CN116842405A - 一种电力负荷数据聚类方法、系统、设备及存储介质 - Google Patents
一种电力负荷数据聚类方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116842405A CN116842405A CN202310793077.8A CN202310793077A CN116842405A CN 116842405 A CN116842405 A CN 116842405A CN 202310793077 A CN202310793077 A CN 202310793077A CN 116842405 A CN116842405 A CN 116842405A
- Authority
- CN
- China
- Prior art keywords
- load
- user
- clustering
- data
- curve
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000005611 electricity Effects 0.000 claims abstract description 89
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 70
- 230000001932 seasonal effect Effects 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000007417 hierarchical cluster analysis Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000002776 aggregation Effects 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 20
- 238000010438 heat treatment Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000003238 somatosensory effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力负荷数据聚类方法、系统、设备及存储介质,本发明聚类时,首先建立居民用户日负荷曲线;其次,分解活跃时段负荷及非活跃时段负荷分量,提取特征向量对居民用户日负荷曲线进行粗聚类;再次,分别解耦气象及季节因素对居民用电行为及负荷量的影响,生成基于季节分类的用户工作日典型负荷曲线;然后,使用离散小波分解法对用户工作日典型负荷曲线进行分解,构建用户用电趋势特征和用户用电特征;最后将用户用电趋势特征和用户用电特征作为用户用电数据的聚类依据,对用电用户进行基于DDTW距离的层次聚类分析。本发明方法降低了季节及其变换对聚类的影响,规避了数据处理的插值填充问题,提升了聚类效果。
Description
技术领域
本发明涉及配用电和大数据应用技术领域,具体涉及一种基于DWT-DDTW改进的居民用电电力负荷数据聚类方法、系统、电子设备及存储介质。
背景技术
随着我国电力行业的发展及售电市场的逐步开放,当前的销售电价模式也逐渐暴露出一些新的问题:目前的电价分类并未充分考虑居民用户的用电负荷特性。随着以智能电表为代表的高级测量装置能够面向一般消费者,智能用电领域的智能化程度逐渐提高,居民对用电的需求也向着多元化发展。随着电力系统体制改革的推进及电力市场的建立与建设,电力零售端的售电商与客户的地位也得到了明显的提升。全面了解用户的用电行为,可以有效地提升电力市场的运转及市场参与方的竞争能力,提供更加优质、经济的电力服务,增强电力市场需求侧响应的效率。因此,对电力用户的用电特征和行为进行分析研究是当前新型电力系统建设亟需解决的问题。
发明内容
发明目的:本发明的目的是提供一种基于DWT-DDTW改进的居民用电电力负荷数据聚类方法、系统、电子设备及存储介质,以解决现有技术中存在的一个或多个问题。
技术方案:本发明的一种电力负荷数据聚类方法,包括:
收集选定的居民用户的日高颗粒度负荷数据,并对日高颗粒度负荷数据进行预处理,抛除异常数据,建立居民用户日负荷曲线;
从居民用户日负荷曲线中,分解活跃时段负荷及非活跃时段负荷分量,以居民用户活跃/非活跃时段占比、负荷活跃时段、负荷非活跃时段的平均负荷和日负荷的峰谷差作为特征向量,对居民用户日负荷曲线进行粗聚类,生成粗聚类集;
针对粗聚类集中的各个簇群的负荷曲线,分别解耦气象及季节因素对居民用电行为及负荷量的影响,生成基于季节分类的用户工作日典型负荷曲线;
使用离散小波分解方法对基于季节分类的用户工作日典型负荷曲线进行分解,将时域信号分解到时间频率窗口,使高维负荷曲线降维为低维小波信号,提取近似信号表征,构建用户用电趋势特征和用户用电特征;
将用户用电趋势特征和用户用电特征作为用户用电数据的聚类依据,对用电用户进行基于DDTW距离的层次聚类分析。
进一步的,居民用户的活跃时段T定义为:
T={t|Wt≥(Wmin+α(Wmax-Wmib))}
其中,活跃时段T为活跃时刻t的集合,Wt为t活跃时刻的功率,wmin为当天的最小耗电量,wmax为当天的最大耗电量,α为(0,1)之间的系数,基于不同居民用户的用电习惯,建立不同的阈值以确定用户的活跃时段;
同时,非活跃时段被视为当天的总时段中,除了负荷的活跃时段外,其余的时段;
计算居民用户负荷的活跃/非活跃时段占比、负荷活跃时段、非活跃时段平均负荷量和日负荷的峰谷差这五个特征,建立居民负荷的特征向量;基于降维处理后的居民负荷特征向量,对居民用户日负荷曲线进行粗聚类,区分出用电行为差异较大的簇组。
进一步的,解耦气象及季节因素对居民用电行为及负荷量的影响,包括以下步骤:
收集居民用电相关的气象数据与体感温度数据,选择确定该区域季节变换的时间;
收集居民用电负荷的数据及空调、热暖的负荷数据,建立相应的负荷曲线,分别建立春季、夏季、秋季、冬季的工作日电力负荷曲线P1Wd,h、P2Wd,h、P3Wd,h、P4Wd,h;
基于居民用电负荷的数据,使用春、秋季工作日典型负荷,建立年度工作日典型负荷,解耦夏、冬日负荷受空调、热暖负荷的影响;
取春秋季时间的全部工作日的电力负荷平均值,分别作为春季和秋季工作日典型负荷曲线P1w,h、P3w,h,其具体表达式为:
其中,P1Wd,h表示春季的工作日电力负荷曲线,d表示日,h表示小时,w表示工作日,n表示工作日数量;
在构建居民用电负荷的工作日典型负荷曲线时,使用春季与秋季的工作日典型负荷曲线之和的平均作为年度工作日典型负荷曲线的样本,其具体表达式为:
PBW,h=(P1W,h+P3W,h)/2
相似地,建立居民用户在夏季时的工作日典型负荷曲线P2w,h:
其中,P2Wd,h表示夏季的工作日电力负荷曲线;
把被测年度夏季工作日典型负荷曲线P2w,h减去年度工作日典型负荷曲线PBw,h,所得差值记为夏季负荷增益曲线:P=P2w,h-PBw,h;
参考夏季时负荷增益曲线的构建方法,建立冬季工作日典型负荷曲线的提取方法,观测冬季负荷增益曲线与热暖设备的关联;对比在低温,中温,高温下的冬季负荷增益曲线与空调、热暖负荷曲线的相似性,记录冬季负荷增益曲线与空调、热暖负荷曲线的线性拟合曲线的斜率,计算每个用户的温敏负荷运行指标。
进一步的,基于季节分类的用户工作日典型负荷曲线PBw用以下矩阵表示:
其中,表示用户n第m天的日负荷曲线,m=1,2,3…,l,l表示采集用户第l天的日负荷曲线。
进一步的,对基于季节分类的用户工作日典型负荷曲线进行进离散小波分解,将时域信号分解到时间频率窗口;设与季节因素解耦后,用户工作日典型负荷曲线是一组包含有效数据数量为n的数据x[n],将负荷x[n]通过频域变换后,通过频域滤波器g[n]h[n],分别在低通低频率滤波器g[n]中滤去高频分量,在高频滤波器h[n]中滤去低频分量,实现对负荷曲线的频域分解通,获得分解后的高频和低频分量:
其中,x1,L[n]和x1,H[n]分别为第一次小波分解后的低频信号分量和高频信号分量,g[k]表示分解使用的低频信号滤波器,h[k]表示分解使用的高频信号滤波器,k表示信号分解的次数;
对第一小波分解后的低频信号分量x1,L[n]再次使用小波分解操作,得到第二次小波分解的频域分量;对应地,其第二次高频信号分量和低频信号分量分别为:
其中,x2,L[n]和x2,H[n]分别为第二次小波分解后的低频信号分量和高频信号分量;
对基于季节分类的用户工作日典型负荷曲线离散小波变换,使用三次小波分解,每一次小波分解对上一次分解出的低频分量继续进行小波分解,提取第一次及第二次小波分解的低频信号分量作为居民用户的用电趋势特征;使用小波分解后所有频域的分量,构成用户的用电特征。
进一步的,使用用户的用电趋势特征及用户用电特征作为聚类分析的数据基础;采用DDTW算法,以用户用电趋势作为聚类分析的主属性,以用电特征作为聚类的次属性,计算不同居民用电负荷各离散小波模态分量的相似性,以各个用户负荷小波分解获得的用电趋势的频域分量为基础,计算各用户用电趋势特征之间的DDTW距离,之后计算每个聚类簇中各个频率模态之间的相似性,使用DDTW距离度量簇间距离,获取不同用户负荷曲线的相似矩阵;在初始聚类时将数据集中的每一个数据样本都视为一个独立的聚类簇,数据集为所有居民用户的用电趋势特征和用电特征的集合,数据样本为单个用户的用电趋势特征和用电特征,每一步聚合中将两个距离最近的聚类簇合并成为一个新的聚合簇,并计算新的聚合簇之间的距离;不断重复聚合的过程,实现层次聚类,同时将每个层次聚类的结果可视化,提供聚类簇的子聚类状况;直至聚合成一个聚类簇。
进一步的,聚类距离函数使用DDTW距离,表达式如下:
对数据样本A=(ai1,ai2,…,ain)和数据样本B=(bj1,bj2,…,bjn),其中,ai1,ai2,…,ain分别为数据样本A对应的居民用户工作日典型负荷曲线小波变换后的频率分量,bj1,bj2,…,bjn分别为数据样本B对应的居民用户工作日典型负荷曲线小波变换后的频率分量,距离函数dDDTW(A,B)定义为:
其中,C为数据样本A和B分别经处理后的序列A*′和B*′的动态时间弯曲路径组成的集合;s为每一条路径中元素的个数;lr为路径中第r个点的坐标;d()为距离函数。
基于DDTW的频率分量模态相似性计算,建立各个用户之间的相似性矩阵;
若聚类簇之间的相似性大,则簇间距离较小;反之,若聚类簇之间相似性较小,则簇间距离较大;若一次聚类时,如果某次聚合使用的聚类簇间距的增加值比先前聚合时的簇间的增加值要大得多,则此次聚合操作前的聚类簇数为层次聚类所需获得的聚类簇数。
基于相同的发明构思,本发明的一种电力负荷数据聚类系统,包括:
数据处理模块,用于收集选定的居民用户的日高颗粒度负荷数据,并对日高颗粒度负荷数据进行预处理,抛除异常数据,建立居民用户的日负荷曲线;
粗聚类模块,用于从预处理后的居民用户的日负荷曲线中,分解活跃时段负荷及非活跃时段负荷分量,以居民用户活跃/非活跃时段占比、负荷活跃时段、负荷非活跃时段的平均负荷和日负荷的峰谷差作为特征向量,对预处理后的居民用户的日负荷曲线进行粗聚类,生成粗聚类集;
季节解耦模块,用于针对粗聚类集中的各个簇群的负荷曲线,分别解耦气象及季节因素对居民用电行为及负荷量的影响,生成基于季节分类的用户工作日典型负荷曲线;
离散小波分解模块,用于使用离散小波分解方法对基于季节分类的用户工作日典型负荷曲线,将时域信号分解到时间频率窗口,使高维负荷曲线降维为低维小波信号,提取近似信号表征,用于用户用电趋势分析;使用小波分解后所有频域的分量,构成用户的用电特征;
