聚类结果，构建典型负荷画像；所述典型负荷画像用于预测对应配电变压器的电力负荷。
2.根据权利要求1所述的方法，其特征在于，所述确定电力负荷分类数量的取值范围，包括：
接收输入的电力负荷分类数量的最大值和最小值；
将所述最大值和所述最小值之间的所有整数的集合作为用户分类数量的取值范围。
3.根据权利要求1所述的方法，其特征在于，所述基于多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，包括：
每次将所述取值范围内的一个数值作为聚类中心数量值k之后，在所述多个第一电力负荷数据中随机选取k个所述第一电力负荷数据，将k个所述第一电力负荷数据分别作为各个类别的聚类中心；
确定未作为所述聚类中心的所述第一电力负荷数据与各个所述聚类中心之间的距离，将未作为所述聚类中心的所述第一电力负荷数据分配到距离最小的所述聚类中心所在的类别中；
将与同一类别中其它的所述第一电力负荷数据之间的距离最小的所述第一电力负荷数据更新为所在类别的所述聚类中心；
若至少一个所述聚类中心更新前后的差值大于距离阈值，则重新确定未作为所述聚类中心的所述第一电力负荷数据与各个所述聚类中心之间的距离，将未作为所述聚类中心的所述第一电力负荷数据分配到距离最小的所述聚类中心所在的类别中，并将与同一类别中其它的所述第一电力负荷数据之间的距离最小的所述第一电力负荷数据更新为所在类别的所述聚类中心；
若k个所述聚类中心更新前后的差值均小于或等于距离阈值，则将所述多个第一电力负荷数据分配的类别作为聚类结果。
4.根据权利要求3所述的方法，其特征在于，所述确定每次聚类得到的聚类结果的误差值，包括：
采用如下公式计算所述误差值E：
Figure FDA0002811249760000021
其中，load(τ)为未作为所述聚类中心的所述第一电力负荷数据在时刻τ时的数值，C(τ)为同一类别中所述聚类中心在时刻τ时的数值。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值，包括：
对每次聚类的所述误差值和所述聚类中心数量值进行归一化；
将每次聚类归一化的所述误差值和所述聚类中心数量值在坐标系上对应点与原点之间的距离，作为对应的目标值。
6.根据权利要求1至4任意一项所述的方法，其特征在于，所述基于所述聚类中心目标数量得到最终的聚类结果，包括：
在分别将所述取值范围内的各个数值分别作为聚类中心数量值进行聚类得到的聚类结果中，将所述聚类中心目标数量对应的聚类结果确定为最终的聚类结果；
或者，
获取多个第二电力负荷数据，并基于所述多个第二电力负荷数据，将所述聚类中心目标数量作为聚类中心数量值进行聚类，得到最终的聚类结果；所述第二电力负荷数据为配电变压器的负荷曲线或者负荷特征向量，所述负荷特征向量包括配电变压器的平均负荷、配电变压器的负载率、配电变压器设定时段的负荷百分比中的至少一个。
7.根据权利要求6所述的方法，其特征在于，当所述第二电力负荷数据为所述负荷特征向量时，所述方法还包括：
确定的聚类结果的准确度；
若所述准确度大于或等于准确度阈值，则将基于多个第二电力负荷数据进行聚类的聚类结果作为最终的聚类结果；
若所述准确度小于准确度阈值，则重新基于所述配电变压器的负荷曲线进行聚类，得到最终的聚类结果。
8.一种电力负荷预测装置，其特征在于，所述装置包括：
范围确定模块，用于获取多个第一电力负荷数据，并确定电力负荷分类数量的取值范围；
聚类模块，用于基于所述多个第一电力负荷数据，分别将所述取值范围内的各个数值作为聚类中心数量值进行聚类，并确定每次聚类得到的聚类结果的误差值；所述第一电力负荷数据为配电变压器的负荷曲线；
目标确定模块，用于根据每次聚类的聚类中心数量值和得到的聚类结果的误差值，确定对应的目标值；
结果确定模块，用于将所述目标值中的最小值所对应的聚类中心数量值确定为聚类中心目标数量，并基于所述聚类中心目标数量得到最终的聚类结果；
画像构建模块，用于基于最终的聚类结果，构建典型负荷画像；所述典型负荷画像用于预测对应配电变压器的电力负荷。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202011387053.5A 2020-12-01 2020-12-01 电力负荷预测方法、装置、计算机设备和存储介质 Active CN112561138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011387053.5A CN112561138B (zh) 2020-12-01 2020-12-01 电力负荷预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011387053.5A CN112561138B (zh) 2020-12-01 2020-12-01 电力负荷预测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112561138A true CN112561138A (zh) 2021-03-26
CN112561138B CN112561138B (zh) 2022-10-25

