CN113705957A - 一种用户集群基线负荷估计方法、装置和终端设备 - Google Patents

一种用户集群基线负荷估计方法、装置和终端设备 Download PDF

Info

Publication number
CN113705957A
CN113705957A CN202110780395.1A CN202110780395A CN113705957A CN 113705957 A CN113705957 A CN 113705957A CN 202110780395 A CN202110780395 A CN 202110780395A CN 113705957 A CN113705957 A CN 113705957A
Authority
CN
China
Prior art keywords
users
spatial correlation
load
load data
cluster
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.)
Pending
Application number
CN202110780395.1A
Other languages
English (en)
Inventor
陶鹏
任鹏
张洋瑞
申洪涛
付文杰
李飞
王飞
彭雪风
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.)
State Grid Corp of China SGCC
North China Electric Power University
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Marketing Service Center of State Grid Hebei Electric Power 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 State Grid Corp of China SGCC, North China Electric Power University, Marketing Service Center of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110780395.1A priority Critical patent/CN113705957A/zh
Publication of CN113705957A publication Critical patent/CN113705957A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例涉及电力系统需求响应技术领域，公开了一种用户集群基线负荷估计方法、装置和终端设备。上述用户集群基线负荷估计方法包括：获取待估计用户集群的历史负荷数据；根据历史负荷数据对待估计用户集群进行聚类，得到多类用户及多类用户的负荷数据；根据多类用户的负荷数据计算多类用户之间的空间关联性，根据空间关联性构成空间关联性矩阵；将多类用户作为空间关联性无向图的节点，多类用户对应的负荷数据为节点特征；根据空间关联性矩阵，构建空间关联性无向图的边；基于空间关联性无向图估计待估计用户集群的基线负荷。本发明利用用户历史负荷数据，采用图卷积神经网络进行用户集群基线负荷估计，提高了集群基线负荷估计的准确性。

