CN104850612B - 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法 - Google Patents

一种基于增强凝聚层次聚类的配网用户负荷特征分类方法 Download PDF

Info

Publication number
CN104850612B
CN104850612B CN201510241173.7A CN201510241173A CN104850612B CN 104850612 B CN104850612 B CN 104850612B CN 201510241173 A CN201510241173 A CN 201510241173A CN 104850612 B CN104850612 B CN 104850612B
Authority
CN
China
Prior art keywords
calculating
characteristic quantity
path
daily load
similarity
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
Application number
CN201510241173.7A
Other languages
English (en)
Other versions
CN104850612A (zh
Inventor
刁赢龙
刘科研
孟晓丽
盛万兴
何开元
贾东梨
胡丽娟
叶学顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201510241173.7A priority Critical patent/CN104850612B/zh
Publication of CN104850612A publication Critical patent/CN104850612A/zh
Application granted granted Critical
Publication of CN104850612B publication Critical patent/CN104850612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28Databases characterised by their database models, e.g. relational or object models
    • G06F16/284Relational databases
    • G06F16/285Clustering or classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于增强凝聚层次聚类的配网用户负荷特征分类方法,其特征在于,包括:根据用户的有功功率曲线与无功功率曲线计算日负荷曲线特征量;获取N个用户的日负荷特征量集合
Figure DDA0000716148680000011
及增强阻尼系数γ并计算其所有点间的相似系数矩阵P(X);将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程;获取合并路径集合Sg(s)中相似系数值加权和最小的一组路径;本发明能够通过对特征量进行聚类增强凝聚层次聚类算法,计算每层聚类的所有结果的回报值,选取回报值最大的凝聚合并路径,提高了聚类算法的准确性,避免了层次聚类对初始值敏感、出现延续性错误、结果整体性偏离等缺点,同时采取一定的措施防止奇异值对结果的影响。

