CN104809255A - 一种负荷形态获取方法和*** - Google Patents

Abstract

本发明实施例提供一种负荷形态提取方法和***，其中，方法包括：获取用电负荷曲线，确定所有可能聚类类别数；将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。提高了用电负荷曲线聚类结果的应用性和提取的负荷形态准确性。

Description

一种负荷形态获取方法和***

技术领域

本发明涉及数据处理领域，特别是涉及一种负荷形态获取方法和***。

背景技术

负荷形态分析主要是根据用户的用电负荷特点，对大量用户的用电负荷曲线进行分类，并提取出不同类别的用户具有代表性的典型负荷曲线。在研究中，通常采用聚类的方法对用户的用电负荷曲线进行分类判别。

但是目前，在进行负荷形态分析时，对用户负荷类别的确定基本还是处于利用经验判断聚类类别数目，造成得到的负荷分类(聚类)结果应用性较差，提取的负荷形态准确性较低。

发明内容

有鉴于此，本发明实施例提供一种负荷形态获取方法和***，以解决现有技术中利用经验判断聚类类别数目来对用户负荷类别进行确定，造成负荷分类结果的应用性较差，提取的负荷形态精确性较低的问题。

为实现上述目的，本发明实施例提供如下技术方案：

一种负荷形态提取方法，包括：

获取用电负荷曲线，确定所有可能聚类类别数；

将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；

利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。

其中，所述获取用电负荷曲线包括：

获取用户预定天数的用电负荷信息；

计算所述用电负荷信息在所述预定天数内的平均值，得到所述用户的平均用电负荷信息；

根据所述用户的平均用电负荷信息得到所述用户的用电负荷曲线。

其中，所述用电负荷曲线为经过归一化处理的用电负荷曲线。

其中，所述获取用电负荷曲线后还包括：

判断所述用电负荷曲线是否存在聚类趋势；

若存在，则确定所述存在聚类趋势的用电负荷曲线的所有可能聚类类别数。

其中，所述对所述用电负荷曲线进行聚类处理包括：

设定迭代次数k数值为0；

通过隶属度计算公式得到模糊划分矩阵U^(k)，

其中，隶属度计算公式为：

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{1}{\underset{r=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{rj}}}\right)}^{\frac{2}{m-1}}},& I_j=\mathrm{\φ}\\ \frac{1}{\left|I_j\right|},& I_j\≠\mathrm{\φ},i\∈I_j\\ 0,& I_j\≠\mathrm{\φ},i\∈I_j\end{array}\right.;$

通过聚类中心计算公式得到聚类中心矩阵V^(k)，

其中，聚类中心计算公式为：

$v_j=\left[\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}\right],i=\mathrm{1,2},...,c;$

其中，I_j＝{(i,j)|x_j＝v_i,1≤i≤c}；d_ij＝||x_j-v_i||；

其中，n为用电负荷曲线的数目；m为模糊指数；c为聚类类别数；u_ij为第j条用电负荷曲线属于第i类的隶属度值；v_i为第i类聚类中心，x_j为第j条用电负荷曲线，d_ij为第j条用电负荷曲线到第i个聚类中心的距离；

将迭代次数k赋值为k+1，计算U^(k)和V^(k)，直至||V^(k)-V^(k-1)||≤ε,k≥1，根据U^(k)和V^(k)对获取的用电负荷曲线进行分类；其中，ε为预设的允许误差。