Description

一种用户集群基线负荷估计方法、装置和终端设备
技术领域
本发明涉及电网需求响应技术领域，具体涉及一种用户集群基线负荷估计方法、装置和终端设备。
背景技术
随着电力系统市场化的推进，需求响应技术受到了越来越多的关注，聚合商通过支付参与补偿金来聚集大量用户参与需求响应从而获取较大规模整体容量，然后向电力系统运营商出售这些容量获利。电力系统运营商向聚合商支付的奖励金根据集群负荷削减量得出，集群负荷削减量等于“如果所有用户不参与需求响应本应消耗的负荷与参与需求响应后实际消耗的负荷两者之差”，其中后者是实际测量数据，前者定义为集群用户基线负荷，即如果所有用户不参与需求响应本应消耗的负荷。
集群用户基线负荷是市场环境下编排合理交易策略的保障，集群基线负荷一旦被高估，相应的集群削减量就会被高估，电力系统运营商的利益会受到损失；集群基线负荷一旦被低估，相应的集群削减量也会被低估，聚合商的利益会受到损失。为了保证电力系统运营者与聚合商之间交易的公平性，需要对集群基线负荷进行准确估计。
现有技术中，集群基线负荷的估计结果通常只是个体用户基线负荷估计结果的简单加和。但是由于个体用户的用电行为波动较大，针对个体用户的基线负荷估计往往存在较大的误差，因而通过此种方法得到的集群基线估计结果的准确性并不理想。
发明内容
有鉴于此，本发明实施例提供了一种用户集群基线负荷估计方法，以解决现有技术中集群基线负荷估计准确率低的问题。
为达到上述目的，本发明采用如下技术方案：
第一方面，本发明实施例提供了一种用户集群基线负荷估计方法，包括：获取待估计用户集群的历史负荷数据；根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所述多类用户的负荷数据；根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵；将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征；根据所述空间关联性矩阵，构建所述空间关联性无向图的边；基于所述空间关联性无向图估计所述待估计用户集群的基线负荷。
基于第一方面，在一些实施例中，所述获取待估计用户集群的历史负荷数据，包括：获取待估计用户集群在DR日d前的K个非DR日的历史负荷数据，
Figure RE-GDA0003305228180000021
表示用户m在DR日d前的第k个非DR日的负荷数据；其中，
Figure RE-GDA0003305228180000022
表示第m个用户，
Figure RE-GDA0003305228180000023
表示集群基线负荷估计的M个目标用户；
Figure RE-GDA0003305228180000024
表示一天有T个时刻，d表示DR日，k表示DR日前的第k个非DR日。
基于第一方面，在一些实施例中，所述根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所述多类用户的负荷数据，包括：根据所述历史负荷数据，计算用户m在所述K个非DR日的典型负荷模式；典型负荷模式
Figure RE-GDA0003305228180000025
计算公式为：
Figure RE-GDA0003305228180000026
计算全部M个用户在所述K个非DR日的典型负荷模式，根据聚类性能的评价指标确定聚类数将全部M个用户聚为N类；
根据目标函数min f确定各类用户的聚类中心：
Figure RE-GDA0003305228180000031
式中
Figure RE-GDA0003305228180000032
为第n类用户的聚类中心，
Figure RE-GDA0003305228180000033
表示得到的N类用户，
Figure RE-GDA0003305228180000034
表示其中第n类用户。
基于第一方面，在一些实施例中，所述根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵，包括：计算第i类用户和第j类用户在所述K个非DR日聚合级别的典型负荷模式的空间关联性，如下：
Figure RE-GDA0003305228180000035
其中，
Figure RE-GDA0003305228180000036
为第i类用户和第j类用户的空间关联性，li,d-k表示第i类用户在DR日d前的第k个非DR日聚合级别的负荷数据，lj,d-k同理；将N类用户彼此之间的空间关联性指标构成N阶方阵H，所述方阵H为空间关联性矩阵，方阵H中的元素
Figure RE-GDA0003305228180000037
基于第一方面，在一些实施例中，所述将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征，包括： Ln,d＝[ln,d-K,…,ln,d-1]T表示第n类用户在所述K个非DR事件日聚合级别的负荷数据，将第n类用户作为空间关联性无向图上的节点Vn；第n类用户在所述K 个非DR事件日聚合级别的负荷数据以及DR事件日当天聚合级别的负荷数据 Fn＝[Ln,d,ln,d]作为节点Vn的节点特征；无向图上节点集合为
Figure RE-GDA0003305228180000038
节点特征集合为
Figure RE-GDA0003305228180000039
基于第一方面，在一些实施例中，所述根据所述空间关联性矩阵，构建所述空间关联性无向图的边，包括：将节点Vi和Vj之间的空间关联性作为空间关联性无向图的边，定义边为ei,j，ei,j的长度在数值上等于第i类用户和第j类用户在所述K个非DR日聚合级别的典型负荷模式的空间关联性的数值，即
Figure RE-GDA0003305228180000041
N类用户之间边ei,j的数据构成一个N阶对称方阵E，由于
Figure RE-GDA0003305228180000042
得出E＝H，方阵H为所述空间关联性矩阵。
基于第一方面，在一些实施例中，所述基于所述空间关联性无向图估计所述待估计用户集群的基线负荷，包括：计算所述空间关联性无向图G的拉普拉斯矩阵LG，提取用户集群历史负荷数据里的时间信息，定义
Figure RE-GDA0003305228180000043
为历史负荷数据对应的时间标签矩阵；选取所述空间关联性无向图中部分节点特征，将所有类用户在DR日前K个非DR日非DR时段的集群负荷数据
Figure RE-GDA0003305228180000044
及相应的时间标签TLBL作为特征Xtrain，如下：
Figure RE-GDA0003305228180000045
选取所述空间关联性无向图中部分节点特征，将所有类用户在DR日d当天非 DR时段的集群负荷数据作为标签Ytrain，如下：
Figure RE-GDA0003305228180000046
将标签Ytrain与特征Xtrain放入到图卷积神经网络中进行训练，如下：
Ytrain＝Ug(Λ)UTXtrain
其中
Figure RE-GDA0003305228180000047
是拉普拉斯矩阵LG的特征值矩阵，UT是特征值对应的特征函数矩阵，g()是特征与标签之间的函数关系，训练得到充分考虑用户负荷模式变化信息的集群基线负荷估计模型；选取所有类用户在DR日前K个非DR日DR 时段的集群负荷数据及相应的时间标签特征放入训练好的集群基线负荷估计模型，得到用户集群基线负荷的估计结果。
第二方面，本发明实施例提供了一种用户集群基线负荷估计装置，包括：信息获取模块，用于获取待估计用户集群的历史负荷数据；聚类模块，用于根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所诉多类用户的负荷数据；无向图构建模块，用于根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵；将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征；根据所述空间关联性矩阵，构建所述空间关联性无向图的边；负荷估计模块，用于基于所述空间关联性无向图估计所述待估计用户集群的基线负荷。
第三方面，本发明实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述用户集群基线负荷估计方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述用户集群基线负荷估计方法的步骤。
本发明实施例中，获取待估计用户集群的历史负荷数据；根据历史负荷数据对待估计用户集群进行聚类，得到多类用户及多类用户的负荷数据；根据多类用户的负荷数据计算多类用户之间的空间关联性，根据空间关联性构成空间关联性矩阵；将多类用户作为空间关联性无向图的节点，多类用户对应的负荷数据为节点特征；根据空间关联性矩阵，构建空间关联性无向图的边；基于空间关联性无向图估计待估计用户集群的基线负荷，能够大大提高集群基线负荷估计的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，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用户集群基线负荷估计方法的流程示意图；
图2是本发明实施例提供的用户集群基线负荷估计装置结构示意图；
图3是本发明实施例提供的终端设备的示意图。
具体实施方式
下面结合具体实施例对本发明进行更清楚的说明。以下实施例将有助于本领域的技术人员进一步理解本发明的作用，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
本发明实施例提供的一种用户集群基线负荷估计方法，如图1所示，该用户集群基线负荷估计方法可以包括步骤101至步骤105。
步骤101：获取待估计用户集群的历史负荷数据。
需求响应DR(Demand Response)事件日集群基线负荷(aggregated baselineload，ABL)的估计以DR事件日前待估计用户集群的历史负荷数据为依据。
以DR事件日d前的K个非DR日的负荷数据为依据。首先，要计算所有用户在这K个非DR日的典型负荷模式，其中，
Figure RE-GDA0003305228180000061
表示第m个用户，
Figure RE-GDA0003305228180000062
表示集群基线负荷估计的M个目标用户；
Figure RE-GDA0003305228180000063
表示一天有T个时刻。在此基础上，使用
Figure RE-GDA0003305228180000064
表示用户m在DR日d 前的第k个非DR日的负荷数据。
步骤102：根据历史负荷数据对待估计用户集群进行聚类，得到多类用户及多类用户的负荷数据。
用户m在上述K个非DR日的典型负荷模式计算公式为：
Figure RE-GDA0003305228180000065
按照上式计算所有M个用户在上述K个非DR日的典型负荷模式，以此为依据将用户聚为N类。聚类数N的选择依据簇内平方和与簇间变异的比率(Ratio of within ClusterSum of Squares to Between Cluster Variation,WCBCR)和戴维斯-博尔丹指数(Davies-Bouldin index,DBI)两个聚类性能的评价指标确定，选择不同的聚类数，计算各聚类数下的聚类性能DBI和WCBCR。综合考虑DBI与 WCBCR的要求以及聚类的复杂性，以确定最佳聚类数，并通过K-means聚类算法进行聚类。
Figure RE-GDA0003305228180000071
表示得到的N类用户，
Figure RE-GDA0003305228180000072
表示其中第n类用户，根据目标函数minf确定各类用户的聚类中心：
Figure RE-GDA0003305228180000073
式中
Figure RE-GDA0003305228180000074
为第n类用户的聚类中心。
步骤103：根据多类用户的负荷数据计算多类用户之间的空间关联性，根据空间关联性构成空间关联性矩阵。
Figure RE-GDA0003305228180000075
表示第n类用户在DR日d前的第k个非DR日聚合级别的负荷数据，li,d-k表示第i类用户在DR日d前的第k个非DR日聚合级别的负荷数据，lj,d-k同理。
计算第i类用户和第j类用户在上述K个非DR日聚合级别的典型负荷模式的空间关联性，如下：
Figure RE-GDA0003305228180000076
其中
Figure RE-GDA0003305228180000077
为第i类用户和第j类用户的空间关联性，其实质是第i类用户和第j类用户之间的差异性。
N类用户彼此之间的空间关联性指标构成一个N阶方阵
Figure RE-GDA0003305228180000079
称其为空间关联性矩阵，H方阵元素定义如下：
Figure RE-GDA0003305228180000078
步骤104：根据多类用户对应的负荷数据和多类用户之间的空间关联性矩阵，构建空间关联性无向图；
空间关联性无向图包含节点和边，首先构建节点无向图的节点， Ln,d＝[ln,d-K,…,ln,d-1]T表示第n类用户在上述K个非DR日聚合级别的负荷数据。在无向图的构建中，第n类用户作为无向图上的节点Vn，第n类用户的在上述K个非DR事件日聚合级别的负荷数据以及DR事件日当天聚合级别的负荷数据Fn＝[Ln,d,ln,d]作为节点Vn的节点特征。则无向图上节点集合为
Figure RE-GDA0003305228180000081
节点特征集合为
Figure RE-GDA0003305228180000082
然后构建空间关联性无向图的边，定义连接节点Vi和Vj的边为ei,j，ei,j的边长在数值上等于第i类用户和第j类用户在上述K个非DR日聚合级别的典型负荷模式的差异性，即
Figure RE-GDA0003305228180000083
在此基础上，N类用户之间边的数据可以构成一个N阶对称方阵
Figure RE-GDA0003305228180000084
由于
Figure RE-GDA0003305228180000085
得出E＝H。
步骤105：基于空间关联性无向图估计待估计用户集群的基线负荷。
无向图的节点与边均构建后，即可得到包含N类用户负荷信息和它们之间空间关联性的无向图G。针对上述无向图G，首先得到描述其拓扑结构的邻接矩阵
Figure RE-GDA0003305228180000086
如下式：
AG＝H (5)
由邻接矩阵AG可以得到对应的度矩阵
Figure RE-GDA0003305228180000087
和拉普拉斯矩阵
Figure RE-GDA0003305228180000088
度矩阵DG是N阶对角线方阵，对角线上的值为对应的节点连接的边的条数。拉普拉斯矩阵LG是度矩阵与邻接矩阵的差值，如下：
LG＝DG-AG (6)
提取用户集群历史负荷数据里的时间信息，定义
Figure RE-GDA0003305228180000089
为历史负荷数据对应的时间标签矩阵。
选取图中部分节点特征，即所有类用户在DR日前K个非DR日非DR时段的集群负荷数据及相应的时间标签作为特征Xtrain，如下：
Figure RE-GDA00033052281800000810
选取图中部分节点特征，即所有类用户在DR日d当天非DR时段的集群负荷数据作为标签Ytrain，如下：
Figure RE-GDA0003305228180000091
将标签Ytrain与特征Xtrain放入到图卷积神经网络中进行训练，如下：
Ytrain＝Ug(Λ)UTXtrain (9)
其中
Figure RE-GDA0003305228180000092
是拉普拉斯矩阵LG的特征值矩阵，UT是特征值对应的特征函数矩阵，g()是特征与标签之间的函数关系，训练得到充分考虑用户负荷模式变化信息的集群基线负荷估计模型。
选取所有类用户在DR日前K个非DR日DR时段的集群负荷数据及相应的时间标签作为新的特征，并将其输入到训练好的集群基线负荷估计模型中，根据该模型中特征与标签之间的函数关系g()，即可得到集群基线负荷的估计结果。
应用上述用户集群负荷估计方法时，无向图需要同步更新，即在估计每一个DR事件日的集群基线负荷时均需重新构建一张无向图进行训练。
本发明利用新颖的图卷积神经网络进行集群基线负荷估计，大大提高了集群基线负荷的估计精度，保证了需求响应结算时的公平性，有利于需求响应项目的实施与推广。
实施例1，以伦敦一包含数千居民用户的集群作为研究对象，通过伦敦政府官网获取这些居民的负荷数据。该数据集包含了5567个伦敦家庭在2011年 11月至2014年2月的用电数据，时间分辨率为30min。其中，有4411个用户未参与需求响应计划，他们的用电价格保持不变。在去除负荷数据缺失严重的用户后，剩余3588个未参与需求响应且具有较为完整数据的用户，本发明从中选取了2000个用户，以他们的用电数据为基础，进行了基于图卷积神经网络的ABL估计实验，验证了本发明提供的集群基线负荷估计方法的估计效果。
基于图卷积神经网络的集群基线负荷估计方法，包括以下步骤：
步骤1：从3588个用户中随机抽取2000个用户，采用DR事件日前的5 个非DR日的负荷数据为依据即K＝5，按照式(1)，计算这2000个用户在DR日前5个非DR日的典型负荷模式。选择不同的聚类数，计算各聚类数下的聚类性能DBI和WCBCR。在此基础上，综合考虑DBI与WCBCR的要求以及聚类的复杂性，以确定最佳聚类数，并执行K-means聚类。
步骤2：计算每一个聚类用户的集群负荷数据，找出每一个聚类用户在DR 日前五个非DR日的集群典型负荷模式。根据式(3)，计算不同类别集群用户之间的差异性，并形成一个矩阵，该矩阵即为用户的空间关联性矩阵，它可以描述不同类用户的空间分布。
步骤3：搭建一无向图。在此图中，每一个用户聚类均被视作一个点，不同类用户间历史典型负荷模式的差异性被视作连接对应节点的边的长度。同时，选取节点所对应的聚类用户在DR日当天以及DR日前5天的负荷数据作为该节点的节点特征。此无向图既包含了所有聚类用户的负荷信息，也包含了这些聚类用户的空间关联性。
步骤4：在步骤3的基础上，进行模型的训练。在训练过程中，选取历史数据中的节点特征，即所有类用户在DR日之前非DR日的非DR时段的负荷数据和这些数据的时间标签作为训练过程中的特征。相应地，选择所有类用户在DR日当天非DR时段的负荷数据作为训练过程中的标签。将它们输入到图卷积神经网络模型中进行训练。
步骤5：模型训练完成后，将所有类用户在DR日前5个非DR日DR时段的负荷数据作为训练过程中的特征输入到上述训练好的模型中，即可得到集群基线负荷估计结果。
步骤6：以上是针对某一个DR日进行集群基线负荷估计的方法步骤，对于后续DR日，重复上述5步分别进行估计即可。
步骤7：以上是针对特定的2000个用户在多个DR日进行集群基线负荷估计的方法步骤，对于其它集群用户，重复上述6步进行估计即可。
步骤8：本发明选取了100组用户，每组用户规模均为2000户。本发明首先估计了这100组用户的集群基线负荷，又选取了平均绝对误差MAE,平均绝对百分比误差MAPE,乖离率Bias三个指标对估计性能进行评估，并计算了100 组用户的平均估计性能。结果如下：平均MAE为19.3091，平均MAPE为2.5243，平均Bias为-1.8071。与传统方法相比，本发明在精度上有显著提高。
步骤9：在2013年11月25日，本发明估计的17时至20时8个时间点的负荷数据为：664.852kW,754.328kW,860.593kW,934.964kW,978.65kW, 1022.9kW,1035.07kW,1027.9kW。对应地，这8个时间点实际的负荷为： 688.984kW,785.694kW,860.217kW,937.158kW,1007.19,1021.11kW, 1032.91kW。可见，本发明的估计结果与实际结果即为接近，具有较高的准确性。
参见图2，本发明实施例提供了一种用户集群基线负荷估计装置30，包括：信息获取模块310、聚类模块320、无向图构建模块330和负荷估计模块340。
信息获取模块310，用于获取待估计用户集群的历史负荷数据。
聚类模块320，用于根据历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及多类用户的负荷数据。
无向图构建模块330，用于根据多类用户的负荷数据计算多类用户之间的空间关联性，根据空间关联性构成空间关联性矩阵；将多类用户作为空间关联性无向图的节点，多类用户对应的负荷数据为节点特征；根据空间关联性矩阵，构建空间关联性无向图的边。
负荷估计模块340，用于基于空间关联性无向图估计待估计用户集群的基线负荷。
图3是本发明一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如用户集群基线负荷估计程序。所述处理器40执行所述计算机程序42时实现上述用户集群基线负荷估计方法实施例中的步骤，例如图1所示的步骤101至步骤105。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块310至340的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成信息获取模块、聚类模块、无向图构建模块、和负荷估计模块。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图3仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4 的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用户集群基线负荷估计方法，其特征在于，包括：
获取待估计用户集群的历史负荷数据；
根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所述多类用户的负荷数据；
根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵；
将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征；根据所述空间关联性矩阵，构建所述空间关联性无向图的边；
基于所述空间关联性无向图估计所述待估计用户集群的基线负荷。
2.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述获取待估计用户集群的历史负荷数据，包括：
获取待估计用户集群在DR日d前的K个非DR日的历史负荷数据，
Figure FDA0003156555540000011
表示用户m在DR日d前的第k个非DR日的负荷数据；
其中，
Figure FDA0003156555540000012
表示第m个用户，
Figure FDA0003156555540000013
表示集群基线负荷估计的M个目标用户；
Figure FDA0003156555540000014
表示一天T个时刻，d表示DR日，k表示DR日前的第k个非DR日。
3.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所述多类用户的负荷数据，包括：
根据所述历史负荷数据，计算用户m在所述K个非DR日的典型负荷模式；
典型负荷模式
Figure FDA0003156555540000015
计算公式为：
Figure FDA0003156555540000016
计算M个用户在所述K个非DR日的典型负荷模式，根据聚类性能的评价指标确定聚类数将M个用户聚为N类；
根据目标函数min f确定各类用户的聚类中心：
Figure FDA0003156555540000021
式中
Figure FDA0003156555540000022
为第n类用户的聚类中心，
Figure FDA0003156555540000023
表示得到的N类用户，
Figure FDA0003156555540000024
表示其中第n类用户。
4.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵，包括：
计算第i类用户和第j类用户在所述K个非DR日聚合级别的典型负荷模式的空间关联性：
Figure FDA0003156555540000025
其中，
Figure FDA0003156555540000026
为第i类用户和第j类用户的空间关联性，li,d-k表示第i类用户在DR日d前的第k个非DR日聚合级别的负荷数据，lj,d-k同理；
将N类用户彼此之间的空间关联性指标构成N阶方阵H，所述方阵H为空间关联性矩阵，方阵H中的元素
Figure FDA0003156555540000027
5.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征，包括：
将第n类用户作为空间关联性无向图上的节点Vn，
Figure FDA00031565555400000210
表示第n类用户在所述K个非DR事件日聚合级别的负荷数据；
将第n类用户在所述K个非DR事件日聚合级别的负荷数据以及DR事件日当天聚合级别的负荷数据Fn＝[Ln,d,ln,d]作为节点Vn的节点特征；
其中，无向图上节点集合为
Figure FDA0003156555540000028
节点特征集合为
Figure FDA0003156555540000029
6.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述根据所述空间关联性矩阵，构建所述空间关联性无向图的边，包括：
将节点Vi和Vj之间的空间关联性作为空间关联性无向图的边，定义边为ei,j，ei,j的长度在数值上等于第i类用户和第j类用户在所述K个非DR日聚合级别的典型负荷模式的空间关联性的数值，即
Figure FDA0003156555540000031
N类用户之间边ei,j的数据构成一个N阶对称方阵E，由于
Figure FDA0003156555540000032
得出E＝H，方阵H为所述空间关联性矩阵。
7.如权利要求1所述的用户集群基线负荷估计方法，其特征在于，所述基于所述空间关联性无向图估计所述待估计用户集群的基线负荷，包括：
计算所述空间关联性无向图G的拉普拉斯矩阵LG，提取用户集群历史负荷数据里的时间信息，定义
Figure FDA0003156555540000033
为历史负荷数据对应的时间标签矩阵；
选取所述空间关联性无向图中部分节点特征，将所有类用户在DR日前K个非DR日非DR时段的集群负荷数据
Figure FDA0003156555540000034
及相应的时间标签TLBL作为特征Xtrain，如下：
Figure FDA0003156555540000035
选取所述空间关联性无向图中部分节点特征，将所有类用户在DR日d当天非DR时段的集群负荷数据作为标签Ytrain，如下：
Figure FDA0003156555540000036
将标签Ytrain与特征Xtrain放入到图卷积神经网络中进行训练，如下：
Ytrain＝Ug(Λ)UTXtrain
其中
Figure FDA0003156555540000037
是拉普拉斯矩阵LG的特征值矩阵，
Figure FDA0003156555540000038
是特征值对应的特征函数矩阵，g()是特征与标签之间的函数关系，训练得到充分考虑用户负荷模式变化信息的集群基线负荷估计模型；
选取所有类用户在DR日前K个非DR日DR时段的集群负荷数据及相应的时间标签特征放入训练好的集群基线负荷估计模型，得到用户集群基线负荷的估计结果。
8.一种用户集群基线负荷估计装置，其特征在于，包括：
信息获取模块，用于获取待估计用户集群的历史负荷数据；
聚类模块，用于根据所述历史负荷数据对所述待估计用户集群进行聚类，得到多类用户及所述多类用户的负荷数据；
无向图构建模块，用于根据所述多类用户的负荷数据计算所述多类用户之间的空间关联性，根据所述空间关联性构成空间关联性矩阵；将所述多类用户作为空间关联性无向图的节点，所述多类用户对应的负荷数据为节点特征；根据所述空间关联性矩阵，构建所述空间关联性无向图的边；
负荷估计模块，用于基于所述空间关联性无向图估计所述待估计用户集群的基线负荷。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述用户集群基线负荷估计方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7中任一项所述用户集群基线负荷估计方法的步骤。
CN202110780395.1A 2021-07-09 2021-07-09 一种用户集群基线负荷估计方法、装置和终端设备 Pending CN113705957A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110780395.1A CN113705957A (zh) 2021-07-09 2021-07-09 一种用户集群基线负荷估计方法、装置和终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110780395.1A CN113705957A (zh) 2021-07-09 2021-07-09 一种用户集群基线负荷估计方法、装置和终端设备

Publications (1)

Publication Number Publication Date
CN113705957A true CN113705957A (zh) 2021-11-26

Family

ID=78648809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110780395.1A Pending CN113705957A (zh) 2021-07-09 2021-07-09 一种用户集群基线负荷估计方法、装置和终端设备

Country Status (1)

Country Link
CN (1) CN113705957A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662761A (zh) * 2022-03-24 2022-06-24 国网江苏省电力有限公司南通供电分公司 一种基于负荷预测的可参与需求响应负荷辨识方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662761A (zh) * 2022-03-24 2022-06-24 国网江苏省电力有限公司南通供电分公司 一种基于负荷预测的可参与需求响应负荷辨识方法及系统

Similar Documents

Publication Publication Date Title
CN108959187A (zh) 一种变量分箱方法、装置、终端设备及存储介质
CN110246037B (zh) 交易特征预测方法、装置、服务器及可读存储介质
CN109544029A (zh) 一种台区线损的分析方法、分析装置及终端
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN112308335A (zh) 一种基于xgboost算法的短期电价预测方法及装置
CN113469506A (zh) 用户基线负荷估计方法、终端及计算机可读存储介质
CN113807705A (zh) 数字孪生运行驱动的配电网规划方法、装置及终端
CN113591900A (zh) 一种高需求响应潜力用户的识别方法、装置及终端设备
CN112163781A (zh) 基于多维度指标聚类的园区用电群体生命周期评价方法
CN106600146A (zh) 一种电费回收风险评价方法和装置
CN108770002A (zh) 基站流量分析方法、装置、设备及存储介质
CN113705957A (zh) 一种用户集群基线负荷估计方法、装置和终端设备
CN114461618A (zh) 一种计量缺失数据补全方法、装置及终端设备
CN108830663B (zh) 电力客户价值评价方法、系统及终端设备
CN117350794A (zh) 一种基于多模型融合的日前电价预测方法、装置及介质
CN116245380A (zh) 目标业务的业务问题的确定方法、装置、计算机设备
CN112039111A (zh) 一种新能源微电网参与电网调峰能力的方法及系统
CN114971053A (zh) 低压台区网络线损率在线预测模型的训练方法及装置
CN112101611B (zh) 房地产客户复购时间的预测方法、服务器及存储介质
CN115051363A (zh) 一种配网台区户变关系辨识方法、装置及计算机存储介质
Li et al. A game model of supply chain management based on fractal analysis of time series
CN114118608A (zh) 电网业务配比优化方法、装置、终端及存储介质
CN114971354A (zh) 一种水质等级评价方法、装置及介质
CN113589034A (zh) 一种配电系统的窃电检测方法、装置、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination