CN106022959A - 一种面向削峰填谷的用电行为分析方法及*** - Google Patents
一种面向削峰填谷的用电行为分析方法及*** Download PDFInfo
- Publication number
- CN106022959A CN106022959A CN201610335190.1A CN201610335190A CN106022959A CN 106022959 A CN106022959 A CN 106022959A CN 201610335190 A CN201610335190 A CN 201610335190A CN 106022959 A CN106022959 A CN 106022959A
- Authority
- CN
- China
- Prior art keywords
- date
- load
- under
- user
- peak
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 108
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 65
- 241001269238 Data Species 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 47
- 230000006870 function Effects 0.000 description 67
- 239000000284 extract Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000011524 similarity measure Methods 0.000 description 8
- 238000007476 Maximum Likelihood Methods 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 6
- 238000009472 formulation Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004454 trace mineral analysis Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 208000024780 Urticaria Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 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
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (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)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向削峰填谷的用电行为分析方法,包括:对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。本发明能够对海量数据下的用户用电行为进行分析,进而提高用户行为定位的准确度,为更有效的开展客户服务、提高客户满意度、降低运营风险提供决策参考。本发明还公开了一种面向削峰填谷的用电行为分析***。
Description
技术领域
本发明涉及用电分析技术领域,尤其涉及一种面向削峰填谷的用电行为分析方法及***。
背景技术
随着用电采集***的深化应用、客户基础信息的不断完善,数据类型越来越多,数据的精细化程度越来越高,电力信息数据呈现***式增长趋势,电力行业的大数据时代已经到来。目前这些数据主要应用于电力公司内部营销业务辅助决策,海量用电信息的数据价值还没有充分的挖掘和体现。
目前对于用电行为分析,大多直接采用以下方法:
专家经验法。一种专家分析方式,靠征求、汇集多位专家的意见进行用电行为分析。这种方式能充分发挥专家个人的知识、经验和特长方面的优势。专家经验法是一种简单易行、应用方便的方法,但也存在明显的缺点和不足:受人的主观因素影响比较大,如专家的专业水平和权威性等,都可能影响分析结论的准确程度。
统计分析法。统计分析是基于统计理论,是应用数学的一个分支,在统计理论里,以概率论建立随机性和不确定性的数据模型。统计分析可以为大型数据集提供两种服务:描述和推断。描述性的统计分析可以概括或描写数据的集合,而推断性统计分析可以用来绘制推论过程。但是,统计分析法,依赖于大量的家电设备自身的信息,采集这些数据难度较大,不符合目前的现状。
无监督学习法。利用一组类别未知的样本调整分类器的参数,使其达到所要求性能的过程,也称为无监督训练或无监督学习,如聚类。利用各类用电行为数据,从用电行为上将相似的用户聚类,并对每类用户的行为模式进行识别与分析,提取模式特征。无监督学习,在传统数据量下具备一定指导价值,但在海量数据下算法运行的性能得不到保障。
综上所述,传统的方法在于方式上过于简单,可在一定程度上对用电行为进行分析,但在海量数据情况下应用效果不是很理想。
发明内容
本发明提供了一种面向削峰填谷的用电行为分析方法,能够对海量数据下的用户用电行为进行分析,进而提高用户行为定位的准确度,为更有效的开展客户服务、提高客户满意度、降低运营风险提供决策参考。
本发明提供了一种面向削峰填谷的用电行为分析方法,包括:
对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;
对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。
优选地,所述方法还包括:
基于动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系,获得所述未来目标日期的主网和用户可能的负荷曲线特征。
优选地,所述对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果包括:
对每个群体Di(i=1,…,k)所包含的日期下的所有非居民用户逐点负荷数据进行并行硬聚类算法,获得非居民在不同日期群Di下的分群结果Dij(j=1,…,m);
相应的,所述对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象为:
对比主网日期群Di的负荷特征和非居民用户在日期群Di下的分群结果Dij的负荷特征,获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。
优选地,所述对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果包括:
对每个群体Di(i=1,…,k)所包含的日期下的所有居民用户逐点负荷数据进行并行硬聚类算法,获得居民在不同日期群Di下的分群结果Dix(x=1,…,y);
相应的,所述对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象为:
对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特征,获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象。
优选地,所述基于动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系,获得所述未来目标日期的主网和用户可能的负荷曲线特征包括:
将历史时期分为节假日、周末和工作日三日期集合;
判断待测日是否为节假日,若是,则直接用历史同一节假日所归属的群体进行用电行为分析,若否,则:
根据温度利用动态时间规整方法,分别在历史周末集合和工作日集合中寻找历史相似日。
一种面向削峰填谷的用电行为分析***,包括:
第一获取模块,用于对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
第二获取模块,用于对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;
第三获取模块,用于对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。
优选地,所述***还包括:
第四获取模块,用于基于动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系,获得所述未来目标日期的主网和用户可能的负荷曲线特征。
优选地,所述第二获取模块包括:
第一硬聚类算法模块,用于对每个群体Di(i=1,…,k)所包含的日期下的所有非居民用户逐点负荷数据进行并行硬聚类算法,获得非居民在不同日期群Di下的分群结果Dij(j=1,…,m);
相应的,第三获取模块,用于对比主网日期群Di的负荷特征和非居民用户在日期群Di下的分群结果Dij的负荷特征,获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。
优选地,所述第二获取模块包括:
第二硬聚类算法模块,用于对每个群体Di(i=1,…,k)所包含的日期下的所有居民用户逐点负荷数据进行并行硬聚类算法,获得居民在不同日期群Di下的分群结果Dix(x=1,…,y);
相应的,第三获取模块,用于对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特征,获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象。
优选地,所述第四获取模块包括:
划分模块,用于将历史时期分为节假日、周末和工作日三日期集合;
判断单元,用于判断待测日是否为节假日;
查找单元,用于当判断单元判断待测日为非节假日时,根据温度利用动态时间规整方法,分别在历史周末集合和工作日集合中寻找历史相似日。
由上述方案可知,本发明提供的一种面向削峰填谷的用电行为分析方法,通过对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果,并对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果,对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行为的分析,提高了用户行为定位的准确度,为更有效的开展客户服务、提高客户满意度、降低运营风险提供了决策参考。
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他的附图。
图1为本发明实施例一公开的一种面向削峰填谷的用电行为分析方法的流程图;
图2为本发明实施例二公开的一种面向削峰填谷的用电行为分析方法的流程图;
图3为本发明实施例三公开的一种面向削峰填谷的用电行为分析方法的流程图;
图4为本发明实施例一公开的一种面向削峰填谷的用电行为分析***的结构示意图;
图5为本发明实施例二公开的一种面向削峰填谷的用电行为分析***的结构示意图;
图6为本发明实施例三公开的一种面向削峰填谷的用电行为分析***的结构示意图。
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。
如图1所示,为本发明实施例一公开的一种面向削峰填谷的用电行为分析方法,包括:
S101、对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
当需要对用户的用电行为进行分析时,从用电信息采集***、调度自动化***中获取用户用电负荷及区域主网负荷的相关数据,根据某区域历史时期内的主网每日的逐点负荷数据,对日期进行EM聚类(ExpectationMaximization Algorithm,最大期望算法),实现负荷在不同日期的分群结果。EM聚类(Expectation Maximization Algorithm,最大期望算法),是一种迭代算法,用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。EM聚类主要是两个步骤:E步骤,最大期望判别所属分布和M步骤,极大似然估计概率参数通过交替使用这两个步骤,EM聚类逐步改进模型的参数,使参数和训练样本的似然概率逐渐增大,最后终止于一个极大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似然估计,在EM聚类算法中,隐变量就是数据项所属的类。
根据EM算法的运行原理,将主网历史负荷曲线分成D1,…,Dk等k个群体,每个群体内的日期具备相似的负荷曲线特征,而不同群体之间的日期的逐点负荷存在比较大的差异。通过分群,可以获得主网在不同时期负荷的不同特征。
S102、对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;
对于每个日期群体Di(i=1,…,k)下的日期,提取这些日期下的用户的负荷数据,用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法可以得到Di(i=1,…,k)下的用户的负荷曲线特征。
K-Means:是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量的最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
基于Map-Reduce下的并行K-Means包括3个阶段,即INITIALSTAGE、MAP STAGE、REDUCE STAGE。
INITIAL STAGE:首先确定聚类个数n,然后随机生成n个中心点,同时将原始数据集分成若干个数据块。
MAP STAGE:将每一个数据子集对应分配给一个map函数,针对每个数据块,map函数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中心点的距离,然后找出与该样本距离最近的中心点,每个样本都被归类到与其距离最近的中心点所属类别。
REDUCE STAGE:归并各数据块归类结果得到完整的聚类结果,重新计算类中心作为下一次迭代的输入,继续进行下一次MAP STAGE迭代直至算法收敛(即类中心不再变化)。
S103、对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。
对比主网负荷曲线特征和非居民/居民的负荷曲线特征,进行削峰填谷模式匹配,得到迎峰型、逆峰型等用电客户类型,进而发现重点错峰用电对象。
综上所述,在上述实施例中,通过对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果,并对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果,对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行为的分析,提高了用户行为定位的准确度,为更有效的开展客户服务、提高客户满意度、降低运营风险提供了决策参考。
如图2所示,为本发明实施例二公开的一种面向削峰填谷的用电行为分析方法,包括:
S201、对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
当需要对用户的用电行为进行分析时,从用电信息采集***、调度自动化***中获取用户用电负荷及区域主网负荷的相关数据,根据某区域历史时期内的主网每日的逐点负荷数据,对日期进行EM聚类(ExpectationMaximization Algorithm,最大期望算法),实现负荷在不同日期的分群结果。EM聚类(Expectation Maximization Algorithm,最大期望算法),是一种迭代算法,用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。EM聚类主要是两个步骤:E步骤,最大期望判别所属分布和M步骤,极大似然估计概率参数通过交替使用这两个步骤,EM聚类逐步改进模型的参数,使参数和训练样本的似然概率逐渐增大,最后终止于一个极大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似然估计,在EM聚类算法中,隐变量就是数据项所属的类。
根据EM算法的运行原理,将主网历史负荷曲线分成D1,…,Dk等k个群体,每个群体内的日期具备相似的负荷曲线特征,而不同群体之间的日期的逐点负荷存在比较大的差异。通过分群,可以获得主网在不同时期负荷的不同特征。
S202、对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;
对于每个日期群体Di(i=1,…,k)下的日期,提取这些日期下的用户的负荷数据,用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法可以得到Di(i=1,…,k)下的用户的负荷曲线特征。
K-Means:是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量的最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
基于Map-Reduce下的并行K-Means包括3个阶段,即INITIALSTAGE、MAP STAGE、REDUCE STAGE。
INITIAL STAGE:首先确定聚类个数n,然后随机生成n个中心点,同时将原始数据集分成若干个数据块。
MAP STAGE:将每一个数据子集对应分配给一个map函数,针对每个数据块,map函数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中心点的距离,然后找出与该样本距离最近的中心点,每个样本都被归类到与其距离最近的中心点所属类别。
REDUCE STAGE:归并各数据块归类结果得到完整的聚类结果,重新计算类中心作为下一次迭代的输入,继续进行下一次MAP STAGE迭代直至算法收敛(即类中心不再变化)。
S203、对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象;
对比主网负荷曲线特征和非居民/居民的负荷曲线特征,进行削峰填谷模式匹配,得到迎峰型、逆峰型等用电客户类型,进而发现重点错峰用电对象。
S204、基于动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系,获得所述未来目标日期的主网和用户可能的负荷曲线特征。
根据动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系。提前获得目标日期的主网和用户可能的负荷曲线特征,提供用户分类及个性化服务、电力生产调度服务、峰谷电价制定、有序用电方案制定、用电服务指导及相关增值服务。
综上所述,在上述实施例中,通过对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果,并对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果,对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行为的分析,提高了用户行为定位的准确度,为更有效的开展客户服务、提高客户满意度、降低运营风险提供了决策参考。同时,根据动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系。能够提前获得目标日期的主网和用户可能的负荷曲线特征,提供用户分类及个性化服务、电力生产调度服务、峰谷电价制定、有序用电方案制定、用电服务指导及相关增值服务。
如图3所示,为本发明实施例三公开的一种面向削峰填谷的用电行为分析方法,包括:
S301、对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
当需要对用户的用电行为进行分析时,从用电信息采集***、调度自动化***中获取用户用电负荷及区域主网负荷的相关数据,根据某区域历史时期内的主网每日的逐点负荷数据,对日期进行EM聚类(ExpectationMaximization Algorithm,最大期望算法),实现负荷在不同日期的分群结果。EM聚类(Expectation Maximization Algorithm,最大期望算法),是一种迭代算法,用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。EM聚类主要是两个步骤:E步骤,最大期望判别所属分布和M步骤,极大似然估计概率参数通过交替使用这两个步骤,EM聚类逐步改进模型的参数,使参数和训练样本的似然概率逐渐增大,最后终止于一个极大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似然估计,在EM聚类算法中,隐变量就是数据项所属的类。
根据EM算法的运行原理,将主网历史负荷曲线分成D1,…,Dk等k个群体,每个群体内的日期具备相似的负荷曲线特征,而不同群体之间的日期的逐点负荷存在比较大的差异。通过分群,可以获得主网在不同时期负荷的不同特征。
S302、对每个群体Di(i=1,…,k)所包含的日期下的所有非居民用户逐点负荷数据进行并行硬聚类算法,获得非居民在不同日期群Di下的分群结果Dij(j=1,…,m);