其中，所述有效性指标为：划分系数PC、划分熵PE或改进的划分系数MPC。

其中，所述根据所述最佳聚类结果得到所述负荷曲线的所有负荷形态包括：

确定所述最佳聚类结果中每个聚类类别内包含的用电负荷曲线；

根据所述每个聚类类别内所有用电负荷曲线的曲线特点，分别提取到一条类别典型负荷曲线；

判断所述类别典型负荷曲线的负荷形态，将所述负荷形态作为所述聚类类别相对应的聚类类别的负荷形态。

一种负荷形态分析***，包括：获取模块、聚类模块和评估模块；其中，

所述获取模块，用于获取用电负荷曲线，确定所有可能聚类类别数；

所述聚类模块，用于将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；

所述评估模块，用于利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。

其中，所述获取模块包括：数据获取单元、数据计算单元和曲线获取单元；其中，

所述数据获取单元，用于获取用户预定天数的用电负荷信息；

所述数据计算单元，用于计算所述用电负荷信息在所述预定天数内的平均值，得到所述用户的平均负荷用电信息；

所述曲线获取单元，用于根据所述用户的平均用电信息得到所述用户的用电负荷曲线。

其中，所述聚类模块包括：计数单元、模糊划分矩阵计算单元、聚类中心矩阵计算单元和判断单元；其中，

所述计数单元，用于设定迭代次数k数值为0，和将迭代次数k赋值为k+1；

所述模糊划分矩阵单元，用于通过隶属度计算公式得到模糊划分矩阵U^(k)，

其中，隶属度计算公式为：

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{1}{\underset{r=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{rj}}}\right)}^{\frac{2}{m-1}}},& I_j=\mathrm{\φ}\\ \frac{1}{\left|I_j\right|},& I_j\≠\mathrm{\φ},i\∈I_j\\ 0,& I_j\≠\mathrm{\φ},i\∈I_j\end{array}\right.;$

所述聚类中心矩阵计算单元，用于通过聚类中心计算公式得到聚类中心矩阵V^(k)，

其中，聚类中心计算公式为：

$v_j=\left[\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}\right],i=\mathrm{1,2},...,c;$

其中，I_j＝{(i,j)|x_j＝v_i,1≤i≤c}；d_ij＝||x_j-v_i||；

其中，n为用电负荷曲线的数目；m为模糊指数；c为聚类类别数；u_ij为第j条用电负荷曲线属于第i类的隶属度值；v_i为第i类聚类中心，x_j为第j条用电负荷曲线，d_ij为第j条用电负荷曲线到第i个聚类中心的距离；

所述判断单元，用于判断||V^(k)-V^(k-1)||≤ε,k≥1是否成立，若成立，则根据U^(k)和V^(k)对获取的用电负荷曲线进行分类；其中，ε为预设的允许误差。

基于上述技术方案，本发明实施例提供一种负荷形态获取方法和***，其中，方法包括：获取用电负荷曲线，确定所有可能聚类类别数；将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。由于实际中用电负荷曲线最佳的聚类数目通常都是未知，因此，在获取用电负荷曲线后，需要先根据获取的负荷曲线特点、经验或是历史数据确定所有可能的聚类类别数，而在根据每个聚类类别数分别得到一个聚类结果后，利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，其中，该最佳聚类结果所对应的聚类类别数即为用电负荷曲线的最佳聚类类别数，也可以说是，在本发明实施例提供的负荷形态获取方法，通过有效性指标，在众多可能的聚类类别数中找到了最佳聚类类别数所对应得到的最佳聚类结果，而后通过得到的最佳聚类结果得到所有用电负荷曲线的所有负荷形态，提高了用电负荷曲线聚类结果的应用性和提取的负荷形态准确性。

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，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的负荷形态获取方法的流程图；

图2为本发明实施例提供的负荷形态获取方法中获取用电负荷曲线的方法流程图；

图3为本发明实施例提供的负荷形态获取方法中对用电负荷曲线进行聚类处理的方法流程图；

图4为本发明实施例提供的负荷形态获取方法中根据最佳聚类结果得到负荷曲线的所有负荷形态的方法流程图；

图5为本发明实施例提供的负荷形态分析***的***框图；

图6为本发明实施例提供的负荷形态分析***中获取模块的结构框图；

图7为本发明实施例提供的负荷形态分析***中聚类模块的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的负荷形态获取方法的流程图；通过有效性指标，在众多可能的聚类类别数中找到了最佳聚类类别数所对应得到的最佳聚类结果，而后通过得到的最佳聚类结果得到所有用电负荷曲线的所有负荷形态，提高了用电负荷曲线聚类结果的应用性和提取的负荷形态准确性；参照图1，该负荷形态获取方法可以包括：

步骤S100：获取用电负荷曲线，确定所有可能聚类类别数；

居民区或是企业公司内，往往具有多个用户，每个用户均尤其自己的用电信息，而电力***中各类电力负荷随时间变化的曲线即为用电负荷曲线。用电负荷曲线，往往具有峰平型、双峰型、避峰型、高负荷率型和单峰型等形态。