层次聚类分析模块,用于将用户小波信号表征的频域特征曲线作为用户用电数据的聚类依据,对用电用户进行基于DDTW距离的层次聚类分析。
基于相同的发明构思,本发明的一种电力负荷数据聚类设备,包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该电子设备实现如上述电力负荷数据聚类方法的步骤。
基于相同的发明构思,本发明的一种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,实现如上述电力负荷数据聚类方法的步骤。
有益效果:与现有技术相比,本发明的显著技术效果为:
引入小波变换方法,在传统负荷聚类的基础上,对高维数据进行特征提取,将负荷曲线分解为高低频段的模态分量,使用DDTW(导数动态时间规整算法)方法度量居民用电负荷之间的不同频域模态分量的相似性,本方法使用离散小波分解方法与日负荷曲线特征聚类方法相结合,提升了聚类的效果。
本发明采用DDTW算法度量负荷序列频域分量的相似性,解决了负荷数据缺失导致的序列数据不等长的问题,规避了数据处理的插值填充问题;采用DDTW算法度量负荷频域分量的相似性,不仅考虑分量的接近程度,还分析频域分量的曲线形状特征,变化趋势之间的差异程度,解决了使用DTW(离散小波变换)算法在居民用户关系识别时误判的问题。
本发明基于空调、热暖电气设备的启停受体感温度、气温和湿度等因素的影响,提出负荷-温度的解耦方法,建立四季电力负荷曲线及解耦后的典型电力负荷曲线,在用电行为的聚类上,降低季节及季节变化对负荷的影响效果。
利用层次聚类方法,本发明实现从数据聚类底部到顶部的聚类策略,避免k-means等算法需要预先确定k值,存在聚类性能参数影响较大的局限。
附图说明
图1是本发明实施例公开的一种电力负荷数据聚类方法的流程示意图;
图2是本发明实施例公开的一种季节、气象因素与负荷的解耦方法流程示意图;
图3是本发明实施例公开的一种离散小波分解算法示意图;
图4是本发明实施例公开的一种电力负荷数据聚类系统的结构示意图;
图5是本发明实施例公开的一种电力负荷数据聚类设备的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上有益效果具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
本领域普通技术人员应该可以明白,结合本发明中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计与树条件。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述功能,但是这种实现不应认为超出本发明的范围。
本发明中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
实施例一
请参阅图1,图1是本发明实施例公开的一种电力负荷数据聚类方法的流程示意图。其中,图1所描述的电力负荷数据聚类方法应用于电力系统中,如用于居民用电电力负荷数据聚类等,本发明实施例不做限定。如图1所示,该电力负荷数据聚类方法可以包括以下操作:
S1、收集选定的居民用户的日高颗粒度负荷数据,并对数据进行预处理,抛除异常数据,建立居民用户的日负荷曲线。
S2、从居民用户的日负荷曲线中,分解活跃时段负荷及非活跃时段负荷分量,建立居民用户负荷曲线的特征向量,生成粗聚类集。具体的:
分析居民用户的用电负荷状态,对用户用电行为的活跃时段和非活跃时段进行统计,分别计算用户的活跃时段负荷及非活跃时段的负荷。
本实施例中,分析居民用户的用电负荷状态,主要体现在用户负荷来源的分析上,包括对空调、电视、灯具等设备负荷数据的收集以及对电热水器、地暖等热暖设备的负荷评估。其中,用户非活跃时段的负荷评估是通过统计用户闲时的电量消耗来获得用户非活跃时段的待机负载。建立用户负荷数据的高斯分布模型,使用统计的方法,使用数据分布的平均值/最大值作为活跃时段负荷的判定阈值,识别用户负荷的活跃时段/非活跃时段。
在具体实施时,在用户活跃时段的负荷评估中,将居民用户的负荷活跃时段定义为:
T={t|Wt≥Wmin+α(Wmax-Wmin)}
其中,活跃时段T为活跃时刻t的集合,Wt为t活跃时刻的功率,wmin为当天的最小耗电量,wmax为当天的最大耗电量,α为(0,1)之间的系数。
需要说明的是,基于不同居民用户的用电习惯,确定用户负荷的活跃时段。
同时,非活跃时段可以被视为当天的总时段中,除了负荷的活跃时段外,其余的时段。
进一步地,分别计算每个居民用户的负荷的活跃/非活跃时段占比,负荷活跃时段,日负荷的负荷峰谷差,非活跃时段平均负荷,使用这五个特征,构建居民负荷的特征向量。基于降维处理后的居民负荷特征向量,对居民用户的日负荷曲线进行粗聚类,区分出用电行为差异较大的簇组。从而为气象、季节与负荷的关系解耦提供负荷分析的基础。
本实施例通过评估用户活跃时段/非活跃时段典型负荷、时域负荷运行特征,分析用户的用电行为,从而为用户提供有针对性的个性化用电推送建议。
S3、针对粗聚类集中的各个簇群的日负荷曲线,分别解耦气象及季节因素对居民用电行为及负荷量的影响,生成基于季节分类的用户工作日典型负荷曲线。
本实施例中,如图2所示,使用的季节因素、气象数据与负荷的解耦方法的具体过程如下:
S301、收集居民用电相关的气象数据与体感温度数据,选择确定该区域季节变换的时间;
参考居民智能家居中空调在季节中的负荷数据,基于单个居民用户,根据气象信息及空调、热暖的启停状态,确定用户启停制冷制暖设备的温度及湿度。根据启停的阈值确定春、夏、秋、冬季的换季时间。
S302、收集居民用电负荷的数据及空调、热暖的负荷数据,建立对应的负荷曲线,分别建立春季、夏季、秋季、冬季的工作日电力负荷曲线P1Wd,h、P2Wd,h、P3Wd,h、P4Wd,h;
S303、基于居民用电负荷的数据,使用春、秋季工作日典型负荷,建立年度工作日典型负荷,解耦夏、冬日负荷受空调、热暖负荷的影响;
在一个可选的实施方式中,取春季时间的全部工作日的电力负荷曲线的平均值,来代表春季工作日典型负荷曲线P1w,h,具体表达式如下:
其中,P1Wd,h表示春季的工作日电力负荷曲线,d表示日,h表示小时,w表示工作日,n表示工作日的数量;
类似地,可以获得被测地区的秋季工作日典型负荷曲线P3w,h:
在构建居民用电负荷的工作日典型负荷曲线时,使用春季与秋季的工作日典型负荷曲线之和的平均作为年度工作日典型负荷曲线的样本,以消除符合自然增长的影响:年度工作日典型负荷曲线PBW,h的表达式为:
PBW,h=(P1W,h+P3W,h)/2
相似地,建立居民用户在夏季时的工作日典型负荷曲线P2w,h:
其中,P2Wd,h表示夏季的工作日电力负荷曲线;
把被测年度夏季工作日典型负荷曲线P2w,h减去年度工作日典型负荷曲线PBw,h,所得的差值记为夏季负荷增益曲线:P=P2w,h-PBw,h;
参考夏季时负荷增益曲线的构建方法,相似地,建立冬季工作日典型负荷曲线的提取方法,观测冬季负荷增益曲线与热暖设备的关联;对比在低温,中温,高温下的冬季负荷增益曲线与空调、热暖负荷曲线的相似性,记录冬季负荷增益曲线与空调、热暖负荷曲线的线性拟合曲线的斜率,计算每个用户的温敏负荷运行指标。
所述温敏负荷指冬季时,负荷增益曲线与温度(如:-10度,0度,10度)之间的关系。理论上,如0度会开空调,-10度会开地暖,或者仅表现为空调负荷随温度的降低而升高等。不同用户对寒冷的感知及用暖行为也会有区别,因此每个用户需要计算“温度敏感性”。
S4、使用离散小波分解方法对基于季节分类的用户工作日典型负荷曲线进行分解,将时域信号分解到时间频率窗口,使高维负荷曲线降维为低维小波信号,提取近似信号表征,构建用户用电趋势特征及用户用电特征,用于后续层次聚类分析。
如图3所示,使用离散小波分解方法对工作日典型负荷曲线进行分解时,使用三次小波变换,将第一次分解后的低频分量及第二次分解后的低频分量作为用户用电趋势特征,将所有的频域分量作为用户的用电特征,用于聚类分析。
在本实施例中,对每个居民用户的负荷曲线进行小波分解,具体如下:
将与季节、气象解耦的工作日典型负荷曲线PBW用以下矩阵表示:
其中,表示用户n第m天的日负荷曲线,m=1,2,3…,l,l表示采集用户第l天的日负荷曲线。
进一步地,使用多次离散小波方法进行频域分解,将居民用户负荷曲线从时域信号转换到到时间频率窗口。设与季节因素解耦后,用户工作日典型负荷曲线 是一组包含有效数据数量为n的数据x[n],将负荷x[n]通过频域变换后,通过频域滤波器g[n]和h[n],分别在低通低频率滤波器g[n]中滤去高频分量,在高频滤波器h[n]中滤去低频分量,实现对负荷曲线的频域分解通,获得分解后的高频和低频分量:
其中,经过频域分解后,获得低频信号分量x1,L[n]及高频信号分量x1,H[n],g[k]表示分解使用的低频信号滤波器,h[k]表示分解使用的高频信号滤波器,k表示信号分解的次数。
对经过一次小波分解得到的低频信号分量x1,L[n]再次使用小波分解操作,得到第二次小波分解的频域分量。对应地,其第二次高频信号分量和低频信号分量分别为:
其中,经过频域分解后,获得第二次小波分解的低频信号分量x2,L[n]及高频信号分量x2,H[n]。
本例中,使用三次的小波分解,随着分解的进行,获得第三次小波分解的频域分解信号:
其中,经过频域分解后,获得第三次小波分解的低频信号分离x3,L[n]及高频信号分离x3,H[n]。
居民的用电负荷曲线经过离散小波变换及频域提取,获得小波变化的低频分量。将第一次分解后的低频分量及对第一次分解后的低频分量再次进行分解获得的低频分量作为居民用户的用电趋势特征。将经过三次小波变换获得的所有的频域分量,构成用户的用电特征。
S5、将S4所述用电趋势特征及用电特征作为的聚类依据,对用电用户进行基于DDTW距离的层次聚类分析。使用DDTW算法及层次聚类算法,克服时序数据聚类的数据缺失及异常不敏感问题,提升聚类的准确性。
使用步骤S4所述的用户的用电趋势特征及用电特征作为聚类分析的数据基础,在进行聚类分析时,以用电趋势特征作为聚类的主属性,以用电特征作为聚类的次属性,分别计算不同居民用电负荷各离散小波模态分量的相似性(即分别计算不同居民的用电特征即用电趋势特征的DDTW距离):首先以各个用户负荷小波分解获得的用电趋势特征的频域分量为基础,计算各用户用电趋势特征之间的DDTW距离,之后计算每个聚类簇中各个频率模态之间的相似性,使用DDTW距离度量簇间距离。基于主属性及次属性的DDTW距离的计算,构建居民用户间的相似性矩阵,用于聚类分析。若主属性的聚类属于同一个簇团,而次属性的簇内DDTW距离大于阈值,则该簇团不能被认为是一个聚类簇团。层次聚类采用“从下而上”的聚类方法,无需如k-means聚类等聚类方法需要指定初始的k值,且k值对聚类的结果有较大的影响。在初始聚类时将数据集中的每一个数据样本都视为一个独立的聚类簇,数据集为所有居民用户的用电趋势特征和用电特征的集合,数据样本为单个用户的用电趋势特征和用电特征,每一步聚合中将两个距离最近的聚类簇合并成为一个新的聚合簇,并计算新的聚合簇之间的距离。不断重复聚合的过程,实现层次聚类,提供聚类簇的子聚类状况,直至聚合成一个聚类簇。
本实施例使用层次聚类方法,将居民用电负荷的用电趋势特征及用电特征构成的特征向量进行聚类,生成依层次聚类迭代的聚类簇团。
将每一个用户的负荷曲线的离散小波分解模态作为一个初始聚类簇,对所有的用户的聚类簇之间的DDTW距离进行计算。对数据样本A=(ai1,ai2,…,ain)和数据样本B=(bj1,bj2,…,bjn),其中,ai1,ai2,…,ain分别为数据样本集合A的元素,本实施例中,ai1为小波变换后其中的一个频率分量,单个用户的频率分量的集合认为是数据样本A。数据样本B同理,为另一个用户的频率分量的集合。距离函数dDDTW(A,B)定义为:
