CN117371591A - 一种电力用户级降温负荷辨识方法 - Google Patents

Abstract

本发明提出一种电力用户级降温负荷辨识方法，首先对用户用电数据进行预处理；通过气象因素构建平均气温、炎热指数、人体舒适度指数，通过曲线特征构建峰谷差率、波动率、积分电量、降温负荷相似度和逐时变化率；根据构建的指标中，其中平均气温、炎热指数、人体舒适度指数、峰谷差率、波动率、积分电量和降温负荷相似度这7个指标用于构建决策树模型，逐时变化率指标用于判断何时开启空调；辨识是否开启空调及空调的启动/关闭时间点。本发明帮助电力系统管理者更好地了解空调负荷的实际情况，从而优化电力系统的调度策略，提高电力系统的运行效率和稳定性；同时，也可以帮助用户更加智能地管理空调的使用，减少能源浪费，提高能源利用效率。

Description

一种电力用户级降温负荷辨识方法

技术领域

本发明属于数据计算技术领域，尤其涉及一种电力用户级降温负荷辨识方法。

背景技术

随着气候变化和城市化进程的不断加速，空调已经成为现代社会中必不可少的一部分。在炎热的夏季，空调的使用量会急剧增加，这就带来了严重的负荷压力，尤其是在高峰期。因此，对空调负荷进行准确的辨识和预测已经成为了保证电网稳定运行的必要手段。

空调负荷辨识是指通过分析空调系统的运行数据，推断出空调的负荷状态和负荷量的过程。目前，常用的空调负荷辨识方法主要包括基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法是通过建立空调系统的数学模型，利用物理方程和控制理论来推导空调负荷的状态和负荷量。这种方法需要准确的空调系统建模和参数估计，因此对于实际应用来说难度较大。而基于数据驱动的方法则是通过对空调系统的运行数据进行分析和处理，利用数据挖掘和机器学习技术来提取空调负荷的特征，进而预测空调负荷的状态和负荷量。这种方法相对于基于物理模型的方法来说，更加简单易用，但是需要足够的数据量和质量来保证预测的准确性。

综上所述，当前的空调负荷辨识方法仍然存在一些缺陷和挑战。首先，基于物理模型的方法需要对空调系统的物理特性进行准确的建模和参数估计，而这种方法的可靠性和精度很大程度上依赖于模型的准确度。其次，基于实测降温负荷数据的数据驱动的方法需要大量的数据来训练模型，但是在实际应用中获取质量和数量充足的数据往往面临困难。因此，本发明提出了一种非侵入式降温负荷的辨识方法。

发明内容

为了对降温负荷的物理特性进行准确的评估，本发明提出的一种电力用户级降温负荷辨识方法，所述降温负荷辨识方法具体包括以下步骤：

步骤1、对用户用电数据进行预处理；

步骤2、通过气象因素构建平均气温、炎热指数、人体舒适度指数，通过曲线特征构建峰谷差率、波动率、积分电量、降温负荷相似度和逐时变化率；

步骤3、根据步骤2构建的指标中，其中平均气温、炎热指数、人体舒适度指数、峰谷差率、波动率、积分电量和降温负荷相似度这7个指标用于构建决策树模型，逐时变化率指标用于判断何时开启空调；

步骤4、辨识是否开启空调及空调的启动/关闭时间点。

优选的，所述步骤1中，对数据进行预处理时，对于缺失值较多的日期的数据，直接删除该行，对于缺失值较少的日期的数据，使用线性插值进行填充。

优选的，所述线性插值是利用相邻两点之间线性关系进行推断，具体步骤如下:

步骤11、找到缺失值相邻的非空数据点，即已知数据点xi-1和xi+1；

步骤12、假设xi-1到xi+1之间存在线性关系，构建线性函数f(x)＝ax+b；

步骤13、将已知数据点xi-1和xi+1带入线性函数，求解参数a和b；

步骤14、使用参数a和b，将缺失值的位置i带入线性函数f(x)，得到缺失值的估计xi；

步骤15、将估计值xi填充到原始数据的缺失值位置上。

优选的，所述步骤3中，基于ID3算法构建决策树模型进行空调状态辨识，通过选择最佳特征来构建决策树，使得在该特征下的子集具有最大的纯度，具体构建决策树步骤如下:

步骤31、从根节点开始，选择一个特征作为划分标准，将数据集分成子集；

步骤32、对于每个子集，重复步骤1，直到所有叶子节点都是同一类别或者达到预定的停止条件；

步骤33、在每个节点上选择最优的特征作为划分标准，使得划分后的子集纯度最高；

步骤34、重复步骤33，直到所有叶子节点都是同一类别或者达到预定的停止条件。

优选的，所述步骤4中，通过计算用户降温负荷曲线在每个小时的变化率，可分析判断该用户辨识日的开启空调时间点和关闭空调时间点,具体判断方法如下：

对于用户的负荷曲线，若某一时刻降温负荷的逐时变化率为正，并且在接下来的至少两个小时内变化率大于0时，则判断该时刻为开启空调时间点；

若同时存在多个时间点满足条件，则取最后一个满足条件的时间点作为开启空调时间点；

若某一时刻降温负荷逐时变化率为负，并且在前至少两个小时内变化率小于0时，则判断该时刻为关闭空调时间点；

若同时存在多个时间点满足条件，则取最后一个满足条件的时间点作为关闭空调时间点。

与现有技术相比，本发明具备以下有益效果：可以帮助电力系统管理者更好地了解空调负荷的实际情况，从而优化电力系统的调度策略，提高电力系统的运行效率和稳定性；同时，也可以帮助用户更加智能地管理空调的使用，减少能源浪费，提高能源利用效率。

附图说明

图1是本发明的辨识方法流程图；

图2是以2021年厦门市全社会用电为例的气温-负荷拟合关系图；

图3是本发明的构建决策树模型流程图；

图4是辨识日8月7日降温负荷曲线图；

图5是辨识日降温负荷24小时逐时变化率图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，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。

本实施例提供一种电力用户级降温负荷辨识方法，如图1所示，具体包括以下步骤：

步骤1、对用户用电数据进行预处理；

步骤2、通过气象因素构建平均气温、炎热指数、人体舒适度指数，通过曲线特征构建峰谷差率、波动率、积分电量、降温负荷相似度和逐时变化率；

步骤3、根据步骤2构建的指标中，其中平均气温、炎热指数、人体舒适度指数、峰谷差率、波动率、积分电量和降温负荷相似度这7个指标用于构建决策树模型，逐时变化率指标用于判断何时开启空调；

步骤4、辨识是否开启空调及空调的启动/关闭时间点。

本实施例的步骤1中，对于缺失值较多的日期的数据，直接删除该行。对于缺失值较少的日期的数据，使用线性插值进行填充。线性插值是插值填充方法之一,思路是利用相邻两点之间线性关系进行推断。具体步骤如下:

步骤11、找到缺失值相邻的非空数据点，即已知数据点xi-1和xi+1。

步骤12、假设xi-1到xi+1之间存在线性关系，构建线性函数f(x)＝ax+b。

步骤13、将已知数据点xi-1和xi+1带入线性函数，求解参数a和b。

步骤14、使用参数a和b，将缺失值的位置i带入线性函数f(x)，得到缺失值的估计xi。

步骤15、将估计值xi填充到原始数据的缺失值位置上。

本实施例的步骤2中，气象因素方面构建平均气温、炎热指数、人体舒适度指数三个指标，其中，

平均气温构建方式如下：

根据日最大负荷与日平均气温(全天24个时刻的气温相加后平均)散点图特征分析可知，在最大负荷与平均气温的拟合关系中存在两个气温敏感点，即气温起始敏感点和气温强敏感点。如图2所示，当气温高于气温强敏感点(图中25℃)时，负荷增速明显加快。平均气温高是用户开启空调的判断标准之一。

炎热指数构建方式如下：

炎热指数是指人体在不同的湿度环境下对相同气温的感受指数，比单一温度指标更侧重于对人体代谢影响的考量。根据文献中炎热指数等级划分，当日炎热指数大于78,是用户开启空调的判断标准之一。持续炎热的情况会导致炎热指数持续增加，用户更有可能开启空调。在炎热指数的计算中，考虑气象参数(气温、湿度、风速)对炎热指数影响的同时，引入高指数追加项考虑夏季炎热的持续效应，评价标准为炎热指数大于等于80且持续3天以上,则高指数追加项逐日增加，通过炎热指数持续增加以反映连续高温带来的影响，炎热指数计算公式如下，等级划分如表1：

其中，T为干球温度(℃)，RH为相对湿度(％)，△h为是湿度修正项：

u为风速(m/s)，c为不同温度下风速对炎热指数的修正系数：

ad为高指数追加项：当ID≥80且持续3天以上,每天增加1。

表1炎热指数等级划分

人体舒适度指数构建方式如下：

人体舒适度指数是在不特意采取降温或保暖措施的前提下，人们在自然环境中是否感觉舒适及其达到怎样一种程度的具体描述。根据文献中人体舒适度等级划分，当人体舒适度指数大于75时，开始有少数人会感到热，不舒服。人体舒适度指数是用户开启空调的判断标准之一。在人体舒适度指数的计算中，采用中国大多数气象台站进行人体舒适度预报及评价的经验公式，主要考虑气温、风速和湿度3个对人体舒适性影响最大的气象参数，计算公式如下，等级划分如表2：

表2人体舒适度指数等级划分

本实施例通过曲线特征方面构建峰谷差率、波动率、积分电量、相似度、逐时变化率五个指标；针对总负荷曲线计算前四个特征指标，针对降温负荷曲线计算逐时变化率特征指标。

其中，峰谷差率构建方式如下：

峰谷差率是峰谷差与最大负荷之比，如果辨识日负荷的峰谷差率越高，说明辨识日越可能开启空调。

峰谷差率计算公式如下：

峰谷差率＝(P_d,max-P_d,min)/P_d,max

其中P_d,min为辨识日内最小负荷，P_d,max为辨识日内最大负荷。

波动率构建方式如下：

波动率是描述用电负荷在一定时间内的变化幅度，如果辨识日负荷的波动率越高，说明辨识日越可能开启空调。

波动率计算公式如下：

波动率＝σ/μ

其中σ为辨识日负荷曲线的负荷标准差；μ为辨识日负荷曲线的负荷均值。

积分电量构建方式如下：

计算辨识日负荷曲线面积，开启空调会使当天负荷总量增加，是判断是否开启空调的特征之一。面积计算公式如下：

A＝∫₀ ²³P_tdt

相似度构建方式如下：

如果用户开启空调设备，则用户的负荷曲线理论上应与用户历史夏季负荷曲线特性具有一定的相似度，计算两者之间的欧氏距离，若欧氏距离越小，则相似度越高，用户越有可能开启空调。

将用户负荷曲线和用户历史夏季负荷曲线(前一年的7,8,9月取平均)这2条时间序列用A＝(a1,a2,…,an)和B＝(b1,b2,…,bn)表示，其中n为开启空调时间内的小时数，欧氏距离计算公式如下：

逐时变化率构建方式如下：

逐时变化率为用户负荷曲线在每个小时的变化率，公式如下：

本实施例的步骤3中采用基于ID3算法构建决策树模型进行空调状态辨识。决策树是一种用于分类和回归的机器学习模型，它通过对数据集进行递归分割来进行预测。在使用决策树算法时，会基于一系列的判别标准。在对数据进行分类的时候，判别标准就是数据的特征，最终的决定就是数据的类别。ID3(Iterative Dichotomiser 3)是一种用于构建决策树的算法，ID3算法通过选择最佳特征来构建决策树，使得在该特征下的子集具有最大的纯度。

如图3所示：构建决策树模型流程如下：

步骤31、从根节点开始，选择一个特征作为划分标准，将数据集分成子集。

步骤32、对于每个子集，重复步骤1，直到所有叶子节点都是同一类别或者达到预定的停止条件。

步骤33、在每个节点上选择最优的特征作为划分标准，使得划分后的子集纯度最高。

步骤34、重复步骤33，直到所有叶子节点都是同一类别或者达到预定的停止条件。

使用ID3算法构建决策树模型对是否开启空调进行辨识。ID3算法中引入了信息熵(Entropy)的概念来衡量样本集合的“混乱程度”，度量事物的不确定性，作为特征选择标准量化的标准，进而逐步地选取决策树的每个树结点的最优特征。信息熵越大代表样本集合越混乱，不确定性越高。所以，在使用决策树的时候，希望当按照选择的特征，对原始样本集合进行划分之后，新的样本集合的信息熵(即混乱程度)尽可能小，信息熵公式如下所示：

式中，t代表给定的结点，i代表标签的任意分类，p(i|t)表示标签分类i在节点t上所占的比例；在样本集合中，如果所有的样本均属于同一类别，那么此时“混乱程度”最低，信息熵为0，取到最小值；如果所有类别的样本概率相同，那么此时“混乱程度”最高，信息熵为logc，取到最大值。

基于信息熵的概念提出信息增益，其计算公式如下所示。信息增益为原始样本集合的熵减去按照某一特征属性进行划分之后的样本集合的熵。

式中，D为数据样本集合，a为特征属性，D^v为数据样本集合中在特征属性上的取值，|D|表示样本容量。每次选取特征时，选择信息增益最大的特征。

决策树算法的优势在于模型具有解释性、易于理解和解释，能够处理多种类型的数据，包括数值型、离散型和连续型数据，同时也具有较好的鲁棒性。此外，决策树还可以处理缺失数据和异常值，使得模型在实际应用中具有较强的适用性。

本实施例中，使用决策树辨识是否开启空调：

使用待辨识用户2022年7,8,9月各日的总负荷逐时数据作为空调开启日的训练集(将这些日期的标签记为1，表示空调开启)，使用2023年3,4月各日的逐时总负荷数据作为空调关闭日的训练集(将这些日期的标签记为0，表示空调未开启)，使用上述7个指标作为特征，是否开启空调作为标签，拟合得到决策树模型。再将辨识日的7个指标输入决策树模型，输出结果即为辨识日是否开启空调。

根据逐时变化率辨识空调开启时间：

将用户3月负荷作为基准负荷集，将基准负荷集曲线逐时的平均曲线作为基准负荷曲线。再将辨识日总负荷曲线减去基准负荷曲线，得到辨识日降温负荷曲线。

通过计算用户降温负荷曲线在每个小时的变化率，可分析判断该用户辨识日的开启空调时间点和关闭空调时间点。具体判断方法如下：

对于用户的负荷曲线，若某一时刻降温负荷的逐时变化率为正，并且在接下来的至少两个小时内变化率大于0时，则判断该时刻为开启空调时间点，若同时存在多个时间点满足条件，则取最后一个满足条件的时间点作为开启空调时间点；若某一时刻降温负荷逐时变化率为负，并且在前至少两个小时内变化率小于0时，则判断该时刻为关闭空调时间点，若同时存在多个时间点满足条件，则取最后一个满足条件的时间点作为关闭空调时间点。

根据本实施例提供的方法，以某用户为例，进行是否开启空调/何时开启空调的辨识。使用该用户2022年7,8,9月的数据作为空调开启日的训练集，使用2023年3,4月的数据作为空调关闭日的训练集。选择2023年8月7日作为辨识日进行判断，根据实际调研，该用户在辨识日实际开启空调时间为8:00-19:00。

第一步，计算用户历史数据和辨识日用于判断是否开启空调相关的7个指标。辨识日降温负荷日指标数值如下表所示：

表3辨识日降温负荷日指标

第二步，判断是否开启空调。

使用该用户2022年7,8,9月的数据作为空调开启日的训练集，使用2023年3,4月的数据作为空调关闭日的训练集，拟合得到决策树模型。再将辨识日的上述7个指标特征作为决策树的输入，得到输出结果：该日用户开启了空调。

第三步，计算降温负荷曲线。

以春季3月逐时负荷曲线取平均得到基准负荷曲线，辨识日总负荷曲线减去基准负荷曲线即为降温负荷曲线。辨识日8月7日降温负荷曲线如图4所示。

第四步，计算开启/关闭空调时间。图5为该用户辨识日的24小时降温负荷逐时变化率，可以看到在上午时间段6时、7时、8时、9时、10时逐时变化率均为正，因此确定8点为开启空调时间点；晚上17时、18时、19时、20时、21时逐时变化率均为负，因此确定19点为关闭空调时间点。

综上所述，判断用户在辨识日开启了空调,在上午8点开启空调，晚上19点关闭空调。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种电力用户级降温负荷辨识方法，其特征在于，所述降温负荷辨识方法具体包括以下步骤：

步骤1、对用户用电数据进行预处理；

步骤2、通过气象因素构建平均气温、炎热指数、人体舒适度指数，通过曲线特征构建峰谷差率、波动率、积分电量、降温负荷相似度和逐时变化率；

步骤3、根据步骤2构建的指标中，其中平均气温、炎热指数、人体舒适度指数、峰谷差率、波动率、积分电量和降温负荷相似度这7个指标用于构建决策树模型，逐时变化率指标用于判断何时开启空调；

步骤4、辨识是否开启空调及空调的启动/关闭时间点。

2.根据权利要求1所述的一种电力用户级降温负荷辨识方法，其特征在于，所述步骤1中，对数据进行预处理时，对于缺失值较多的日期的数据，直接删除该行，对于缺失值较少的日期的数据，使用线性插值进行填充。

3.根据权利要求2所述的一种电力用户级降温负荷辨识方法，其特征在于，所述线性插值是利用相邻两点之间线性关系进行推断，具体步骤如下:

步骤11、找到缺失值相邻的非空数据点，即已知数据点xi-1和xi+1；

步骤12、假设xi-1到xi+1之间存在线性关系，构建线性函数f(x)＝ax+b；

步骤13、将已知数据点xi-1和xi+1带入线性函数，求解参数a和b；

步骤14、使用参数a和b，将缺失值的位置i带入线性函数f(x)，得到缺失值的估计xi；

步骤15、将估计值xi填充到原始数据的缺失值位置上。

4.根据权利要求1所述的一种电力用户级降温负荷辨识方法，其特征在于，所述步骤3中，基于ID3算法构建决策树模型进行空调状态辨识，通过选择最佳特征来构建决策树，使得在该特征下的子集具有最大的纯度，具体构建决策树步骤如下:

步骤31、从根节点开始，选择一个特征作为划分标准，将数据集分成子集；

步骤32、对于每个子集，重复步骤1，直到所有叶子节点都是同一类别或者达到预定的停止条件；

步骤33、在每个节点上选择最优的特征作为划分标准，使得划分后的子集纯度最高；

步骤34、重复步骤33，直到所有叶子节点都是同一类别或者达到预定的停止条件。

5.根据权利要求1所述的一种电力用户级降温负荷辨识方法，其特征在于，所述步骤4中，通过计算用户降温负荷曲线在每个小时的变化率，可分析判断该用户辨识日的开启空调时间点和关闭空调时间点,具体判断方法如下：

对于用户的负荷曲线，若某一时刻降温负荷的逐时变化率为正，并且在接下来的至少两个小时内变化率大于0时，则判断该时刻为开启空调时间点；

若同时存在多个时间点满足条件，则取最后一个满足条件的时间点作为开启空调时间点；

若某一时刻降温负荷逐时变化率为负，并且在前至少两个小时内变化率小于0时，则判断该时刻为关闭空调时间点；

若同时存在多个时间点满足条件，则取最后一个满足条件的时间点作为关闭空调时间点。