将获取的用电负荷曲线通过模糊C-均值聚类算法进行聚类处理，需要在聚类之前先知道获取的用电负荷曲线的聚类类别数，即应该将这些获取的用电负荷曲线应该被分为几类。可能聚类类别数，即是指这些获取的用电负荷曲线可能存在的聚类类别数，所有可能聚类类别数，即是指这些获取的用电负荷曲线所有可能存在的类别数。例如，若获取的用电负荷曲线可能被分别3种类别、4种类别或5种类别，那么，这些获取的用电负荷曲线的所有可能聚类类别数即为3、4和5。

可选的，可以通过获取用户预定天数的用电负荷信息，计算该用电负荷信息在所述预定天数内的平均值，得到所述用户的平均用电负荷信息，然后根据该用户的平均用电负荷信息来得到该用户的用电负荷曲线。

可选的，获取的用电负荷曲线可以为经过归一化处理的用电负荷曲线，归一化处理的用电负荷曲线的负荷值均在0-1之间，对归一化处理的用电负荷曲线进行聚类后，将会更加便于曲线的观察。

可选的，对用电负荷曲线进行归一化的公式可以为：

$x_t^{*}=\frac{x_t}{x_{\max }}$

其中，为t时刻归一化后的负荷值；x_t为t时刻归一化前负荷的真实值；x_max为获取的用电负荷数值的最大值。

可选的，在获取用电负荷曲线后，还可以先判断所述用电负荷曲线是否存在聚类趋势，即判断获取的用电负荷曲线是否为随机的，是否具有聚类结果。若获取的用电负荷曲线不具有聚类趋势，则说明获取的用电负荷曲线不可聚类，将无法进行后续操作，操作结束；若获取的用电负荷曲线具有聚类趋势，则说明获取的用电负荷曲线可聚类，可进行后续操作，此时，再确定获取用电负荷曲线的所有可能聚类类别数，进行后续操作。

可选的，也可以通过在确定所有可能聚类类别数后，判断该所有可能聚类类别数是否为零，若为零，则也说明获取的用电负荷曲线不可聚类，将无法进行后续操作；若不为零，则说明获取的用电负荷曲线可聚类，可进行后续操作，此时，再确定获取用电负荷曲线的所有可能聚类类别数，进行后续操作。

步骤S110：将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；

将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，将分别得到一个聚类结果。例如，若获取的用电负荷曲线的所有可能聚类类别数为3、4和5，那么，分别将3作为模糊C-均值聚类算法的聚类类别数，将4作为模糊C-均值聚类算法的聚类类别数和将5作为模糊C-均值聚类算法的聚类类别数后，都将得到一个聚类结果，即三个聚类结果。

其中，其中通过模块C-均在聚类算法对获取的用电负荷曲线进行聚类，即是指，在获取的用户负荷曲线内，将其中具有相似负荷波动特性的用户负荷曲线归为一类。而使用模块C-均在聚类算法具有运算速度较块的优点。

可选的，可以通过设定迭代次数k数值为0，通过隶属度计算公式得到模糊划分矩阵U^(k)，通过聚类中心计算公式得到聚类中心矩阵V^(k)，计算第j条用电负荷曲线到第i个聚类中心的距离d_ij，然后将迭代次数k赋值为k+1，载计算U^(k)和V^(k)，直至||V^(k)-V^(k-1)||≤ε,k≥1，其中，ε为预置的允许误差来对获取的用电负荷曲线进行聚类处理。

步骤S120：利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。

利用预定的有效性指标对所有得到的聚类结果进行评估后，将得到的评估结果进行比对，可以得到在所有聚类结果中选出一个最佳聚类结果，而根据该最佳聚类结果得到用电负荷曲线的所有负荷形态，将会是最接近真实负荷形态的负荷形态，提高了用电负荷曲线聚类结果的应用性和提取的负荷形态准确性。

可选的，使用的有效性指标可以为包括划分系数PC、划分熵PE或改进的划分系数MPC。这三个有效性指标都仅仅与模糊隶属度有关，而与数据的几何结构没有紧密的联系。

可选的，划分系数PC的计算公式可以为：

$V_{\mathrm{PC}}=\frac{1}{n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^2$

其中，n为用电负荷曲线的数目；c为聚类类别数；u_ij为第j条用电负荷曲线属于第i类的隶属度值。

V_PC的取值范围为[1/c，1]，V_PC的数值越接近于1，则说明聚类的越明显，聚类效果越好；反之，V_PC的数值越接近于1/c，则说明聚类的越模糊，聚类效果越差。例如，若获取的用电负荷曲线的所有可能聚类类别数为3、4和5，那么，将3、4和5分别作为模糊C-均值聚类算法的聚类类别数，分别得到一个聚类结果后，计算得到将3作为聚类类别数时，V_PC的值为0.7，将4作为聚类类别数时，V_PC的值为0.8，将5作为聚类类别数时，V_PC的值为0.6，那么，则可以确定，将4作为模糊C-均值聚类算法的聚类类别数时得到的聚类结果为最佳聚类结果，同时可以确定，4为最佳聚类类别数。

得到最佳聚类结果

可选的，划分熵PE的计算公式可以为：

$V_{\mathrm{PE}}=-\frac{1}{n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^2\log u_{\mathrm{ij}}$

其中，n为用电负荷曲线的数目；c为聚类类别数；u_ij为第j条用电负荷曲线属于第i类的隶属度值。

其中，V_PE和V_PC之间具有如下关系：0≤1-V_PC≤V_PE。PC和PE都对c有单调变化的趋势，其中，V_PC随着c的增加而单挑下降。

可选的，改进的划分系数MPC的计算公式可以为：

$V_{\mathrm{MPC}}=1-\frac{c}{c-1}(1-V_{\mathrm{PC}})$

其中，c为聚类类别数。

改进的划分系数MPC对c没有单调变化的趋势。

可选的，使用的有效性指标可以为Fukuyama和Sugeon提出的有效性函数V_FS、Xie和Beni提出的有效性函数V_XB、Gath和Geve提出的模糊超体积有效性函数V_FHV、PBM-指标的有效性指标V_PBMF和Wu和Yang提出的有效性函数V_PCAES。这些有效性指标均同时考虑到模糊隶属度和数据结构。

可选的，可以通过确定所述最佳聚类结果中每个聚类类别内包含的用电负荷曲线，根据所述每个聚类类别内所有用电负荷曲线的曲线特点，分别提取到一条类别典型负荷曲线，判断所述类别典型负荷曲线的负荷形态，将所述负荷形态作为所述类别典型负荷区域性相对应的聚类类别的负荷形态来得到负荷需求的所有负荷形态。

基于上述技术方案，本发明实施例提供一种负荷形态获取方法和***，其中，方法包括：获取用电负荷曲线，确定所有可能聚类类别数；将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。由于实际中用电负荷曲线最佳的聚类数目通常都是未知，因此，在获取用电负荷曲线后，需要先根据获取的负荷曲线特点、经验或是历史数据确定所有可能的聚类类别数，而在根据每个聚类类别数分别得到一个聚类结果后，利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，其中，该最佳聚类结果所对应的聚类类别数即为用电负荷曲线的最佳聚类类别数，也可以说是，在本发明实施例提供的负荷形态获取方法，通过有效性指标，在众多可能的聚类类别数中找到了最佳聚类类别数所对应得到的最佳聚类结果，而后通过得到的最佳聚类结果得到所有用电负荷曲线的所有负荷形态，提高了用电负荷曲线聚类结果的应用性和提取的负荷形态准确性。

可选的，图2示出了本发明实施例提供的负荷形态获取方法中获取用电负荷曲线的方法流程图，参照图2，该获取用电负荷曲线的方法可以包括：

步骤S200：获取用户预定天数的用电负荷信息；

可选的，可以从智能表中获取用户预订天数的用电负荷信息。

其中，用电负荷信息为用户全天内所有用电信息采集点出采集到的用电数据。可选的，可以选择每隔15分钟就行一次用电数据的采集，全天共采集96次，即包括96个用电信息采集点。

步骤S210：计算所述用电负荷信息在所述预定天数内的平均值，得到所述用户的平均用电负荷信息；

若获取用户某三天的用电负荷信息，且每隔15分钟就行一次用电数据的采集，全天96个用电信息采集点，那么，计算用电负荷信息在所述预定天数内的平均值，即为，取该三天在第某个用电信息采集点处，采集到的用电负荷信息，计算该三个用电负荷信息的平均值。例如，14、15、和16号在用电信息采集点8点的用电负荷信息分别为100kw，90kw和80kw，那么，在8点，计算得到的平均用电负荷信息为90kw。

步骤S220：根据所述用户的平均用电负荷信息得到所述用户的用电负荷曲线。

可选的，根据所述用户的平均用电负荷信息，可以通过描点法来绘制得到用户的用电负荷曲线。

对单一用户而言，单独一天的负荷形态容易受到多种特殊因素而发生较大的改变，尤其是当用户受限电等情况影响时，负荷形态得改变尤为明显。通过获取用户的预定天数的用电负荷信息，计算该用电负荷信息在所述预定天数内的平均值，得到该用户的平均用电负荷信息，然后根据该用户的平均用电负荷信息得到所述用户的用电负荷曲线，可以很好地解决这一问题，剔除一些异常用电行为，提取到更加能代表用户正常用电形态的负荷曲线。

其中，需要注意的是，在步骤S210中，获取用户预定天数的用电负荷信息，该预定天数也可以为1天。当能够确定某一天的用电负荷信息为用户正常用电形态的负荷曲线时，可以只获取该天的用电负荷信息，如此也不会影响负荷曲线形态的提取。

可选的，图3示出了本发明实施例提供的负荷形态获取方法中对用电负荷曲线进行聚类处理的方法流程图，参照图3，该对用电负荷曲线进行聚类处理的方法可以包括：

步骤S300：设定迭代次数k数值为0；

模糊C均值算法(FCM)是由Dunn提出经由Bezdek发展起来的一种模糊聚类算法，该算法通过最小化基于某种范数和聚类原型的目标函数来将没有标签的数据进行分类。

FCM算法可描述如下：

$\begin{array}{cc}\mathrm{Min}& J_{\mathrm{fcm}}(U,V)\end{array}=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2;$

$\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=\mathrm{1,1}\≤j\≤n;$

$\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}>\mathrm{0,1}\≤i\≤0;$

u_ij≥0,1≤i≤c,1≤j≤n；

其中，n为用电负荷曲线的数目；m为模糊指数，m>1；c为聚类类别数；U为模糊划分矩阵，U＝u_ij是一个c×n的模糊划分矩阵；V为聚类中心矩阵，V＝[v₁,v₂,…，v_c]是由c个聚类中心向量构成的s×c的矩阵；u_ij为第j条用电负荷曲线属于第i类的隶属度值；d_ij为第j条用电负荷曲线到第i个聚类中心的距离，d_ij＝||x_j-v_i||。也就是说，FCM是一个关于自变量(U，V)的约束优化问题。

可选的，第j条用电负荷曲线到第i个聚类中心的距离d_ij的可以为欧式距离，其计算公式可以为：

$d_{\mathrm{ij}}={\left(\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{|x_{\mathrm{ik}}-x_{\mathrm{jk}}|}^2\right)}^{1/2};$

其中，p为向量中包含的元素的数目；x_ik为第i个向量中的第k个元素，x_jk为第j个向量中的第k个元素。

步骤S310：通过隶属度计算公式得到模糊划分矩阵U^(k)；

可选的，隶属度计算公式可以为：

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{1}{\underset{r=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{rj}}}\right)}^{\frac{2}{m-1}}},& I_j=\mathrm{\φ}\\ \frac{1}{\left|I_j\right|},& I_j\≠\mathrm{\φ},i\∈I_j\\ 0,& I_j\≠\mathrm{\φ},i\∈I_j\end{array}\right.;$

其中，I_j＝{(i,j)|x_j＝v_i,1≤i≤c}；

其中，v_i为第i类聚类中心，x_j为第j条用电负荷曲线。

在步骤S310中，k被赋值为0，那么计算的U^(k)即U⁽⁰⁾

步骤S320：通过聚类中心计算公式得到聚类中心矩阵V^(k)；

可选的，聚类中心计算公式可以为：

$v_j=\left[\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}\right],i=\mathrm{1,2},...,c;$

可选的，可以通过利用极值点的KT必要条件来得到聚类中心计算公式。

在步骤S310中，k被赋值为0，那么计算的V^(k)即V⁽⁰⁾

步骤S330：将迭代次数k赋值为k+1，计算U^(k)和V^(k)；直至||V^(k)-V^(k-1)||≤ε,k≥1；其中，ε为预置的允许误差。

在步骤S310中，k被赋值为0，那么将k赋值为k+1后，k的值将变为1，即k＝0+1＝1，之后计算U⁽¹⁾和V⁽¹⁾，判断||V⁽¹⁾-V⁽⁰⁾||是否小于或等于预设的允许误差。若||V⁽¹⁾-V⁽⁰⁾||不大于预设的允许误差，那么则计算结束，将U⁽¹⁾和V⁽¹⁾作为最后获取的结果，根据U⁽¹⁾和V⁽¹⁾对获取的用电负荷曲线进行分类。

若||V⁽¹⁾-V⁽⁰⁾||大于预设的允许误差，那么则将k赋值为2，计算U⁽²⁾和V⁽²⁾，判断若||V⁽²⁾-V⁽¹⁾||是否小于或等于预设的允许误差，若是，则将U⁽²⁾和V⁽²⁾作为最后获取的结果，根据U⁽²⁾和V⁽²⁾对获取的用电负荷曲线进行分类，若不是，则在继续将k赋值为3，以此类推，直至最后||V^(k)-V^(k-1)||≤ε成立，得到U^(k)和V^(k)，根据U^(k)和V^(k)对获取的用电负荷曲线进行分类。

可选的，图4示出了本发明实施例提供的负荷形态获取方法中根据最佳聚类结果得到负荷曲线的所有负荷形态的方法流程图，参照图4，该根据最佳聚类结果得到负荷曲线的所有负荷形态的方法可以包括：

步骤S400：确定所述最佳聚类结果中每个聚类类别内包含的用电负荷曲线；

对获取的用电负荷曲线进行聚类后，每个聚类类别都包含有至少一条用电负荷曲线，因此，在根据最佳聚类结果得到负荷曲线的所有负荷形态时，需要先确定每个类别内包含的所有用电负荷曲线。

步骤S410：根据所述每个聚类类别内所有用电负荷曲线的曲线特点，分别提取到一条类别典型负荷曲线；

在对获取的用电负荷曲线进行聚类后，同一个聚类类别内的负荷曲线将具有相同的负荷形态，即，同一个聚类类别内的所有负荷曲线将会高度重合，因此，可以根据同一聚类类别内负荷曲线的高度重合性来分别提取得到每个聚类类别内的典型负荷曲线。

步骤S420：判断所述类别典型负荷曲线的负荷形态，将所述负荷形态作为所述聚类类别相对应的聚类类别的负荷形态。

在提取到每个聚类类别的典型负荷曲线后，便可以通过该典型负荷曲线特点来判断该典型负荷曲线的负荷形态，将该负荷形态作为该聚类类别相对应的聚类类别的负荷形态。例如，若将3作为模糊C-均值聚类算法的聚类类别数时得到的聚类结果为最佳聚类结果，得到3类负荷曲线提取出的典型负荷曲线分别为单峰型、双峰型和峰平型，那么，则认为，获取的用电负荷曲线的所有负荷形态为单峰型、双峰型和峰平型。

本发明实施例提供的负荷形态获取方法，通过有效性指标，在众多可能的聚类类别数中找到了最佳聚类类别数所对应得到的最佳聚类结果，而后通过得到的最佳聚类结果得到所有用电负荷曲线的所有负荷形态，提高了用电负荷曲线聚类结果的应用性和提取的负荷形态准确性。

下面对本发明实施例提供的负荷形态分析***进行介绍，下文描述的负荷形态分析***与上文描述的负荷形态分析方法可相互对应参照。

图5为本发明实施例提供的负荷形态分析***的***框图，参照图5，该负荷形态分析***可以包括：获取模块100、聚类模块200和评估模块300；其中，

获取模块100，用于获取用电负荷曲线，确定所有可能聚类类别数；

聚类模块200，用于将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；

评估模块300，用于利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。

可选的，图6示出了本发明实施例提供的负荷形态分析***中获取模块100的结构框图，参照图6，该获取模块100可以包括：数据获取单元110、数据计算单元120和曲线获取单元130；其中，

数据获取单元110，用于获取用户预定天数的用电负荷信息；

数据计算单元120，用于计算所述用电负荷信息在所述预定天数内的平均值，得到所述用户的平均负荷用电信息；

曲线获取单元130，用于根据所述用户的平均用电信息得到所述用户的用电负荷曲线。

可选的，图7示出了本发明实施例提供的负荷形态分析***中聚类模块200的结构框图，参照图7，该聚类模块200可以包括：计数单元210、模糊划分矩阵计算单元220、聚类中心矩阵计算单元230和判断单元240；其中，

计数单元210，用于设定迭代次数k数值为0，和将迭代次数k赋值为k+1；

模糊划分矩阵单元220，用于通过隶属度计算公式得到模糊划分矩阵U^(k)，

其中，隶属度计算公式为：

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{1}{\underset{r=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{rj}}}\right)}^{\frac{2}{m-1}}},& I_j=\mathrm{\φ}\\ \frac{1}{\left|I_j\right|},& I_j\≠\mathrm{\φ},i\∈I_j\\ 0,& I_j\≠\mathrm{\φ},i\∈I_j\end{array}\right.;$

聚类中心矩阵计算单元220，用于通过聚类中心计算公式得到聚类中心矩阵V^(k)，

其中，聚类中心计算公式为：

$v_j=\left[\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}\right],i=\mathrm{1,2},...,c;$

其中，I_j＝{(i,j)|x_j＝v_i,1≤i≤c}；d_ij＝||x_j-v_i||；

其中，n为用电负荷曲线的数目；m为模糊指数；c为聚类类别数；u_ij为第j条用电负荷曲线属于第i类的隶属度值；v_i为第i类聚类中心，x_j为第j条用电负荷曲线，d_ij为第j条用电负荷曲线到第i个聚类中心的距离；

判断单元240，用于判断||V^(k)-V^(k-1)||≤ε,k≥1是否成立，若成立，则根据U^(k)和V^(k)对获取的用电负荷曲线进行分类；其中，ε为预设的允许误差。

本发明实施例提供的负荷形态获取***，通过有效性指标，在众多可能的聚类类别数中找到了最佳聚类类别数所对应得到的最佳聚类结果，而后通过得到的最佳聚类结果得到所有用电负荷曲线的所有负荷形态，提高了用电负荷曲线聚类结果的应用性和提取的负荷形态准确性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种负荷形态提取方法，其特征在于，包括：

获取用电负荷曲线，确定所有可能聚类类别数；

将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；

利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。

2.根据权利要求1所述的负荷形态获取方法，其特征在于，所述获取用电负荷曲线包括：

获取用户预定天数的用电负荷信息；

计算所述用电负荷信息在所述预定天数内的平均值，得到所述用户的平均用电负荷信息；

根据所述用户的平均用电负荷信息得到所述用户的用电负荷曲线。

3.根据权利要求1所述的负荷形态获取方法，其特征在于，所述用电负荷曲线为经过归一化处理的用电负荷曲线。

4.根据权利要求1所述的负荷形态获取方法，其特征在于，所述获取用电负荷曲线后还包括：

判断所述用电负荷曲线是否存在聚类趋势；

若存在，则确定所述存在聚类趋势的用电负荷曲线的所有可能聚类类别数。

5.根据权利要求1所述的负荷形态获取方法，其特征在于，所述对所述用电负荷曲线进行聚类处理包括：

设定迭代次数k数值为0；

通过隶属度计算公式得到模糊划分矩阵U^(k)，

其中，隶属度计算公式为：

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{1}{\underset{r=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{rj}}}\right)}^{\frac{2}{m-1}}},& I_j=\mathrm{\φ}\\ \frac{1}{\left|I_j\right|},& I_j\≠\mathrm{\φ},i\∈I_j\\ 0,& I_j\≠\mathrm{\φ},i\∉I_j\end{array}\right.;$

通过聚类中心计算公式得到聚类中心矩阵V^(k)，

其中，聚类中心计算公式为：

$v_i=\left[\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}\right],i=\mathrm{1,2},\·\·\·,c;$

其中，I_j＝{(i,j)|x_j＝v_i,1≤i≤c}；d_ij＝‖x_j-v_i‖；

其中，n为用电负荷曲线的数目；m为模糊指数；c为聚类类别数；u_ij为第j条用电负荷曲线属于第i类的隶属度值；v_i为第i类聚类中心，x_j为第j条用电负荷曲线，d_ij为第j条用电负荷曲线到第i个聚类中心的距离；

将迭代次数k赋值为k+1，计算U^(k)和V^(k)，直至‖V^(k)-V^(k-1)‖≤ε,k≥1，根据U^(k)和V^(k)对获取的用电负荷曲线进行分类；其中，ε为预设的允许误差。

6.根据权利要求1所述的负荷形态获取方法，其特征在于，所述有效性指标为：划分系数PC、划分熵PE或改进的划分系数MPC。

7.根据权利要求1所述的负荷形态获取方法，其特征在于，所述根据所述最佳聚类结果得到所述负荷曲线的所有负荷形态包括：

确定所述最佳聚类结果中每个聚类类别内包含的用电负荷曲线；

根据所述每个聚类类别内所有用电负荷曲线的曲线特点，分别提取到一条类别典型负荷曲线；

判断所述类别典型负荷曲线的负荷形态，将所述负荷形态作为所述聚类类别相对应的聚类类别的负荷形态。

8.一种负荷形态分析***，其特征在于，包括：获取模块、聚类模块和评估模块；其中，

所述获取模块，用于获取用电负荷曲线，确定所有可能聚类类别数；

所述聚类模块，用于将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果；

所述评估模块，用于利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，根据所述最佳聚类结果得到所述用电负荷曲线的所有负荷形态。

9.根据权利要求8所述的负荷形态分析***，其特征在于，所述获取模块包括：数据获取单元、数据计算单元和曲线获取单元；其中，

所述数据获取单元，用于获取用户预定天数的用电负荷信息；

所述数据计算单元，用于计算所述用电负荷信息在所述预定天数内的平均值，得到所述用户的平均负荷用电信息；

所述曲线获取单元，用于根据所述用户的平均用电信息得到所述用户的用电负荷曲线。

10.根据权利要求8所述的负荷形态分析***，其特征在于，所述聚类模块包括：计数单元、模糊划分矩阵计算单元、聚类中心矩阵计算单元和判断单元；其中，

所述计数单元，用于设定迭代次数k数值为0，和将迭代次数k赋值为k+1；

所述模糊划分矩阵单元，用于通过隶属度计算公式得到模糊划分矩阵U^(k)，

其中，隶属度计算公式为：

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{1}{\underset{r=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{rj}}}\right)}^{\frac{2}{m-1}}},& I_j=\mathrm{\φ}\\ \frac{1}{\left|I_j\right|},& I_j\≠\mathrm{\φ},i\∈I_j\\ 0,& I_j\≠\mathrm{\φ},i\∉I_j\end{array}\right.;$

所述聚类中心矩阵计算单元，用于通过聚类中心计算公式得到聚类中心矩阵V^(k)，

其中，聚类中心计算公式为：

$v_i=\left[\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}\right],i=\mathrm{1,2},\·\·\·,c;$

其中，I_j＝{(i,j)|x_j＝v_i,1≤i≤c}；d_ij＝‖x_j-v_i‖；

其中，n为用电负荷曲线的数目；m为模糊指数；c为聚类类别数；u_ij为第j条用电负荷曲线属于第i类的隶属度值；v_i为第i类聚类中心，x_j为第j条用电负荷曲线，d_ij为第j条用电负荷曲线到第i个聚类中心的距离；

所述判断单元，用于判断‖V^(k)-V^(k-1)‖≤ε,k≥1是否成立，若成立，则根据U^(k)和V^(k)对获取的用电负荷曲线进行分类；其中，ε为预设的允许误差。