CN115829418B - 适用于负荷管理的电力用户负荷特性画像构建方法和系统 - Google Patents

适用于负荷管理的电力用户负荷特性画像构建方法和系统 Download PDF

Info

Publication number
CN115829418B
CN115829418B CN202310075359.4A CN202310075359A CN115829418B CN 115829418 B CN115829418 B CN 115829418B CN 202310075359 A CN202310075359 A CN 202310075359A CN 115829418 B CN115829418 B CN 115829418B
Authority
CN
China
Prior art keywords
load
user
label
value
power
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
CN202310075359.4A
Other languages
English (en)
Other versions
CN115829418A (zh
Inventor
张汀荃
黄奇峰
庄重
张兴华
何胜
杨世海
段梅梅
孔月萍
盛举
周雨奇
丁泽诚
方凯杰
黄艺璇
程含渺
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 Jiangsu Electric Power Co ltd Marketing Service Center
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
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 Jiangsu Electric Power Co ltd Marketing Service Center filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202310075359.4A priority Critical patent/CN115829418B/zh
Publication of CN115829418A publication Critical patent/CN115829418A/zh
Application granted granted Critical
Publication of CN115829418B publication Critical patent/CN115829418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

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

Abstract

适用于负荷管理的电力用户负荷特性画像构建方法和系统，所述方法包括：确定负荷管理的目标电力用户，对目标电力用户采集多时间尺度下的负荷特性指标数据；建立用户负荷特性标签体系，结合电力用户测量数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。可有效为面向电力用户进行负荷管理措施时，提供详细的用户标签分类和相应负荷管理措施类型指导依据。

Description

适用于负荷管理的电力用户负荷特性画像构建方法和系统
技术领域
本发明属于电力需求响应与负荷管理技术领域，适用于负荷管理的电力用户负荷特性画像构建方法和系统。
背景技术
伴随经济、社会发展带来的用电需求增长与日趋严峻的供需形势，对电力用户进行适当的负荷管理是发挥需求侧资源灵活性、经济性优势，从而促进电力供需平衡，保障电网稳定的重要手段之一。
参与负荷管理控制的电力用户数据体量量大，在日、月、年度等不同时间尺度体现出的信息价值有重要作用，同时，不同电力用户在地区、行业、节假日、温度等因素影响下表现出的负荷调节特性有所不同。
新型电力负荷管理系统提供了数据平台和宝贵的用户负荷特性资源，因此，深度利用系统平台数据，结合新兴的用户负荷可调潜力指标评价以及数据分析、聚类技术，深度挖局电力用户的负荷特征，根据海量的负荷数据充分分析用户用电模式，从而得不同用户的用电特征和规律，对准确识别电力用户负荷特征、从而提供差异化服务、引导相关负荷管理措施的高效开展有着重要意义。
发明内容
为解决现有技术中存在的不足，本发明提供适用于负荷管理的电力用户负荷特性画像构建方法和系统，基于TOPSIS（优劣解距离法）评价方法和自组织映射神经网络聚类算法，利用新型电力负荷管理系统等平台监控到的电力用户负荷特性，通过数据分析和特征聚类，对用户负荷可调节潜力进行评估，构建适用于负荷管理的电力用户负荷特性画像，可有效为面向电力用户进行负荷管理措施时，提供详细的用户标签分类和相应负荷管理措施类型指导依据。
本发明采用如下的技术方案。
适用于负荷管理的电力用户负荷特性画像构建方法，所述电力用户负荷特性画像构建方法包括以下步骤：
步骤1：确定负荷管理的目标电力用户，测量目标电力用户多时间尺度下的负荷特性指标数据；
步骤2：建立用户负荷特性标签体系，结合步骤1测量得到的电力用户负荷特性指标数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；
步骤3：根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。
优选地，步骤1中，选取覆盖典型地区、行业、客户的电力用户作为目标电力用户。
优选地，步骤1中，多时间尺度下的负荷特性指标数据包括：
日负荷曲线：描述一日内负荷随时间变化的曲线，反映一段时间内负荷随时间而变化的规律；
日最大/小负荷：典型日记录的所有负荷数值的最大/小值；
日峰谷差率：日最大、日最小负荷差值与日最大负荷的比值；
日负荷率：日平均负荷与日最大负荷的比值；
日负荷波动率：为一天内负荷有功功率值与一天内负荷有功功率值的算术平均值的比值；
月峰谷差率：为月用电量峰谷差与最大月用电量的比值；
月最大/小负荷：一月内日最大/小负荷；
月最大/最小负荷曲线：一个月内每天最大/最小负荷连接形成的曲线，表示从月初到月末逐日的电力系统综合最大/最小负荷的变化情况；
月负荷率：月内日负荷率之和与日负荷率天数的比值；
月负荷波动率：月内负荷的标准差与月内负荷的均值的比值；
年峰谷差率：一年日峰谷差率最大值与当日最高负荷的比值；
年负荷率：年平均负荷与年最大负荷的比值；
年最大/小负荷：一年内月最大/小负荷；
年最大/小负荷曲线：以一年中的12个月为序，将逐月最大/小负荷连接绘制而成的负荷曲线。
优选地，步骤2中，用户负荷特性标签体系具体包括以下标签类型：
（1）生产时段型标签，进一步分为：早峰型用户、腰峰型用户、晚峰型用户、倒挂型用户、连续生产型用户、白天用电型用户、夜间用电型用户和全天用电型用户标签类型；
（2）负荷曲线形态型标签，进一步分为：单峰型负荷、双峰型负荷、三峰型负荷、避峰型负荷、峰平型负荷、高负荷率型负荷和低负荷率型负荷标签类型；
（3）工作制型标签，进一步分为：五天工作制、六天工作制、七天工作制标签类型；
（4）节假日型标签，进一步分为：节假日负荷上升、节假日负荷下降、节假日负荷平稳、节假日停产标签类型；
（5）四季特征型标签，进一步分为：四季平均、夏季负荷明显偏高、夏季负荷偏高、冬季负荷明显偏高、冬季负荷偏高标签类型；
（6）日负荷平稳性型标签，进一步分为：日负荷上升、日负荷下降、日负荷平稳、日负荷波动标签类型；
（7）年负荷平稳性标签，进一步分为：年负荷上升、年负荷下降、年负荷平稳、年负荷波动标签类型；
（8）温度影响型标签，进一步分为：温度正影响、温度负影响、温度无影响标签类型；
（9）峰谷特征型标签，进一步分为：峰用电型、谷用电型、峰谷平均型标签类型；
（10）客载比标签，进一步分为：容载比较高、容载比一般、容载比较低标签类型；
（11）空调负荷标签，进一步分为：空调负荷占比较高、空调负荷占比一般、空调负荷占比较低标签类型；
（12）居民负荷标签，进一步分为：居民负荷占比较高、居民负荷占比一般、居民负荷占比较低标签类型；
（13）新能源渗透率标签，进一步分为：新能源渗透率较高、新能源渗透率一般、新能源渗透率较低标签类型；
（14）有序用电错避峰标签，进一步分为：错峰用户、避峰用户标签类型；
（15）变压器负载率标签，进一步分为：变压器重载、变压器经济运行、变压器轻载标签类型。
优选地，步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量得到的电力用户负荷特性数据进行预处理，包括：
一天多测量点、一天一个测量点情况下的数据清洗，具体如下：
（1）一天多测量点情况的清洗：
异常测量值识别：计算出相邻时刻测量值的均值Avg，若目标测量点的有功功率值
Figure SMS_1
，则认定目标测量点的测量值为异常；
异常测量值修正：
采用拉格朗日插值法，通过异常目标测量点邻近时刻的3个测量点的测量值来预测异常目标测量点的测量值P'，若
Figure SMS_2
，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换；
（2）一天一个测量点情况的清洗：
异常测量值识别：计算出相邻日测量值的均值Avg，若目标测量点的有功功率值
Figure SMS_3
，则认定目标测量点的测量值为异常；
异常测量值修正：采用拉格朗日插值法，通过异常目标测量点3个相邻日的测量值来预测异常目标测量点的测量值P'，若
Figure SMS_4
，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换。
优选地，异常测量值修正时，以拐点为分割点，对数据序列进行分割，以临近点的均值为基准，判断测量值是否异常，若异常，则记录异常点位置，然后挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正，否则直接挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正；
所述拐点为测量值波动大于设置范围的位置；
数据修正时采用的拉格朗日插值法公式为：
Figure SMS_5
式中，
Figure SMS_6
、/>
Figure SMS_7
、/>
Figure SMS_8
为目标插值点时刻/>
Figure SMS_9
的邻近时刻/>
Figure SMS_10
的3个测量点的测量值。
优选地，步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量得到的电力用户负荷特性数据进行预处理，还包括：
对电力用户测量数据缺失值的填充，具体如下：
（1）单点数据缺失补充：
对一天多测量点的单点数据缺失值，挑选邻近时刻的2个测量点后，采用拉格朗日插值法对数据进行还原；
对一天一个测量点的单点数据缺失值，挑选2个邻近日的测量值进行数据还原；
（2）多点连续数据缺失补充：
针对一天多测量点的多点连续数据缺失值，首先计算相邻日同一时刻测量值的均值
Figure SMS_11
和相邻时刻的测量值均值/>
Figure SMS_12
，然后通过下式的线性方程进行数据还原：
Figure SMS_13
其中，
Figure SMS_14
为还原值，/>
Figure SMS_15
、/>
Figure SMS_16
为线性参数。
Figure SMS_17
取值为0.4，/>
Figure SMS_18
取值为0.6。
优选地，步骤2中，采用TOPSIS法对用户进行多特征标签类型下的用户负荷可调潜力指标评价，得到用户的电力负荷特性可调节潜力评价结果。
优选地，步骤2中，用户负荷可调潜力指标评价具体方法如下：
步骤2.1：构建加权评价矩阵H’：
步骤2.1.1：对目标电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度的潜力评价构建用户集和潜力评价指标集矩阵：
构建覆盖m个不同目标电力用户的用户集
Figure SMS_19
，该用户集中每个元素表示用户的序列方案号，构建目标电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度潜力评价指标/>
Figure SMS_20
的评价指标集矩阵X：
Figure SMS_21
；
步骤2.1.2：对每个评价指标集矩阵建立初始评价矩阵：
Figure SMS_22
其中，
Figure SMS_23
为第p个用户的第q个指标，为根据步骤1测量得到的电力用户负荷特性指标数据计算得到的具体标签类型；
步骤2.1.3：对
Figure SMS_24
进行数据标准化处理后得到指标/>
Figure SMS_25
，并确定每个指标/>
Figure SMS_26
的权重为/>
Figure SMS_27
，k=1,2,...,n，得到每一个维度潜力评价指标/>
Figure SMS_28
经预处理后的加权评价矩阵：
Figure SMS_29
步骤2.2：确定加权评价矩阵H’的正理想解
Figure SMS_30
和负理想解/>
Figure SMS_31
，并计算用户各个指标值与正理想解、负理想解的距离：
其中，
Figure SMS_32
表示正理想解的第f个指标值，/>
Figure SMS_33
表示负理想解第f个指标值；
对于数值越大越好的指标，取
Figure SMS_34
对于数值越小越好的指标，取
Figure SMS_35
计算用户p各个指标值与正理想解的距离：
Figure SMS_36
（p=1,2,...,m）
计算用户p各指标值与负理想解的距离：
Figure SMS_37
（p=1,2,...,m）
步骤2.3：基于正理想解
Figure SMS_38
和负理想解/>
Figure SMS_39
以及用户各个指标值与正理想解、负理想解的距离，针对电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度潜力评价，计算第p个目标电力用户的潜力综合排序值/>
Figure SMS_40
(g=1,2,...,m,h=dr, op, ap ,sh)，即为各维度潜力的综合量化值：
其中，潜力综合排序值
Figure SMS_41
为：
Figure SMS_42
进而得到用户需求响应潜力综合量化值：
Figure SMS_43
用户错峰潜力综合量化值：
Figure SMS_44
用户避峰潜力综合量化值：
Figure SMS_46
用户轮休潜力综合量化值：
Figure SMS_47
；
则用户负荷可调潜力指标评价结果为
Figure SMS_48
，实现对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价。
优选地，步骤3中，根据用户负荷可调潜力指标评价结果，采用自组织映射神经网络对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像，具体的：
以用户负荷可调潜力指标评价结果矩阵作为输入，通过自组织映射神经网络聚类得到需求不同负荷管理措施类型下的用户聚类分组，即电力用户负荷特性画像，用作各用户负荷可调潜力的选择标准；
其中，负荷管理措施类型包括响应、错峰、避峰、轮休。
优选地，步骤3具体包括：
步骤3.1：对自组织映射神经网络学习率
Figure SMS_50
初始化；
初始化输入层神经元r与竞争层神经元s之间的权值向量
Figure SMS_51
并形成向量
Figure SMS_52
；
步骤3.2：计算竞争层神经元与输入向量
Figure SMS_53
之间的欧式距离
Figure SMS_54
；
Figure SMS_55
为输入向量B矩阵，/>
Figure SMS_56
为下标为e、f的权值向量；
步骤3.3：将与输入向量距离最小的竞争层神经元称为胜出神经元，记为
Figure SMS_57
；
对胜出神经元
Figure SMS_58
和其邻近神经元之间的权值进行调整，调整量为
Figure SMS_59
；
其中，学习率
Figure SMS_60
；
t为训练时间；
Figure SMS_61
为时间常数，表示变化过程中达到学习率最大变化量的1-1/e所需的时间；
Figure SMS_62
为初始化的学习率；
Figure SMS_64
为胜出神经元的领域函数；
步骤3.4：重复步骤3.3，步骤3.3对权值进行调整时，学习率随之变化，判定学习率，当学习率大于阈值
Figure SMS_65
时，则计算终止输出聚类结果。
适用于负荷管理的电力用户负荷特性画像构建系统，包括：
指标数据采集模块，用于确定负荷管理的目标电力用户，测量目标电力用户采集多时间尺度下的负荷特性指标数据；
用户负荷可调潜力指标评价模块，用于建立用户负荷特性标签体系，结合电力用户负荷特性指标数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；
画像构建模块，用于根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。
一种终端，包括处理器及存储介质；所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行所述方法的步骤。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
本发明的有益效果在于，与现有技术相比，基于新型电力负荷管理系统这一平台可以获得的海量用户负荷特性指标数据，深度挖掘电力用户的负荷特征，根据海量的负荷数据充分分析用户用电模式，从而得不同用户的用电特征和规律，对准确识别电力用户负荷特征、从而提供差异化服务、引导相关负荷管理措施的高效开展有着重要意义；
通过TOPSIS（优劣解距离法）评价技术、自组织映射神经网络聚类技术，实现了适用于负荷管理的电力用户负荷特性画像的构建，具体利用新型电力负荷管理系统等平台监控到的电力用户负荷特性，通过数据分析和特征聚类过程，对用户负荷进行数据化、精细化管理，对可调节潜力进行评估，自动生成匹配相适应负荷管理措施，可有效为面向电力用户进行负荷管理措施时，提供详细的用户标签分类和相应负荷管理措施类型指导依据。通过智能算法聚类匹配相应的可采取负荷管理措施类型。在实操方面形成控制指令下发等操作的闭环后，只需要从新型电力负荷管理系统导出所需的用电户负荷数据，通过TOPSIS分析技术以及自组织映射神经网络聚类技术，自动得到适合电力用户的负荷管理措施类型，有效解决通过人工方式决定负荷管理措施的低效率以及难以评估效果是否最优的问题；
具有实际的研究意义和现实意义，主要体现在：1) 深度挖掘分析电力用户的负荷特性指标数据；2) 构建了考虑因素全面的适用于负荷管理的电力用户负荷特性画像；3)自动聚类得到电力用户负相应的最佳荷管理措施类型。
附图说明
图1是本发明中适用于负荷管理的电力用户负荷特性画像构建方法流程图；
图2是本发明中数据修正流程图。
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，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，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有所其它实施例，都属于本发明的保护范围。
如图1所示，本发明实施例1提供适用于负荷管理的电力用户负荷特性画像构建方法，在本发明优选但非限制性的实施方式中，所述方法包括以下步骤1-3：
步骤1：确定负荷管理的目标电力用户，测量目标电力用户采集多时间尺度下的负荷特性指标数据；
进一步优选地，选取覆盖典型地区、行业、客户的电力用户作为目标电力用户，其为电力用户负荷特征的分析对象和采集数据来源。其中，典型地区包括但不限于城市、乡村用电；行业包括但不限于钢铁、水泥制造、化工、机械以及数据中心、大型商场、写字楼、购物中心、电动汽车、储能在内的新兴行业；客户包括“连续调节型”、“离散调节型”、“转移调节型”以及“不可调节型”这几类用户。多时间尺度下多维用户负荷特性指标数据获取类型和内容，具体各类负荷特性指标的输入、输出以及数学模型如表1所示：
表1 负荷特性指标及数学模型
Figure SMS_66
步骤2：建立用户负荷特性标签体系，结合步骤1测量得到的电力用户负荷特性指标数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；
即根据表1的数据计算得到的表2-表16的数据，根据表2-表16中的计算公式对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价。
基于步骤1电力用户负荷特性指标数据分析得到的目标电力用户的各类型负荷特性标签，可作为用户负荷可调潜力的初评估依据。例如通过表1中的负荷曲线，计算指标得到某用户的负荷标签为早峰型用户、五天工作制、节假日负荷下降、夏季负荷明显偏高等信息，在进行用户负荷可调潜力指标具体评价时，已可初步建立用户的标签信息，作为完善用户特性分析的组成信息。
优选地，用户负荷特性标签体系具体包括以下标签类型：(1)生产时段型标签，分为：早峰型用户、腰峰型用户、晚峰型用户、倒挂型用户、连续生产型用户、白天用电型用户、夜间用电型用户和全天用电型用户标签类型；(2)负荷曲线形态型标签，分为：单峰型负荷、双峰型负荷、三峰型负荷、避峰型负荷、峰平型负荷、高负荷率型负荷和低负荷率型负荷标签类型；(3)工作制型标签，分为：五天工作制、六天工作制、七天工作制标签类型；(4)节假日型标签，分为：节假日负荷上升、节假日负荷下降、节假日负荷平稳、节假日停产标签类型；(5)四季特征型标签，分为：四季平均、夏季负荷明显偏高、夏季负荷偏高、冬季负荷明显偏高、冬季负荷偏高标签类型；(6)日负荷平稳性型标签，分为：日负荷上升、日负荷下降、日负荷平稳、日负荷波动标签类型；(7)年负荷平稳性标签，分为：年负荷上升、年负荷下降、年负荷平稳、年负荷波动标签类型；(8)温度影响型标签，分为：温度正影响、温度负影响、温度无影响标签类型；(9)峰谷特征型标签，分为：峰用电型、谷用电型、峰谷平均型标签类型；(10)客载比标签，分为：容载比较高、容载比一般、容载比较低标签类型；(11)空调负荷标签，分为：空调负荷占比较高、空调负荷占比一般、空调负荷占比较低标签类型；(12)居民负荷标签，分为：居民负荷占比较高、居民负荷占比一般、居民负荷占比较低标签类型；(13)新能源渗透率标签，分为：新能源渗透率较高、新能源渗透率一般、新能源渗透率较低标签类型；(14)有序用电错避峰标签，分为：错峰用户、避峰用户标签类型；(15)变压器负载率标签，分为：变压器重载、变压器经济运行、变压器轻载标签类型。
上述的(1)-(15)标签类型和对应的数学模型如表2-表16所示：（1）生产时段型标签（行业、客户）
表2
Figure SMS_67
（2）负荷曲线形态标签（地区、行业、客户）
表3
Figure SMS_68
/>
Figure SMS_69
（3）工作制标签（客户）
表4
Figure SMS_70
（4）节假日标签（行业、客户）
表5
Figure SMS_71
（5）四季特征标签（地区、行业、客户）
表6
Figure SMS_72
（6）日负荷平稳性标签（客户）
表7
Figure SMS_73
（7）年负荷平稳性标签（地区、行业）
表8
Figure SMS_74
（8）温度影响标签（行业、客户）
表9
Figure SMS_75
（9）峰谷特征标签（行业）
表10
Figure SMS_76
（10）客载比标签（行业）
表11
Figure SMS_77
/>
（11）空调负荷标签（行业）
表12
Figure SMS_78
（12）居民负荷标签（行业）
表13
Figure SMS_79
（13）新能源渗透率标签（地区）
表14
Figure SMS_80
（14）有序用电错避峰标签（地区）
表15
Figure SMS_81
（15）变压器负载率标签（用户）
表16
Figure SMS_82
进一步优选地，步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量得到的电力用户负荷特性数据进行预处理，包括：
一天多测量点、一天一个测量点情况下的数据清洗，以及数据修正，具体如下：
（1）一天多测量点情况的清洗：
异常测量值识别：计算出相邻时刻（前后各一个测量点）测量值的均值Avg，若目标测量点的有功功率值
Figure SMS_83
，则认定目标测量点的测量值为异常；
异常测量值修正：即对上一步异常测量值识别识别到的异常测量值进行修正；
采用拉格朗日插值法，通过异常目标测量点邻近时刻的3个测量点的测量值来预测异常目标测量点的测量值P'，若
Figure SMS_84
，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换。
（2）一天一个测量点情况的清洗：
异常测量值识别：计算出相邻日（前后各一个测量点）测量值的均值Avg，若目标测量点的有功功率值
Figure SMS_85
，则认定目标测量点的测量值为异常；
与一天多测量点识别方法一样，但选取前后2个相邻日测量值的均值作为异常检测的基准值。
异常测量值修正：采用拉格朗日插值法，通过异常目标测量点3个相邻日的测量值来预测异常目标测量点的测量值P'，若
Figure SMS_86
，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换。
与一天多测量点修正方法相同，但选用目标测量点3个相邻日的测量值来预测目标测量点的测量值。
上述异常测量值修正时：数据修正流程如图2所示，以拐点为分割点，对数据序列进行分割，以临近点的均值为基准，判断测量值是否异常，若异常，则记录异常点位置，然后挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正，否则直接挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正。
其中，拐点为测量值波动较大的位置，例如负荷曲线中的峰、谷等位置。
数据修正时采用的拉格朗日插值公式，以表17所示相邻3个测量点的插值为例：
表17
t i-1 t i t i+1 t i+2
p i-1 p i p i+1 p i+2
Figure SMS_87
式中，
Figure SMS_88
、/>
Figure SMS_89
、/>
Figure SMS_90
为目标插值点邻近时刻的3个测量点的测量值，根据上述函数将插值时刻t i 代入p(t)可得到插值。
进一步优选地，步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量得到的电力用户负荷特性数据进行预处理，还包括：
对电力用户测量数据缺失值的填充，具体如下：
（1）单点数据缺失补充：
对于功率数据，采用数据修正方法，即对一天多测量点的单点数据缺失值，挑选邻近时刻的2个测量点后，采用拉格朗日插值法对数据进行还原；对一天一个测量点的单点数据缺失值，挑选2个邻近日的测量值进行数据还原；
（2）多点连续数据缺失补充：
针对一天多测量点的多点连续数据缺失值，首先计算相邻日同一时刻测量值的均值
Figure SMS_91
和相邻时刻的测量值均值/>
Figure SMS_92
，然后通过下面的线性方程进行数据还原：
Figure SMS_93
其中，
Figure SMS_94
取值为0.4，/>
Figure SMS_95
取值为0.6。
进一步优选地，步骤2中，采用TOPSIS法对用户进行多特征标签类型下的用户负荷可调潜力指标评价，得到用户的电力负荷特性可调节潜力评价结果。
步骤2中，用户负荷可调潜力指标评价具体方法如下：
步骤2.1：构建加权评价矩阵H’：
步骤2.1.1：对目标电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度的潜力评价构建用户集和潜力评价指标集矩阵：
构建覆盖m个不同目标电力用户的用户集
Figure SMS_96
，该用户集中每个元素表示用户的序列方案号，如用户1的方案号为k 1 。构建目标电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度潜力评价指标/>
Figure SMS_97
的评价指标集矩阵X，矩阵中元素为每个用户的多时间尺度下的负荷特性指标数据，矩阵X表示为：/>
Figure SMS_98
；/>
步骤2.1.2：对每个评价指标集矩阵建立初始评价矩阵：
Figure SMS_99
其中，
Figure SMS_100
为第i个用户的第j个指标，该指标值为根据表1计算得到的对应标签用户负荷特性标签体系具体标签类型；
步骤2.1.3：对
Figure SMS_101
进行数据标准化处理后得到指标/>
Figure SMS_102
，并确定每个指标的权重为
Figure SMS_103
，i=1,2,...,n，得到每一个维度潜力评价指标/>
Figure SMS_104
经预处理后的加权评价矩阵：
Figure SMS_105
上述权重确定方法包括但不限于使用独立性权重法在内的客观赋权法。其思想在于利用指标之间的共线性强弱来确定权重。
步骤2.2：确定加权评价矩阵H’的正理想解
Figure SMS_106
和负理想解/>
Figure SMS_107
，并计算用户各个指标值与正理想解、负理想解的距离：
其中，
Figure SMS_108
表示正理想解的第j个指标值，/>
Figure SMS_109
表示负理想解第j个指标值；
对于数值越大越好的指标，取
Figure SMS_110
对于数值越小越好的指标，取
Figure SMS_111
计算用户i各个指标值与正理想解的距离：
Figure SMS_112
（i=1,2,...,m）
计算用户i各指标值与负理想解的距离：
Figure SMS_113
（i=1,2,...,m）/>
步骤2.3：基于正理想解
Figure SMS_114
和负理想解/>
Figure SMS_115
以及用户各个指标值与正理想解、负理想解的距离，针对电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度潜力评价，第p个目标电力用户的潜力综合排序值/>
Figure SMS_116
(g=1,2,...,m,h=dr, op, ap ,sh)，即为各维度潜力的综合量化值：
Figure SMS_117
进而得到用户需求响应潜力综合量化值：
Figure SMS_118
用户错峰潜力综合量化值：
Figure SMS_119
用户避峰潜力综合量化值：
Figure SMS_121
用户轮休潜力综合量化值：
Figure SMS_122
；
则用户负荷可调潜力指标评价结果为
Figure SMS_123
，实现对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价。
步骤3：根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。
进一步优选地，步骤3中，根据用户负荷可调潜力指标评价结果，采用自组织映射神经网络对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像，具体的：
以用户负荷可调潜力指标评价结果矩阵作为输入，通过自组织映射神经网络聚类得到需求不同负荷管理措施类型下的用户聚类分组，即电力用户负荷特性画像，用作各用户负荷可调潜力的选择标准；
其中，负荷管理措施类型包括响应、错峰、避峰、轮休。
步骤3.1：对自组织映射神经网络学习率
Figure SMS_125
初始化；
初始化输入层神经元i与竞争层神经元j之间的权值向量并形成向量
Figure SMS_126
；
初始化时进行随机数赋值；另外，这里的权值向量
Figure SMS_127
与上文步骤2.1.3的权重/>
Figure SMS_128
无关。
步骤3.2：计算竞争层神经元与输入向量
Figure SMS_129
之间的欧式距离
Figure SMS_130
Figure SMS_131
为输入向量B矩阵，/>
Figure SMS_132
为下标为e、f的权值向量，和/>
Figure SMS_133
为同种变量；
步骤3.3：将与输入向量距离最小的竞争层神经元称为胜出神经元，记为
Figure SMS_134
；/>
对胜出神经元
Figure SMS_135
和其邻近神经元之间的权值进行调整，调整量为
Figure SMS_136
；
其中，学习率
Figure SMS_137
，/>
Figure SMS_138
为胜出神经元的领域函数。
t为训练时间；
Figure SMS_139
为时间常数，表示变化过程中达到学习率最大变化量的1-1/e所需的时间。
步骤3.4：重复步骤3.3，步骤3.3对权值进行调整的时候，学习率也会随之变化，判定学习率，当学习率大于阈值
Figure SMS_140
时，则计算终止输出聚类结果。还可进一步结合已初步分析建立的用户的标签信息，以得到完善的多类型负荷特性标签下的用户负荷可调潜力信息。
综上，步骤3通过自组织映射神经网络进行聚类和统计分析，得到适用于不同负荷管理措施类型的用户负荷可调潜力画像。
适用于负荷管理的电力用户负荷特性画像构建系统，包括：
指标数据采集模块，用于确定负荷管理的目标电力用户，测量目标电力用户采集多时间尺度下的负荷特性指标数据；
用户负荷可调潜力指标评价模块，用于建立用户负荷特性标签体系，结合电力用户负荷特性指标数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；
画像构建模块，用于根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。
一种终端，包括处理器及存储介质；所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行所述方法的步骤。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
本发明的有益效果在于，与现有技术相比，基于新型电力负荷管理系统这一平台可以获得的海量用户负荷特性指标数据，深度挖掘电力用户的负荷特征，根据海量的负荷数据充分分析用户用电模式，从而得不同用户的用电特征和规律，对准确识别电力用户负荷特征、从而提供差异化服务、引导相关负荷管理措施的高效开展有着重要意义；
通过TOPSIS（优劣解距离法）评价技术、自组织映射神经网络聚类技术，实现了适用于负荷管理的电力用户负荷特性画像的构建，具体利用新型电力负荷管理系统等平台监控到的电力用户负荷特性，通过数据分析和特征聚类过程，对用户负荷进行数据化、精细化管理，对可调节潜力进行评估，自动生成匹配相适应负荷管理措施，可有效为面向电力用户进行负荷管理措施时，提供详细的用户标签分类和相应负荷管理措施类型指导依据。通过智能算法聚类匹配相应的可采取负荷管理措施类型。在实操方面形成控制指令下发等操作的闭环后，只需要从新型电力负荷管理系统导出所需的用电户负荷数据，通过TOPSIS分析技术以及自组织映射神经网络聚类技术，自动得到适合电力用户的负荷管理措施类型，有效解决通过人工方式决定负荷管理措施的低效率以及难以评估效果是否最优的问题；
具有实际的研究意义和现实意义，主要体现在：1) 深度挖掘分析电力用户的负荷特性指标数据；2) 构建了考虑因素全面的适用于负荷管理的电力用户负荷特性画像；3)自动聚类得到电力用户负相应的最佳荷管理措施类型。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (11)

1.适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：
所述电力用户负荷特性画像构建方法包括以下步骤：
步骤1：确定负荷管理的目标电力用户，测量目标电力用户多时间尺度下的负荷特性指标数据，其中，多时间尺度下的负荷特性指标数据包括：日负荷曲线、日最大/小负荷、日峰谷差率、日负荷率、日负荷波动率、月峰谷差率、月最大/小负荷、月最大/最小负荷曲线、月负荷率、月负荷波动率、年峰谷差率、年负荷率、年最大/小负荷以及年最大/小负荷曲线；
步骤2：建立用户负荷特性标签体系，结合步骤1测量得到的电力用户负荷特性指标数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价，其中，负荷特性标签包括生产时段型标签、负荷曲线形态型标签、工作制型标签、节假日型标签、四季特征型标签、日负荷平稳性型标签、年负荷平稳性标签、温度影响型标签、峰谷特征型标签、客载比标签、空调负荷标签、居民负荷标签、新能源渗透率标签、有序用电错避峰标签、变压器负载率标签；
采用TOPSIS法对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价，得到用户的电力负荷特性可调节潜力评价结果；
用户负荷可调潜力指标评价具体方法如下：
步骤2.1：构建加权评价矩阵H’：
步骤2.1.1：对目标电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度的潜力评价构建用户集和潜力评价指标集矩阵：
构建覆盖m个不同目标电力用户的用户集
Figure QLYQS_1
，该用户集中每个元素表示用户的序列方案号，构建目标电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度潜力评价指标/>
Figure QLYQS_2
的评价指标集矩阵X：
Figure QLYQS_3
；
步骤2.1.2：对每个评价指标集矩阵建立初始评价矩阵：
Figure QLYQS_4
其中，
Figure QLYQS_5
为第p个用户的第q个指标，为根据步骤1测量得到的电力用户负荷特性指标数据计算得到的具体标签类型；
步骤2.1.3：对
Figure QLYQS_6
进行数据标准化处理后得到指标/>
Figure QLYQS_7
，并确定每个指标/>
Figure QLYQS_8
的权重为/>
Figure QLYQS_9
，k=1,2,...,n，得到每一个维度潜力评价指标/>
Figure QLYQS_10
经预处理后的加权评价矩阵：
Figure QLYQS_11
步骤2.2：确定加权评价矩阵H’的正理想解
Figure QLYQS_12
和负理想解/>
Figure QLYQS_13
，并计算用户各个指标值与正理想解、负理想解的距离：
其中，
Figure QLYQS_14
表示正理想解的第 f 个指标值，/>
Figure QLYQS_15
表示负理想解第 f 个指标值；
对于数值越大越好的指标，取
Figure QLYQS_16
对于数值越小越好的指标，取
Figure QLYQS_17
计算用户p各个指标值与正理想解的距离：
Figure QLYQS_18
（p=1,2,...,m）
计算用户p各指标值与负理想解的距离：
Figure QLYQS_19
（p=1,2,...,m）
步骤2.3：基于正理想解
Figure QLYQS_20
和负理想解/>
Figure QLYQS_21
以及用户各个指标值与正理想解、负理想解的距离，针对电力用户参与负荷管理需求响应、错峰、避峰、轮休4个维度潜力评价，计算第p个目标电力用户的潜力综合排序值/>
Figure QLYQS_22
(g=1,2,...,m, h=dr, op, ap ,sh)，即为各维度潜力的综合量化值：
其中，潜力综合排序值
Figure QLYQS_23
为：
Figure QLYQS_24
进而得到用户需求响应潜力综合量化值：
Figure QLYQS_25
用户错峰潜力综合量化值：
Figure QLYQS_26
用户避峰潜力综合量化值：
Figure QLYQS_28
用户轮休潜力综合量化值：
Figure QLYQS_29
；
则用户负荷可调潜力指标评价结果为
Figure QLYQS_30
，实现对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；
步骤3：采用自组织映射神经网络，根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像；
步骤3中，根据用户负荷可调潜力指标评价结果，采用自组织映射神经网络对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像，具体的：
以用户负荷可调潜力指标评价结果矩阵作为输入，通过自组织映射神经网络聚类得到需求不同负荷管理措施类型下的用户聚类分组，即电力用户负荷特性画像，用作各用户负荷可调潜力的选择标准；
其中，负荷管理措施类型包括响应、错峰、避峰、轮休；
步骤3具体包括：
步骤3.1：对自组织映射神经网络学习率
Figure QLYQS_32
初始化；
初始化输入层神经元r与竞争层神经元s之间的权值向量
Figure QLYQS_33
并形成向量
Figure QLYQS_34
；
步骤3.2：计算竞争层神经元与输入向量
Figure QLYQS_35
之间的欧式距离
Figure QLYQS_36
；
Figure QLYQS_37
为输入向量B矩阵，/>
Figure QLYQS_38
为下标为e、f的权值向量；
步骤3.3：将与输入向量距离最小的竞争层神经元称为胜出神经元，记为
Figure QLYQS_39
；
对胜出神经元
Figure QLYQS_40
和其邻近神经元之间的权值进行调整，调整量为
Figure QLYQS_41
；
其中，学习率
Figure QLYQS_42
；
t为训练时间；
Figure QLYQS_43
为时间常数，表示变化过程中达到学习率最大变化量的1-1/e所需的时间；
Figure QLYQS_44
为初始化的学习率；
Tr* (t)为胜出神经元的领域函数；
步骤3.4：重复步骤3.3，步骤3.3对权值进行调整时，学习率随之变化，判定学习率，当学习率大于阈值
Figure QLYQS_46
时，则计算终止输出聚类结果。
2.根据权利要求1所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：
步骤1中，选取覆盖典型地区、行业、客户的电力用户作为目标电力用户。
3.根据权利要求1所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：
步骤1中，多时间尺度下的负荷特性指标数据包括：
日负荷曲线：描述一日内负荷随时间变化的曲线，反映一段时间内负荷随时间而变化的规律；
日最大/小负荷：典型日记录的所有负荷数值的最大/小值；
日峰谷差率：日最大、日最小负荷差值与日最大负荷的比值；
日负荷率：日平均负荷与日最大负荷的比值；
日负荷波动率：为一天内负荷有功功率值与一天内负荷有功功率值的算术平均值的比值；
月峰谷差率：为月用电量峰谷差与最大月用电量的比值；
月最大/小负荷：一月内日最大/小负荷；
月最大/最小负荷曲线：一个月内每天最大/最小负荷连接形成的曲线，表示从月初到月末逐日的电力系统综合最大/最小负荷的变化情况；
月负荷率：月内日负荷率之和与日负荷率天数的比值；
月负荷波动率：月内负荷的标准差与月内负荷的均值的比值；
年峰谷差率：一年日峰谷差率最大值与当日最高负荷的比值；
年负荷率：年平均负荷与年最大负荷的比值；
年最大/小负荷：一年内月最大/小负荷；
年最大/小负荷曲线：以一年中的12个月为序，将逐月最大/小负荷连接绘制而成的负荷曲线。
4.根据权利要求1所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：
步骤2中，用户负荷特性标签体系具体包括以下标签类型：
（1）生产时段型标签，进一步分为：早峰型用户、腰峰型用户、晚峰型用户、倒挂型用户、连续生产型用户、白天用电型用户、夜间用电型用户和全天用电型用户标签类型；
（2）负荷曲线形态型标签，进一步分为：单峰型负荷、双峰型负荷、三峰型负荷、避峰型负荷、峰平型负荷、高负荷率型负荷和低负荷率型负荷标签类型；
（3）工作制型标签，进一步分为：五天工作制、六天工作制、七天工作制标签类型；
（4）节假日型标签，进一步分为：节假日负荷上升、节假日负荷下降、节假日负荷平稳、节假日停产标签类型；
（5）四季特征型标签，进一步分为：四季平均、夏季平均负荷与夏季相邻两季度平均负荷的比值大于150%、夏季平均负荷与夏季相邻两季度平均负荷的比值小于150%且大于120%、冬季平均负荷与冬季相邻两季度平均负荷的比值大于150%、冬季平均负荷与冬季相邻两季度平均负荷的比值小于150%且大于120%标签类型；
（6）日负荷平稳性型标签，进一步分为：日负荷上升、日负荷下降、日负荷平稳、日负荷波动标签类型；
（7）年负荷平稳性标签，进一步分为：年负荷上升、年负荷下降、年负荷平稳、年负荷波动标签类型；
（8）温度影响型标签，进一步分为：温度正影响、温度负影响、温度无影响标签类型；
（9）峰谷特征型标签，进一步分为：峰用电型、谷用电型、峰谷平均型标签类型；
（10）客载比标签，进一步分为：容载比大于2.1、容载比大于1.8且小于2.1、容载比小于1.8标签类型；
（11）空调负荷标签，进一步分为：空调负荷占比大于40%、空调负荷占比大于20%且小于40%、空调负荷占比小于20%标签类型；
（12）居民负荷标签，进一步分为：居民负荷占比大于60%、居民负荷占比大于30%且小于60%、居民负荷占比小于30%标签类型；
（13）新能源渗透率标签，进一步分为：新能源渗透率大于50%、新能源渗透率大于20%且小于50%、新能源渗透率小于20%标签类型；
（14）有序用电错避峰标签，进一步分为：错峰用户、避峰用户标签类型；
（15）变压器负载率标签，进一步分为：变压器负载率大于70%、变压器负载率大于30%且小于70%、变压器负载率小于30%标签类型。
5.根据权利要求1所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：
步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量得到的电力用户负荷特性数据进行预处理，包括：
一天多测量点、一天一个测量点情况下的数据清洗，具体如下：
（1）一天多测量点情况的清洗：
异常测量值识别：计算出相邻时刻测量值的均值Avg，若目标测量点的有功功率值
Figure QLYQS_47
，则认定目标测量点的测量值为异常；
异常测量值修正：
采用拉格朗日插值法，通过异常目标测量点邻近时刻的3个测量点的测量值来预测异常目标测量点的测量值P'，若
Figure QLYQS_48
，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换；
（2）一天一个测量点情况的清洗：
异常测量值识别：计算出相邻日测量值的均值Avg，若目标测量点的有功功率值
Figure QLYQS_49
，则认定目标测量点的测量值为异常；
异常测量值修正：采用拉格朗日插值法，通过异常目标测量点3个相邻日的测量值来预测异常目标测量点的测量值P'，若
Figure QLYQS_50
，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换。
6.根据权利要求5所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：
异常测量值修正时，以拐点为分割点，对数据序列进行分割，以临近点的均值为基准，判断测量值是否异常，若异常，则记录异常点位置，然后挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正，否则直接挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正；
所述拐点为测量值波动大于设置范围的位置；
数据修正时采用的拉格朗日插值法公式为：
Figure QLYQS_51
式中，
Figure QLYQS_52
、/>
Figure QLYQS_53
、/>
Figure QLYQS_54
为目标插值点时刻/>
Figure QLYQS_55
的邻近时刻/>
Figure QLYQS_56
的3个测量点的测量值。
7.根据权利要求5所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：
步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量得到的电力用户负荷特性数据进行预处理，还包括：
对电力用户测量数据缺失值的填充，具体如下：
（1）单点数据缺失补充：
对一天多测量点的单点数据缺失值，挑选邻近时刻的2个测量点后，采用拉格朗日插值法对数据进行还原；
对一天一个测量点的单点数据缺失值，挑选2个邻近日的测量值进行数据还原；
（2）多点连续数据缺失补充：
针对一天多测量点的多点连续数据缺失值，首先计算相邻日同一时刻测量值的均值
Figure QLYQS_57
和相邻时刻的测量值均值/>
Figure QLYQS_58
，然后通过下式的线性方程进行数据还原：
Figure QLYQS_59
其中，
Figure QLYQS_60
为还原值，α、β为线性参数。
8.根据权利要求7所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：
α取值为0.4，β取值为0.6。
9.适用于负荷管理的电力用户负荷特性画像构建系统，用于实现权利要求1-8任一项所述的方法，其特征在于：
所述电力用户负荷特性画像构建系统包括：
指标数据采集模块，用于确定负荷管理的目标电力用户，采集目标电力用户多时间尺度下的负荷特性指标数据；
用户负荷可调潜力指标评价模块，用于建立用户负荷特性标签体系，结合电力用户负荷特性指标数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；
画像构建模块，用于根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。
10.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-8任一项所述方法的步骤。
11.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
CN202310075359.4A 2023-02-07 2023-02-07 适用于负荷管理的电力用户负荷特性画像构建方法和系统 Active CN115829418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310075359.4A CN115829418B (zh) 2023-02-07 2023-02-07 适用于负荷管理的电力用户负荷特性画像构建方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310075359.4A CN115829418B (zh) 2023-02-07 2023-02-07 适用于负荷管理的电力用户负荷特性画像构建方法和系统

Publications (2)

Publication Number Publication Date
CN115829418A CN115829418A (zh) 2023-03-21
CN115829418B true CN115829418B (zh) 2023-06-27

Family

ID=85520824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310075359.4A Active CN115829418B (zh) 2023-02-07 2023-02-07 适用于负荷管理的电力用户负荷特性画像构建方法和系统

Country Status (1)

Country Link
CN (1) CN115829418B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307944B (zh) * 2023-05-18 2023-08-04 山东欣瑞电气有限公司 基于人工智能与物联网的配电箱远程监测系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636146A (zh) * 2018-11-28 2019-04-16 东南大学 一种用户需求响应潜力画像方法
CN111832861A (zh) * 2019-04-19 2020-10-27 广州供电局有限公司 基于大数据平台的居民负荷变尺度画像方法和系统
CN110109971A (zh) * 2019-04-19 2019-08-09 国网天津市电力公司电力科学研究院 一种低压台区用户用电负荷特性分析方法
CN111784381B (zh) * 2020-06-09 2023-05-16 北京邮电大学 基于隐私保护和som网络的电力客户细分方法及系统
CN113591947A (zh) * 2021-07-15 2021-11-02 合肥阳光智维科技有限公司 基于用电行为的电力数据聚类方法、装置和存储介质

Also Published As

Publication number Publication date
CN115829418A (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN109376772B (zh) 一种基于神经网络模型的电力负荷组合预测方法
Huang et al. A clustering based grouping method of nearly zero energy buildings for performance improvements
CN111639815A (zh) 一种多模型融合预测电网缺陷物资的方法及系统
CN111008504B (zh) 一种基于气象模式识别的风电功率预测误差建模方法
CN112734135B (zh) 一种电力负荷预测方法、智能终端及计算机可读存储介质
CN112288164A (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN115829418B (zh) 适用于负荷管理的电力用户负荷特性画像构建方法和系统
CN113361785A (zh) 配电网短期负荷预测方法、装置、终端及存储介质
CN111680841A (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN117272850B (zh) 配电网安全运行调度弹性空间分析方法
CN115186803A (zh) 一种考虑pue的数据中心算力负荷需求组合预测方法和系统
CN109544029A (zh) 一种台区线损的分析方法、分析装置及终端
Wang et al. Big data analytics for price forecasting in smart grids
CN112396301A (zh) 基于能源大数据驱动的电力用户需求响应特性控制方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN112116265A (zh) 一种电力数据驱动的行业景气指数构建方法
CN109214610A (zh) 一种基于长短期记忆神经网络的饱和电力负荷预测方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN113361776A (zh) 一种基于用户用电行为聚类的电力负荷概率预测方法
CN109784748B (zh) 一种市场竞争机制下用户用电行为辨识方法及装置
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN117034046A (zh) 一种基于isodata聚类的柔性负荷可调潜力评估方法
CN116885697A (zh) 一种基于聚类分析与智能算法组合的负荷预测方法

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
GR01 Patent grant
GR01 Patent grant