其中,C为原序列经处理后的序列A*′和B*′在动态时间弯曲路径组成的集合;s为每一条路径中元素的个数;lr为路径中第r个点的坐标;d()为距离函数。
将DDTW距离最小的两个聚类簇团合并称为为一个新的聚类簇X,并记录该聚类簇的DDTW距离,并计算在该次层次聚类中,新的聚类簇团内部元素的距离。使用聚类簇簇团内的采用平均距离进行计算,计算聚类元素Xi和Xj之间的距离,其簇间距离为:
其中,Xi,Xj为聚类中不同的聚合簇,x,y分别为Xi和Xj中的元素。
本实施例中,聚类簇的个数由选定的聚合簇间距离决定,较大的簇间距离门限会导致较少的聚类簇数量。计算聚类簇间的距离时,计算各个元素之间的相似性水平及聚类簇之间的DDTW距离,若聚类簇之间的相似性大,则簇间距离较小;反之,若聚类簇之间相似性较小,则簇间距离较大。若一次聚类时,如果某次聚合使用的聚类簇间距的增加值比先前聚合时的簇间的增加值要大得多,则此次聚合操作前的聚类簇数为层次聚类所需获得的聚类簇数。
重复进行层次聚类的过程,每次迭代都将簇团距离最小的聚类簇合并为一个新的聚类簇,直到数据集中只剩下一个簇聚类为止。根据聚类中每一步聚合中的两个簇聚类之间的簇间距离,将聚类簇距离变动最大的一次聚合操作之前的聚类簇结果作为最终确定聚类簇个数的依据。
根据聚类的结果,观察簇中的元素,确定用户负荷曲线的聚类结果,并对居民用户用电行为规律进行分析,为用户画像提供数据基础。
进一步的,本发明基于居民细粒度用电行为数据,获取用户非活跃时段负荷量及用户负荷时序并分解特征,使用聚类方法进行用户负荷的分析与用户用电行为的评估,建立用户用电画像,从而为用户提供有针对性的个性化电力套餐建议。本发明提出了有效的用户用电特性分析方法,为需求响应等负荷侧管理提供有力的支撑。
实施例二
请参阅图4,图4是本发明实施例公开的一种电力负荷数据聚类系统的结构示意图,该系统可以实现电力负荷数据聚类,具体包括:
数据处理模块,用于收集选定的居民用户的日高颗粒度负荷数据,并对日高颗粒度负荷数据进行预处理,抛除异常数据,建立居民用户的日负荷曲线;
粗聚类模块,用于从预处理后的居民用户的日负荷曲线中,分解活跃时段负荷及非活跃时段负荷分量,以居民用户活跃/非活跃时段占比、负荷活跃时段、负荷非活跃时段的平均负荷和日负荷的峰谷差作为特征向量,对预处理后的居民用户的日负荷曲线进行粗聚类,生成粗聚类集;
季节解耦模块,用于针对粗聚类集中的各个簇群的负荷曲线,分别解耦气象及季节因素对居民用电行为及负荷量的影响,生成基于季节分类的用户工作日典型负荷曲线;
离散小波分解模块,用于使用离散小波分解方法对基于季节分类的用户工作日典型负荷曲线,将时域信号分解到时间频率窗口,使高维负荷曲线降维为低维小波信号,提取近似信号表征,用于用户用电趋势分析;使用小波分解后所有频域的分量,构成用户的用电特征;
层次聚类分析模块,用于将用户小波信号表征的频域特征曲线作为用户用电数据的聚类依据,对用电用户进行基于DDTW距离的层次聚类分析。
在一个可选的实施方式中,电力负荷数据聚类方法包括:a)收集选定的居民用户的日高颗粒度负荷数据,并对数据进行预处理,抛除异常数据,建立居民用户日负荷曲线;b)根据用户负荷曲线,进行特征选择与数据降维,通过对特征向量的聚类,生成居民用户的粗聚类集;c)分析温度、湿度等气象数据与空调、热暖负荷及居民用电负荷的关联,完成气象因素与负荷的解耦;d)针对粗聚类集中的各个簇群,继续离散小波变换方法(DWT)对不同居民的用电负荷进行变换处理,实现对曲线特征的多尺度细化表达;e)对经过小波变换后的用户负荷,使用DDTW算法(动态时间规整算法)进行聚类分析,计算用户离散小波的各频率分量间的距离度量,基于各频率分量的相似度,进行居民用电负荷的层次聚类运算;分析居民用户用电的行为规律。
实施例三
请参阅图5,图5是本发明实施例公开的一种电力负荷数据聚类设备的结构示意图。其中,图5所描述的设备能够应用于电力系统中,如用于居民用电电力负荷数据聚类等,本发明实施例不做限定。
如图5所示,该设备可以包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该电子设备实现如上述实施例所述方法的步骤,并能达到与上述方法一致的技术效果。
存储器可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)和/或高速缓存存储器。设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储器可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。具有一组(至少一个)程序模块的程序/实用工具,可以存储在例如存储器中,这样的程序模块包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本发明所描述的实施例中的功能和/或方法。
处理器通过运行存储在存储器中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例一所提供的方法。
实施例四
本发明实施例4还提供了一种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,实现如上述实施例所述方法的步骤,并能达到与上述方法一致的技术效果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码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)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的方法中的相关操作。
以上所述的具体实施例,对本发明的目的,技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改,等同替换,改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力负荷数据聚类方法,其特征在于,所述方法包括:
收集选定的居民用户的日高颗粒度负荷数据,并对日高颗粒度负荷数据进行预处理,抛除异常数据,建立居民用户日负荷曲线;
从居民用户日负荷曲线中,分解活跃时段负荷及非活跃时段负荷分量,以居民用户活跃/非活跃时段占比、负荷活跃时段、负荷非活跃时段的平均负荷和日负荷的峰谷差作为特征向量,对居民用户日负荷曲线进行粗聚类,生成粗聚类集;
针对粗聚类集中的各个簇群的负荷曲线,分别解耦气象及季节因素对居民用电行为及负荷量的影响,生成基于季节分类的用户工作日典型负荷曲线;
使用离散小波分解方法对基于季节分类的用户工作日典型负荷曲线进行分解,将时域信号分解到时间频率窗口,使高维负荷曲线降维为低维小波信号,提取近似信号表征,构建用户用电趋势特征和用户用电特征;
将用户用电趋势特征和用户用电特征作为用户用电数据的聚类依据,对用电用户进行基于DDTW距离的层次聚类分析。
2.根据权利要求1所述的一种电力负荷数据聚类方法,其特征在于,居民用户的活跃时段T定义为:
T={t|Wt≥(Wmin+α(Wmax-Wmin))}
其中,活跃时段T为活跃时刻t的集合,Wt为t活跃时刻的功率,wmin为当天的最小耗电量,wmax为当天的最大耗电量,α为(0,1)之间的系数,基于不同居民用户的用电习惯,建立不同的阈值以确定用户的活跃时段;
同时,非活跃时段被视为当天的总时段中,除了负荷的活跃时段外,其余的时段;
计算居民用户负荷的活跃/非活跃时段占比、负荷活跃时段、非活跃时段平均负荷量和日负荷的峰谷差这五个特征,建立居民负荷的特征向量;基于降维处理后的居民负荷特征向量,对居民用户日负荷曲线进行粗聚类,区分出用电行为差异较大的簇组。
3.根据权利要求1所述的一种电力负荷数据聚类方法,其特征在于,解耦气象及季节因素对居民用电行为及负荷量的影响,包括:
收集居民用电相关的气象数据与体感温度数据,选择确定该区域季节变换的时间;
收集居民用电负荷的数据及空调、热暖的负荷数据,建立相应的负荷曲线,分别建立春季、夏季、秋季、冬季的工作日电力负荷曲线P1Wd,h、P2Wd,h、P3Wd,h、P4Wd,h;
基于居民用电负荷的数据,使用春、秋季工作日典型负荷,建立年度工作日典型负荷,解耦夏、冬日负荷受空调、热暖负荷的影响;
取春秋季时间的全部工作日的电力负荷平均值,分别作为春季和秋季工作日典型负荷曲线P1w,h、P3w,h,其具体表达式为:
其中,P1Wd,h表示春季的工作日电力负荷曲线,d表示日,h表示小时,w表示工作日,n表示工作日数量;
在构建居民用电负荷的工作日典型负荷曲线时,使用春季与秋季的工作日典型负荷曲线之和的平均作为年度工作日典型负荷曲线的样本,其具体表达式为:
PBW,h=(P1W,h+P3W,h)/2
相似地,建立居民用户在夏季时的工作日典型负荷曲线P2w,h:
其中,P2Wd,h表示夏季的工作日电力负荷曲线;
把被测年度夏季工作日典型负荷曲线P2w,h减去年度工作日典型负荷曲线PBw,h,所得差值记为夏季负荷增益曲线:P=P2w,h-PBw,h;
参考夏季时负荷增益曲线的构建方法,建立冬季工作日典型负荷曲线的提取方法,观测冬季负荷增益曲线与热暖设备的关联;对比在低温,中温,高温下的冬季负荷增益曲线与空调、热暖负荷曲线的相似性,记录冬季负荷增益曲线与空调、热暖负荷曲线的线性拟合曲线的斜率,计算每个用户的温敏负荷运行指标。
4.根据权利要求1所述的一种电力负荷数据聚类方法,其特征在于,基于季节分类的用户工作日典型负荷曲线PBw用以下矩阵表示:
其中,表示用户n第m天的日负荷曲线,m=1,2,3…,l,l表示采集用户第l天的日负荷曲线。
5.根据权利要求1所述的一种电力负荷数据聚类方法,其特征在于,对基于季节分类的用户工作日典型负荷曲线进行进离散小波分解,将时域信号分解到时间频率窗口;设与季节因素解耦后,用户工作日典型负荷曲线是一组包含有效数据数量为n的数据x[n],将负荷x[n]通过频域变换后,通过频域滤波器g[n]h[n],分别在低通低频率滤波器g[n]中滤去高频分量,在高频滤波器h[n]中滤去低频分量,实现对负荷曲线的频域分解通,获得分解后的高频和低频分量:
其中,x1,L[n]和x1,H[n]分别为第一次小波分解后的低频信号分量和高频信号分量,g[k]表示分解使用的低频信号滤波器,h[k]表示分解使用的高频信号滤波器,k表示信号分解的次数;
对第一小波分解后的低频信号分量x1,L[n]再次使用小波分解操作,得到第二次小波分解的频域分量;对应地,其第二次高频信号分量和低频信号分量分别为:
其中,x2,L[n]和x2,H[n]分别为第二次小波分解后的低频信号分量和高频信号分量;
对基于季节分类的用户工作日典型负荷曲线离散小波变换,使用三次小波分解,每一次小波分解对上一次分解出的低频分量继续进行小波分解,提取第一次及第二次小波分解的低频信号分量作为居民用户的用电趋势特征;使用小波分解后所有频域的分量,构成用户的用电特征。
6.根据权利要求1所述的一种电力负荷数据聚类方法,其特征在于,使用用户的用电趋势特征及用户用电特征作为聚类分析的数据基础;采用DDTW算法,以用户用电趋势作为聚类分析的主属性,以用电特征作为聚类的次属性,计算不同居民用电负荷各离散小波模态分量的相似性,以各个用户负荷小波分解获得的用电趋势的频域分量为基础,计算各用户用电趋势特征之间的DDTW距离,之后计算每个聚类簇中各个频率模态之间的相似性,使用DDTW距离度量簇间距离,获取不同用户负荷曲线的相似矩阵;在初始聚类时将数据集中的每一个数据样本都视为一个独立的聚类簇,数据集为所有居民用户的用电趋势特征和用电特征的集合,数据样本为单个用户的用电趋势特征和用电特征,每一步聚合中将两个距离最近的聚类簇合并成为一个新的聚合簇,并计算新的聚合簇之间的距离;不断重复聚合的过程,实现层次聚类,同时将每个层次聚类的结果可视化,提供聚类簇的子聚类状况;直至聚合成一个聚类簇。