Description

一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
技术领域
本发明涉及一种配网用户负荷特征分类方法,具体涉及一种基于增强凝聚层次聚类的配网用户负荷特征分类方法。
背景技术
随着电力市场的完善和电力服务意识的提高,对配电网用户负荷特性进行科学分类及总结用户典型负荷曲线,有利于掌握整个区域内配电网负荷运行规律,合理安排配电网调度,提高负荷预测、需求侧管理、分时电价、调峰填谷等工作的科学性有效性。为配电网安全可靠运行和提高经济社会效益创造条件。
配电网用户负荷***是决定其负荷***均负荷分类不够精细也没有反应出其时序变化特性,不能为配电网提供科学的分析依据。配电网网架复杂多变用户分布点多面广,实时的负荷变化噪音多具有很大的随机性,海量量测数据用人工统计的方法也很难总结其典型。
发明内容
针对现有技术的不足,本发明提供一种基于增强凝聚层次聚类的配网用户负荷特征分类方法,根据营销管理***中计量数据所绘制无功功率负荷曲线与有功功率负荷曲线,获取负荷曲线提取特征量,并对特征量进行聚类增强凝聚层次聚类算法,设定回报函数与转移概率,计算每层聚类的所有结果的回报值,选取回报值最大的凝聚合并路径,提高了聚类算法的准确性,避免了层次聚类对初始值敏感、出现延续性错误、结果整体性偏离等缺点,同时采取一定的措施防止奇异值对结果的影响。
本发明的目的是采用下述技术方案实现的:
一种基于增强凝聚层次聚类的配网用户负荷特征分类方法,其改进之处在于,包括:
根据用户的有功功率曲线与无功功率曲线计算日负荷曲线特征量XT,其中T为时间段窗口;
获取N个用户的日负荷特征量集合
Figure BDA0000716148660000021
及增强阻尼系数γ并计算其所有点间的相似系数矩阵P(X);
将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程;
获取合并路径集合Sg(s)中相似系数值加权和最小的一组路径。
优选的,所述根据用户的有功功率曲线与无功功率曲线计算日负荷曲线特征量XT包括:
将日负荷曲线基于时间段窗口T进行切割,计量数据的采集频率为
Figure BDA00007161486600000219
,则所述时间段窗口T的有功和无功两维特征量
Figure BDA0000716148660000022
为:
Figure BDA0000716148660000023
并计算一天内所有时段窗口的
Figure BDA0000716148660000024
组成所述日负荷曲线特征量XT;其中,t为时间段窗口的个数,Dt为一天的时间。
优选的,所述获取N个用户的日负荷特征量集合
Figure BDA0000716148660000025
及增强阻尼系数γ并计算其所有点间的相似系数矩阵P(X)包括:
计算所述N个用户的日负荷特征量集合
Figure BDA0000716148660000026
所有点间的相似系数
Figure BDA0000716148660000027
其中i、j∈N,并用所述矩阵P(X)表示;
Figure BDA0000716148660000028
其中,
Figure BDA0000716148660000029
Figure BDA00007161486600000210
Figure BDA00007161486600000211
间的曼哈坦距离,其计算公式为:
Figure BDA00007161486600000212
其中,n为
Figure BDA00007161486600000213
Figure BDA00007161486600000214
的维度,
Figure BDA00007161486600000215
Figure BDA00007161486600000216
中第k个对象,
Figure BDA00007161486600000217
Figure BDA00007161486600000218
中第k个对象。
优选的,所述将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程包括:
所述层次聚类的每一次合并过程中都选取M种不同的方案,其中M=sp/N,sp为获取最终聚类结果的合并次数;Sg(s)为合并状态路径集合,包括Msp组状态路径;计算每一组状态路径s的相似系数加权和VM(s)的公式为:
VM(s)=E[R1(P(X))+γR2(P(X))+γ2R3(P(X))+...γsp-1Rsp(P(X))] (4)
其中,γ为增强阻尼系数,P(X)为N个用户的日负荷特征量集合
Figure BDA0000716148660000031
所有点间的相似系数矩阵,Rsp(P(X))表示第sp次合并时,从小到大依次选取所述矩阵P(X)中M个值;
获取所述相似系数加权和VM(s)中最大的相似系数加权和V*(s):
Figure BDA0000716148660000032
进一步的,所述将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程包括:
选择矩阵P(X)中N个用户的日负荷特征量集合
Figure BDA0000716148660000033
所有点间的相似系数
Figure BDA0000716148660000034
中最大的两类合并,即满足
Figure BDA0000716148660000035
i≠j的两类合并;
删除P(X)的第i、j行,第i、j列,同时***新的行和列,新的行列为新合并的类与所有其他聚类之间的相似系数,所述类与其他类间的相似系数等于两类间的平均相似系数。
进一步的,所述将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程还包括:
对V*(s)进行值迭代直到V(s)收敛于V*(s),公式为:
Figure BDA0000716148660000036
其中,R(P(X))表示当前状态下,从小到大依次选取所述矩阵P(X)中M个值;s'为当前路径的上一组路径。
本发明具有的有益效果:
与现有技术相比,本发明提供一种基于增强凝聚层次聚类的配网用户负荷特征分类方法,通过对用户的有功负荷曲线与无功负荷曲线特征量的提取,能够准确反映负荷点的真实变化特点,同时,通过对特征量进行聚类增强凝聚层次聚类算法,能够高效且不因数据噪音过多而影响结果精度,再基于海量配电网量测数据能无监督地总结出配电网典型负荷曲线,把握区域的整体负荷结构,有利于电力部门进行相应调整。
附图说明
图1是本发明提供的一种基于增强凝聚层次聚类的配网用户负荷特征分类方法的方法流程图;
图2是本发明提供的一种基于增强凝聚层次聚类的配网用户负荷特征分类方法的更新P(X)的方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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它实施例,都属于本发明保护的范围。
一种基于增强凝聚层次聚类的配网用户负荷特征分类方法,如图1所示,包括:
101、根据用户的有功功率曲线与无功功率曲线计算日负荷曲线特征量XT,其中T为时间段窗口;
具体的,所述101包括:将日负荷曲线基于时间段窗口T进行切割,计量数据的采集频率为
Figure BDA00007161486600000418
,则所述时间段窗口T的有功和无功两维特征量
Figure BDA0000716148660000041
为:
Figure BDA0000716148660000042
并计算一天内所有时段窗口的
Figure BDA0000716148660000043
组成所述日负荷曲线特征量XT;其中,t为时间段窗口的个数,Dt为一天的时间;该特征量是对日负荷曲线基于时段窗口进行切割,所以聚类过程能充分反映一段时间内负荷随时间而变化的规律。
102、获取N个用户的日负荷特征量集合
Figure BDA0000716148660000044
及增强阻尼系数γ并计算其所有点间的相似系数矩阵P(X);
所述102包括:计算所述N个用户的日负荷特征量集合
Figure BDA0000716148660000045
所有点间的相似系数
Figure BDA0000716148660000046
其中i、j∈N,并用所述矩阵P(X)表示;
Figure BDA0000716148660000047
其中,
Figure BDA0000716148660000048
Figure BDA0000716148660000049
Figure BDA00007161486600000410
间的曼哈坦距离,其计算公式为:
Figure BDA00007161486600000411
其中,n为
Figure BDA00007161486600000412
Figure BDA00007161486600000413
的维度,
Figure BDA00007161486600000414
Figure BDA00007161486600000415
中第k个对象,
Figure BDA00007161486600000416
Figure BDA00007161486600000417
中第k个对象;由于差值没有取平方,所以离群点的作用被消弱。
103、将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程;
进一步的,所述103包括:
所述层次聚类的每一次合并过程中都选取M种不同的方案,其中M=sp/N,sp为获取最终聚类结果的合并次数;Sg(s)为合并状态路径集合,包括Msp组状态路径;计算每一组状态路径s的相似系数加权和VM(s)的公式为:
VM(s)=E[R1(P(X))+γR2(P(X))+γ2R3(P(X))+...γsp-1Rsp(P(X))] (4)
其中,γ为增强阻尼系数,P(X)为N个用户的日负荷特征量集合
Figure BDA0000716148660000051
所有点间的相似系数矩阵,Rsp(P(X))表示第sp次合并时,从小到大依次选取所述矩阵P(X)中M个值;
获取所述相似系数加权和VM(s)中最大的相似系数加权和V*(s):
Figure BDA0000716148660000052
可以看出在整个合并路径中距离当前越近的状态对路径的相似系数加权和影响越大,在聚类的过程中按以下步骤循环更新P(X),如图2所示:
a、选择矩阵P(X)中N个用户的日负荷特征量集合
Figure BDA0000716148660000053
所有点间的相似系数
Figure BDA0000716148660000054
中最大的两类合并,即满足
Figure BDA0000716148660000055
i≠j的两类合并;
b、删除P(X)的第i、j行,第i、j列,同时***新的行和列,新的行列为新合并的类与所有其他聚类之间的相似系数,所述类与其他类间的相似系数等于两类间的平均相似系数。
对V*(s)进行值迭代直到V(s)收敛于V*(s),公式为:
Figure BDA0000716148660000056
其中,R(P(X))表示当前状态下,从小到大依次选取所述矩阵P(X)中M个值;s'为当前路径的上一组路径。
104、获取合并路径集合Sg(s)中相似系数值加权和最小的一组路径。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。

