CN117951555A - 一种用于负控安装测试装置的策略制定方法 - Google Patents

Abstract

本发明涉及电数字数据处理技术领域，尤其涉及一种用于负控安装测试装置的策略制定方法，该方法对预设测试范围中的每个负荷控制终端在预设时段内的历史负荷时序数据进行聚类，得到至少两个聚类簇；针对任一负荷控制终端，分别获取负荷控制终端在预设时段内的新增负荷时序数据与每个聚类簇的簇类中心之间的优化距离，根据所有优化距离确定新增负荷时序数据所属的目标聚类簇；根据每个负荷控制终端的新增负荷时序数据所属的目标聚类簇获取每个负荷控制终端的用电负荷稳定程度，根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略，使得在供电调峰时能够准确高效的进行电能分配，提高所在节点的精细化控制负荷水平。

Description

一种用于负控安装测试装置的策略制定方法

技术领域

本发明涉及电数字数据处理技术领域，尤其涉及一种用于负控安装测试装置的策略制定方法。

背景技术

随着城市化进程的加速，城市用电负荷随着人群流动、建设发展和生产需求变化，将负荷控制终端安装在电力系统的各个节点，用于有效调节电力负荷辅助电力系统的平稳运行，而负荷控制终端的主要作用是监控电力系统的运行状态，在用电高峰低谷期对电负荷平衡进行合理控制，通过合理分配电力资源以达到降低负荷峰值合理优化负荷曲线的目的。

负荷控制终端采集用户侧的用电数据，以为电网运营和用户用电管理提供数据支持，负荷控制终端安装分布在各个供电节点，电网调度中心通过远程通信网络发送控制指令到负荷控制终端以实现用电负荷的调节管理。其中，负荷控制终端具有调峰能力，可根据电网的负荷需求调节用户的用电负荷。但在实际使用中由于负荷控制终端的祥光技术并未完全成熟，尤其在大规模高频率的调峰操作上总存在稳定性和可靠性的问题，而现有技术中，解决调峰问题时通常都会留出一部分余量以满足负荷波动，虽然避免了过渡调节保证了用电平稳，但宽泛的余量导致电力资源的浪费。

因此，如何加强负荷控制终端的调峰能力，以减少电力资源的浪费成为亟需解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种用于负控安装测试装置的策略制定方法，以解决如何加强负荷控制终端的调峰能力，以减少电力资源的浪费的问题。

本发明实施例中提供了一种用于负控安装测试装置的策略制定方法，该一种用于负控安装测试装置的策略制定方法包括以下步骤：

分别获取预设测试范围中的每个负荷控制终端在预设时段内的历史负荷时序数据，对所有历史负荷时序数据进行聚类，得到至少两个聚类簇；

针对所述预设时段内的任一采样时刻，根据每个所述聚类簇中每个历史负荷时序数据中的所述采样时刻对应的负荷数据，分别获取每个所述聚类簇中的所述采样时刻的数据重要程度；

针对任一负荷控制终端，获取所述负荷控制终端在所述预设时段内的新增负荷时序数据，根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，根据所有优化距离确定所述新增负荷时序数据所属的目标聚类簇；

根据每个所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，获取每个所述负荷控制终端的用电负荷稳定程度，根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略。

优选的，所述根据每个所述聚类簇中每个历史负荷时序数据中的所述采样时刻对应的负荷数据，分别获取每个所述聚类簇中的所述采样时刻的数据重要程度，包括：

针对任一聚类簇，根据所述聚类簇中的每个历史负荷时序数据中的所述采样时刻对应的负荷数据，获取负荷方差，对所述负荷方差进行归一化处理，得到对应的归一化值，将常数1与所述归一化值之间的差值作为所述聚类簇中的所述采样时刻的数据重要程度。

优选的，所述根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，包括：

针对任一聚类簇，获取所述聚类簇的簇类中心所对应的中心负荷时序数据，分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值，将所述聚类簇中的每个采样时刻的数据重要程度作为权重，对所有负荷差值绝对值进行加权求和，对应得到的加权求和结果作为所述新增负荷时序数据与所述聚类簇的簇类中心之间的优化距离。

优选的，所述根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，包括：

针对任一聚类簇，获取所述聚类簇的簇类中心所对应的中心负荷时序数据，分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值和数据趋势判断因子；

将所述聚类簇中的每个采样时刻的数据重要程度与数据趋势判断因子之间的加和结果作为权重，对所有负荷差值绝对值进行加权求和，对应得到的加权求和结果作为所述新增负荷时序数据与所述聚类簇的簇类中心之间的优化距离。

优选的，所述分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值和数据趋势判断因子，包括：

针对所述预设时段内的任一采样时刻，获取所述中心负荷时序数据中的所述采样时刻对应的负荷数据作为第一负荷数据，获取所述中心负荷时序数据中的所述采样时刻的下一采样时刻对应的负荷数据作为第二负荷数据，获取所述第一负荷数据和所述第二负荷数据之间的差值作为第一目标差值；

获取所述新增负荷时序数据中的所述采样时刻对应的负荷数据作为第三负荷数据，获取所述新增负荷时序数据中的所述采样时刻的下一采样时刻对应的负荷数据作为第四负荷数据，获取所述第三负荷数据和所述第四负荷数据之间的差值作为第二目标差值；

若所述第一目标差值与所述第二目标差值都为正值或负值，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为0；

若所述第一目标差值与所述第二目标差值属于一个正值一个负值，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为1；

若所述中心负荷时序数据和所述新增负荷时序数据中的所述采样时刻都不存在下一采样时刻的负荷数据，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为0。

优选的，所述根据所有优化距离确定所述新增负荷时序数据所属的目标聚类簇，包括：

将所有优化距离中的最小优化距离对应的聚类簇作为所述新增负荷时序数据所属的目标聚类簇。

优选的，所述根据每个所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，获取每个所述负荷控制终端的用电负荷稳定程度，包括：

针对任一负荷控制终端，获取所述负荷控制终端的新增负荷时序数据和历史负荷时序数据的时序数量，根据所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，统计每个所述聚类簇的频数，得到最大频数，将所述时序数量与所述最大频数之间的比值作为所述负荷控制终端的用电负荷稳定程度。

优选的，所述根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略，包括：

将所有负荷控制终端的用电负荷稳定程度按照从高到低进行排序，优先对用电负荷稳定程度高的负荷控制终端安装测试装置。

优选的，所述对所有历史负荷时序数据进行聚类，得到至少两个聚类簇，包括：

利用TSNN-DPC算法对所有历史负荷时序数据进行聚类，得到至少两个聚类簇。

本发明实施例与现有技术相比存在的有益效果是：

本发明分别获取预设测试范围中的每个负荷控制终端在预设时段内的历史负荷时序数据，对所有历史负荷时序数据进行聚类，得到至少两个聚类簇；针对所述预设时段内的任一采样时刻，根据每个所述聚类簇中每个历史负荷时序数据中的所述采样时刻对应的负荷数据，分别获取每个所述聚类簇中的所述采样时刻的数据重要程度；针对任一负荷控制终端，获取所述负荷控制终端在所述预设时段内的新增负荷时序数据，根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，根据所有优化距离确定所述新增负荷时序数据所属的目标聚类簇；根据每个所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，获取每个所述负荷控制终端的用电负荷稳定程度，根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略。其中，通过对每个负荷控制终端进行负荷特征数据得提取，以识别任一负荷控制终端的负荷波动变化情况，从而得到每个负荷控制终端的用电负荷稳定程度，为测试装置的安装提供评价标准，优选出稳定性高的负荷节点，使得在调峰控制中更加高效的应对电力需求变化，减少电力资源上的浪费。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种用于负控安装测试装置的策略制定方法的方法流程图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

需要说明的是，本公开的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与本公开的一些方面相一致的装置和方法的例子。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明所针对的场景为：通过负荷控制终端的负荷时序数据进行用电模式划分，并通过用电模式划分后的数据波动信息完成对负荷控制终端的稳定性评估。

参见图1，是本发明实施例一提供的一种用于负控安装测试装置的策略制定方法的方法流程图，如图1所示，该一种用于负控安装测试装置的策略制定方法可以包括：

步骤S101，分别获取预设测试范围中的每个负荷控制终端在预设时段内的历史负荷时序数据，对所有历史负荷时序数据进行聚类，得到至少两个聚类簇。

负荷控制终端安装在变压器的用户侧，在居民用电区块内，此类负荷的特点是负荷较小但波动较为明显，有明显的时段性和季节性，对于供电质量要求较高。虽然每个家庭的用电量不大，但整体的用电量较高，并且由于区域人群习惯的不同，用电波动时间也会有差别，为了保证其用电需求，在用电调峰时都会留有一部分余量，而为了实现精细化的负荷控制，需要对每个负荷控制终端进行用电负荷的稳定性评估，以利用评估的稳定性进行负控测试装置的安装。

因此，本发明实施例中，在对每个负荷控制终端进行用电负荷的稳定性评估过程中，首先，针对任一负荷控制终端，在该负荷控制终端的运行过程中，通过电压互感器和电流互感器采集对应的监测数据，进而根据采集到的监测数据计算得到该负荷控制终端的负荷时序数据。其中，设置负荷时序数据的采样时间为每天，也即是通过设置的采集频率获取该负荷控制终端每天的负荷时序数据，从而能够得到每个负荷控制终端在预设时段内的历史负荷时序数据。为了保证数据的准确性，可以在得到负荷时序数据之后，对负荷时序数据进行高斯滤波处理，以排除噪声数据的干扰。

在得到每个负荷控制终端的历史负荷时序数据之后，利用TSNN-DPC算法对所有历史负荷时序数据进行聚类，得到至少两个聚类簇，一个聚类簇对应一种用电模式，使用TSNN-DPC算法对所有负荷控制终端的历史负荷时序数据进行聚类划分，能够从各个用电节点的负荷时序数据种挖掘出不同用电节点的用电习惯，识别用电模式。其中，TSNN-DPC算法属于现有技术，此处不再赘述。

至此，获取到了用于划分负荷控制终端的监测数据用电模式的聚类结果，也即是得到了若干个聚类簇。

步骤S102，针对预设时段内的任一采样时刻，根据每个聚类簇中每个历史负荷时序数据中的采样时刻对应的负荷数据，分别获取每个聚类簇中的采样时刻的数据重要程度。

在得到多个聚类簇之后，即可通过这些聚类簇对每个负荷控制终端每天的新增负荷时序数据进行用电模式划分，并基于划分结果进行用电负荷的稳定性评估。但是在这个过程中，由于每个负荷控制终端每天的新增负荷时序数据并不是一成不变的，其中还会存在如工厂用电的不稳定差异，体现在每天的新增负荷时序数据中会出现不同的变化，因此，在通过负荷控制终端的新增负荷时序数据在聚类结果中进行用电模式划分时所利用的距离度量，会存在着这些不稳定差异导致的用电模式划分不准确。而针对这种情况，需要根据历史负荷时序数据的聚类结果中的每个聚类簇中的数据点所呈现出的时间戳重要程度进行用电模式划分的优化，从而保证在对负荷控制终端进行周期稳定性评估过程中获取到准确的结果。

由于上述聚类结果中的所有历史负荷时序数据是在同一个预设时段中获取的，因此，每个历史负荷时序数据中在预设时段中的每个采样时刻都对应一个负荷数据，对应的，预设时段中的每个采样时刻都对应多个负荷数据。且考虑到每个聚类簇中的每个历史负荷时序数据中都会存在差异，而在一个用电模式的划分结果中，对于每个时间戳，当该时间戳对应的负荷数据越集中，则说明该用电模式划分中该时间戳对应的负荷数据更加具有评估特征，对应在根据距离度量进行用电模式划分的过程中，该时间戳对应的负荷数据差异越重要，故针对预设时段内的任一采样时刻，根据每个所述聚类簇中每个历史负荷时序数据中的所述采样时刻对应的负荷数据，分别获取每个所述聚类簇中的所述采样时刻的数据重要程度，则数据重要程度的获取方法为：

针对任一聚类簇，根据所述聚类簇中的每个历史负荷时序数据中的所述采样时刻对应的负荷数据，获取负荷方差，对所述负荷方差进行归一化处理，得到对应的归一化值，将常数1与所述归一化值之间的差值作为所述聚类簇中的所述采样时刻的数据重要程度。

在一实施方式中，以预设时段中的第t个采样时刻为例，则第c个聚类簇中的第t个采样时刻的数据重要程度的计算表达式为：

其中，表示第c个聚类簇中的第t个采样时刻的数据重要程度，1表示常数，表示归一化函数，/>表示第c个聚类簇所包含的历史负荷时序数据的数量，/>表示第i个历史负荷时序数据中的第t个采样时刻对应的负荷数据，/>表示第c个聚类簇中的所有历史负荷时序数据中的第t个采样时刻对应的负荷数据的均值。

需要说明的是，在获取到用于负荷控制终端监测到的负荷时序数据的用电模式划分的聚类结果中，每个聚类簇都对应一个用电模式，在一个聚类簇中的每个采样时刻对应的数据重要程度可以对应采样时刻下的全部负荷数据的波动性进行评估，因此，获取第c个聚类簇中的第t个采样时刻下的所有负荷数据的方差，方差越大，说明该采样时刻下的负荷波动越大，对应该采样时刻下的负荷数据越不集中，在用电模式划分中该采样时刻对应的负荷数据越不具有评估特征，故对应数据重要程度越小。

至此，根据上述数据重要程度的获取方法，能够获取每个聚类簇中的每个采样时刻的数据重要程度。

步骤S103，针对任一负荷控制终端，获取负荷控制终端在预设时段内的新增负荷时序数据，根据每个聚类簇中的每个采样时刻的数据重要程度，分别获取新增负荷时序数据与每个聚类簇的簇类中心之间的优化距离，根据所有优化距离确定新增负荷时序数据所属的目标聚类簇。

在得到每个聚类簇中的每个采样时刻的数据重要程度之后，即可根据数据重要程度对每个负荷控制终端的新增负荷时序数据进行用电模式划分过程中的距离优化，因此，针对任一负荷控制终端，首先获取该负荷控制终端的新增负荷时序数据，新增负荷时序数据是指该负荷控制终端实时采集的第y天的负荷时序数据，因此，本发明实施例中，根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，包括：

针对任一聚类簇，获取所述聚类簇的簇类中心所对应的中心负荷时序数据，分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值，将所述聚类簇中的每个采样时刻的数据重要程度作为权重，对所有负荷差值绝对值进行加权求和，对应得到的加权求和结果作为所述新增负荷时序数据与所述聚类簇的簇类中心之间的优化距离。

在一实施方式中，由于聚类簇中的每个历史负荷时序数据和新增负荷时序数据的长度和采样时刻都是一样的，例如：采样频率为5分钟，每天的8点开始采集，则每天8点一个负荷数据，8点05分对应一个负荷数据，8点10分对应一个负荷数据，依次类推，每天固定的采样时刻都会对应一个负荷数据，因此，在获取新增负荷时序数据所属的聚类簇之前，需要获取新增负荷时序数据与每个聚类簇的簇类中心之间的优化距离，则以第c个聚类簇为例，新增负荷时序数据与第c个聚类簇的聚类中心之间的优化距离所对应的计算表达式为：

其中，表示第m个负荷控制终端的新增负荷时序数据与第c个聚类簇的聚类中心之间的优化距离，/>表示第c个聚类簇中的第t个采样时刻的数据重要程度，M表示新增负荷时序数据或者第c个聚类簇中的历史负荷时序数据的长度，/>表示第m个负荷控制终端的新增负荷时序数据的第t个采样时刻对应的负荷数据，/>表示第c个聚类簇的簇类中心对应的历史负荷时序数据的第t个采样时刻对应的负荷数据，| |表示绝对值符号。

需要说明的是，通过第c个聚类簇中的每个采样时刻的数据重要程度进行第m个负荷控制终端的新增负荷时序数据与第c个聚类簇的聚类中心之间的距离优化，也即是将数据重要程度作为权重，对每个采样时刻下的负荷差异进行加权求和，以在数据重要程度较低时，能够保证新增负荷时序数据与簇类中心对应的历史负荷时序数据的趋势状态是一致的，才能够确定新增负荷时序数据对应的用电模式。

进一步的，考虑到在通过每个聚类簇中的每个采样时刻的数据重要程度进行距离优化时，当出现连续的数据重要程度较低的时间段时，如果只通过采样时刻对应的数据点数值进行差异衡量，则会出现将具有不同数值趋势的时序数据进行错误的簇类划分，因此，针对于通过每个聚类簇中的每个采样时刻的数据重要程度进行距离优化，本发明实施例还需要进一步通过时序数据之间的趋势信息进行距离衡量，从而保证模式划分的准确性，故，根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，还包括：

针对任一聚类簇，获取所述聚类簇的簇类中心所对应的中心负荷时序数据，分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值和数据趋势判断因子；

将所述聚类簇中的每个采样时刻的数据重要程度与数据趋势判断因子之间的加和结果作为权重，对所有负荷差值绝对值进行加权求和，对应得到的加权求和结果作为所述新增负荷时序数据与所述聚类簇的簇类中心之间的优化距离。

在一实施方式中，新增负荷时序数据与第c个聚类簇的聚类中心之间的优化距离所对应的计算表达式为：

其中，表示新增负荷时序数据与第c个聚类簇的聚类中心之间的优化距离，/>表示第c个聚类簇中的第t个采样时刻的数据重要程度，/>表示在第t个采样时刻下新增负荷时序数据与第c个聚类簇的簇类中心对应的历史负荷时序数据之间的数据趋势判断因子，M表示新增负荷时序数据或者第c个聚类簇中的历史负荷时序数据的长度，表示第m个负荷控制终端的新增负荷时序数据的第t个采样时刻对应的负荷数据，表示第c个聚类簇的簇类中心对应的历史负荷时序数据的第t个采样时刻对应的负荷数据，| |表示绝对值符号。

需要说明的是，当第t个采样时刻下新增负荷时序数据与第c个聚类簇的簇类中心对应的历史负荷时序数据之间的数据趋势判断因子越大，说明新增负荷时序数据中的第t个采样时刻到第t+1个采样时刻的负荷数据的数据变化趋势方向与第c个聚类簇的簇类中心对应的历史负荷时序数据中的第t个采样时刻到第t+1个采样时刻的负荷数据的数据变化趋势方向不一致，应增大新增负荷时序数据与第c个聚类簇的聚类中心之间的距离，则新增负荷时序数据与第c个聚类簇的聚类中心之间的优化距离越大。

其中，分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值和数据趋势判断因子，包括：

针对所述预设时段内的任一采样时刻，获取所述中心负荷时序数据中的所述采样时刻对应的负荷数据作为第一负荷数据，获取所述中心负荷时序数据中的所述采样时刻的下一采样时刻对应的负荷数据作为第二负荷数据，获取所述第一负荷数据和所述第二负荷数据之间的差值作为第一目标差值；

获取所述新增负荷时序数据中的所述采样时刻对应的负荷数据作为第三负荷数据，获取所述新增负荷时序数据中的所述采样时刻的下一采样时刻对应的负荷数据作为第四负荷数据，获取所述第三负荷数据和所述第四负荷数据之间的差值作为第二目标差值；

若所述第一目标差值与所述第二目标差值都为正值或负值，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为0；

若所述第一目标差值与所述第二目标差值属于一个正值一个负值，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为1；

若所述中心负荷时序数据和所述新增负荷时序数据中的所述采样时刻都不存在下一采样时刻的负荷数据，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为0。

举例说明：若中心负荷时序数据中的第t个采样时刻的负荷数据与第t+1个采样时刻的负荷数据之间的差值为负数，且新增负荷时序数据中的第t个采样时刻的负荷数据与第t+1个采样时刻的负荷数据之间的差值为负数，则说明中心负荷时序数据中的第t个采样时刻的负荷数据的变化趋势方向和新增负荷时序数据中的第t个采样时刻的负荷数据的变化趋势方向都为下降趋势，对应中心负荷时序数据与新增负荷时序数据在该采样时刻下的数据趋势判断因子为0，同理，若中心负荷时序数据中的第t个采样时刻的负荷数据与第t+1个采样时刻的负荷数据之间的差值为正数，且新增负荷时序数据中的第t个采样时刻的负荷数据与第t+1个采样时刻的负荷数据之间的差值为正数，则说明中心负荷时序数据中的第t个采样时刻的负荷数据的变化趋势方向和新增负荷时序数据中的第t个采样时刻的负荷数据的变化趋势方向都为上升趋势，对应中心负荷时序数据与新增负荷时序数据在该采样时刻下的数据趋势判断因子为0。反之，若中心负荷时序数据中的第t个采样时刻的负荷数据与第t+1个采样时刻的负荷数据之间的差值为负数（正数），而新增负荷时序数据中的第t个采样时刻的负荷数据与第t+1个采样时刻的负荷数据之间的差值为正数（负数），则中心负荷时序数据与新增负荷时序数据在该采样时刻下的数据趋势判断因子为1。值得说明的是，当中心负荷时序数据或新增负荷时序数据中的任一采样时刻不存在相邻的下一采样时刻，也即说明对应采样时刻的负荷数据没有变化趋势信息，对应中心负荷时序数据与新增负荷时序数据在该采样时刻下的数据趋势判断因子为0。

至此，能够得到任一负荷控制终端的新增负荷时序数据与每个聚类簇的簇类中心之间的优化距离。进而能够根据每个负荷控制终端的新增负荷时序数据与每个聚类簇的簇类中心之间的优化距离，确定对应负荷控制终端的新增负荷时序数据所属的目标聚类簇，具体的，针对任一负荷控制终端的新增负荷时序数据，将所有优化距离中的最小优化距离对应的聚类簇作为所述新增负荷时序数据所属的目标聚类簇。

步骤S104，根据每个负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，获取每个负荷控制终端的用电负荷稳定程度，根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略。

在得到每个负荷控制终端的新增负荷时序数据所属的目标聚类簇之后，也即确定了每个负荷控制终端在第y天的用电模式，因此，本发明实施例中，根据每个负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，获取每个负荷控制终端的用电负荷稳定程度，具体包括：

针对任一负荷控制终端，获取所述负荷控制终端的新增负荷时序数据和历史负荷时序数据的时序数量，根据所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，统计每个所述聚类簇的频数，得到最大频数，将所述时序数量与所述最大频数之间的比值作为所述负荷控制终端的用电负荷稳定程度。

在一实施方式中，以第m个负荷控制终端为例，在确定了第m个负荷控制终端连续每天的负荷时序数据对应的用电模式之后，可通过第m个负荷控制终端中最多的用电模式进行负荷稳定性评估，则第m个负荷控制终端的用电负荷稳定程度的计算表达式为：

其中，表示第m个负荷控制终端的用电负荷稳定程度，/>表示第m个负荷控制终端所涉及的聚类簇的最大频数，/>表示第m个负荷控制终端的新增负荷时序数据和历史负荷时序数据的时序数量。

需要说明的是，第m个负荷控制终端中最多的聚类簇的数量越多，对应的值越大，越说明第m个负荷控制终端始终处于该聚类簇对应的用电模式，对应用电稳定性较高，则对应第m个负荷控制终端的用电负荷稳定程度越大。

至此，能够得到每个负荷控制终端的用电负荷稳定程度，在得到负荷控制终端的用电负荷稳定程度之后，即可根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略，具体为：将所有负荷控制终端的用电负荷稳定程度按照从高到低进行排序，优先对用电负荷稳定程度高的负荷控制终端安装测试装置，使得在供电调峰时可以准确高效的进行电能分配，提高所在用电节点精细化控制负荷水平，在不影响用户用电需求的同时合理分配电力资源。

综上所述，本发明实施例分别获取预设测试范围中的每个负荷控制终端在预设时段内的历史负荷时序数据，对所有历史负荷时序数据进行聚类，得到至少两个聚类簇；针对所述预设时段内的任一采样时刻，根据每个所述聚类簇中每个历史负荷时序数据中的所述采样时刻对应的负荷数据，分别获取每个所述聚类簇中的所述采样时刻的数据重要程度；针对任一负荷控制终端，获取所述负荷控制终端在所述预设时段内的新增负荷时序数据，根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，根据所有优化距离确定所述新增负荷时序数据所属的目标聚类簇；根据每个所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，获取每个所述负荷控制终端的用电负荷稳定程度，根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略。其中，通过对每个负荷控制终端进行负荷特征数据得提取，以识别任一负荷控制终端的负荷波动变化情况，从而得到每个负荷控制终端的用电负荷稳定程度，为测试装置的安装提供评价标准，优选出稳定性高的负荷节点，使得在调峰控制中更加高效的应对电力需求变化，减少电力资源上的浪费。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于负控安装测试装置的策略制定方法，其特征在于，所述一种用于负控安装测试装置的策略制定方法包括：

分别获取预设测试范围中的每个负荷控制终端在预设时段内的历史负荷时序数据，对所有历史负荷时序数据进行聚类，得到至少两个聚类簇；

针对所述预设时段内的任一采样时刻，根据每个所述聚类簇中每个历史负荷时序数据中的所述采样时刻对应的负荷数据，分别获取每个所述聚类簇中的所述采样时刻的数据重要程度；

针对任一负荷控制终端，获取所述负荷控制终端在所述预设时段内的新增负荷时序数据，根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，根据所有优化距离确定所述新增负荷时序数据所属的目标聚类簇；

根据每个所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，获取每个所述负荷控制终端的用电负荷稳定程度，根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略。

2.根据权利要求1所述的一种用于负控安装测试装置的策略制定方法，其特征在于，所述根据每个所述聚类簇中每个历史负荷时序数据中的所述采样时刻对应的负荷数据，分别获取每个所述聚类簇中的所述采样时刻的数据重要程度，包括：

针对任一聚类簇，根据所述聚类簇中的每个历史负荷时序数据中的所述采样时刻对应的负荷数据，获取负荷方差，对所述负荷方差进行归一化处理，得到对应的归一化值，将常数1与所述归一化值之间的差值作为所述聚类簇中的所述采样时刻的数据重要程度。

3.根据权利要求1所述的一种用于负控安装测试装置的策略制定方法，其特征在于，所述根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，包括：

针对任一聚类簇，获取所述聚类簇的簇类中心所对应的中心负荷时序数据，分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值，将所述聚类簇中的每个采样时刻的数据重要程度作为权重，对所有负荷差值绝对值进行加权求和，对应得到的加权求和结果作为所述新增负荷时序数据与所述聚类簇的簇类中心之间的优化距离。

4.根据权利要求1所述的一种用于负控安装测试装置的策略制定方法，其特征在于，所述根据每个所述聚类簇中的每个采样时刻的数据重要程度，分别获取所述新增负荷时序数据与每个所述聚类簇的簇类中心之间的优化距离，包括：

针对任一聚类簇，获取所述聚类簇的簇类中心所对应的中心负荷时序数据，分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值和数据趋势判断因子；

将所述聚类簇中的每个采样时刻的数据重要程度与数据趋势判断因子之间的加和结果作为权重，对所有负荷差值绝对值进行加权求和，对应得到的加权求和结果作为所述新增负荷时序数据与所述聚类簇的簇类中心之间的优化距离。

5.根据权利要求4所述的一种用于负控安装测试装置的策略制定方法，其特征在于，所述分别计算所述中心负荷时序数据与所述新增负荷时序数据在所述预设时段内的每个采样时刻下的负荷差值绝对值和数据趋势判断因子，包括：

针对所述预设时段内的任一采样时刻，获取所述中心负荷时序数据中的所述采样时刻对应的负荷数据作为第一负荷数据，获取所述中心负荷时序数据中的所述采样时刻的下一采样时刻对应的负荷数据作为第二负荷数据，获取所述第一负荷数据和所述第二负荷数据之间的差值作为第一目标差值；

获取所述新增负荷时序数据中的所述采样时刻对应的负荷数据作为第三负荷数据，获取所述新增负荷时序数据中的所述采样时刻的下一采样时刻对应的负荷数据作为第四负荷数据，获取所述第三负荷数据和所述第四负荷数据之间的差值作为第二目标差值；

若所述第一目标差值与所述第二目标差值都为正值或负值，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为0；

若所述第一目标差值与所述第二目标差值属于一个正值一个负值，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为1；

若所述中心负荷时序数据和所述新增负荷时序数据中的所述采样时刻都不存在下一采样时刻的负荷数据，则所述中心负荷时序数据与所述新增负荷时序数据在所述采样时刻下的数据趋势判断因子为0。

6.根据权利要求1所述的一种用于负控安装测试装置的策略制定方法，其特征在于，所述根据所有优化距离确定所述新增负荷时序数据所属的目标聚类簇，包括：

将所有优化距离中的最小优化距离对应的聚类簇作为所述新增负荷时序数据所属的目标聚类簇。

7.根据权利要求1所述的一种用于负控安装测试装置的策略制定方法，其特征在于，所述根据每个所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，获取每个所述负荷控制终端的用电负荷稳定程度，包括：

针对任一负荷控制终端，获取所述负荷控制终端的新增负荷时序数据和历史负荷时序数据的时序数量，根据所述负荷控制终端的新增负荷时序数据所属的目标聚类簇以及历史负荷时序数据所属的聚类簇，统计每个所述聚类簇的频数，得到最大频数，将所述时序数量与所述最大频数之间的比值作为所述负荷控制终端的用电负荷稳定程度。

8.根据权利要求1所述的一种用于负控安装测试装置的策略制定方法，其特征在于，所述根据所有负荷控制终端的用电负荷稳定程度，得到用于负控安装测试装置的安装策略，包括：

将所有负荷控制终端的用电负荷稳定程度按照从高到低进行排序，优先对用电负荷稳定程度高的负荷控制终端安装测试装置。

9.根据权利要求1所述的一种用于负控安装测试装置的策略制定方法，其特征在于，所述对所有历史负荷时序数据进行聚类，得到至少两个聚类簇，包括：

利用TSNN-DPC算法对所有历史负荷时序数据进行聚类，得到至少两个聚类簇。