对于每个日期群体Di(i=1,…,k)下的日期,提取这些日期下的非居民用户的负荷数据,用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法获得非居民在不同日期群Di下的分群结果Dij(j=1,…,m)。
K-Means:是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量的最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
基于Map-Reduce下的并行K-Means包括3个阶段,即INITIALSTAGE、MAP STAGE、REDUCE STAGE。
INITIAL STAGE:首先确定聚类个数n,然后随机生成n个中心点,同时将原始数据集分成若干个数据块。
MAP STAGE:将每一个数据子集对应分配给一个map函数,针对每个数据块,map函数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中心点的距离,然后找出与该样本距离最近的中心点,每个样本都被归类到与其距离最近的中心点所属类别。
REDUCE STAGE:归并各数据块归类结果得到完整的聚类结果,重新计算类中心作为下一次迭代的输入,继续进行下一次MAP STAGE迭代直至算法收敛(即类中心不再变化)。
S303、对比主网日期群Di的负荷特征和非居民用户在日期群Di下的分群结果Dij的负荷特征,获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象;
对比主网日期群Di的负荷特征和非居民用户在Di下的分群结果Dij的负荷特征,获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。根据非居民群体的负荷特征制定有序用电及峰谷电价方案,对非居民各类主体的电力供需特征予以跟踪分析、推送展示、实时预测、及时预警,以进一步实现配电网负荷的削峰填谷和平稳运行,提升电力企业的精细化运营管理和需求侧管理水平。
S304、对每个群体Di(i=1,…,k)所包含的日期下的所有居民用户逐点负荷数据进行并行硬聚类算法,获得居民在不同日期群Di下的分群结果Dix(x=1,…,y);
对于每个日期群体Di(i=1,…,k)下的日期,提取这些日期下的非居民用户的负荷数据,用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法获得非居民在不同日期群Di下的分群结果Dix(x=1,…,y)。
K-Means:是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量的最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
基于Map-Reduce下的并行K-Means包括3个阶段,即INITIALSTAGE、MAP STAGE、REDUCE STAGE。
INITIAL STAGE:首先确定聚类个数n,然后随机生成n个中心点,同时将原始数据集分成若干个数据块。
MAP STAGE:将每一个数据子集对应分配给一个map函数,针对每个数据块,map函数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中心点的距离,然后找出与该样本距离最近的中心点,每个样本都被归类到与其距离最近的中心点所属类别。
REDUCE STAGE:归并各数据块归类结果得到完整的聚类结果,重新计算类中心作为下一次迭代的输入,继续进行下一次MAP STAGE迭代直至算法收敛(即类中心不再变化)。
S305、对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特征,获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象;
对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特征,获得历史上不同日期下居民的削峰填谷模式匹配结果和智能用电的目标对象。根据居民群体的负荷特征对居民用户用电行为予以解析,制定峰谷电价方案,探索指导用户智能用电的需求侧管理模式。
S306、将历史时期分为节假日、周末和工作日三日期集合;
S307、判断待测日是否为节假日,若是,则进入S308,若否,则进入S309:
S308、直接用历史同一节假日所归属的群体进行用电行为分析;
S309、根据温度利用动态时间规整方法,分别在历史周末集合和工作日集合中寻找历史相似日。
动态时间规整方法具体描述如下:
输入:历史年时间段内周末\工作日温度序列Told=(T1,…,Tm),当前年同时间段内且包含待测日的周末\工作日温度序列满足m≥n。
过程:搜索从点出发搜索至可以展开若干条路径,可计算每条路径达到点时的总的积累距离,通过逐点向前寻找就可以求得整条路径,具有最小累积距离者即为规整路径。对于其可达到该格点的只可能是和即选择到这3个格点距离之中最小的路径延伸到达求解两序列匹配时,累计距离最小所对应的规整函数它表示为序列Told上点Ti和Tnew上的点之间的规整路径距离:
其中Dist(i,j)为Told上点Ti和Tnew上的点之间的欧式距离,在本发明中,该距离为Ti和对应日期的温度的差的绝对值。
输出:最小规整距离,以及点和点的匹配关系结果。
这样,每个目标日都可以找到历史中的相似匹配日,从而得到目标日期主网及用电客户可能出现的负荷曲线特征,按照主网特征曲线和用电客户用电特征曲线的削峰填谷模式匹配结果,判断用电客户在该目标日下是否需要错峰用电。如果用电客户的负荷曲线避开了主网的负荷高峰(逆峰型),则该用电客户不是开展错避峰用电措施的对象。如果用电客户的负荷曲线与主网的负荷曲线形状相同(迎峰型)或用电客户的负荷曲线一直处于高峰水平(连续高峰型),则该用电客户是开展错避峰措施的重点客户,可以通过有序用电、峰谷电价等方式引导该客户避开用电高峰,同时需要关注该类客户电气设备安全使用情况。
如图4所示,为本发明实施例一公开的一种面向削峰填谷的用电行为分析***,包括:
第一获取模块401,用于对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
当需要对用户的用电行为进行分析时,从用电信息采集***、调度自动化***中获取用户用电负荷及区域主网负荷的相关数据,根据某区域历史时期内的主网每日的逐点负荷数据,对日期进行EM聚类(ExpectationMaximization Algorithm,最大期望算法),实现负荷在不同日期的分群结果。EM聚类(Expectation Maximization Algorithm,最大期望算法),是一种迭代算法,用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。EM聚类主要是两个步骤:E步骤,最大期望判别所属分布和M步骤,极大似然估计概率参数通过交替使用这两个步骤,EM聚类逐步改进模型的参数,使参数和训练样本的似然概率逐渐增大,最后终止于一个极大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似然估计,在EM聚类算法中,隐变量就是数据项所属的类。