Claims (4)

1.一种基于增强凝聚层次聚类的配网用户负荷特征分类方法,其特征在于,包括:
根据用户的有功功率曲线与无功功率曲线计算日负荷曲线特征量XT,其中T为时间段窗口;
获取N个用户的日负荷特征量集合
Figure FDA0001642992010000011
及增强阻尼系数γ并计算其所有点间的相似系数矩阵P(X);
将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程;
获取合并路径集合Sg(s)中相似系数值加权和最小的一组路径;
所述根据用户的有功功率曲线与无功功率曲线计算日负荷曲线特征量XT包括:
将日负荷曲线基于时间段窗口T进行切割,计量数据的采集频率为
Figure FDA0001642992010000012
则所述时间段窗口T的有功和无功两维特征量
Figure FDA0001642992010000013
为:
Figure FDA0001642992010000014
并计算一天内所有时段窗口的
Figure FDA0001642992010000015
组成所述日负荷曲线特征量XT;其中,t为时间段窗口的个数,Dt为一天的时间;
所述获取N个用户的日负荷特征量集合
Figure FDA0001642992010000016
及增强阻尼系数γ并计算其所有点间的相似系数矩阵P(X)包括:
计算所述N个用户的日负荷特征量集合
Figure FDA0001642992010000017
所有点间的相似系数
Figure FDA0001642992010000018
其中i、j∈N,并用所述矩阵P(X)表示;
Figure FDA0001642992010000019
其中,
Figure FDA00016429920100000110
Figure FDA00016429920100000111
Figure FDA00016429920100000112
间的曼哈坦距离,其计算公式为:
Figure FDA00016429920100000113
其中,n为
Figure FDA00016429920100000114
Figure FDA00016429920100000115
的维度,
Figure FDA00016429920100000116
Figure FDA00016429920100000117
中第k个对象,
Figure FDA00016429920100000118
Figure FDA00016429920100000119
中第k个对象。
2.如权利要求1所述的方法,其特征在于,所述将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程包括:
所述层次聚类的每一次合并过程中都选取M种不同的方案,其中M=sp/N,sp为获取最终聚类结果的合并次数;Sg(s)为合并状态路径集合,包括Msp组状态路径;计算每一组状态路径s的相似系数加权和VM(s)的公式为:
VM(s)=E[R1(P(X))+γR2(P(X))+γ2R3(P(X))+...γsp-1Rsp(P(X))] (4)
其中,γ为增强阻尼系数,P(X)为N个用户的日负荷特征量集合
Figure FDA0001642992010000021
所有点间的相似系数矩阵,Rsp(P(X))表示第sp次合并时,从小到大依次选取所述矩阵P(X)中M个值;
获取所述相似系数加权和VM(s)中最大的相似系数加权和V*(s):
Figure FDA0001642992010000022
3.如权利要求2所述的方法,其特征在于,所述将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程包括:
选择矩阵P(X)中N个用户的日负荷特征量集合
Figure FDA0001642992010000023
所有点间的相似系数
Figure FDA0001642992010000024
中最大的两类合并,即满足
Figure FDA0001642992010000025
的两类合并;
删除P(X)的第i、j行,第i、j列,同时***新的行和列,新的行列为新合并的类与所有其他聚类之间的相似系数,所述类与其他类间的相似系数等于两类间的平均相似系数。
4.如权利要求3所述的方法,其特征在于,所述将每一组合并路径形成合并路径集合Sg(s),并利用值迭代算法计算层次聚类的凝聚过程还包括:
对V*(s)进行值迭代直到V(s)收敛于V*(s),公式为:
Figure FDA0001642992010000026
其中,R(P(X))表示当前状态下,从小到大依次选取所述矩阵P(X)中M个值;s'为当前路径的上一组路径。
CN201510241173.7A 2015-05-13 2015-05-13 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法 Active CN104850612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510241173.7A CN104850612B (zh) 2015-05-13 2015-05-13 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510241173.7A CN104850612B (zh) 2015-05-13 2015-05-13 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法

Publications (2)

Publication Number Publication Date
CN104850612A CN104850612A (zh) 2015-08-19
CN104850612B true CN104850612B (zh) 2020-08-04

Family

ID=53850257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510241173.7A Active CN104850612B (zh) 2015-05-13 2015-05-13 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法

Country Status (1)

Country Link
CN (1) CN104850612B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105489216B (zh) * 2016-01-19 2020-03-03 百度在线网络技术(北京)有限公司 语音合成***的优化方法和装置
CN107403247A (zh) * 2016-05-18 2017-11-28 中国电力科学研究院 基于自适应寻找聚类核心算法的负荷分类聚合分析方法
CN107657542A (zh) * 2016-07-25 2018-02-02 上海交通大学 公变台区用户防窃电的检测跟踪方法
CN109800766A (zh) * 2018-12-11 2019-05-24 湖北工业大学 一种基于凝聚层次树的快速迭代重建方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325071A (zh) * 2013-06-09 2013-09-25 浙江大学 一种基于密度聚类的用户典型负荷曲线的构建方法
CN104200275A (zh) * 2014-06-24 2014-12-10 国家电网公司 基于用户行为特点的用电模式分类和控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325071A (zh) * 2013-06-09 2013-09-25 浙江大学 一种基于密度聚类的用户典型负荷曲线的构建方法
CN104200275A (zh) * 2014-06-24 2014-12-10 国家电网公司 基于用户行为特点的用电模式分类和控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on Text Clustering Algorithm Based on Agglomerative Hierarchical Clustering;Li Xinwu;《第四届全国信息检索与安全内容学术会议论文集(下)》;20081231;348-354 *
基于改进的凝聚性和分离性的层次聚类算法;郭景峰等;《计算机研究与发展》;20081231;202-206 *

Also Published As

Publication number Publication date
CN104850612A (zh) 2015-08-19

Similar Documents

Publication Publication Date Title
Aprillia et al. Statistical load forecasting using optimal quantile regression random forest and risk assessment index
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及***
CN104850612B (zh) 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
CN103049651A (zh) 一种用于电力负荷聚类的方法及装置
CN110264107B (zh) 一种基于大数据技术的台区线损率异常诊断方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN113378954B (zh) 一种基于粒子群改进k均值算法的负荷曲线聚类方法及***
Xu et al. Spatial-temporal load forecasting using AMI data
CN109214458A (zh) 一种基于历史数据的城市负荷量化方法
CN112464059B (zh) 配电网用户分类方法、装置、计算机设备和存储介质
CN109858667A (zh) 一种基于雷电气候对负荷影响的短期负荷聚类方法
CN114676931B (zh) 一种基于数据中台技术的电量预测***
Wu et al. Forecast of short‐term electricity price based on data analysis
CN107704723A (zh) 一种基于斜率关联度的显著变量选择方法
CN110175705B (zh) 一种负荷预测方法及包含该方法的存储器、***
Zhao et al. Spatio-temporal load forecasting considering aggregation features of electricity cells and uncertainties in input variables
CN114722098A (zh) 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法
Tao et al. Load forecasting based on short-term correlation clustering
Chen et al. Data-driven residential customer aggregation based on seasonal behavioral patterns
Grigoras et al. Knowlegde extraction from Smart Meters for consumer classification
Zhou et al. The analysis and prediction of power consumption in industry based on machine learning
CN117291299B (zh) 一种考虑多种影响因素的月度电量预测方法
Lin et al. Load Data Analysis Based on Timestamp-Based Self-Adaptive Evolutionary Clustering
Liu et al. SEGSys: A mapping system for segmentation analysis in energy
Gui et al. Prediction of precipitation based on sliding grey theory and weighted Markov chain

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant