CN115758184A - 应用于电力用户的聚类分析方法及装置 - Google Patents

应用于电力用户的聚类分析方法及装置 Download PDF

Info

Publication number
CN115758184A
CN115758184A CN202211458503.4A CN202211458503A CN115758184A CN 115758184 A CN115758184 A CN 115758184A CN 202211458503 A CN202211458503 A CN 202211458503A CN 115758184 A CN115758184 A CN 115758184A
Authority
CN
China
Prior art keywords
clustering
matrix
membership
initial
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.)
Pending
Application number
CN202211458503.4A
Other languages
English (en)
Inventor
王宁
舒康安
吴敬慧
张�杰
陈青
罗锦庆
朱文俊
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.)
Guangdong Electric Power Transaction Center Co ltd
Original Assignee
Guangdong Electric Power Transaction Center 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 Guangdong Electric Power Transaction Center Co ltd filed Critical Guangdong Electric Power Transaction Center Co ltd
Priority to CN202211458503.4A priority Critical patent/CN115758184A/zh
Publication of CN115758184A publication Critical patent/CN115758184A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种应用于电力用户的聚类分析方法及装置，所述方法包括获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；结合初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；基于最大隶属度原则，输出用户的聚类结果。本发明提供的方法能够在保障聚类质量的情况下高效可信的完成对于不同类型电力用户的分类，为后续基于用户分类来进行典型负荷曲线的制定、用户分类需求响应管控等提供基础。

Description

应用于电力用户的聚类分析方法及装置
技术领域
本发明属于电力技术领域，具体涉及一种应用于电力用户的聚类分析方法及装置。
背景技术
随着社会经济的发展，电力用户呈现出分化发展的态势，用户在不同的天气、市场价格、经济形式等因素下的用电特性会出现不同的分化特性。传统的电力用户聚类方法，通常使用诸如K-means、C-means等统计学方法对电力居民用户、电力工业用户、地方电网企业等用户的历史用电信息进行聚合从而完成对电力用户的分类；随着经济及气候环境的发展，也有人进一步考虑气候因素，分季节应用传统统计学方法对用户进行分类。
相关技术中，对电力用户的分类多从电力负荷数据本身入手，通过应用各种不同的聚类分析方法，对不同区域的用户进行聚类分析，从而达到对于不同用户分类的目的，但是实际上，随着经济环境的发展及负荷控制技术的发展，不同用户的负荷特性不仅与其自身生产、生活特性相关，也与电力市场价格、气候等多种因素相关，传统的仅仅基于历史用电数据分析的方法可能无法精确对不同类型的用户进行聚类。同时，随着电力用户的数量急剧增加，传统聚类方法在分析海量的小型电力用户时，效率比较低。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种应用于电力用户的聚类分析方法及装置，以解决现有技术中聚类方法在分析海量的小型电力用户时，效率比较低的问题。
为实现以上目的，本发明采用如下技术方案：一种应用于电力用户的聚类分析方法，包括：
获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；
根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；
结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；
基于最大隶属度原则，输出用户的聚类结果。
进一步的，所述历史用电数据包括用电量、电价、气温以及湿度；对所述用电数据进行预处理，得到待处理数据，包括：
对不同用户的历史用电数据进行标幺化；
针对同一个用户的标幺化数据分别构建用电量、电价、气温以及湿度的特征向量。
进一步的，根据所述用户聚类数和初始隶属度矩阵采用以下方式，计算得到初始聚类中心矩阵，包括：
根据用户聚类数和初始隶属度矩阵计算用户每个分类的聚类中心；
所有的聚类中心构成初始聚类中心矩阵；
其中，根据用户聚类数和初始隶属度矩阵采用以下方式计算用户每个分类的聚类中心，
Figure BDA0003954516640000021
所有的聚类中心构成初始聚类中心矩阵，
Figure BDA0003954516640000022
其中，cs为第s个分类的聚类中心，s＝1,2,…,Sl；
Figure BDA0003954516640000031
表示第l种信息Ul中的第t个数据隶属于第s个分类的隶属度；r为隶属度
Figure BDA0003954516640000032
的指数权重因子；
Figure BDA0003954516640000033
为用户u第l种信息中第t个数据；初始隶属度矩阵为Sl×Tu的矩阵，对于单个数据，其属于各个类的可能性取值范围在0到1之间，且其隶属度之和为1，即：
Figure BDA0003954516640000038
Figure BDA0003954516640000034
Figure BDA0003954516640000035
表示第l种信息Ul中的第t个数据隶属于第s个分类的隶属度。
进一步的，所述初始聚类中心矩阵的聚类目标函数为
Figure BDA0003954516640000036
其中，J为每个数据样本到每个聚类中心的距离之和；
Figure BDA0003954516640000037
为用户u第l种信息中第t个数据到第s类中心的度量距离；
所述聚类目标函数对应的约束条件，包括：
边界条件约束、连续性约束及单调性约束。
进一步的，结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，包括：
对聚类目标函数求解得到优化聚类中心，并根据所述聚类中心矩阵得到优化隶属度；
根据所述优化聚类中心重新计算用户u第l种信息中第t个数据到第s类中心的动态扭曲距离；
根据所述动态扭曲距离得到新的聚类目标函数，并对新的聚类目标函数进行求解，得到新优化聚类中心和新优化隶属度；
根据所述新优化隶属度与优化隶属度的差值判断是否满足收敛条件，如果满足，则输出相应的优化隶属度中心矩阵和优化聚类中心矩阵；否则，根据新优化聚类中心，重新计算动态扭曲距离。
进一步的，所述迭代优化的收敛条件为
Figure BDA0003954516640000041
其中，p为迭代次数，ε为收敛度。
进一步的，根据最大隶属度原则和迭代收敛时得到的隶属度矩阵可确定每个用户u的第l类信息所属的分类s。
进一步的，采用拉格朗日法以所述聚类目标函数最小为目标进行求解。
本申请实施例提供一种应用于电力用户的聚类分析装置，包括：
获取模块，用于获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；
构建模块，用于根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；
收敛模块，用于结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；
输出模块，用于基于最大隶属度原则，输出用户的聚类结果。
本发明采用以上技术方案，能够达到的有益效果包括：
本发明提供一种应用于电力用户的聚类分析方法及装置，本申请通过对用户的历史用电数据进行预处理，然后依据待处理数据建立隶属度矩阵，然后用户聚类数通过隶属度矩阵，就可以得到初始聚类中心矩阵，结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵，基于最大隶属度原则，输出用户的聚类结果。本申请能够在保障聚类质量的情况下高效可信的完成对于不同类型电力用户的分类，为后续基于用户分类来进行典型负荷曲线的制定、用户分类需求响应管控等提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明应用于电力用户的聚类分析方法的步骤示意图；
图2为本发明初始聚类中心矩阵迭代优化的流程示意图；
图3为本发明应用于电力用户的聚类分析装置的结构示意图；
图4为本发明应用于电力用户的聚类分析方法涉及的计算机设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的应用于电力用户的聚类分析方法及装置。
如图1所示，本申请实施例中提供的应用于电力用户的聚类分析方法，包括：
S101，获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；
需要说明的是，用电数据包括用电量信息、电价信息、气温信息和湿度信息。具体为，用户历史用电量(Qu,t)、电价(Pu,t)、气温(Mu,t)、湿度(Hu,t)等时间序列信息。其中，u表示不同用户，t表示不同时段。
一些实施例中，对所述用电数据进行预处理，得到待处理数据，包括：
对不同用户的历史用电数据进行标幺化；
针对同一个用户的标幺化数据分别构建用电量、电价、气温以及湿度的特征向量。
本申请中预处理包括对用电数据进行标幺化，以及对标幺化数据构建多维度的特征向量。
首先，对不同用户u的历史用电量数据进行标幺化：
Figure BDA0003954516640000061
Figure BDA0003954516640000062
Figure BDA0003954516640000063
Figure BDA0003954516640000064
其中，t＝1,2,…,Tu，Tu表示用户u可采集数据的总时段数。
然后，针对用户u，分别构建其用电量、电价、气温、湿度的特征向量：
Figure BDA0003954516640000071
其中，
Figure BDA0003954516640000072
表示不同信息类别的特征向量，l＝1,2,3,4分别对应用电量、电价、气温和湿度。
S102，根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；
本申请中针对Ul，将其分为Sl类，其中2≤Sl≤Tu。针对第l类样本数据，建立隶属度矩阵
Figure BDA0003954516640000073
和聚类中心矩阵
Figure BDA0003954516640000074
其中：cs为第s个分类的聚类中心，s＝1,2,…,Sl。隶属度矩阵为Sl×Tu的矩阵，对于单个数据，其属于各个类的可能性取值范围在0到1之间，且其隶属度之和为1，即：
Figure BDA0003954516640000075
Figure BDA0003954516640000076
其中，
Figure BDA0003954516640000077
表示第l种信息Ul中的第t个数据隶属于第s个分类的隶属度。
一些实施例中，根据所述用户聚类数和初始隶属度矩阵采用以下方式，计算得到初始聚类中心矩阵，包括：
根据用户聚类数和初始隶属度矩阵计算用户每个分类的聚类中心；
所有的聚类中心构成初始聚类中心矩阵；
其中，根据用户聚类数和初始隶属度矩阵采用以下方式计算用户每个分类的聚类中心，
Figure BDA0003954516640000081
所有的聚类中心构成初始聚类中心矩阵，
Figure BDA0003954516640000082
其中，cs为第s个分类的聚类中心，s＝1,2,…,Sl；
Figure BDA0003954516640000083
表示第l种信息Ul中的第t个数据隶属于第s个分类的隶属度；r为隶属度
Figure BDA0003954516640000084
的指数权重因子；
Figure BDA0003954516640000085
为用户u第l种信息中第t个数据。
S103，结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；
一些实施例中，结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，包括：
对聚类目标函数求解得到优化聚类中心，并根据所述聚类中心矩阵得到优化隶属度；
根据所述优化聚类中心重新计算用户u第l种信息中第t个数据到第s类中心的动态扭曲距离；
根据所述动态扭曲距离得到新的聚类目标函数，并对新的聚类目标函数进行求解，得到新优化聚类中心和新优化隶属度；
根据所述新优化隶属度与优化隶属度的差值判断是否满足收敛条件，如果满足，则输出相应的优化隶属度中心矩阵和优化聚类中心矩阵；否则，根据新优化聚类中心，重新计算动态扭曲距离。
具体的，本申请中FCM聚类算法，可以得到聚类目标函数为：
Figure BDA0003954516640000091
式中，J为每个数据样本到每个聚类中心的距离之和，r为隶属度
Figure BDA0003954516640000092
的指数权重因子；
Figure BDA0003954516640000093
为用户u第l种信息中第t个数据到第s类中心的度量距离，本文采用动态扭曲距离表示，动态扭曲距离的计算方式如下。
其中，
Figure BDA0003954516640000094
也就是动态扭曲距离，具体如下：
计算历史用电信息、电价信息、气温信息、湿度信息等数据Ul与聚类中心Cl之间的动态扭曲距离。
序列Ul和Cl的数据长度分别是Tu和Sl，即
Figure BDA0003954516640000095
Figure BDA0003954516640000096
设置扭曲路径W，该路径定义了序列Ul和C之间的一个映射，W的第k个元素定义为wk＝(t,s)k，由此得到路径集为W＝{w1,…,wk,…,wK}，满足：
max(Tu,Sl)≤K≤Sl+Tu-1 (10)
约束条件为：
(1)边界条件：w1＝(1,1)，wk＝(Tu,Sl)。即扭曲路径必须从矩阵的起始位置处开始和结束位置处结束。
(2)连续性：给定wk＝(a,b)，wk-1＝(a',b')。要求a-a'≤1和b-b'≤1扭曲路径每一步的设定都是连续的。
(3)单调性：wk＝(a,b)，wk-1＝(a',b')。要求a-a'≥1和b-b'≥1路径必须在时间轴上是单调的。
设置路径满足最小扭曲代价为：
Figure BDA0003954516640000101
由此，两个时间序列上的任意两点间的动态扭曲距离可以表示为：
Figure BDA0003954516640000102
Figure BDA0003954516640000103
为序列点xi与yi之间的欧式距离，表示为：
Figure BDA0003954516640000104
其初始条件为
Figure BDA0003954516640000105
由此针对每一个特定的(t,s)点，通过式(12)可以计算得到
Figure BDA0003954516640000106
与cs之间的动态扭曲距离γ(t,s)，即
Figure BDA0003954516640000107
然后采用拉格朗日法对聚类目标函数进行求解，当聚类目标函数最小时有：
Figure BDA0003954516640000108
Figure BDA0003954516640000109
具体的，在进行迭代优化时，首先初始化满足约束条件隶属度矩阵，根据式(8)计算聚类中心矩阵，然后将得到的聚类中心矩阵作为输入，根据式(14)计算隶属度矩阵，根据所述新优化隶属度与优化隶属度的差值判断是否满足收敛条件，如果满足，则输出最后一次计算得到的隶属度中心矩阵和聚类中心矩阵，如果不能满足收敛条件，则将刚刚得到的聚类中心矩阵作为输入，再次根据式(14)计算隶属度矩阵等步骤。
迭代寻优的终止条件设置为：
Figure BDA0003954516640000111
式中，p为迭代次数,ε为收敛度。
S104，基于最大隶属度原则，输出用户的聚类结果。
在得到最终的聚类中心矩阵后，需要对用户进行分类时，可以将用户的历史用电数据输入至聚类中心矩阵中，就可以得到用户聚类结果。
本申请中根据最大隶属度原则和迭代收敛时得到的隶属度矩阵可确定每个用户u的第l类信息所属的分类s。即若用户信息序列对Ul对第s个聚类中心的隶属度
Figure BDA0003954516640000112
满足：
Figure BDA0003954516640000113
则该用户的第l类信息归属第s个类族。
应用于电力用户的聚类分析方法的工作原理为：本发明提出了一种电力用户的聚类分析方法及装置，该方法基于电力用户历史用电信息、电力市场价格、气温、湿度等时间序列数据，应用基于动态扭曲距离的模糊C均值(FCM)时间序列聚类分析算法，在保障聚类质量的情况高效可信的完成对于不同类型电力用户的分类，为后续基于用户分类来进行典型负荷曲线的制定、用户分类需求响应管控等提供基础。例如，针对用电量，能够将用户聚类为大型用电量用户、中型用电量用户以及小型用电量用户。
如图3所示，本申请实施例提供一种应用于电力用户的聚类分析装置，包括：
获取模块201，用于获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；
构建模块202，用于根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；
收敛模块203，用于结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；
输出模块204，用于基于最大隶属度原则，输出用户的聚类结果。
本申请提供的应用于电力用户的聚类分析装置的工作原理为，获取模块201获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；构建模块202根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；收敛模块203结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；输出模块204基于最大隶属度原则，输出用户的聚类结果。
本申请提供一种计算机设备，包括：存储器和处理器，还可以包括网络接口，所述存储器存储有计算机程序，存储器可以包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。该计算机设备存储有操作系统，存储器是计算机可读介质的示例。所述计算机程序被所述处理器执行时，使得所述处理器执行应用于电力用户的聚类分析方法，图4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，本申请提供的应用于电力用户的聚类分析方法可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。
一些实施例中，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；基于最大隶属度原则，输出用户的聚类结果。
本申请还提供一种计算机存储介质，计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光光盘(DVD)或其他光学存储、磁盒式磁带存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
一些实施例中，本发明还提出了一种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，获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；基于最大隶属度原则，输出用户的聚类结果。
综上所述，本发明提供一种应用于电力用户的聚类分析方法及装置，包括获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；基于最大隶属度原则，输出用户的聚类结果。本发明提供的方法能够在保障聚类质量的情况下高效可信的完成对于不同类型电力用户的分类，为后续基于用户分类来进行典型负荷曲线的制定、用户分类需求响应管控等提供基础。
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
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和光学存储器等)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方法的制造品，该指令方法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，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种应用于电力用户的聚类分析方法，其特征在于，包括：
获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；
根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；
结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；
基于最大隶属度原则，输出用户的聚类结果。
2.根据权利要求1所述的方法，其特征在于，所述历史用电数据包括用电量、电价、气温以及湿度；对所述用电数据进行预处理，得到待处理数据，包括：
对不同用户的历史用电数据进行标幺化；
针对同一个用户的标幺化数据分别构建用电量、电价、气温以及湿度的特征向量。
3.根据权利要求2所述的方法，其特征在于，根据所述用户聚类数和初始隶属度矩阵采用以下方式，计算得到初始聚类中心矩阵，包括：
根据用户聚类数和初始隶属度矩阵计算用户每个分类的聚类中心；
所有的聚类中心构成初始聚类中心矩阵；
其中，根据用户聚类数和初始隶属度矩阵采用以下方式计算用户每个分类的聚类中心，
Figure FDA0003954516630000011
所有的聚类中心构成初始聚类中心矩阵，
Figure FDA0003954516630000012
其中，cs为第s个分类的聚类中心，s＝1,2,…,Sl；
Figure FDA0003954516630000021
表示第l种信息Ul中的第t个数据隶属于第s个分类的隶属度；r为隶属度
Figure FDA0003954516630000022
的指数权重因子；
Figure FDA0003954516630000023
为用户u第l种信息中第t个数据；初始隶属度矩阵为Sl×Tu的矩阵，对于单个数据，其属于各个类的可能性取值范围在0到1之间，且其隶属度之和为1，即：
Figure FDA0003954516630000024
Figure FDA0003954516630000025
Figure FDA0003954516630000026
表示第l种信息Ul中的第t个数据隶属于第s个分类的隶属度。
4.根据权利要求3所述的方法，其特征在于，所述初始聚类中心矩阵的聚类目标函数为
Figure FDA0003954516630000027
其中，J为每个数据样本到每个聚类中心的距离之和；
Figure FDA0003954516630000028
为用户u第l种信息中第t个数据到第s类中心的度量距离；
所述聚类目标函数对应的约束条件，包括：
边界条件约束、连续性约束及单调性约束。
5.根据权利要求4所述的方法，其特征在于，结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，包括：
对聚类目标函数求解得到优化聚类中心，并根据所述聚类中心矩阵得到优化隶属度；
根据所述优化聚类中心重新计算用户u第l种信息中第t个数据到第s类中心的动态扭曲距离；
根据所述动态扭曲距离得到新的聚类目标函数，并对新的聚类目标函数进行求解，得到新优化聚类中心和新优化隶属度；
根据所述新优化隶属度与优化隶属度的差值判断是否满足收敛条件，如果满足，则输出相应的优化隶属度中心矩阵和优化聚类中心矩阵；否则，根据新优化聚类中心，重新计算动态扭曲距离。
6.根据权利要求5所述的方法，其特征在于，所述迭代优化的收敛条件为
Figure FDA0003954516630000031
其中，p为迭代次数，ε为收敛度。
7.根据权利要求6所述的方法，其特征在于，
根据最大隶属度原则和迭代收敛时得到的隶属度矩阵可确定每个用户u的第l类信息所属的分类s。
8.根据权利要求6所述的方法，其特征在于，
采用拉格朗日法以所述聚类目标函数最小为目标进行求解。
9.一种应用于电力用户的聚类分析装置，其特征在于，包括：
获取模块，用于获取用户的历史用电数据，对所述用电数据进行预处理，得到待处理数据；
构建模块，用于根据所述待处理数据设置用户聚类数，以及建立初始隶属度矩阵，根据所述用户聚类数和初始隶属度矩阵计算得到初始聚类中心矩阵；
收敛模块，用于结合所述初始聚隶属度矩阵和初始聚类中心矩阵进行迭代优化至收敛，得到最终隶属度矩阵及最终聚类中心矩阵；
输出模块，用于基于最大隶属度原则，输出用户的聚类结果。
CN202211458503.4A 2022-11-17 2022-11-17 应用于电力用户的聚类分析方法及装置 Pending CN115758184A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211458503.4A CN115758184A (zh) 2022-11-17 2022-11-17 应用于电力用户的聚类分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211458503.4A CN115758184A (zh) 2022-11-17 2022-11-17 应用于电力用户的聚类分析方法及装置

Publications (1)

Publication Number Publication Date
CN115758184A true CN115758184A (zh) 2023-03-07

Family

ID=85333942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211458503.4A Pending CN115758184A (zh) 2022-11-17 2022-11-17 应用于电力用户的聚类分析方法及装置

Country Status (1)

Country Link
CN (1) CN115758184A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151934A (zh) * 2023-10-30 2023-12-01 国网冀北电力有限公司 一种配电网不停电作业项目多维聚类分析方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151934A (zh) * 2023-10-30 2023-12-01 国网冀北电力有限公司 一种配电网不停电作业项目多维聚类分析方法及装置
CN117151934B (zh) * 2023-10-30 2024-01-30 国网冀北电力有限公司 一种配电网不停电作业项目多维聚类分析方法及装置

Similar Documents

Publication Publication Date Title
Lee et al. Bivariate probabilistic wind power and real-time price forecasting and their applications to wind power bidding strategy development
CN111199016A (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN107122369B (zh) 一种业务数据处理方法、装置和系统
CN110751326B (zh) 一种光伏日前功率预测方法、装置以及存储介质
Almalaq et al. Deep learning application: Load forecasting in big data of smart grids
CN113283674A (zh) 一种基于用户用电特征的基线负荷预测修正方法
CN115758184A (zh) 应用于电力用户的聚类分析方法及装置
Wang et al. Big data analytics for price forecasting in smart grids
Tian et al. A novel approach for short-term load forecasting using support vector machines
Magoulès et al. Support vector regression for electricity consumption prediction in a building in japan
CN110991247B (zh) 一种基于深度学习与nca融合的电子元器件识别方法
Syed et al. Short-term power forecasting model based on dimensionality reduction and deep learning techniques for smart grid
CN111652422A (zh) 基于建筑物分类的供热系统负荷预测方法、装置及系统
CN114897451A (zh) 考虑需求响应用户关键特征的双层聚类修正方法及装置
Gao et al. How to improve the application potential of deep learning model in HVAC fault diagnosis: Based on pruning and interpretable deep learning method
Qi et al. AGFSM: an new FSM based on adapted Gaussian membership in case retrieval model for customer-driven design
Sarhani et al. Feature selection and parameter optimization of support vector regression for electric load forecasting
CN112149052A (zh) 一种基于plr-dtw的日负荷曲线聚类方法
Li et al. An improved genetic-XGBoost classifier for customer consumption behavior prediction
CN110751400A (zh) 一种风险评估方法及装置
CN112363060B (zh) 固体氧化物燃料电池电压预测方法、终端设备及存储介质
Gong et al. Short-term electricity price forecasting based on novel SVM using artificial fish swarm algorithm under deregulated power
Khan et al. Short Term Load and Price Forecasting using Tuned Parameters for K-Nearest Neighbors
Henze et al. Identifying representative load time series for load flow calculations
Li et al. Clustering and forecasting of day-ahead electricity supply curves using a market-based distance

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