CN115879031A - 可调节负荷区域负荷分类方法及相关设备 - Google Patents

Abstract

本申请提供一种可调节负荷区域负荷分类方法、装置、电子设备及存储介质，包括：获取可调节负荷区域内的原始用电数据；对所述原始用电数据进行预处理，得到用户用电行为特征；通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；根据所述负荷响应特性确定可调负荷区域的负荷分类结果。本申请通过区域大规模可调节负荷分层分区的多维聚合，即通过聚类算法和神经网络进行两次聚合，克服了现有技术中算法单一，可迁移性低，聚类效果不佳的问题，有效实现了大规模可调节负荷聚合特性在线辨识与参数提取。

Description

可调节负荷区域负荷分类方法及相关设备

技术领域

本申请涉及电力负荷聚合及分类技术领域，尤其涉及一种可调节负荷区域负荷分类方法及相关设备。

背景技术

可调节负荷是指能够根据电价、激励或者交易信息，实现启停、调整运行状态或调整运行时段的需求侧用电设备、电源设备及储能设备。包括工业企业生产负荷、生产辅助负荷、楼宇负荷、居民电器负荷及分散式储能、电动汽车等。可调节负荷区域是指在一个特定区域内进行可调节负荷以对该区域内的用电资源进行调节，以提高对该区域内的电资源的利用率，实现合理规范的用电。

然而，在区域大规模可调负荷接入场景下，可调资源呈现种类繁多、行为模式各异、分散性强、数据量大的特征导致特征难以提取。现有信息采集及数据分析方法难以从如此海量数据中实现用户行为特征的提取，对于可调节区域负荷的分类存在聚类效果不佳，没有好的评价衡量指标，导致分类不准确的问题，并且在现有技术中还存在可迁移性低的问题。

发明内容

有鉴于此，本申请的目的在于提出一种可调节负荷区域负荷分类方法、装置、电子设备及存储介质。

基于上述目的，本申请提供了可调节负荷区域负荷分类方法，包括：

获取可调负荷区域内的原始用电数据；

对所述原始用电数据进行预处理，得到用户用电行为特征；

通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；

根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；

根据所述负荷响应特性确定可调负荷区域的负荷分类结果。

可选的，所述对所述始用电数据进行预处理，得到用户用电行为特性，包括：

对所述原始用电数据中的干扰信息进行过滤，确定用户用电行为特征。

可选的，所述通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类，包括：

根据所述用户用电行为特征，通过聚类算法进行所述第一聚类，确定第一聚类中心；

根据所述第一聚类中心，通过欧式距离进行计算，确定第二聚类中心；

响应于确定所述第一聚类中心与所述第二聚类中心相同，根据所述第一聚类中心确定所述用电负荷分类。

可选的，所述所述方法，还包括：

响应于确定所述第一聚类中心和所述第二聚类中心不相同，根据所述第二聚类中心进行迭代，确定所述用电负荷分类。

可选的，所述方法，包括：

根据所述用户用电行为特征，通过聚类算法将所述用户用电行为特征中相似类型的行为特征作为一个聚类簇，得到若干所述聚类簇；

将若干所述聚类簇中的任一所述聚类侧确定为所述第一聚类中心；

通过所述欧式距离计算所述第一聚类中心与任一所述聚类簇中用户用电行为特征数据点的距离间隔，并根据所述距离间隔确定所述第二聚类中心。

可选的，所述根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性，包括：

将所述用电负荷分类输入所述神经网络，确定任一类所述用电负荷的影响因素；

根据所述影响因素对任一类所述用电负荷进行重新分类，并对所述重新分类的分类结果进行第二聚合，确定所述负荷响应特性。

可选的，所述聚类算法为K-means算法；

所述神经网络为自组织竞争神经网络。

基于同一构思，本申请还提供了一种可调节负荷区域负荷分类装置，包括：

获取模块，被配置为获取可调负荷区域内的原始用电数据；

预处理模块，被配置为对所述始用电数据进行预处理，得到用户用电行为特征；

第一聚合模块，被配置为通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；

第二聚合模块，被配置为根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；

分类模块，被配置为根据所述负荷响应特性确定分类结果。

基于同一构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上任意一项所述的方法。

基于同一构思，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上任意一项所述的方法。

从上面所述可以看出，本申请提供的可调节负荷区域负荷分类方法、装置、电子设备及存储介质，包括：获取可调节负荷区域内的原始用电数据；对所述原始用电数据进行预处理，得到用户用电行为特征；通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；根据所述负荷响应特性确定可调负荷区域的负荷分类结果。本发明通过区域大规模可调节负荷分层分区的多维聚合，即通过聚类算法和神经网络进行两次聚合，克服了现有技术中算法单一，可迁移性低，聚类效果不佳的问题，有效实现了大规模可调节负荷聚合特性在线辨识与参数提取。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关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申请的实施例，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为本申请实施例的可调节负荷区域负荷分类方法流程示意图；