根据EM算法的运行原理,将主网历史负荷曲线分成D1,…,Dk等k个群体,每个群体内的日期具备相似的负荷曲线特征,而不同群体之间的日期的逐点负荷存在比较大的差异。通过分群,可以获得主网在不同时期负荷的不同特征。
第二获取模块402,用于对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;
对于每个日期群体Di(i=1,…,k)下的日期,提取这些日期下的用户的负荷数据,用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法可以得到Di(i=1,…,k)下的用户的负荷曲线特征。
K-Means:是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量的最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
基于Map-Reduce下的并行K-Means包括3个阶段,即INITIALSTAGE、MAP STAGE、REDUCE STAGE。
INITIAL STAGE:首先确定聚类个数n,然后随机生成n个中心点,同时将原始数据集分成若干个数据块。
MAP STAGE:将每一个数据子集对应分配给一个map函数,针对每个数据块,map函数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中心点的距离,然后找出与该样本距离最近的中心点,每个样本都被归类到与其距离最近的中心点所属类别。
REDUCE STAGE:归并各数据块归类结果得到完整的聚类结果,重新计算类中心作为下一次迭代的输入,继续进行下一次MAP STAGE迭代直至算法收敛(即类中心不再变化)。
第三获取模块403,用于对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。
对比主网负荷曲线特征和非居民/居民的负荷曲线特征,进行削峰填谷模式匹配,得到迎峰型、逆峰型等用电客户类型,进而发现重点错峰用电对象。
综上所述,在上述实施例中,通过对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果,并对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果,对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行为的分析,提高了用户行为定位的准确度,为更有效的开展客户服务、提高客户满意度、降低运营风险提供了决策参考。
如图5所示,为本发明实施例二公开的一种面向削峰填谷的用电行为分析***,包括:
第一获取模块501,用于对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
当需要对用户的用电行为进行分析时,从用电信息采集***、调度自动化***中获取用户用电负荷及区域主网负荷的相关数据,根据某区域历史时期内的主网每日的逐点负荷数据,对日期进行EM聚类(ExpectationMaximization Algorithm,最大期望算法),实现负荷在不同日期的分群结果。EM聚类(Expectation Maximization Algorithm,最大期望算法),是一种迭代算法,用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。EM聚类主要是两个步骤:E步骤,最大期望判别所属分布和M步骤,极大似然估计概率参数通过交替使用这两个步骤,EM聚类逐步改进模型的参数,使参数和训练样本的似然概率逐渐增大,最后终止于一个极大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似然估计,在EM聚类算法中,隐变量就是数据项所属的类。
根据EM算法的运行原理,将主网历史负荷曲线分成D1,…,Dk等k个群体,每个群体内的日期具备相似的负荷曲线特征,而不同群体之间的日期的逐点负荷存在比较大的差异。通过分群,可以获得主网在不同时期负荷的不同特征。
第二获取模块502,用于对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;
对于每个日期群体Di(i=1,…,k)下的日期,提取这些日期下的用户的负荷数据,用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法可以得到Di(i=1,…,k)下的用户的负荷曲线特征。
K-Means:是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量的最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
基于Map-Reduce下的并行K-Means包括3个阶段,即INITIALSTAGE、MAP STAGE、REDUCE STAGE。
INITIAL STAGE:首先确定聚类个数n,然后随机生成n个中心点,同时将原始数据集分成若干个数据块。
MAP STAGE:将每一个数据子集对应分配给一个map函数,针对每个数据块,map函数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中心点的距离,然后找出与该样本距离最近的中心点,每个样本都被归类到与其距离最近的中心点所属类别。
REDUCE STAGE:归并各数据块归类结果得到完整的聚类结果,重新计算类中心作为下一次迭代的输入,继续进行下一次MAP STAGE迭代直至算法收敛(即类中心不再变化)。
第三获取模块503,用于对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象;
对比主网负荷曲线特征和非居民/居民的负荷曲线特征,进行削峰填谷模式匹配,得到迎峰型、逆峰型等用电客户类型,进而发现重点错峰用电对象。
第四获取模块504,用于基于动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系,获得所述未来目标日期的主网和用户可能的负荷曲线特征。
根据动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系。提前获得目标日期的主网和用户可能的负荷曲线特征,提供用户分类及个性化服务、电力生产调度服务、峰谷电价制定、有序用电方案制定、用电服务指导及相关增值服务。
综上所述,在上述实施例中,通过对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果,并对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果,对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行为的分析,提高了用户行为定位的准确度,为更有效的开展客户服务、提高客户满意度、降低运营风险提供了决策参考。同时,根据动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系。能够提前获得目标日期的主网和用户可能的负荷曲线特征,提供用户分类及个性化服务、电力生产调度服务、峰谷电价制定、有序用电方案制定、用电服务指导及相关增值服务。
如图6所示,为本发明实施例三公开的一种面向削峰填谷的用电行为分析***,包括:
第一获取模块601,用于对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
当需要对用户的用电行为进行分析时,从用电信息采集***、调度自动化***中获取用户用电负荷及区域主网负荷的相关数据,根据某区域历史时期内的主网每日的逐点负荷数据,对日期进行EM聚类(ExpectationMaximization Algorithm,最大期望算法),实现负荷在不同日期的分群结果。EM聚类(Expectation Maximization Algorithm,最大期望算法),是一种迭代算法,用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。EM聚类主要是两个步骤:E步骤,最大期望判别所属分布和M步骤,极大似然估计概率参数通过交替使用这两个步骤,EM聚类逐步改进模型的参数,使参数和训练样本的似然概率逐渐增大,最后终止于一个极大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似然估计,在EM聚类算法中,隐变量就是数据项所属的类。
根据EM算法的运行原理,将主网历史负荷曲线分成D1,…,Dk等k个群体,每个群体内的日期具备相似的负荷曲线特征,而不同群体之间的日期的逐点负荷存在比较大的差异。通过分群,可以获得主网在不同时期负荷的不同特征。
第一硬聚类算法模块602,用于对每个群体Di(i=1,…,k)所包含的日期下的所有非居民用户逐点负荷数据进行并行硬聚类算法,获得非居民在不同日期群Di下的分群结果Dij(j=1,…,m);
对于每个日期群体Di(i=1,…,k)下的日期,提取这些日期下的非居民用户的负荷数据,用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法获得非居民在不同日期群Di下的分群结果Dij(j=1,…,m)。
K-Means:是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量的最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
基于Map-Reduce下的并行K-Means包括3个阶段,即INITIALSTAGE、MAP STAGE、REDUCE STAGE。
INITIAL STAGE:首先确定聚类个数n,然后随机生成n个中心点,同时将原始数据集分成若干个数据块。
MAP STAGE:将每一个数据子集对应分配给一个map函数,针对每个数据块,map函数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中心点的距离,然后找出与该样本距离最近的中心点,每个样本都被归类到与其距离最近的中心点所属类别。
REDUCE STAGE:归并各数据块归类结果得到完整的聚类结果,重新计算类中心作为下一次迭代的输入,继续进行下一次MAP STAGE迭代直至算法收敛(即类中心不再变化)。
第三获取模块603,用于对比主网日期群Di的负荷特征和非居民用户在日期群Di下的分群结果Dij的负荷特征,获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象;
对比主网日期群Di的负荷特征和非居民用户在Di下的分群结果Dij的负荷特征,获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。根据非居民群体的负荷特征制定有序用电及峰谷电价方案,对非居民各类主体的电力供需特征予以跟踪分析、推送展示、实时预测、及时预警,以进一步实现配电网负荷的削峰填谷和平稳运行,提升电力企业的精细化运营管理和需求侧管理水平。
第二硬聚类算法模块604,用于对每个群体Di(i=1,…,k)所包含的日期下的所有居民用户逐点负荷数据进行并行硬聚类算法,获得居民在不同日期群Di下的分群结果Dix(x=1,…,y);
对于每个日期群体Di(i=1,…,k)下的日期,提取这些日期下的非居民用户的负荷数据,用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法获得非居民在不同日期群Di下的分群结果Dix(x=1,…,y)。
K-Means:是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量的最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
基于Map-Reduce下的并行K-Means包括3个阶段,即INITIALSTAGE、MAP STAGE、REDUCE STAGE。
INITIAL STAGE:首先确定聚类个数n,然后随机生成n个中心点,同时将原始数据集分成若干个数据块。
MAP STAGE:将每一个数据子集对应分配给一个map函数,针对每个数据块,map函数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中心点的距离,然后找出与该样本距离最近的中心点,每个样本都被归类到与其距离最近的中心点所属类别。
REDUCE STAGE:归并各数据块归类结果得到完整的聚类结果,重新计算类中心作为下一次迭代的输入,继续进行下一次MAP STAGE迭代直至算法收敛(即类中心不再变化)。
第三获取模块603,用于对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特征,获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象;
对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特征,获得历史上不同日期下居民的削峰填谷模式匹配结果和智能用电的目标对象。根据居民群体的负荷特征对居民用户用电行为予以解析,制定峰谷电价方案,探索指导用户智能用电的需求侧管理模式。
划分模块605,用于将历史时期分为节假日、周末和工作日三日期集合;
判断单元606,用于判断待测日是否为节假日;
查找单元607,用于当判断单元606判断待测日为非节假日时,根据温度利用动态时间规整方法,分别在历史周末集合和工作日集合中寻找历史相似日。
动态时间规整方法具体描述如下:
输入:历史年时间段内周末\工作日温度序列Told=(T1,…,Tm),当前年同时间段内且包含待测日的周末\工作日温度序列满足m≥n。
过程:搜索从点出发搜索至可以展开若干条路径,可计算每条路径达到点时的总的积累距离,通过逐点向前寻找就可以求得整条路径,具有最小累积距离者即为规整路径。对于其可达到该格点的只可能是和即选择到这3个格点距离之中最小的路径延伸到达求解两序列匹配时,累计距离最小所对应的规整函数它表示为序列Told上点Ti和Tnew上的点之间的规整路径距离:
其中Dist(i,j)为Told上点Ti和Tnew上的点之间的欧式距离,在本发明中,该距离为Ti和对应日期的温度的差的绝对值。
输出:最小规整距离,以及点和点的匹配关系结果。
这样,每个目标日都可以找到历史中的相似匹配日,从而得到目标日期主网及用电客户可能出现的负荷曲线特征,按照主网特征曲线和用电客户用电特征曲线的削峰填谷模式匹配结果,判断用电客户在该目标日下是否需要错峰用电。如果用电客户的负荷曲线避开了主网的负荷高峰(逆峰型),则该用电客户不是开展错避峰用电措施的对象。如果用电客户的负荷曲线与主网的负荷曲线形状相同(迎峰型)或用电客户的负荷曲线一直处于高峰水平(连续高峰型),则该用电客户是开展错避峰措施的重点客户,可以通过有序用电、峰谷电价等方式引导该客户避开用电高峰,同时需要关注该类客户电气设备安全使用情况。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
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)
1.一种面向削峰填谷的用电行为分析方法,其特征在于,包括:
对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;
对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系,获得所述未来目标日期的主网和用户可能的负荷曲线特征。
3.根据权利要求1所述的方法,其特征在于,所述对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果包括:
对每个群体Di(i=1,…,k)所包含的日期下的所有非居民用户逐点负荷数据进行并行硬聚类算法,获得非居民在不同日期群Di下的分群结果Dij(j=1,…,m);
相应的,所述对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象为:
对比主网日期群Di的负荷特征和非居民用户在日期群Di下的分群结果Dij的负荷特征,获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。
4.根据权利要求1所述的方法,其特征在于,所述对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果包括:
对每个群体Di(i=1,…,k)所包含的日期下的所有居民用户逐点负荷数据进行并行硬聚类算法,获得居民在不同日期群Di下的分群结果Dix(x=1,…,y);
相应的,所述对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象为:
对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特征,获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象。
5.根据权利要求2所述的方法,其特征在于,所述基于动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系,获得所述未来目标日期的主网和用户可能的负荷曲线特征包括:
将历史时期分为节假日、周末和工作日三日期集合;
判断待测日是否为节假日,若是,则直接用历史同一节假日所归属的群体进行用电行为分析,若否,则:
根据温度利用动态时间规整方法,分别在历史周末集合和工作日集合中寻找历史相似日。
6.一种面向削峰填谷的用电行为分析***,其特征在于,包括:
第一获取模块,用于对历史时期内的主网负荷数据利用最大期望算法进行聚类,获取负荷在历史时期内不同日期的分群结果;
第二获取模块,用于对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法,获得用户在不同日期群下的分群结果;
第三获取模块,用于对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征,获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。
7.根据权利要求6所述的***,其特征在于,还包括:
第四获取模块,用于基于动态时间规整方法,分析历史时期内和未来目标日期的相似匹配关系,获得所述未来目标日期的主网和用户可能的负荷曲线特征。
8.根据权利要求6所述的方法,其特征在于,所述第二获取模块包括:
第一硬聚类算法模块,用于对每个群体Di(i=1,…,k)所包含的日期下的所有非居民用户逐点负荷数据进行并行硬聚类算法,获得非居民在不同日期群Di下的分群结果Dij(j=1,…,m);
相应的,第三获取模块,用于对比主网日期群Di的负荷特征和非居民用户在日期群Di下的分群结果Dij的负荷特征,获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。
9.根据权利要求6所述的方法,其特征在于,所述第二获取模块包括:
第二硬聚类算法模块,用于对每个群体Di(i=1,…,k)所包含的日期下的所有居民用户逐点负荷数据进行并行硬聚类算法,获得居民在不同日期群Di下的分群结果Dix(x=1,…,y);
相应的,第三获取模块,用于对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特征,获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象。
10.根据权利要求7所述的方法,其特征在于,所述第四获取模块包括:
划分模块,用于将历史时期分为节假日、周末和工作日三日期集合;
判断单元,用于判断待测日是否为节假日;
查找单元,用于当判断单元判断待测日为非节假日时,根据温度利用动态时间规整方法,分别在历史周末集合和工作日集合中寻找历史相似日。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610335190.1A CN106022959A (zh) | 2016-05-19 | 2016-05-19 | 一种面向削峰填谷的用电行为分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610335190.1A CN106022959A (zh) | 2016-05-19 | 2016-05-19 | 一种面向削峰填谷的用电行为分析方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106022959A true CN106022959A (zh) | 2016-10-12 |
Family
ID=57095393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610335190.1A Pending CN106022959A (zh) | 2016-05-19 | 2016-05-19 | 一种面向削峰填谷的用电行为分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022959A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779295A (zh) * | 2016-11-18 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 供电方案生成方法和*** |
CN107274025A (zh) * | 2017-06-21 | 2017-10-20 | 国网山东省电力公司诸城市供电公司 | 一种实现用电模式智能识别与管理的***和方法 |
CN108460410A (zh) * | 2018-02-08 | 2018-08-28 | 合肥工业大学 | 居民需求侧的用电模式识别方法和***、存储介质 |
CN109948909A (zh) * | 2019-02-26 | 2019-06-28 | 国网山东省电力公司莒县供电公司 | 一种电网数据采集分析方法及*** |
CN112561157A (zh) * | 2020-12-10 | 2021-03-26 | 国网浙江宁海县供电有限公司 | 一种综合能源优化节能*** |
-
2016
- 2016-05-19 CN CN201610335190.1A patent/CN106022959A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779295A (zh) * | 2016-11-18 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 供电方案生成方法和*** |
CN107274025A (zh) * | 2017-06-21 | 2017-10-20 | 国网山东省电力公司诸城市供电公司 | 一种实现用电模式智能识别与管理的***和方法 |
CN107274025B (zh) * | 2017-06-21 | 2020-09-11 | 国网山东省电力公司诸城市供电公司 | 一种实现用电模式智能识别与管理的***和方法 |
CN108460410A (zh) * | 2018-02-08 | 2018-08-28 | 合肥工业大学 | 居民需求侧的用电模式识别方法和***、存储介质 |
CN109948909A (zh) * | 2019-02-26 | 2019-06-28 | 国网山东省电力公司莒县供电公司 | 一种电网数据采集分析方法及*** |
CN112561157A (zh) * | 2020-12-10 | 2021-03-26 | 国网浙江宁海县供电有限公司 | 一种综合能源优化节能*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A case based reasoning approach on supplier selection in petroleum enterprises | |
CN106022959A (zh) | 一种面向削峰填谷的用电行为分析方法及*** | |
CN110298574B (zh) | 一种基于卷积神经网络的用电用户缴费风险评级方法 | |
CN107590688A (zh) | 目标客户的识别方法及终端设备 | |
CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
CN106600146A (zh) | 一种电费回收风险评价方法和装置 | |
Sivaguru et al. | Performance-enhanced rough k-means clustering algorithm | |
CN117291655B (zh) | 基于实体、网络协同映射的消费者生命周期运营分析方法 | |
Li et al. | Solving a type of biobjective bilevel programming problem using NSGA-II | |
Bloch et al. | Smiling at evolution | |
Zheng et al. | An application of machine learning for a smart grid resource allocation problem | |
CN107239853B (zh) | 一种基于云计算的智慧管家***及其工作方法 | |
Wang et al. | Decision‐Making Approach of Two‐Sided Matching of Supply and Demand of Logistics Service Based on the Uncertain Preference Ordinal | |
Dereli et al. | Enhancing technology clustering through heuristics by using patent counts | |
CN114240102A (zh) | 一种线损异常数据识别方法、装置、电子设备及存储介质 | |
Matijaš et al. | Supplier short term load forecasting using support vector regression and exogenous input | |
Fan et al. | Digital Marketing Technology Based on Electricity User Portrait and K-means Clustering Algorithm | |
Patil et al. | Linear Regression Based Demand Forecast Model in Electric Vehicles-LRDF | |
Xing et al. | Research on the credit evaluation model of electricity selling company based on GA-SVM | |
Seo et al. | A Unified Model for Bid Landscape Forecasting in the Mixed Auction Types of Real-Time Bidding | |
Tiwari et al. | A hybrid approach for feature selection | |
CN117638950B (zh) | 用电策略推荐方法、装置、电子设备及存储介质 | |
Muniyal et al. | Risk Prediction in Real Estate Investment to Protect Against Asset Bubbles | |
Zhou et al. | Availability simulation and transfer prediction for bike sharing systems based on discrete event simulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |