CN112836769B - 基于主成分分析的需求响应用户分类方法及系统 - Google Patents

基于主成分分析的需求响应用户分类方法及系统 Download PDF

Info

Publication number
CN112836769B
CN112836769B CN202110263324.4A CN202110263324A CN112836769B CN 112836769 B CN112836769 B CN 112836769B CN 202110263324 A CN202110263324 A CN 202110263324A CN 112836769 B CN112836769 B CN 112836769B
Authority
CN
China
Prior art keywords
load
user
potential
period
demand response
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
Application number
CN202110263324.4A
Other languages
English (en)
Other versions
CN112836769A (zh
Inventor
肖云鹏
刘思捷
白杨
蔡秋娜
张兰
关玉衡
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.)
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Dispatch Control Center 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 Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority to CN202110263324.4A priority Critical patent/CN112836769B/zh
Publication of CN112836769A publication Critical patent/CN112836769A/zh
Application granted granted Critical
Publication of CN112836769B publication Critical patent/CN112836769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于主成分分析的需求响应用户分类方法及系统，其中分类方法包括：采集用户的用电负荷数据，根据所述用电负荷数据建立用户的综合需求响应潜力曲线；使用主成分分析法对所述综合需求响应潜力曲线进行降维；对降维后的综合需求响应潜力曲线进行聚类，得到用户分类结果。上述方法通过用户负荷曲线计算包含多种响应类型的综合需求响应潜力曲线，并基于主成分分析法获得该曲线中的主要成分，再用聚类算法得到更精细的用户群组分类，由于得到的用户分组结果内用户相似性高，因此分类准确性也更高，能够为准确评估需求响应潜力、制定需求响应方案和需求响应项目实施提供更有效的参考。

Description

基于主成分分析的需求响应用户分类方法及系统
技术领域
本发明涉及电力大数据技术领域，特别是涉及一种基于主成分分析的需求响应用户分类方法及系统。
背景技术
近年来，随着智能电表和电力物联网等技术在电力系统中的普及应用，电网的感知层下沉到了用户侧，对需求响应用户的管控也变得日趋精细化。
对需求响应用户进行准确分类是智能用电领域挖掘用户信息的一个主要步骤之一，电网公司通过获得用户侧的详细用电信息，并对用电信息进行大数据挖掘，得到各类用户分析用电习惯和用电特征，从而对用户的需求响应潜力进行准确评估。
传统的用户分类方法一般基于用户的行业性质对用户分类，如将用户分成工业用户、商业用户、居民用户等，这种分类方式过于粗略，无法表现用户实际的需求响应特征。
目前，基于用户用电数据的常规分类方法是采用聚类算法对用户的负荷曲线聚类，得到曲线形态和趋势相似的用户群组。然而用户的负荷曲线往往不能直观地表现其需求响应潜力，通过负荷曲线聚类得到的用户分类在准确性方面难以保证。
发明内容
针对上述技术问题，本发明提供一种基于主成分分析的需求响应用户分类方法及系统，通过利用主成分分析法获取用户综合需求响应潜力曲线中的主要成分，再利用聚类算法进行用户群组分类，得到更精细、更准确的用户分类结果。
本发明提供一种基于主成分分析的需求响应用户分类方法，包括：
采集用户的用电负荷数据，根据所述用电负荷数据建立用户的综合需求响应潜力曲线；
使用主成分分析法对所述综合需求响应潜力曲线进行降维；
对降维后的综合需求响应潜力曲线进行聚类，得到用户分类结果。
可选的，利用所采集的用电负荷数据建立用电负荷曲线；根据所述用电负荷曲线和用户标签信息构建结构化数据。
可选的，利用所述用电负荷数据分别计算用户的工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线。
可选的，利用所述结构化数据中的用户标签信息对得到的用户分类结果进行验证。
可选的，使用Kmeans算法对降维后的综合需求响应潜力曲线进行聚类。
可选的，利用用电负荷数据确定工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线的边界条件；
根据所述边界条件对所述工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线进行修正。
本发明还提供一种基于主成分分析的需求响应用户分类系统，包括：
建模单元，用于采集用户的用电负荷数据，根据所述用电负荷数据建立用户的综合需求响应潜力曲线；
降维单元，用于使用主成分分析法对所述综合需求响应潜力曲线进行降维；
分类单元，用于对降维后的综合需求响应潜力曲线进行聚类，得到用户分类结果。
可选的，所述建模单元还用于：利用所述用电负荷数据分别计算用户的工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线。
可选的，所述分类单元还用于：使用Kmeans算法对降维后的综合需求响应潜力曲线进行聚类。
本发明还提供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，实现如上述任一个实施例所述的方法。
相比现有技术，本发明的有益效果在于：
本发明提供的一种基于主成分分析的需求响应用户分类方法及系统通过用户负荷曲线计算包含多种响应类型的综合需求响应潜力曲线，并基于主成分分析法获得该曲线中的主要成分，再用聚类算法得到更精细的用户群组分类，由于得到的用户分组结果内用户相似性高，因此分类准确性也更高，能够为准确评估需求响应潜力、制定需求响应方案和需求响应项目实施提供更有效的参考。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于主成分分析的需求响应用户分类方法流程示意图；
图2是本发明实施例提供的基于主成分分析的需求响应用户分类系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如图1所示，本发明一个实施例提供一种方法，包括下述步骤。
S11：采集用户的用电负荷数据，根据所述用电负荷数据建立用户的综合需求响应潜力曲线。
在一个实施例中，可利用所采集的用电负荷数据建立用电负荷曲线，并根据用电负荷曲线和用户标签信息构建结构化数据。
具体地，设用户l第n天t时段的用电负荷为其中用户的集合为l∈U，采集数据的日数为N，每天24小时采集的时段数为T，得到用户l的负荷曲线结构化数据：
其中表示N×T维矩阵形式的用户负荷曲线，Labell表示用户的标签信息。
为了消除用户用电量对负荷曲线形状的影响，需对进行归一化，得到归一化的负荷数据为/>其中/>为：
其中，表示日均负荷曲线。
在一个实施例中，可利用用电负荷数据分别计算用户的工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线。
具体地，用户的工作日削峰负荷潜力、节假日削峰负荷潜力、负荷错时潜力和负荷轮休潜力通过下述方式确定。
1)工作日削峰负荷潜力
设工作日的集合为NW，则用户在工作日的可削峰需求响应潜力可以表示为：
2)节假日削峰负荷潜力
设节假日的集合为NV，且则用户在节假日t时刻的可削峰需求响应潜力可以表示为：
3)负荷错时潜力和/>
负荷错时潜力指的是将用户高峰时段负荷转移到其他时段的潜力，可分为将负荷提前和推迟两种，设置用户从高峰时段提前用电的最大时段为T1，推迟用电的最大时段为T2，则用户l的向前错时潜力和向后错时潜力分别为：
其中，即用户l第n日的负荷高峰时段。
4)负荷轮休潜力falt,t
考虑用户的工作日与节假日负荷的差异，将同一时刻工作日负荷与节假日负荷的差值定义为用户的负荷轮休潜力，表示将用电计划从工作日转移到周末进行的潜力。
负荷轮休潜力定义如下：
其中|a|+表示当a的值为负时，|a|+为0，否则|a|+＝a，表示仅考虑将负荷从工作日转移到周末。
在一个实施例中，可利用用户的用电负荷数据确定工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线的边界条件，再根据边界条件对工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线进行修正。
具体地，对用户的需求响应潜力需要考虑用户可响应的边界条件，边界条件包括日峰谷差、最大降负荷能力和最大升负荷能力。
1)日峰谷差
日峰谷差表示用户在所有时刻可削峰负荷的极限，可定义用户l的日峰谷差为：
其中|N|表示数据集的天数。
2)最大降负荷能力fslope1
最大降负荷能力用于衡量用户在削减负荷时的爬坡速率，即：用户最快能以多大速率削减负荷。
定义用户l的最大降负荷能力为：
3)最大升负荷能力fslope
最大降负荷能力用于衡量用户在提高负荷时的爬坡速率，即用户最快能以多大速率提高负荷。
定义用户l的最大升负荷能力为：
确定边界条件后，通过下述方式对用户的工作日削峰负荷潜力、节假日削峰负荷潜力、负荷错时潜力和负荷轮休潜力四个需求响应潜力进行修正：
1)修正后的工作日削峰负荷潜力为：
2)修正后的节假日削峰负荷潜力为：
3)修正后的负荷错时潜力和/>分别为：
4)修正后的负荷轮休潜力为：
进一步地，利用修正后的四个需求响应潜力得到用户l的综合需求响应潜力曲线，具体为：
通过上式可知，是一个Γ维向量，其中Γ＝3T+T1+T2。
S12：使用主成分分析法(PCA)对所述综合需求响应潜力曲线进行降维。
在该实施例中，首先将|U|个用户的综合需求响应潜力曲线合并为一个矩阵A：
其中|U|为用户个数，A为Γ×|U|矩阵；对于A的每一行，可得到长度为Γ的均值向量μ，其中μi为第i行的均值。
利用均值向量将A零均值化，得到行均值为0的矩阵如下：
对于矩阵，需得到/>矩阵的一个基变换矩阵P，使得原矩阵对P做基变换后，得到的新矩阵/>矩阵B满足协方差矩阵D接近对角矩阵。
D可以表示为：
其中C为Γ维的实对称矩阵，可进一步分解为以下形式：
其中，λ1,λ2,...,λΓ为C的本征值，v1,v2,...,vΓ为C的本征向量，Λ为本征值的对角矩阵。
将λ1,λ2,...,λΓ按从大到小排列，则对应的本征向量矩阵即为基转换的P，P为主成分的基转换矩阵：
P＝[v1,v2,...,vΓ]T
选取P中的前k个向量，表示保留了前k个主成分的基变换矩阵Pk＝[v1,v2,...,vk]T，其中k满足以下条件：
其中σ％为主成分保留百分比，σ％越接近100％，则PCA法降维后恢复的精度越高，但同时降维后的维数也越大，因此，σ％的值可选取为80％～90％之间。
通过PCA法对各用户的综合需求响应潜力曲线进行降维后，则用户需求响应潜力曲线为：
其中，Pk为k×Γ的PCA基变换矩阵，用户需求响应潜力曲线为k维。
S13：对降维后的综合需求响应潜力曲线进行聚类，得到用户分类结果。
在一个实施例中，可使用Kmeans算法对降维后的综合需求响应潜力曲线进行聚类，得到不同响应模式的用户群体分类，并通过Silhouette评价指标找到最优的聚类数量。
具体地，将用户需求响应潜力曲线表示为：
定义用户l和用户m的两个需求响应潜力曲线的相似度为欧式距离，即：
d(l,m)越小，两条曲线越相似。
在一个具体实施例中，将|U|个用户分为L个类别，令L＝Lmin，从用户的需求响应潜力曲线集合中随机选取L条曲线作为初始聚类中心θ：
计算|U|个用户需求响应潜力曲线集合中的每一条曲线与θ集合的各中心θj之间的相似度，对应将曲线分进与其相似度最高的聚类中心所代表的类：
其中，Cj代表第j类曲线构成的簇。
进一步地，计算新的聚类中心，新的聚类中心曲线应满足到簇中各曲线距离之和最小的曲线，即：
重复上述步骤，直至聚类中心收敛，则最后得到的分类Cj,j＝1,2,...,L为需求响应用户的分类结果。
为了评估需求响应用户分类结果的合理性，本发明一个实施例选取Silhouette指标评估聚类结果。
对于任意用户i∈Cj，计算用户i与同簇其他用户的平均距离：
进一步地，计算用户i到其他簇中的用户的最小平均距离，即：找到除了簇j以外，与用户i最相似的簇：
则用户i的Silhouette值s(i)为：
当b(i)>>a(i)时，s(i)越接近于1，表示说明用户i的分类越合理。
当聚类数为L时，得到聚类结果的Silhouette评价指标为：
调整L为L＝L+1，重复上述步骤，找到最佳的聚类数量并表示为：
根据聚类结果得到需求响应用户的最佳分类。
在一个实施例中，可利用所述结构化数据中的用户标签信息对得到的用户分类结果进行验证，以检验分类的合理性。
如图2所示，本发明另一个实施例提供一种基于主成分分析的需求响应用户分类系统，包括建模单元101、降维单元102和分类单元103：
建模单元101用于采集用户的用电负荷数据，根据所述用电负荷数据建立用户的综合需求响应潜力曲线。
降维单元102用于使用主成分分析法对所述综合需求响应潜力曲线进行降维。
分类单元103用于对降维后的综合需求响应潜力曲线进行聚类，得到用户分类结果。
上述系统内的各单元之间信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供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，实现如上述任一个实施例所述的基于主成分分析的需求响应用户分类方法。
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，所述的程序可存储于计算机可监听存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种基于主成分分析的需求响应用户分类方法，其特征在于，包括：
采集用户的用电负荷数据，根据所述用电负荷数据建立用户的综合需求响应潜力曲线；
使用主成分分析法对所述综合需求响应潜力曲线进行降维；
对降维后的综合需求响应潜力曲线进行聚类，得到用户分类结果；
其中，根据所述用电负荷数据建立用户的综合需求响应潜力曲线，具体为：
利用所述用电负荷数据分别计算用户的工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线；
所述工作日削峰负荷潜力曲线中的工作日削峰负荷潜力表示为：
式中，NW表示工作日的集合；T表示每天采集的时段数；和/>分别表示用户l在第n个工作日的时段t和时段τ的归一化负荷数据；/>表示用户l在时段t的工作日削峰负荷潜力；
所述节假日削峰负荷潜力曲线中节假日削峰负荷潜力表示为：
式中，NV表示节假日的集合；和/>分别表示用户l在第n个节假日的时段t和时段τ的归一化负荷数据；/>表示用户l在时段t的节假日削峰负荷潜力；
所述负荷错时潜力曲线中负荷错时潜力包括向前错时潜力和向后错时潜力；所述向前错时潜力表示为：
式中，t0表示用户l第n日的负荷高峰时段；N表示采集数据的日数；T1表示用户l从高峰时段提前用电的最大时段；表示用户l在时段t的向前错时潜力；
所述向后错时潜力表示为：
式中，t0表示用户l第n日的负荷高峰时段；N表示采集数据的日数；T1表示用户l从高峰时段提前用电的最大时段；表示用户l在时段t的向后错时潜力；
所述负荷轮休潜力曲线中的负荷轮休潜力表示为：
式中，|a|+表示当a的值为负时，|a|+为0，否则|a|+＝a；表示用户l在时段t的负荷轮休潜力。
2.根据权利要求1所述的基于主成分分析的需求响应用户分类方法，其特征在于，还包括：
利用所采集的用电负荷数据建立用电负荷曲线；
根据所述用电负荷曲线和用户标签信息构建结构化数据。
3.根据权利要求2所述的基于主成分分析的需求响应用户分类方法，其特征在于，还包括：
利用所述结构化数据中的用户标签信息对得到的用户分类结果进行验证。
4.根据权利要求1所述的基于主成分分析的需求响应用户分类方法，其特征在于，使用Kmeans算法对降维后的综合需求响应潜力曲线进行聚类。
5.根据权利要求1所述的基于主成分分析的需求响应用户分类方法，其特征在于，还包括：
利用用电负荷数据确定工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线的边界条件；
根据所述边界条件对所述工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线进行修正。
6.一种基于主成分分析的需求响应用户分类系统，其特征在于，包括：
建模单元，用于采集用户的用电负荷数据，根据所述用电负荷数据建立用户的综合需求响应潜力曲线；
降维单元，用于使用主成分分析法对所述综合需求响应潜力曲线进行降维；
分类单元，用于对降维后的综合需求响应潜力曲线进行聚类，得到用户分类结果；
其中，所述建模单元还用于：
利用所述用电负荷数据分别计算用户的工作日削峰负荷潜力曲线、节假日削峰负荷潜力曲线、负荷错时潜力曲线和负荷轮休潜力曲线；
所述工作日削峰负荷潜力曲线中的工作日削峰负荷潜力表示为：
式中，NW表示工作日的集合；T表示每天采集的时段数；和/>分别表示用户l在第n个工作日的时段t和时段τ的归一化负荷数据；/>表示用户l在时段t的工作日削峰负荷潜力；
所述节假日削峰负荷潜力曲线中节假日削峰负荷潜力表示为：
式中，NV表示节假日的集合；和/>分别表示用户l在第n个节假日的时段t和时段τ的归一化负荷数据；/>表示用户l在时段t的节假日削峰负荷潜力；
所述负荷错时潜力曲线中负荷错时潜力包括向前错时潜力和向后错时潜力；所述向前错时潜力表示为：
式中，t0表示用户l第n日的负荷高峰时段；N表示采集数据的日数；T1表示用户l从高峰时段提前用电的最大时段；表示用户l在时段t的向前错时潜力；
所述向后错时潜力表示为：
式中，t0表示用户l第n日的负荷高峰时段；N表示采集数据的日数；T1表示用户l从高峰时段提前用电的最大时段；表示用户l在时段t的向后错时潜力；
所述负荷轮休潜力曲线中的负荷轮休潜力表示为：
式中，|a|+表示当a的值为负时，|a|+为0，否则|a|+＝a；表示用户l在时段t的负荷轮休潜力。
7.根据权利要求6所述的基于主成分分析的需求响应用户分类系统，其特征在于，所述分类单元还用于：
使用Kmeans算法对降维后的综合需求响应潜力曲线进行聚类。
8.一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，实现如权利要求1至5任一项所述的基于主成分分析的需求响应用户分类方法。
CN202110263324.4A 2021-03-10 2021-03-10 基于主成分分析的需求响应用户分类方法及系统 Active CN112836769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110263324.4A CN112836769B (zh) 2021-03-10 2021-03-10 基于主成分分析的需求响应用户分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110263324.4A CN112836769B (zh) 2021-03-10 2021-03-10 基于主成分分析的需求响应用户分类方法及系统

Publications (2)

Publication Number Publication Date
CN112836769A CN112836769A (zh) 2021-05-25
CN112836769B true CN112836769B (zh) 2024-02-02

Family

ID=75929961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110263324.4A Active CN112836769B (zh) 2021-03-10 2021-03-10 基于主成分分析的需求响应用户分类方法及系统

Country Status (1)

Country Link
CN (1) CN112836769B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109634940A (zh) * 2018-11-12 2019-04-16 国网天津市电力公司电力科学研究院 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法
CN110781332A (zh) * 2019-10-16 2020-02-11 三峡大学 基于复合聚类算法的电力居民用户日负荷曲线聚类方法
CN110991638A (zh) * 2019-11-29 2020-04-10 国网山东省电力公司聊城供电公司 基于聚类及神经网络的广义负荷建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109634940A (zh) * 2018-11-12 2019-04-16 国网天津市电力公司电力科学研究院 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法
CN110781332A (zh) * 2019-10-16 2020-02-11 三峡大学 基于复合聚类算法的电力居民用户日负荷曲线聚类方法
CN110991638A (zh) * 2019-11-29 2020-04-10 国网山东省电力公司聊城供电公司 基于聚类及神经网络的广义负荷建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于聚类集成的用户负荷模式识别;黄剑文;严宇平;;计算机应用与软件(第12期);全文 *

Also Published As

Publication number Publication date
CN112836769A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
US11043808B2 (en) Method for identifying pattern of load cycle
CN109766950B (zh) 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法
CN112561156A (zh) 基于用户负荷模式分类的短期电力负荷预测方法
CN110781332A (zh) 基于复合聚类算法的电力居民用户日负荷曲线聚类方法
CN110503256A (zh) 基于大数据技术的短期负荷预测方法及系统
CN112819299A (zh) 一种基于中心优化的差分K-means负荷聚类方法
CN111582548A (zh) 一种基于多元用户行为画像的用电负荷预测方法
CN110866841A (zh) 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统
CN114611738A (zh) 一种基于用户用电行为分析的负荷预测方法
CN111784093A (zh) 一种基于电力大数据分析的企业复工辅助判断方法
CN111950620A (zh) 基于DBSCAN和K-means算法的用户筛选方法
CN112836769B (zh) 基于主成分分析的需求响应用户分类方法及系统
CN109034241A (zh) 基于支持向量机的负荷集群控制方法和系统
CN112257778A (zh) 一种基于用户用电行为的两阶段精细化聚类方法
CN117113126A (zh) 一种基于改进聚类算法的行业用电特性分析方法
CN111324790A (zh) 基于支持向量机分类的负荷类型识别方法
CN113988161B (zh) 一种用户用电行为模式识别方法
CN114722098A (zh) 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法
CN114358207A (zh) 一种改进的k-means异常负荷检测方法及系统
CN113780343A (zh) 一种基于lttb降维的双边斜率dtw距离负荷谱聚类方法
CN114970660A (zh) 一种电力负荷聚类方法
CN109493249B (zh) 一种用电数据在多时间尺度上的分析方法
CN114048200A (zh) 一种计及缺失数据补齐的用户用电行为分析方法
CN111915116A (zh) 一种基于K-means聚类的电力居民用户分类方法
Wang et al. Clustering of Consumption Behavior Dynamics

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