图2为本申请实施例的可调节负荷区域负荷分类方法中第一聚合的电荷分类结果示意图；

图3为本申请实施例的可调节负荷区域负荷分类方法中第二聚合的响应特性示意图；

图4为本申请实施例的可调节负荷区域负荷分类装置结构示意图；

图5为本申请实施例的电子设备结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如背景技术部分所述，在区域大规模可调负荷接入场景下，可调节资源呈现种类繁多、行为模式各异、分散性强、数据量大的明显特征，导致用户用能特征难以提取。

然而，现有技术中现有信息采集及数据分析方法难以从如此海量数据中实现用户行为特征的提取，对于可调节区域负荷的分类存在聚类效果不佳，没有好的评价衡量指标，导致分类不准确的问题，并且在现有技术中还存在可迁移性低的问题。

有鉴于此，为了解决可调节区域负荷的分类存在聚类效果不佳，没有好的评价衡量指标，导致分类不准确的问题，提高分类的准确性，以更好的节约电资源，本申请实施例提供了一种可调节负荷区域负荷分类方法、装置、电子设备及存储介质。

参考图1，为本申请的可调节负荷区域负荷分类方法的流程图。

如图1所示，所述可调节负荷区域负荷分类方法，包括：

步骤102、获取可调节负荷区域内的原始用电数据；

步骤104、对所述原始用电数据进行预处理，得到用户用电行为特征；

步骤106、通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；

步骤108、根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；

步骤110、根据所述负荷响应特性确定可调负荷区域的负荷分类结果。

在步骤102中，具体为，从指定的用户用电或用能数据库中提取特定可调节负荷区域内全部用户一段时间内的用电或用能数据。其中，特定可调节负荷区域内可以是一个省也可以是一个市或一个县，例如，该特定可调节负荷区域可以是天津市，则从用户用电或用能数据库中提取天津市区域内的全部用户的用电或用能数据作为本步骤中的原始用电数据。

进一步的，用户的用电或用能数据，包括用户的用电负荷、用电时间等。其中，用电负荷又分为工业企业生产负荷、生产辅助负荷、楼宇负荷、居民电器负荷及分散式储能、电动汽车等；用电时间，又包括了不同类型的用户用能的时间段的不同，例如，居民用户的用能时间段一般集中在下午6点到第二天早上9点，即，下班后到第二天上班前的时间段；写字楼的的用能时间段一般集中在一天当中的早上9点到下午6点，即，从早上上班时间到下午下班时间的时间段；而工业生产企业的用能在短时间内则可能存在一直存在需求的情况，一般来讲当某一工厂接到订单时一般会通过轮班的情况完成生产目标，即在一天的24小时内，工业生产企业是一直存在用能需求的。

在步骤104中，原始用电数据为从指定的用户用电或用能数据库中，提取特定可调节负荷区域内全部用户一段时间内的用电或用能数据，其中，原始数据中可能会存在很多只出现一次或两次，即低发生率的数据，低发生率的数据的存在则会对数据处理过程造成干扰，并且会增加数据处理过程中的计算量，浪费计算资源，因此对低发生率的数据进行过滤。

在一些可选的实施方式中，也可以对从指定的用户用电或用能数据库中，提取特定可调节负荷区域内全部用户一段时间内的用电或用能数据进行筛选，即，首先，确定原始数据中只出现一次或两次，即低发生率的数据；然后，根据低发生率的数据进行反向选取，选取全部原始用电数据中除低发生率的数据之外的数据，并将选取的数据作为用户用电行为特征。

在一些可选的实施方式中，对原始用电数据进行预处理有效减少了数据中的低发生率的数据造成的干扰行为，进行预处理后的数据剔除了干扰数据，不仅可以减少计算资源，而且可以有效提高后续分类的准确性。

在步骤106中，通过K-means算法对用户用电行为特征进行第一聚合，其中，K-means算法称为K_均值算法,用于聚类。聚类是一种无监督学习,他将相似的对象归于一个簇中,簇中心通过簇中所有点的均值来计算。

在一些可选的实施方式中，通过聚类算法对用户用电行为特征进行第一聚合，得到用电负荷分类，具体包括：根据所述用户用电行为特征，通过聚类算法进行所述第一聚类，确定第一聚类中心；根据所述第一聚类中心，通过欧式距离进行计算，确定第二聚类中心；响应于确定所述第一聚类中心与所述第二聚类中心相同，根据所述第一聚类中心确定所述用电负荷分类。其中，聚类是一种无监督学习，聚类是指事先没有“标签”，在数据中发现数据对象之间的关系，将数据进行分组，一个分组也叫做“一个簇”，组内的相似性越大，组间的差别越大，则聚类效果越好，也就是簇内对象有较高的相似度，簇之间的对象相似度比较低，则聚类效果越好。

在一些可选的实施方式中，K-means算法首先将大量用户用电行为特征中的相似的用户用电行为特征归为一类，每一类称为一簇，确定多个簇后，同时计算每个簇的簇中心，并将任意一个簇的簇中心作为第一聚类中心，即有多少个簇就有多少个簇中心；然后，根据第一聚类中心，通过欧式距离计算任一第一聚类中心与任一代表用户用电行为特征的数据点的距离间隔，并根据距离间隔确定第二聚类中心；最后，计算第一聚类中心与第二聚类中心是否相同，即确定确定为第一聚类中心与第二聚类中心的数据点是否为同一个。其中，欧式距离计算中，采用距离间隔作为相似度的评价指标，两个对象的距离越近，即距离间隔越小，相似度就越大。

进一步的，第二聚类中心确定包括：计算任一第一聚类中心与任一代表用户用电行为特征的数据点的距离间隔，根据距离间隔进一步确定该用户用电行为特征数据点归属于哪一簇。例如，有A、B、C三个簇，A簇包括5个数据点a、s、d、f、g，簇中心为d，B簇包括6个数据点b、n、m、j、k、l，簇中心为k，C簇包括4个数据点z、x、c、v，簇中心为v，则第一聚类中心包括d、k、v，确定第一聚类中心后进一步计算每个数据点与第一聚类中心的距离间隔，并进一步根据距离间隔确定第二聚类中心。

更进一步的，根据距离间隔确定第二聚类中心中包括两种情况：第一，将第一聚类中心作为第二聚类中心；第二，重新确定第二聚类中心。在第一种情况中，通过计算确定在A、B、C簇中的数据点距离该簇中心的距离均小于其他两个簇中心，可见，簇中心并未发生改变，因此，将第一聚类中心作为第二聚类中心。在第二种情况中，通过计算发现B簇中的数据点b与簇中心的k的距离间隔大于B簇簇中心k的距离间隔，也大于C簇簇中心v的距离间隔，因此，将数据点b归为A簇，则相应的，A簇和B簇的簇中心相应的也会发生改变。当然，本申请仅做举例说明，在实际实施中可能不止有三个簇，也可能会有几十或上百个，本申请不做限定，均在本申请的保护范围。

在一些可选的实施方式中，响应于确定所述第一聚类中心和所述第二聚类中心不相同，根据所述第二聚类中心进行迭代计算，即，计算每一个聚类簇中数据点与任意一个簇中心的距离间隔，直到当前计算的簇中心点的距离较上次计算的簇中心点的位置不再变化，那么停止迭代，并根据确定如图2所示的6种用电负荷分类。其中，在图2中每一条曲线表示一种用电负荷。

在步骤108中，神经网络为自组织竞争神经网络，自组织竞争神经网络为前向神经网络模型，自组织竞争神经网络采用无监督学习算法，其工作的基本思想是让竞争层的各个神经元通过竞争与输入模式进行匹配，最后仅有一个神经元成为竞争的胜利者，这个获胜神经元的输出就代表对输入模式的分类。

在一些可选的实施方式中，将如图2所示的用电负荷分类输入所述神经网络，确定任一类所述用电负荷的影响因素；根据所述影响因素对任一类所述用电负荷进行重新分类，并对所述重新分类的分类结果进行第二聚合，确定如图3所示的所述负荷响应特性。其中，图3中示出了4种响应特性，图中的正方形、圆形、三角形以及菱形分别代表一种响应特性。具体的，响应特性包括最大响应率，反应时间，平均响应速率，响应持续时间。

从上面所述可以看出，本申请提供的可调节负荷区域负荷分类方法、装置、电子设备及存储介质，包括：获取可调节负荷区域内的原始用电数据；对所述原始用电数据进行预处理，得到用户用电行为特征；通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；根据所述负荷响应特性确定可调负荷区域的负荷分类结果。本发明通过区域大规模可调节负荷分层分区的多维聚合，即通过聚类算法和神经网络进行两次聚合，克服了现有技术中算法单一，可迁移性低，聚类效果不佳的问题，有效实现了大规模可调节负荷聚合特性在线辨识与参数提取。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种可调节负荷区域负荷分类装置。

参考图4，所述可调节负荷区域负荷分类装置，包括：

获取模块402，被配置为获取可调负荷区域内的原始用电数据；

预处理模块404，被配置为对所述始用电数据进行预处理，得到用户用电行为特征；

第一聚合模块406，被配置为通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；

第二聚合模块408，被配置为根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；

分类模块410，被配置为根据所述负荷响应特性确定分类结果。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的可调节负荷区域负荷分类方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的可调节负荷区域负荷分类方法。

图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的可调节负荷区域负荷分类方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的可调节负荷区域负荷分类方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。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)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘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。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的可调节负荷区域负荷分类方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种可调节负荷区域负荷分类方法，应用于可调负荷区域中可调负荷的分类，其特征在于，包括：

获取可调节负荷区域内的原始用电数据；

对所述原始用电数据进行预处理，得到用户用电行为特征；

通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；

根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；

根据所述负荷响应特性确定可调负荷区域的负荷分类结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述始用电数据进行预处理，得到用户用电行为特性，包括：

对所述原始用电数据中的干扰信息进行过滤，确定用户用电行为特征。

3.根据权利要求1所述的方法，其特征在于，所述通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类，包括：

根据所述用户用电行为特征，通过聚类算法进行所述第一聚类，确定第一聚类中心；

根据所述第一聚类中心，通过欧式距离进行计算，确定第二聚类中心；

响应于确定所述第一聚类中心与所述第二聚类中心相同，根据所述第一聚类中心确定所述用电负荷分类。

4.根据权利要求3所述的方法，其特征在于，所述所述方法，还包括：

响应于确定所述第一聚类中心和所述第二聚类中心不相同，根据所述第二聚类中心进行迭代，确定所述用电负荷分类。

5.根据权利要求3所述的方法，其特征在于，所述方法，包括：

根据所述用户用电行为特征，通过聚类算法将所述用户用电行为特征中相似类型的行为特征作为一个聚类簇，得到若干所述聚类簇；

将若干所述聚类簇中的任一所述聚类侧确定为所述第一聚类中心；

通过所述欧式距离计算所述第一聚类中心与任一所述聚类簇中用户用电行为特征数据点的距离间隔，并根据所述距离间隔确定所述第二聚类中心。

6.根据权利要求1所述的方法，其特征在于，所述根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性，包括：

将所述用电负荷分类输入所述神经网络，确定任一类所述用电负荷的影响因素；

根据所述影响因素对任一类所述用电负荷进行重新分类，并对所述重新分类的分类结果进行第二聚合，确定所述负荷响应特性。

7.根据权利要求1所述的方法，其特征在于，所述聚类算法为K-means算法；

所述神经网络为自组织竞争神经网络。

8.一种可调节负荷区域负荷分类装置，其特征在于，包括：

获取模块，被配置为获取可调负荷区域内的原始用电数据；

预处理模块，被配置为对所述始用电数据进行预处理，得到用户用电行为特征；

第一聚合模块，被配置为通过聚类算法对所述用户用电行为特征进行第一聚合，得到用电负荷分类；

第二聚合模块，被配置为根据神经网络对所述用电负荷分类中任一类用电负荷进行第二聚合，确定负荷响应特性；

分类模块，被配置为根据所述负荷响应特性确定分类结果。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现根据权利要求1至7中任意一项所述的方法。

10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行根据权利要求1至7中任意一项所述的方法。

Images