7.根据权利要求6所述的一种电力负荷数据聚类方法,其特征在于,聚类距离函数使用DDTW距离,表达式如下:
对数据样本A=(ai1,ai2,…,ain)和数据样本B=(bj1,bj2,…,bjn),其中,ai1,ai2,…,ain分别为数据样本A对应的居民用户工作日典型负荷曲线小波变换后的频率分量,bj1,bj2,…,bjn分别为数据样本B对应的居民用户工作日典型负荷曲线小波变换后的频率分量,距离函数dDDTW(A,B)定义为:
其中,C为数据样本A和B分别经处理后的序列A*′和B*′的动态时间弯曲路径组成的集合;s为每一条路径中元素的个数;lr为路径中第r个点的坐标;d()为距离函数;
基于DDTW的频率分量模态相似性计算,建立各个用户之间的相似性矩阵;
若聚类簇之间的相似性大,则簇间距离较小;反之,若聚类簇之间相似性较小,则簇间距离较大;若一次聚类时,如果某次聚合使用的聚类簇间距的增加值比先前聚合时的簇间的增加值要大得多,则此次聚合操作前的聚类簇数为层次聚类所需获得的聚类簇数。
8.一种电力负荷数据聚类系统,其特征在于,包括:
数据处理模块,用于收集选定的居民用户的日高颗粒度负荷数据,并对日高颗粒度负荷数据进行预处理,抛除异常数据,建立居民用户的日负荷曲线;
粗聚类模块,用于从预处理后的居民用户的日负荷曲线中,分解活跃时段负荷及非活跃时段负荷分量,以居民用户活跃/非活跃时段占比、负荷活跃时段、负荷非活跃时段的平均负荷和日负荷的峰谷差作为特征向量,对预处理后的居民用户的日负荷曲线进行粗聚类,生成粗聚类集;
季节解耦模块,用于针对粗聚类集中的各个簇群的负荷曲线,分别解耦气象及季节因素对居民用电行为及负荷量的影响,生成基于季节分类的用户工作日典型负荷曲线;
离散小波分解模块,用于使用离散小波分解方法对基于季节分类的用户工作日典型负荷曲线,将时域信号分解到时间频率窗口,使高维负荷曲线降维为低维小波信号,提取近似信号表征,构建用户用电趋势特征和用户用电特征;
层次聚类分析模块,用于将用户用电趋势特征和用户用电特征作为用户用电数据的聚类依据,对用电用户进行基于DDTW距离的层次聚类分析。
9.一种电力负荷数据聚类设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该电子设备实现如权利要求1至7中任意一项所述电力负荷数据聚类方法的步骤。
10.一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存储有计算机程序,该程序被处理器执行时,实现如权利要求1至7中任意一项所述电力负荷数据聚类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793077.8A CN116842405A (zh) | 2023-06-30 | 2023-06-30 | 一种电力负荷数据聚类方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793077.8A CN116842405A (zh) | 2023-06-30 | 2023-06-30 | 一种电力负荷数据聚类方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842405A true CN116842405A (zh) | 2023-10-03 |
Family
ID=88166377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310793077.8A Pending CN116842405A (zh) | 2023-06-30 | 2023-06-30 | 一种电力负荷数据聚类方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842405A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132312A (zh) * | 2023-10-25 | 2023-11-28 | 广东电网有限责任公司佛山供电局 | 一种用户用电行为分析方法 |
CN117154722A (zh) * | 2023-10-30 | 2023-12-01 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力需求响应潜力评估方法和系统 |
CN117172831A (zh) * | 2023-11-02 | 2023-12-05 | 国网经济技术研究院有限公司 | 基于用户行为与数量演变的动态分群方法和系统 |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
-
2023
- 2023-06-30 CN CN202310793077.8A patent/CN116842405A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132312A (zh) * | 2023-10-25 | 2023-11-28 | 广东电网有限责任公司佛山供电局 | 一种用户用电行为分析方法 |
CN117132312B (zh) * | 2023-10-25 | 2024-02-13 | 广东电网有限责任公司佛山供电局 | 一种用户用电行为分析方法 |
CN117154722A (zh) * | 2023-10-30 | 2023-12-01 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力需求响应潜力评估方法和系统 |
