CN115496249A - 一种基于聚类算法的工业可调负荷潜力分析方法及系统 - Google Patents

一种基于聚类算法的工业可调负荷潜力分析方法及系统 Download PDF

Info

Publication number
CN115496249A
CN115496249A CN202210446323.8A CN202210446323A CN115496249A CN 115496249 A CN115496249 A CN 115496249A CN 202210446323 A CN202210446323 A CN 202210446323A CN 115496249 A CN115496249 A CN 115496249A
Authority
CN
China
Prior art keywords
adjustable load
capacity
sample set
equipment
clustering
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
CN202210446323.8A
Other languages
English (en)
Inventor
王薇蓉
武志宏
陈扬波
郭强
姚俊峰
索思远
卢建生
杨艳芳
梁中豪
张美玲
孙晋凯
邵晋光
许进
王泓静
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.)
Marketing Service Center of State Grid Shanxi Electric Power Co Ltd
Original Assignee
Marketing Service Center of State Grid Shanxi 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 Marketing Service Center of State Grid Shanxi Electric Power Co Ltd filed Critical Marketing Service Center of State Grid Shanxi Electric Power Co Ltd
Priority to CN202210446323.8A priority Critical patent/CN115496249A/zh
Publication of CN115496249A publication Critical patent/CN115496249A/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
    • G06Q10/04—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
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电网负荷调度技术领域，提出了一种基于聚类算法的工业可调负荷潜力分析方法及系统，包括获取多个可调节负荷设备的历史数据作为样本集，包括设备名称、设备所属行业、额定功率、运行容量、削峰调节容量和填谷调节容量；将样本集进行聚类处理，划分为K个类别；计算每个类别中所有可调节负荷设备的平均削峰调节容量和平均填谷调节容量，构建可调节负荷资源池特征库。通过上述技术方案，能够快速准确的预测设备的可调节负荷潜力，对负荷调度提供了可靠的数据基础。

Description

一种基于聚类算法的工业可调负荷潜力分析方法及系统
技术领域
本发明涉及电网负荷调度技术领域，具体的，涉及一种基于聚类算法的工业可调负荷潜 力分析方法及系统。
背景技术
随着经济结构的逐步调整，全社会用电量持续攀升，虽然电力建设高速发展，但局部性、 季节性的缺电问题依然存在。同时，为了推动能源结构转型和实现节能减排，风电、光伏等 新能源发电比重快速上升，使得发电侧资源的调峰能力明显不足，严重影响电力系统的安全 稳定运行。
为了应对日益严峻的供需不平衡问题，需求侧资源受到越来越多的重视。负荷调度作为 需求侧资源的重要组成部分，是缓解用电紧张的重要手段之一。可调负荷潜力是实现负荷调 度的重要参考依据，然而现有技术中鲜有对于可调负荷潜力的预测的研究。
发明内容
本发明提出一种基于聚类算法的工业可调负荷潜力分析方法及系统，通过对可调节负荷 设备的历史数据进行聚类，实现了可调节负荷潜力的预测，解决了上述技术问题。
本发明的技术方案如下：
第一方面，一种基于聚类算法的工业可调负荷潜力分析方法，包括如下步骤：
输入目标用户的可调节负荷设备参数，包括设备名称、设备所属行业、额定功率、运行 容量；
根据输入的可调节负荷设备参数，在可调节负荷资源池特征库寻找目标类别，获取目标 类别对应的平均削峰调节容量和平均填谷调节容量作为预测结果，所述目标类别具体为：设 备名称和所属行业；
所述可调节负荷资源池特征库的构建过程包括：
获取多个可调节负荷设备的历史数据作为样本集，包括设备名称、设备所属行业、额定 功率、运行容量、削峰调节容量和填谷调节容量；
将样本集进行聚类处理，划分为K个类别；
计算每个类别中所有可调节负荷设备的平均削峰调节容量和平均填谷调节容量，构建可 调节负荷资源池特征库。
第二方面，一种基于聚类算法的工业可调负荷潜力分析系统，包括，
第一获取模块，用于获取多个可调节负荷设备的历史数据作为样本集，包括设备名称、 设备所属行业、额定功率、运行容量、削峰调节容量和填谷调节容量；
第一处理模块，用于将样本集进行聚类处理，划分为K个类别；
第一计算模块，用于计算每个类别中所有可调节负荷设备的平均削峰调节容量和平均填 谷调节容量，构建可调节负荷资源池特征库；
第一输入模块，用于输入目标用户的可调节负荷设备参数，包括设备名称、设备所属行 业、额定功率、运行容量；
第二计算模块，用于根据输入的可调节负荷设备参数，在所述可调节负荷资源池特征库 寻找目标类别，获取目标类别对应的平均削峰调节容量和平均填谷调节容量作为预测结果。
第三方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序， 所述计算机程序被处理器执行时实现一种基于聚类算法的工业可调负荷潜力分析方法的步 骤。
本发明的工作原理及有益效果为：
本发明中，利用K-means聚类分析算法对可调节负荷设备的历史数据进行分类，构建可 调节负荷资源池特征库，根据目标用户输入的可调节负荷设备的参数自动寻找与之相似的类 别，并匹配该类别下的削峰响应容量和填谷响应容量，实现根据设备特征参数自动预测可调 节负荷潜力的效果。通过本发明，能够快速准确的预测设备的可调节负荷潜力，对负荷调度 提供了可靠的数据基础。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明可调节负荷特征库的设计流程图；
图2为本发明用户可调节负荷潜力预测流程图。
具体实施方式
下面将结合本发明实施例，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作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明 保护的范围。
实施例1
如图1～2所示，本实施例提出了一种基于聚类算法的工业可调负荷潜力分析方法，包括，
(1)获取已参与用电响应的多个可调节负荷设备的历史数据作为样本集，包括设备名 称、设备所属行业、额定功率、运行容量、削峰调节容量和填谷调节容量。
预处理可调节负荷设备历史数据，在聚类之前对可调节负荷数据做标准化和异常数据过 滤，处理数据包括设备名称、所属行业(同一种设备在不同行业下，调节负荷量不同)、额定 功率、运行容量、削峰调节容量、填谷调节容量。
(2)将样本集进行聚类处理，划分为K个类别，合理选取K值，采用Gap Statistic自动 化寻找最佳K值，并随机选取K个中心点；
聚类的紧支测度，使用类内样本点之间的欧式距离表示，记为Dk，Dk越小聚类的紧支性 越好，
Figure BDA0003617025270000031
标准化处理后得到，
Figure BDA0003617025270000032
利用Monte Carlo采样的方法获得参考测度值，
Gapn(k)＝En*logWk-logWk，
其中，
Figure BDA0003617025270000033
B为采样的次数；
为了修正Monte Carlo采样带来的误差，我们计算标准差来矫正，
Figure BDA0003617025270000034
其中，
Figure BDA0003617025270000035
选择满足Gapk≥Gapk+1-sk+1的最小K值作为最佳K值。
选取K个中心点，记为μ1，μ2，…，μk。
(3)定义损失函数
Figure BDA0003617025270000041
其中xi代表第i个样本，ci是xi所属的簇，
Figure BDA0003617025270000042
代表簇对应中心点，M是样本总数；
令t＝0,1,2，……为迭代步骤，重复执行收敛步骤，直到损失函数J单调递减到最小值， 即可调节负荷设备的聚类结果收敛；
收敛步骤为：
对于每个样本xi，将其分配到距离最近的中心
Figure BDA0003617025270000043
对于每一个类别，重新计算该类的中心
Figure BDA0003617025270000044
(5)基于聚类结果，计算每个类别中所有可调节负荷设备的平均削峰调节容量和平均 填谷调节容量，构建可调节负荷资源池特征库；
(6)输入未参与用电响应用户的可调节负荷设备参数，包括设备名称、设备所属行业、 额定功率、运行容量；根据输入的可调节负荷设备参数，在上述可调节负荷资源池特征库寻 找目标类别，获取目标类别对应的平均削峰调节容量和平均填谷调节容量作为预测结果。如 果目标用户有多个可调节负荷设备，将所有可调节负荷设备的预测结果想加即目标用户的可 调节潜力参数。
实施例2
基于与上述实施例1相同的构思，本实施例还提出了一种基于聚类算法的工业可调负荷 潜力分析系统，包括，
第一获取模块，用于获取已参与用电响应的多个可调节负荷设备的历史数据作为样本集， 包括设备名称、设备所属行业、额定功率、运行容量、削峰调节容量和填谷调节容量；
第一处理模块，用于将样本集进行聚类处理，划分为K个类别；
第一计算模块，用于计算每个类别中所有可调节负荷设备的平均削峰调节容量和平均填 谷调节容量，构建可调节负荷资源池特征库；
第一输入模块，用于输入未参与用电响应用户的可调节负荷设备参数，包括设备名称、 设备所属行业、额定功率、运行容量；
第二计算模块，用于根据输入的可调节负荷设备参数，在上述可调节负荷资源池特征库 寻找目标类别，获取目标类别对应的平均削峰调节容量和平均填谷调节容量作为预测结果。
进一步，上述第一处理模块包括，
第二处理模块，用于利用Gap Statistic自动化确定最佳类别个数K；
第一标记模块，用于选取K个中心点，记为μ1，μ2，…，μk；
第二标记模块，用于定义损失函数
Figure BDA0003617025270000051
其中xi代表第i个 样本，ci是xi所属的簇，μci代表簇对应中心点，M是样本总数；
第三处理模块，用于重复执行收敛步骤，直到损失函数J单调递减到最小值，即可调节 负荷设备的聚类结果收敛。
进一步，上述第二处理模块包括，
第三计算模块，用于计算每一类内样本点之间的欧式距离
Figure BDA0003617025270000052
第四处理模块，用于标准化处理后得到
Figure BDA0003617025270000053
第五处理模块，用于利用Monte Carlo采样的方法获得参考测度值
Gapn(k)＝En*logWk-logWk，其中
Figure BDA0003617025270000054
B为采样的次数；
第四计算模块，用于计算标准差
Figure BDA0003617025270000055
其中，
Figure BDA0003617025270000056
第一选择模块，用于选择满足Gapk≥Gapk+1-sk+1的最小K值作为最佳K值。
前述实施例中的一种基于聚类算法的工业可调负荷潜力分析方法的各种变化方式和具体 实例同样适用于本实施例的一种基于聚类算法的工业可调负荷潜力分析系统，通过前述一种 基于聚类算法的工业可调负荷潜力分析方法的详细描述，本领域技术人员可以清楚的知道本 实施例中一种基于聚类算法的工业可调负荷潜力分析系统的实施方法，所以为了说明书的简 洁，在此不再详述。
实施例3
基于与上述实施例1相同的构思，本实施例还提出了一种计算机可读存储介质，上述计 算机可读存储介质中存储有计算机程序，上述计算机程序被处理器执行时实现一种基于聚类 算法的工业可调负荷潜力分析方法的步骤。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之 内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于聚类算法的工业可调负荷潜力分析方法，其特征在于，包括如下步骤：
输入目标用户的可调节负荷设备参数，包括设备名称、设备所属行业、额定功率、运行容量；
根据输入的可调节负荷设备参数，在可调节负荷资源池特征库寻找目标类别，获取目标类别对应的平均削峰调节容量和平均填谷调节容量作为预测结果，所述目标类别具体为：设备名称和所属行业；
所述可调节负荷资源池特征库的构建过程包括：
获取多个可调节负荷设备的历史数据作为样本集，包括设备名称、设备所属行业、额定功率、运行容量、削峰调节容量和填谷调节容量；
将样本集进行聚类处理，划分为K个类别；
计算每个类别中所有可调节负荷设备的平均削峰调节容量和平均填谷调节容量，构建可调节负荷资源池特征库。
2.根据权利要求1所述的一种基于聚类算法的工业可调负荷潜力分析方法，其特征在于，所述将样本集进行聚类处理，划分为K个类别，包括，
利用Gap Statistic自动化确定最佳类别个数K；
选取K个中心点，记为μ1，μ2，…，μk；
定义损失函数
Figure FDA0003617025260000011
其中xi代表第i个样本，ci是xi所属的簇，
Figure FDA0003617025260000012
代表簇对应中心点，M是样本总数；
重复执行收敛步骤，直到损失函数J单调递减到最小值，完成聚类处理。
3.根据权利要求2所述的一种基于聚类算法的工业可调负荷潜力分析方法，其特征在于，所述利用Gap Statistic自动化确定最佳类别个数K，包括，
计算每一类内样本点之间的欧式距离
Figure FDA0003617025260000013
标准化处理后得到
Figure FDA0003617025260000014
利用Monte Carlo采样的方法获得参考测度值Gapn(k)＝En*logWk-logWk，其中
Figure FDA0003617025260000021
B为采样的次数；
计算标准差
Figure FDA0003617025260000022
其中，
Figure FDA0003617025260000023
Figure FDA0003617025260000024
选择满足Gapk≥Gapk+1-sk+1的最小K值作为最佳K值。
4.根据权利要求2所述的一种基于聚类算法的工业可调负荷潜力分析方法，其特征在于，所述收敛步骤包括，
对于每个样本xi，将其分配到距离最近的中心
Figure FDA0003617025260000025
对于每一个类别，重新计算该类的中心
Figure FDA0003617025260000026
其中t＝0,1,2，……，t为迭代步骤。
5.一种基于聚类算法的工业可调负荷潜力分析系统，其特征在于，包括，
第一获取模块，用于获取多个可调节负荷设备的历史数据作为样本集，包括设备名称、设备所属行业、额定功率、运行容量、削峰调节容量和填谷调节容量；
第一处理模块，用于将样本集进行聚类处理，划分为K个类别；
第一计算模块，用于计算每个类别中所有可调节负荷设备的平均削峰调节容量和平均填谷调节容量，构建可调节负荷资源池特征库；
第一输入模块，用于输入目标用户的可调节负荷设备参数，包括设备名称、设备所属行业、额定功率、运行容量；
第二计算模块，用于根据输入的可调节负荷设备参数，在所述可调节负荷资源池特征库寻找目标类别，获取目标类别对应的平均削峰调节容量和平均填谷调节容量作为预测结果。
6.根据权利要求5所述的一种基于聚类算法的工业可调负荷潜力分析系统，其特征在于，所述第一处理模块包括，
第二处理模块，用于利用Gap Statistic自动化确定最佳类别个数K；
第一标记模块，用于选取K个中心点，记为μ1，μ2，…，μk；
第二标记模块，用于定义损失函数
Figure FDA0003617025260000031
其中xi代表第i个样本，ci是xi所属的簇，
Figure FDA0003617025260000032
代表簇对应中心点，M是样本总数；
第三处理模块，用于重复执行收敛步骤，直到损失函数J单调递减到最小值，即可调节负荷设备的聚类结果收敛。
7.根据权利要求6所述的一种基于聚类算法的工业可调负荷潜力分析系统，其特征在于，所述第二处理模块包括，
第三计算模块，用于计算每一类内样本点之间的欧式距离
Figure FDA0003617025260000033
第四处理模块，用于标准化处理后得到
Figure FDA0003617025260000034
第五处理模块，用于利用Monte Carlo采样的方法获得参考测度值Gapn(k)＝En*logWk-logWk，其中
Figure FDA0003617025260000035
B为采样的次数；
第四计算模块，用于计算标准差
Figure FDA0003617025260000036
其中，
Figure FDA0003617025260000037
第一选择模块，用于选择满足Gapk≥Gapk+1-sk+1的最小K值作为最佳K值。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的一种基于聚类算法的工业可调负荷潜力分析方法的步骤。
CN202210446323.8A 2022-04-26 2022-04-26 一种基于聚类算法的工业可调负荷潜力分析方法及系统 Pending CN115496249A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210446323.8A CN115496249A (zh) 2022-04-26 2022-04-26 一种基于聚类算法的工业可调负荷潜力分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210446323.8A CN115496249A (zh) 2022-04-26 2022-04-26 一种基于聚类算法的工业可调负荷潜力分析方法及系统

Publications (1)

Publication Number Publication Date
CN115496249A true CN115496249A (zh) 2022-12-20

Family

ID=84464376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210446323.8A Pending CN115496249A (zh) 2022-04-26 2022-04-26 一种基于聚类算法的工业可调负荷潜力分析方法及系统

Country Status (1)

Country Link
CN (1) CN115496249A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795335A (zh) * 2023-02-02 2023-03-14 国家邮政局邮政业安全中心 物流网点异常识别方法、装置及电子设备
CN116957306A (zh) * 2023-09-20 2023-10-27 国网山西省电力公司营销服务中心 基于资源协同互动的用户侧响应潜力评估方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795335A (zh) * 2023-02-02 2023-03-14 国家邮政局邮政业安全中心 物流网点异常识别方法、装置及电子设备
CN116957306A (zh) * 2023-09-20 2023-10-27 国网山西省电力公司营销服务中心 基于资源协同互动的用户侧响应潜力评估方法及系统
CN116957306B (zh) * 2023-09-20 2024-01-12 国网山西省电力公司营销服务中心 基于资源协同互动的用户侧响应潜力评估方法及系统

Similar Documents

Publication Publication Date Title
CN115496249A (zh) 一种基于聚类算法的工业可调负荷潜力分析方法及系统
CN111199016A (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN104809658B (zh) 一种低压配网台区线损的快速分析方法
CN111680764B (zh) 一种行业复工复产程度监控方法
KR102215690B1 (ko) 시계열의 데이터를 모니터링 하는 방법 및 그 장치
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
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
CN108520310A (zh) 基于G-L混合噪声特性v-支持向量回归机的风速预报方法
CN113139880A (zh) 风电机组实际功率曲线拟合方法、装置、设备及存储介质
CN111046913A (zh) 一种负荷异常值识别方法
CN110796159A (zh) 基于k-means算法的电力数据分类方法及系统
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
Obi et al. Including exogenous factors in the evaluation of harvesting crew technical efficiency using a multi-step data envelopment analysis procedure
CN116699446A (zh) 退役电池快速分选方法、装置、设备及存储介质
CN112365164B (zh) 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN113780686A (zh) 一种面向分布式电源的虚拟电厂运行方案优化方法
CN116365519B (zh) 一种电力负荷预测方法、系统、存储介质及设备
CN105590167A (zh) 电场多元运行数据分析方法及装置
CN115935212A (zh) 一种基于纵向趋势预测的可调节负荷聚类方法及系统
CN114358207A (zh) 一种改进的k-means异常负荷检测方法及系统
Yan et al. A clustering method for power time series curves based on improved self-organizing mapping algorithm
Cupek et al. Improving KPI based performance analysis in discrete, multi-variant production
CN116308190B (zh) 基于能源物联网服务系统的工单全生命周期监控方法

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