CN116883059B - 一种配电终端管理方法及系统 - Google Patents
一种配电终端管理方法及系统 Download PDFInfo
- Publication number
- CN116883059B CN116883059B CN202311140173.9A CN202311140173A CN116883059B CN 116883059 B CN116883059 B CN 116883059B CN 202311140173 A CN202311140173 A CN 202311140173A CN 116883059 B CN116883059 B CN 116883059B
- Authority
- CN
- China
- Prior art keywords
- user
- power consumption
- sequence
- time period
- electricity
- 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
Links
- 238000007726 management method Methods 0.000 title abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 152
- 239000013598 vector Substances 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 230000002354 daily effect Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000003203 everyday effect Effects 0.000 claims abstract description 9
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 50
- 230000003247 decreasing effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种配电终端管理方法及系统，采集每天的用户日用电量矩阵；根据每天的用户日用电量矩阵构建各用户各时间段的用电量序列；根据各用户各时间段的用电量序列得到各用户各时间段的用电特征向量；根据各用户各时间段的用电特征向量构建各用户的用电特征序列；根据各用户的用电特征序列计算各用户与其他各用户的用电特征距离；基于各用户的用电特征距离使用K‑means聚类算法得到各类用户簇；针对不同类别用户进行电量的合理分配，完成配电终端管理。全方位分析用户用电量数据，优化了聚类效果，使得用户分类结果更加准确。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及一种配电终端管理方法及系统。
背景技术
专变采集终端是对专变用户用电信息进行采集的设备，能够实现对电能表数据的采集以及用户用电负荷和电能量的监控，集成度高、技术先进，广泛适用于配电终端管理系统，为有序用电、错峰用电、安全用电、缓解用电紧张提供可靠的技术手段。
一般来说，终端用电用户的用电数据较为庞大，常常需要根据终端用电用户的用电特征进行聚类，将用户划分为不同的用电特征类，由于家用电器种类越来越丰富，使用时长越来越长，且不同用户的用电习惯、特征也各不相同，导致用电量数据具有一定的随机性，故使用传统聚类算法直接对用户用电量数据进行聚类时容易造成聚类结果的不准确。
综上所述，本发明提出一种配电终端管理方法，采集每天的用户日用电量矩阵，根据各用户的不同用电习惯全方位挖掘用电特征指标，通过将各用户的用电特征距离向量作为聚类距离得到各类用户簇，完成配电终端管理。
发明内容
为了解决上述技术问题，本发明提供一种配电终端管理方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种配电终端管理方法，该方法包括以下步骤：
采集每天的用户日用电量矩阵；
根据每天的用户日用电量矩阵构建各用户各时间段的用电量序列；根据各用户各时间段的用电量序列得到各用户各时间段的用电特征向量；根据各用户各时间段的用电特征向量构建各用户的用电特征序列；
根据各用户的用电特征序列计算各用户与其他各用户的用电特征距离；
基于各用户的用电特征距离使用K-means聚类算法得到各类用户簇；将各类用户簇的簇中心用户用电总量作为所在簇对用电的需求程度，进行电量的合理分配。
优选的，所述根据每天的用户日用电量矩阵构建各用户各时间段的用电量序列，包括：
对于各用户，将用户每天在同一时间段的用电量数据构建一个序列，序列中各元素为各用户各时间段下每天的用电量数据，将所述序列作为各用户各时间段的用电量序列。
优选的，所述根据各用户各时间段的用电量序列得到各用户各时间段的用电特征向量，包括：
根据各用户各时间段的用电量序列得到各用户各时间段的用电趋势强度、用电平稳指数和消异平均用电量；
将所述用电趋势强度、用电平稳指数和消异平均用电量构建各用户各时间段的用电特征向量。
优选的，所述用电趋势强度，包括：
对于各用户各时间段的用电量序列，获取各用户各时间段的用电趋势增长强度、用电趋势下降强度；
当所述用电趋势增长强度大于用电趋势下降强度的绝对值，则将归一化后的用电趋势增长强度作为用电趋势强度；
当所述用电趋势增长强度小于用电趋势下降强度的绝对值，则将归一化的用电趋势下降强度减去1的值作为用电趋势强度。
优选的，所述获取各用户各时间段的用电趋势增长强度、用电趋势下降强度，表达式为：
式中，表示子序列长度，为以自然常数e为底数的指数函数，为以自
然常数e为底数的对数函数，表示用户a在第b个时间段的用电量序列中第j+
mid个用电量数据，表示用户a在第b个时间段的用电量序列中第j个用电量数据，表
示协调系数，表示用户a在第b个时间段的用电趋势增长强度，表示用户a在第b
个时间段的用电趋势下降强度。
优选的，所述用电平稳指数，表达式为：
式中，表示采集天数，为以自然常数e为底数的指数函数，表示
用户a在第b个时间段的用电量序列中第k+1个用电量数据，表示用户a在第b个时间
段的用电量序列中第k个用电量数据，表示指数协调因子，表示用户a在第b个时间段
的用电平稳指数。
优选的，所述消异平均用电量，包括：
去除各用户各时间段的用电量序列中的最大值、最小值以及数值为 0的用电量数据，得到用电量消异序列；
计算所述用电量消异序列所有用电量数据的均值得到各用户各时间段的消异平均用电量。
优选的，所述根据各用户各时间段的用电特征向量构建各用户的用电特征序列，包括：
将各用户不同时间段下的用电特征向量组合成一个序列，所述序列作为各用户的用电特征序列。
优选的，所述根据各用户的用电特征序列计算各用户与其他各用户的用电特征距离，表达式为：
式中，表示一天中采集数据的时间段数量，表示用户特征向量的维度，表示
用电特征向量中第c个维度的权重，表示括号内两个元素的欧氏距离，表示用户
p的用电特征序列中第r个用电特征向量中第c个维度的值，表示用户q的用电特征
序列中第r个用电特征向量中第c个维度的值，表示用户p与用户q的用电特征距离。
第二方面，本发明实施例还提供了一种配电终端管理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明通过分析各用户同一时间段在不同日期内用电量的变化情况，分别构建用电趋势强度，反映用户用电量是否具有趋势性以及所具有趋势性的强弱，构建用电平稳指数，反映用户用电量是否稳定，构建消异平均用电量，反映用户平均用电量，分别从三个维度来对各用户各时间段的用电量情况进行分析，充分挖掘用户用电量习惯，全方位分析用户用电量数据。
同时，基于所述三个指标构建各用户各时间段的特征向量得到各用户的用电特征序列，根据不同维度对用户用电量情况产生的影响程度构建各维度的权重占比，进而得到各用户之间的用电特征距离，形成了各用户的用电特征距离向量，便于用K-means聚类算法对用电特征相似的用户进行聚类，优化了聚类效果，使得用户分类结果更加准确，从而实现对用电特征不同的用户进行管理，为用户的用电管理和电量分配提供依据。
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和优点，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的介绍，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它附图。
图1为本发明提供的一种配电终端管理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种配电终端管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种配电终端管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种配电终端管理方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集每天的用户日用电量矩阵。
本实施例通过数据处理技术对配电终端的用户进行分类，通过配电变压器采集一个区域内所有终端用户的用电量数据，记终端用户个数为N，采集间隔为T，采集天数为M，本实施例将采集间隔T取经验值15min，采集天数M取经验值14，具体可由实施者自行设定。
由于所采集数据可能存在缺失值等异常情况，故需要对缺失值进行填充，传统的缺失值填充方法有均值填充、众数填充、最近邻插补法、回归插补法等，为更准确的反映终端用户用电量的变化关系，本实施例使用回归插补法对缺失值进行填充；同时为了减少由原始数据不同特征的值域所产生的差异化影响，需要对数据进行归一化处理，本实施例使用离差标准化方法对数据进行归一化处理。其中回归插补法与离差标准化方法为公知技术，具体过程本实施例不再赘述。
基于预处理后的各用户用电量数据，则可以构建用户日用电量矩阵，可具体表
示为如下形式：
式中，表示各用户第i天的用户日用电量矩阵，矩阵中的行表示用户一天中各时
间段的用电量，矩阵中的列表示一天中某时间段各用户的用电量，表示一天中采集数据的
时间段数量，如表示第i天用户N在第L个时间段的用电量。
至此，可根据上述方法得到每天的用户日用电量矩阵。
步骤S002，通过分析每天的用户日用电量矩阵改进聚类距离，获取各类用户簇。
通过上述步骤所采集数据可以看出，本实施例中对一个用户一天内所采集到的数
据有96个，则N个用户M天所采集到的数据量为，可得用户的用电量数据非常庞
大。
因此针对单一用户的用电量分析并进行精准供电是不现实的，而由于不同用户的用电量数据之间存在一定联系，据此本实施例根据不同用户的用电特征使用改进K-means聚类算法实现对用户的分类，对不同类别的用户进行不同程度的管理，具体操作步骤如下：
根据每天同一用户在同一时间段的用电量数据，构建各用户各时间段的用电量序
列，可具体表示为：
式中，表示用户a在第b个时间段的用电量序列，表示用户a在第1天的
第b个时间段的用电量数据，表示用户a在第2天的第b个时间段的用电量数据，表示用户a在第M天的第b个时间段的用电量数据。
基于各用户各时间段的用电量序列计算各用户各时间段用电特征向量。用户的用电特征可以通过用户用电的趋势性、平稳性与平均用电量表示，则可以构建各用户各时间段的用电特征向量，具体构建过程如下：
不同用户有不同的用电方式，针对用户用电量最基本的特征就是用电量的变化，尤其是用电量增长和下降的趋势强度可以很明显地表现出该用户的用电情况。
同时，考虑到现实场景，在同一季节的大背景下，用户每周的用电情况大致可以呈现出规律性的变化。针对于这种每周的规律性变化，本实施例采集的数据天数M为14，将每个用户在同一时间段的用电量序列均分为两个子序列，分别记为第一子序列与第二子序列。
其中，第一子序列表示采集前7天的用电量数据所构成的序列，第二子序列表示采集后7天的用电量数据所构成的序列。其中，采集的数据天数M可由实施者自行设定，一般取7的倍数，方便实现每周期对应天数的同一时间段的用电变化情况。
为了得到第一子序列与第二子序列之间存在的相互关联性关系，即用户每周对应同一天的同一时间段下的用电变化情况，则可以构建用电趋势强度指标，其计算公式如下：
式中，表示子序列长度，为以自然常数e为底数的指数函数，为以自
然常数e为底数的对数函数，表示用户a在第b个时间段的用电量序列中第j+
mid个用电量数据，表示用户a在第b个时间段的用电量序列中第j个用电量数据，表
示协调系数，表示用户a在第b个时间段的用电趋势增长强度，表示用户a在第b
个时间段的用电趋势下降强度。
其中，避免出现分母为零的情况，同时避免分子为零导致对数无法计算的问
题，本实施例的取经验值1。
需要说明的是，当用户用电量呈现出增长趋势时，序列中大于1的元素
所占数量越多，并通过指数函数放大这种增长趋势，故计算出的用电趋势增长强度较大；而
当用户用电量呈现出下降趋势时，本实施例通过对数函数放大这种下降趋势，即用户用电
量呈现出下降趋势时，序列中小于1的元素所占数量较多，通过对数函数放大这
种下降趋势，故计算出的用电趋势下降强度较大。
即用户用电量增长趋势越明显，计算出的用电趋势增长强度越大；用户用电量下降趋势越明显，计算出的用电趋势下降强度越小，即其绝对值越大。
由于用户的用电量趋势只有用电趋势增长、用电趋势下降、用电趋势弱这三种情况。当用户用电量存在趋势性时，无论为增长趋势还是下降趋势，其趋势性强度都应当较大。
据此本实施例根据用电趋势增长强度与用电趋势下降强度来计算用电趋势强度，可具体表示为：
式中，表示线性归一化函数，表示用户a在第b个时间段的用电趋势
增长强度，表示用户a在第b个时间段的用电趋势下降强度，为最大值函数，表示用户a在第b个时间段的用电趋势强度。
需要说明的是，用户用电量增长趋势越强，此时计算出的大于，对用
户用电趋势强度进行线性归一化后得到，范围为0到1，其值越接近1，表明用
户用电趋势上升强度越强，用来表征该用户的用电趋势强度；用户用电量下降趋势越强，此
时计算出的大于，对用户用电趋势强度进行线性归一化后再减去1得到，范围为-1到0，其值越接近-1，表明用户用电趋势下降强度越强，用来表
征该用户的用电趋势强度。
上述步骤得到的用电趋势强度，只能在一定程度上反映用户在同一周期对应天数下的同一时间段的用电强弱情况，但不能完全反映随着时间变化下的同一时间段的用电趋势。
比如，用电量趋势较强时，可能用电量存在随时间变化出现的递增或递减特征；用电量趋势较弱时，只能反映用电量在同一周期对应天数下的同一时间段用户的用电习惯的增长或下降趋势的变化强弱，不能反映用电量在同一时间段下随时间变化的稳定性。
据此，针对用户用电量在同一时间段下随着时间变化的稳定性情况，本实施例构建用电平稳指数，其计算公式如下：
式中，表示采集天数，为以自然常数e为底数的指数函数，表示
用户a在第b个时间段的用电量序列中第k+1个用电量数据，表示用户a在第b个时间
段的用电量序列中第k个用电量数据，表示指数协调因子，表示用户a在第b个时间段
的用电平稳指数。
其中，避免出现分母为零的情况，本实施例对取经验值0.01。
需要说明的是，用户的用电量越稳定，即同一用户同一时间段相邻日期的用电量
越接近，故与越接近，故比值越接近1，此时计算出的越接
近1；用户的用电量越不稳定，即同一时间段相邻日期的与的差异越大，故
比值存在或大或小的不稳定情况，此时计算出的越接近0。
由于用户用电存在一定随机性，如用户的休息时间可能不同，导致在不同的日期同一时间段的用电量存在一定差异，为消除这种随机性与异常值带来的影响，更准确的反映用户的用电量特征，本实施例对用电量序列进行如下处理：
先去掉用电量序列中所有数值为0的元素，只保留包含用电量的数据，再去掉剩余
元素中的一个最小值和一个最大值，消除部分随机性与异常值带来的影响，则将用电量序
列中剩余元素依次放入用电量消异序列中，记为，则对用电量消异序列中的元素计算
消异平均用电量，其计算公式如下：
式中，表示用户a在第b个时间段的用电量消异序列的序列长度，表示
用电量消异序列中第个用电量数据，表示用户a在第b个时间段的消异平均用电量。
需要说明的是，用户在各时间段的消异平均用电量表征该用户在该时间段的用电情况，越大说明该用户在该时间段的用电量越大。
通过上述步骤所得用电趋势强度指标、用电平稳指数与消异平均用电量，则可以构建各用户各时间段的用电特征向量，可具体表示为：
式中，表示用户a在第b个时间段的用电趋势强度，表示线性归一化函
数，表示用户a在第b个时间段的用电平稳指数，表示用户a在第b个时间段的消
异平均用电量，表示用户a在第b个时间段的用电特征向量。
通过上述步骤所得各用户各时间段的用电特征向量，则可以构建各用户的用电特征序列，可具体表示为：
式中，表示用户a的用电特征序列，表示用户a的第L个时间段的用电特征向
量，表示一天中采集数据的时间段数量，即用户特征序列长度，本实施例取值为96。
基于所得各用户的用电特征序列，则可以计算各用户与其他各用户之间的用电特征距离，便于后续步骤对用户进行聚类，两用户之间用电特征距离计算公式如下：
式中，表示一天中采集数据的时间段数量，表示用户特征向量的维度，表示
用电特征向量中第c个维度的权重，表示括号内两个元素的欧氏距离，表示用户
p的用电特征序列中第r个用电特征向量中第c个维度的值，表示用户q的用电特征
序列中第r个用电特征向量中第c个维度的值，表示用户p与用户q的用电特征距离。
其中，本实施例对用电特征序列长度取值为96，取值为3，对不同维度的权重取
经验值分别为，，。
需要说明的是，通过对用户p与用户q之间对应的用户特征向量中的每个维度信息之间的差异，同时结合每个维度的权重，计算得到两个用户之间在各时间段的特征距离；通过将用户在各个时间段的特征距离的均值得到用户p与用户q之间的用电特征距离。
如果两个用户之间在每个维度信息之间的差异越明显，即
越大，表示这两个用户在每个维度下的用电特征较不相似，则会影响用户之间的用电差异，
即用户q与用户p之间的用电特征距离就越大。
重复上述步骤，获取各用户与其他各用户之间的用电特征距离。
针对其中任意一个用户，将该用户与剩余所有用户的用电特征距离构建一个该用户的用电特征距离向量。通过使用K-means聚类算法对各用户的用电特征距离向量进行聚类。
通常根据用户用电行为可以将用户分为4类，故在本实施例中K-means聚类算法中聚类簇数K的取值为4。
据此，可以将聚类结果中各用户簇的中心用户的用电量按照从大到小的顺序进行排序，将排序后的每个簇的用户类别分别表示为：超高用电量用户，如工厂、企业等；高用电量用户，如商场、超市等；中用电量用户，如普通居民用户；低用电量用户，如闲置房或长期用电量较少的用户。需要说明的是，本实施例对聚类簇数不做限制，实施者可根据具体情况自行设定。
至此，获取到了各类用户簇。
步骤S003，根据不同类别用户对用电的需求程度，进行电量的合理分配。
根据不同类别用户停电后造成的影响程度，对不同类别的用户确定优先级。
根据优先级进行不同程度的用电管理，以保障重要用电用户的安全用电，如工厂、企业等用户，很多设备在工作时是不允许停电的，尤其是石化类企业用户，必须保持连续供电的设备较多，这些设备停电后，往往会造成有害气体泄露，对整个地区产生严重的有害气体污染。
针对不同类别用户用电量及用电时间进行合理的电量分配，实现错峰用电，保障各用户均能安全稳定的用电。需要说明的是，实施者可根据实际情况自行设定电量分配方法，本实施例不再赘述。
至此，完成了配电终端管理。
综上所述，本发明实施例提出一种配电终端管理方法，采集每天的用户日用电量矩阵，根据各用户的不同用电习惯全方位挖掘用电特征指标，通过将各用户的用电特征距离向量作为聚类距离得到各类用户簇，完成配电终端管理。
本发明实施例通过分析各用户同一时间段在不同日期内用电量的变化情况，分别构建用电趋势强度，反映用户用电量是否具有趋势性以及所具有趋势性的强弱，构建用电平稳指数，反映用户用电量是否稳定，构建消异平均用电量，反映用户平均用电量，分别从三个维度来对各用户各时间段的用电量情况进行分析，充分挖掘用户用电量习惯，全方位分析用户用电量数据。
同时，基于所述三个指标构建各用户各时间段的特征向量得到各用户的用电特征序列，根据不同维度对用户用电量情况产生的影响程度构建各维度的权重占比，进而得到各用户之间的用电特征距离，形成了各用户的用电特征距离向量，便于用K-means聚类算法对用电特征相似的用户进行聚类，优化了聚类效果，使得用户分类结果更加准确，从而实现对用电特征不同的用户进行管理，为用户的用电管理和电量分配提供依据。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (2)
1.一种配电终端管理方法，其特征在于，该方法包括以下步骤：
采集每天的用户日用电量矩阵；
根据每天的用户日用电量矩阵构建各用户各时间段的用电量序列；根据各用户各时间段的用电量序列得到各用户各时间段的用电特征向量；根据各用户各时间段的用电特征向量构建各用户的用电特征序列；
根据各用户的用电特征序列计算各用户与其他各用户的用电特征距离；
基于各用户的用电特征距离使用K-means聚类算法得到各类用户簇；将各类用户簇的簇中心用户用电总量作为所在簇对用电的需求程度，进行电量的合理分配；
所述用户日用电量矩阵的表达式为：
式中，表示各用户第i天的用户日用电量矩阵，矩阵中的行表示用户一天中各时间段的用电量，矩阵中的列表示一天中某时间段各用户的用电量，/>表示一天中采集数据的时间段数量，如/>表示第i天用户N在第L个时间段的用电量；
所述根据每天的用户日用电量矩阵构建各用户各时间段的用电量序列，包括：
对于各用户，将用户每天在同一时间段的用电量数据构建一个序列，序列中各元素为各用户各时间段下每天的用电量数据，将所述序列作为各用户各时间段的用电量序列；
所述根据各用户各时间段的用电量序列得到各用户各时间段的用电特征向量，包括：
根据各用户各时间段的用电量序列得到各用户各时间段的用电趋势强度、用电平稳指数和消异平均用电量；
将所述用电趋势强度、用电平稳指数和消异平均用电量构建各用户各时间段的用电特征向量；
所述用电趋势强度，包括：
对于各用户各时间段的用电量序列，获取各用户各时间段的用电趋势增长强度、用电趋势下降强度；
当所述用电趋势增长强度大于用电趋势下降强度的绝对值，则将归一化后的用电趋势增长强度作为用电趋势强度；
当所述用电趋势增长强度小于用电趋势下降强度的绝对值，则将归一化的用电趋势下降强度减去1的值作为用电趋势强度；
所述获取各用户各时间段的用电趋势增长强度、用电趋势下降强度，表达式为：
式中，表示子序列长度，/>为以自然常数e为底数的指数函数，/>为以自然常数e为底数的对数函数，/>表示用户a在第b个时间段的用电量序列中第j+mid个用电量数据，/>表示用户a在第b个时间段的用电量序列中第j个用电量数据，/>表示协调系数，/>表示用户a在第b个时间段的用电趋势增长强度，/>表示用户a在第b个时间段的用电趋势下降强度；
所述用电平稳指数，表达式为：
式中，表示采集天数，/>为以自然常数e为底数的指数函数，/>表示用户a在第b个时间段的用电量序列中第k+1个用电量数据，/>表示用户a在第b个时间段的用电量序列中第k个用电量数据，/>表示指数协调因子，/>表示用户a在第b个时间段的用电平稳指数；
所述消异平均用电量，包括：
去除各用户各时间段的用电量序列中的最大值、最小值以及数值为 0的用电量数据，得到用电量消异序列；
计算所述用电量消异序列所有用电量数据的均值得到各用户各时间段的消异平均用电量；
所述根据各用户各时间段的用电特征向量构建各用户的用电特征序列，包括：
将各用户不同时间段下的用电特征向量组合成一个序列，所述序列作为各用户的用电特征序列；
所述根据各用户的用电特征序列计算各用户与其他各用户的用电特征距离，表达式为：
式中，表示一天中采集数据的时间段数量，/>表示用户特征向量的维度，/>表示用电特征向量中第c个维度的权重，/>表示括号内两个元素的欧氏距离，/>表示用户p的用电特征序列中第r个用电特征向量中第c个维度的值，/>表示用户q的用电特征序列中第r个用电特征向量中第c个维度的值，/>表示用户p与用户q的用电特征距离。
2.一种配电终端管理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140173.9A CN116883059B (zh) | 2023-09-06 | 2023-09-06 | 一种配电终端管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140173.9A CN116883059B (zh) | 2023-09-06 | 2023-09-06 | 一种配电终端管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883059A CN116883059A (zh) | 2023-10-13 |
| CN116883059B true CN116883059B (zh) | 2023-11-28 |
Family
ID=88271877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311140173.9A Active CN116883059B (zh) | 2023-09-06 | 2023-09-06 | 一种配电终端管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883059B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070080B (zh) * | 2024-04-17 | 2024-07-30 | 山东中电仪表有限公司 | 一种多功能电能表的用户电耗数据智能分析方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008015921A (ja) * | 2006-07-07 | 2008-01-24 | Mitsubishi Electric Corp | 電力負荷代表パターン作成装置および電力負荷代表パターン作成プログラム |
| CN108428055A (zh) * | 2018-03-12 | 2018-08-21 | 华南理工大学 | 一种考虑负荷纵向特性的负荷聚类方法 |
| CN108734216A (zh) * | 2018-05-22 | 2018-11-02 | 广东工业大学 | 基于负荷曲线形态的电力用户分类方法、装置及存储介质 |
| CN110781167A (zh) * | 2019-10-17 | 2020-02-11 | 昆明电力交易中心有限责任公司 | 一种基于聚类压缩感知的用户缺失电量数据修复方法 |
| CN110796173A (zh) * | 2019-09-27 | 2020-02-14 | 昆明电力交易中心有限责任公司 | 一种基于改进kmeans的负荷曲线形态聚类算法 |
| CN111612650A (zh) * | 2020-05-27 | 2020-09-01 | 福州大学 | 一种基于dtw距离和近邻传播聚类算法的电力用户分群方法及系统 |
| CN112528113A (zh) * | 2020-12-16 | 2021-03-19 | 国网经济技术研究院有限公司 | 基于供电可靠性多维大数据的终端用户划分方法及系统 |
| CN113902304A (zh) * | 2021-10-12 | 2022-01-07 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于总负荷曲线相似性的可控负荷筛选方法 |
| KR20220088534A (ko) * | 2020-12-18 | 2022-06-28 | 한국전자기술연구원 | 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법 |
| WO2022151829A1 (zh) * | 2021-01-15 | 2022-07-21 | 杭州安脉盛智能技术有限公司 | 一种基于动态网格划分的时序数据趋势特征提取方法 |
| CN115982611A (zh) * | 2023-03-14 | 2023-04-18 | 北京易能中网技术有限公司 | 基于聚类算法的电力用户用能特点分析方法 |
-
2023
- 2023-09-06 CN CN202311140173.9A patent/CN116883059B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008015921A (ja) * | 2006-07-07 | 2008-01-24 | Mitsubishi Electric Corp | 電力負荷代表パターン作成装置および電力負荷代表パターン作成プログラム |
| CN108428055A (zh) * | 2018-03-12 | 2018-08-21 | 华南理工大学 | 一种考虑负荷纵向特性的负荷聚类方法 |
| CN108734216A (zh) * | 2018-05-22 | 2018-11-02 | 广东工业大学 | 基于负荷曲线形态的电力用户分类方法、装置及存储介质 |
| CN110796173A (zh) * | 2019-09-27 | 2020-02-14 | 昆明电力交易中心有限责任公司 | 一种基于改进kmeans的负荷曲线形态聚类算法 |
| CN110781167A (zh) * | 2019-10-17 | 2020-02-11 | 昆明电力交易中心有限责任公司 | 一种基于聚类压缩感知的用户缺失电量数据修复方法 |
| CN111612650A (zh) * | 2020-05-27 | 2020-09-01 | 福州大学 | 一种基于dtw距离和近邻传播聚类算法的电力用户分群方法及系统 |
| CN112528113A (zh) * | 2020-12-16 | 2021-03-19 | 国网经济技术研究院有限公司 | 基于供电可靠性多维大数据的终端用户划分方法及系统 |
| KR20220088534A (ko) * | 2020-12-18 | 2022-06-28 | 한국전자기술연구원 | 클러스터링 기법을 이용한 마이크로그리드 내 수용가 전력수요 예측장치 및 방법 |
| WO2022151829A1 (zh) * | 2021-01-15 | 2022-07-21 | 杭州安脉盛智能技术有限公司 | 一种基于动态网格划分的时序数据趋势特征提取方法 |
| CN113902304A (zh) * | 2021-10-12 | 2022-01-07 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于总负荷曲线相似性的可控负荷筛选方法 |
| CN115982611A (zh) * | 2023-03-14 | 2023-04-18 | 北京易能中网技术有限公司 | 基于聚类算法的电力用户用能特点分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于改进快速密度峰值算法的电力负荷曲线聚类分析;陈俊艺;丁坚勇;田世明;卜凡鹏;朱炳翔;黄事成;周凯;;电力系统保护与控制(第20期);全文 * |
| 基于模糊聚类算法的智能电网用户分类;谷涛;刘大明;;上海电力学院学报(第05期);全文 * |
| 基于聚类集成的用户负荷模式识别;黄剑文;严宇平;;计算机应用与软件(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883059A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及系统 | |
| CN111428816A (zh) | 一种非侵入式负荷分解方法 | |
| CN116883059B (zh) | 一种配电终端管理方法及系统 | |
| CN112381137B (zh) | 新能源电力系统可靠性评估方法、装置、设备及存储介质 | |
| CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 | |
| CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
| CN110991477A (zh) | 一种识别电力系统异常行业用户和异常用电行为的方法和系统 | |
| CN107248031B (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
| CN113126019A (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
| CN110781167A (zh) | 一种基于聚类压缩感知的用户缺失电量数据修复方法 | |
| CN111460001A (zh) | 一种配电网理论线损率评估方法及系统 | |
| CN116008714A (zh) | 一种基于智能量测终端的反窃电分析方法 | |
| CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
| CN117786582B (zh) | 基于数据驱动的用电异常状态智能监测方法及系统 | |
| CN117890815B (zh) | 一种电池模组组装质量检测方法及系统 | |
| CN106022578A (zh) | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 | |
| CN117578434A (zh) | 考虑柔性资源可调能力的配电网灵活性评估方法及装置 | |
| CN109978336B (zh) | 一种考虑需求响应可靠性的响应容量区间评估方法 | |
| Kuusela et al. | Hierarchical multiplicative model for characterizing residential electricity consumption | |
| CN116862137A (zh) | 基于数据融合的充电桩负荷柔性调度方法及装置 | |
| CN114186631A (zh) | 一种基于非侵入式智能终端的负荷识别方法 | |
| CN114022185A (zh) | 基于能源产业链金融的线下营业网点大数据智能推荐方法 | |
| CN112381422A (zh) | 光伏电站性能的确定方法和装置 | |
| Shamim et al. | Novel technique for feature computation and clustering of smart meter data | |
| CN110910029A (zh) | 一种电力负荷聚类方法及系统 |
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 |