CN117172831A (zh) * | 2023-11-02 | 2023-12-05 | 国网经济技术研究院有限公司 | 基于用户行为与数量演变的动态分群方法和系统 |
CN117172831B (zh) * | 2023-11-02 | 2024-01-23 | 国网经济技术研究院有限公司 | 基于用户行为与数量演变的动态分群方法和系统 |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
CN117272121B (zh) * | 2023-11-21 | 2024-03-12 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842405A (zh) | 一种电力负荷数据聚类方法、系统、设备及存储介质 | |
Rajabi et al. | A comparative study of clustering techniques for electrical load pattern segmentation | |
Gianniou et al. | Clustering-based analysis for residential district heating data | |
Westermann et al. | Unsupervised learning of energy signatures to identify the heating system and building type using smart meter data | |
CN106022645B (zh) | 非侵入式在线实时电力负荷识别方法及识别系统 | |
US6937946B1 (en) | System and method for remote identification of energy consumption systems and components | |
US9507890B2 (en) | Detecting appliances in a building from coarse grained meter data with partial label | |
CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
CN109472404A (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Jazizadeh et al. | An unsupervised hierarchical clustering based heuristic algorithm for facilitated training of electricity consumption disaggregation systems | |
CN105653670B (zh) | 一种基于流形学习聚类算法的智能用电数据挖掘方法 | |
Shamim et al. | Multi-domain feature extraction for improved clustering of smart meter data | |
CN111177216A (zh) | 综合能源消费者行为特征的关联规则生成方法及装置 | |
KR102202643B1 (ko) | 에너지 사용량 예측 방법 | |
Cui et al. | Realizing multifractality of smart meter data for household characteristic prediction | |
Luan et al. | Non-intrusive power waveform modeling and identification of air conditioning load | |
CN112163595B (zh) | 用户典型用电模式的获取方法、获取装置和电子设备 | |
CN113094448A (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN111898857A (zh) | 基于BEMD和kmeans电力用户特征分析方法及系统 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
CN116467631A (zh) | 电力指纹识别模型训练方法、电力指纹识别方法及装置 | |
Wang et al. | Resident user load classification method based on improved Gaussian mixture model clustering | |
Liu et al. | Recognition model of air conditioning electricity consumption behaviors for demand response based on k-means clustering | |
Wen et al. | A novel approach for identifying customer groups for personalized demand-side management services using household socio-demographic data | |
Cucala | A flexible spatial scan test for case event data |
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 |