Family

ID=75047142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011387053.5A Active CN112561138B (zh) 2020-12-01 2020-12-01 电力负荷预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112561138B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872204A (zh) * 2021-12-03 2021-12-31 全球能源互联网研究院有限公司 一种基于电网图拓扑计算的用电负荷性质确定方法及装置
CN114742153A (zh) * 2022-04-08 2022-07-12 国家电网有限公司大数据中心 一种基于配电网一张图的用电行为分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423769A (zh) * 2017-08-03 2017-12-01 四川大学 基于形态特征的电力负荷曲线自适应聚类方法
CN108681973A (zh) * 2018-05-14 2018-10-19 广州供电局有限公司 电力用户的分类方法、装置、计算机设备和存储介质
US20180351355A1 (en) * 2016-11-02 2018-12-06 China Electric Power Research Institute Company Limited Method for identifying pattern of load cycle
CN110071502A (zh) * 2019-04-24 2019-07-30 广东工业大学 一种短期电力负荷预测的计算方法
CN110689162A (zh) * 2019-08-12 2020-01-14 国电南瑞科技股份有限公司 一种基于用户侧分类的母线负荷预测方法、装置及系统
CN111476316A (zh) * 2020-04-28 2020-07-31 福建师范大学 一种基于云计算下电力负荷特征数据均值聚类的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180351355A1 (en) * 2016-11-02 2018-12-06 China Electric Power Research Institute Company Limited Method for identifying pattern of load cycle
CN107423769A (zh) * 2017-08-03 2017-12-01 四川大学 基于形态特征的电力负荷曲线自适应聚类方法
CN108681973A (zh) * 2018-05-14 2018-10-19 广州供电局有限公司 电力用户的分类方法、装置、计算机设备和存储介质
CN110071502A (zh) * 2019-04-24 2019-07-30 广东工业大学 一种短期电力负荷预测的计算方法
CN110689162A (zh) * 2019-08-12 2020-01-14 国电南瑞科技股份有限公司 一种基于用户侧分类的母线负荷预测方法、装置及系统
CN111476316A (zh) * 2020-04-28 2020-07-31 福建师范大学 一种基于云计算下电力负荷特征数据均值聚类的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汤小华: "基于聚类时间序列法的电力负荷预测", 《技术经济与管理》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872204A (zh) * 2021-12-03 2021-12-31 全球能源互联网研究院有限公司 一种基于电网图拓扑计算的用电负荷性质确定方法及装置
CN114742153A (zh) * 2022-04-08 2022-07-12 国家电网有限公司大数据中心 一种基于配电网一张图的用电行为分析方法

Also Published As

Publication number Publication date
CN112561138B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN112561138B (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN111242165B (zh) 商户聚类方法、装置、计算机设备和存储介质
CN112800231B (zh) 电力数据校验方法、装置、计算机设备和存储介质
CN111444363A (zh) 一种图片检索方法、装置、终端设备及存储介质
CN110166498B (zh) 用户类别确定方法及装置、计算机设备及存储介质
CN116167581A (zh) 电池需求量预估方法、装置、调度方法和计算机设备
CN114816711A (zh) 批量任务处理方法、装置、计算机设备和存储介质
CN106600119B (zh) 基于k均值的电力用户聚类方法及装置
CN115543664A (zh) 数据异常判定装置及内部状态预测系统
CN112464059B (zh) 配电网用户分类方法、装置、计算机设备和存储介质
CN113837467B (zh) 点对点能源项目评估方法、装置、计算机设备和存储介质
JP2019212043A (ja) 計算機システム及び学習制御方法
CN113282417B (zh) 任务分配方法、装置、计算机设备和存储介质
CN115310709A (zh) 一种基于粒子群算法的电力工程项目信息优化方法
CN111598390B (zh) 服务器高可用性评估方法、装置、设备和可读存储介质
CN113256422A (zh) 分仓账户识别方法、装置、计算机设备和存储介质
JP2021105772A (ja) リソース利用量の予測管理システム、リソース利用量の予測管理方法
AU2019200112A1 (en) Reciprocal distribution calculating method and reciprocal distribution calculating system for cost accounting
CN114218184B (zh) 工业互联网平台数据处理方法、装置及电子设备
CN115496392B (zh) 一种基于共识聚类的多目标电网阻塞分区方法及产品
CN112235152B (zh) 流量大小估算方法和装置
CN112036502B (zh) 图像数据比对方法、装置及系统
CN112098808B (zh) 一种电路检测方法、装置及设备
CN112116381B (zh) 基于lstm神经网络的月活预测方法、存储介质和计算机设备
Lu A Fluid Limit for Processor-Sharing Queues Weighted by Functions of Remaining Amounts of Service

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