CN108428055B - 一种考虑负荷纵向特性的负荷聚类方法 - Google Patents
一种考虑负荷纵向特性的负荷聚类方法 Download PDFInfo
- Publication number
- CN108428055B CN108428055B CN201810199636.1A CN201810199636A CN108428055B CN 108428055 B CN108428055 B CN 108428055B CN 201810199636 A CN201810199636 A CN 201810199636A CN 108428055 B CN108428055 B CN 108428055B
- Authority
- CN
- China
- Prior art keywords
- load
- user
- day
- value
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000006399 behavior Effects 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 5
- 230000002354 daily effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种考虑负荷纵向特性的负荷聚类方法,包括步骤:1)输入n个用户T天内的负荷数据,对数据进行归一化处理,并修正异常尖峰数据;2)计算每一个用户T天内各个时刻负荷均值和负荷方差;3)构建用户的用电行为向量,向量的每一个元素为一个二维实数对,实数对中第一位表征负荷的横向特性,第二位表征负荷的纵向特性;4)计算两个用户之间的综合距离系数,根据得出的距离矩阵进行聚类。本发明对用户用电行为的表征更加准确和科学,符合实际,提高聚类的合理性,为电力调度和需求侧管理提供更有效的信息。
Description
技术领域
本发明涉及智能电网的技术领域,尤其是指一种考虑负荷纵向特性的负荷聚类方法。
背景技术
随着智能电网的发展,实现对电力用户的合理分类已成为电力负荷预测、需求侧管理、电力市场运营等的重要前提。日负荷曲线描述了电力负荷24小时内随时间的变化情况,反映了电力负荷短时间内的变化趋势,定义为用户用电行为的横向特性。不同日子的日负荷曲线的差异性定义为用电行为的纵向特性。不同用户的纵向波动性差异显著。例如,工业客户的纵向波动率相对较低,居民的纵向波动率较高。
负荷的纵向波动性是指用户在一段时间内(例如1个月)的负荷波动。部分用户的负荷受外界因素的影响较大,波动较大,而部分用户的用电行为相对稳定。另外,同一天内同一客户在不同时刻的负荷波动也不同。
传统负荷聚类方法只考虑负荷的横向特性,未能全面地反映用户的用电行为。因此,需要一种同时考虑负荷横向和纵向特性的聚类方法,实现对电力用户更加准确的分类。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种考虑负荷纵向特性的负荷聚类方法,能够实现对电力用户进行更加准确地分类。
为实现上述目的,本发明所提供的技术方案为:一种考虑负荷纵向特性的负荷聚类方法,包括以下步骤:
1)输入n个用户T天内的负荷数据,对数据进行归一化处理,并修正异常尖峰数据;
2)计算每一个用户T天内各个时刻负荷均值和负荷方差;
3)构建用户的用电行为向量,向量的每一个元素为一个二维实数对,实数对中第一位表征负荷的横向特性,第二位表征负荷的纵向特性;
4)计算两个用户之间的综合距离系数,根据得出的距离矩阵进行聚类。
在步骤1)中,输入配电网中n个电力用户的历史负荷值,历史负荷值包括连续T天的负荷数据,每天采样m个时刻的负荷值;对输入的原始数据进行归一化处理,假设为用户i在第k天的负荷数据,其中表示第i个用户第k天的第m个时刻归一化前的负荷值。
xijk为第i个用户第k天的第j个时刻归一化后的负荷值,具体计算公式如下:
由归一化公式可见,负荷序列的最大负荷值出现异常,即出现异常尖峰,会对归一化后的数据造成影响,恶化分布特性。因此在进行数据归一化之前,须先进行异常尖峰数据的识别和修正。具体识别公式如下:
式中,表示用户i第k日的最大负荷值,和表示最大负荷值相邻两个时刻的负荷值,表示用户i第k日的最大负荷值与相邻两个时刻的负荷值之差的均值,n表示所统计的天数,μi表示第i个用户n个(天)的均值,表示第i个用户n个(天)的方差。若则认为该天最大负荷值异常,对该天最大负荷值作出修正,否则不作处理。具体修正公式如下:
在步骤3)中,构造每个用户的用电行为向量,具体表示如下:
式中,m表示为每天所统计的时刻数,和σim分别表示用户i第m个时刻在所统计的一段时间内(例如:一周或者一个月)的负荷均值和负荷方差,第i个用户第j个时刻负荷的横向和纵向特性分别用步骤2)中计算的一段时间内用户各个时刻的负荷均值和方差σij表示,具体计算公式如下:
在步骤4)中,利用欧氏距离计算两个用户之间的用电行为差异性,具体计算公式如下:
式中,dilj表示用户i和用户l在第j个时刻的综合距离,和σij为T天内用户i在第j个时刻的负荷值的均值和方差,和σlj为T天内用户l在第j个时刻的负荷值的均值和方差,Dil表示用户i和用户l用电行为的距离,m表示每天所统计的时刻数;
根据所计算的两两用户之间的距离值,形成两两比较的距离矩阵,然后根据距离矩阵的信息进行层次聚类,合并距离最小的两个簇,并计算其聚类中心,以此类推,直到只有一个簇剩下。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明突破了传统方法中只考虑负荷横向特性的缺点,本发明同时考虑负荷的横向和纵向特性,重构了用户用电行为的表征方法,更加全面地反映用户的用电行为。
2、本发明减轻了传统负荷聚类方法中数据预处理的数据丢失问题。
3、本发明的聚类结果更加科学合理,负荷实际,提高聚类的准确性。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明所提供的考虑负荷纵向特性的负荷聚类方法,是以负荷一段时间内日负荷曲线的均值表征负荷的横向特性,以多日同一时刻的负荷值方差表征负荷的纵向特性,从负荷的横向特性和纵向特性两方面对一个用户的用电行为做了***的描述。如图1所示,所述考虑负荷纵向特性的负荷聚类方法,包括以下步骤:
步骤1:输入n个用户T天内的负荷数据,对数据进行归一化处理,并修正异常尖峰数据,具体如下:
输入配电网中n个电力用户的历史负荷值,历史负荷值包括连续T天的负荷数据,每天采样m个时刻的负荷值;对输入的原始数据进行归一化处理,假设为用户i在第k天的负荷数据,其中表示第i个用户第k天的第m个时刻归一化前的负荷值。
xijk为第i个用户第k天的第j个时刻归一化后的负荷值,具体计算公式如下:
由归一化公式可见,负荷序列的最大负荷值出现异常,即出现异常尖峰,会对归一化后的数据造成影响,恶化分布特性。因此在进行数据归一化之前,须先进行异常尖峰数据的识别和修正。具体识别公式如下:
式中,表示用户i第k日的最大负荷值,和表示最大负荷值相邻两个时刻的负荷值,表示用户i第k日的最大负荷值与相邻两个时刻的负荷值之差的均值,n表示所统计的天数,μi表示第i个用户n个(天)的均值,表示第i个用户n个(天)的方差。若则认为该天最大负荷值异常,对该天最大负荷值作出修正,否则不作处理。具体修正公式如下:
步骤2:计算每一个用户T天内各个时刻负荷均值和负荷方差。
步骤3:构建用户的用电行为向量,向量的每一个元素为一个二维实数对,实数对中第一位表征负荷的横向特性,第二位表征负荷的纵向特性;其中,构造每个用户的用电行为向量,具体表示如下:
式中,m表示为每天所统计的时刻数,和σim分别表示用户i第m个时刻在所统计的一段时间内(例如:一周或者一个月)的负荷均值和负荷方差,第i个用户第j个时刻负荷的横向和纵向特性分别用步骤2)中计算的一段时间内用户各个时刻的负荷均值和方差σij表示,具体计算公式如下:
步骤4:计算两个用户之间的综合距离系数,根据得出的距离矩阵进行聚类,具体如下:
利用欧氏距离计算两个用户之间的用电行为差异性,具体计算公式如下:
式中,dilj表示用户i和用户l在第j个时刻的综合距离,和σij为T天内用户i在第j个时刻的负荷值的均值和方差,和σlj为T天内用户l在第j个时刻的负荷值的均值和方差,Dil表示用户i和用户l用电行为的距离,m表示每天所统计的时刻数;
根据所计算的两两用户之间的距离值,形成两两比较的距离矩阵,然后根据距离矩阵的信息进行层次聚类,合并距离最小的两个簇,并计算其聚类中心,以此类推,直到只有一个簇剩下。
在本发明实施例中,选取1500个居民用电负荷数据作为研究对象。数据集中包含了1500个居民用户30天的日负荷曲线数据,每15分钟采集一次负荷数据。
按照步骤1进行实施,对1500个用户的30天的负荷数据进行归一化,修正异常尖峰。
其中i=1,2,...,1500,j=1,2,...,96。
其中j=1,2,...,96。
再对96个时刻的距离值求取均方根这就是量化后的两个用户之间用电行为的差异性。计算所有两两用户之间的差异性后,构造一个1500×1500的距离矩阵。利用层次聚类方法,合并距离最小的两个用户(簇),并计算其聚类中心,以此类推,直到只有一个簇剩下。最后根据决策者的需要选择最佳聚类,在本实例中选择4作为最佳聚类数。选取聚类数为4进行层次聚类后,将本方法的聚类结果如下表1所示:
表1各类用户簇包含的用户数
类别1 | 类别2 | 类别3 | 类别4 |
501 | 325 | 433 | 241 |
上述实例分析表明:本发明方法解决了传统负荷聚类方法中忽略负荷纵向波动性的问题,使得聚类的结果更加科学合理,符合实际,也提高了聚类的准确性,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (3)
1.一种考虑负荷纵向特性的负荷聚类方法,其特征在于,包括以下步骤:
1)输入n个用户T天内的负荷数据,对数据进行归一化处理,并修正异常尖峰数据;
输入配电网中n个电力用户的历史负荷值,历史负荷值包括连续T天的负荷数据,每天采样m个时刻的负荷值;对输入的原始数据进行归一化处理,假设为用户i在第k天的负荷数据,其中表示第i个用户第k天的第m个时刻归一化前的负荷值;
xijk为第i个用户第k天的第j个时刻归一化后的负荷值,具体计算公式如下:
由归一化公式可见,负荷序列的最大负荷值出现异常,即出现异常尖峰,会对归一化后的数据造成影响,恶化分布特性;因此在进行数据归一化之前,须先进行异常尖峰数据的识别和修正,具体识别公式如下:
式中,和表示最大负荷值相邻两个时刻的负荷值,表示用户i第k天的最大负荷值与相邻两个时刻的负荷值之差的均值,n表示所统计的天数,μi表示第i个用户n个的均值,表示第i个用户n个的方差;若则认为该天最大负荷值异常,对该天最大负荷值作出修正,否则不作处理,具体修正公式如下:
2)计算每一个用户T天内各个时刻负荷均值和负荷方差;
3)构建用户的用电行为向量,向量的每一个元素为一个二维实数对,实数对中第一位表征负荷的横向特性,第二位表征负荷的纵向特性;
4)计算两个用户之间的综合距离系数,根据得出的距离矩阵进行聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199636.1A CN108428055B (zh) | 2018-03-12 | 2018-03-12 | 一种考虑负荷纵向特性的负荷聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199636.1A CN108428055B (zh) | 2018-03-12 | 2018-03-12 | 一种考虑负荷纵向特性的负荷聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428055A CN108428055A (zh) | 2018-08-21 |
CN108428055B true CN108428055B (zh) | 2021-11-23 |
Family
ID=63158198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810199636.1A Active CN108428055B (zh) | 2018-03-12 | 2018-03-12 | 一种考虑负荷纵向特性的负荷聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428055B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657891B (zh) * | 2018-09-18 | 2022-11-25 | 深圳供电局有限公司 | 一种基于自适应k-means++算法的负荷特性分析方法 |
CN110363382A (zh) * | 2019-06-03 | 2019-10-22 | 华东电力试验研究院有限公司 | 全能型乡镇供电所一体化业务融合技术 |
CN110874381B (zh) * | 2019-10-30 | 2022-05-20 | 西安交通大学 | 一种基于空间密度聚类的用户侧负荷数据异常值识别方法 |
CN112016816B (zh) * | 2020-08-13 | 2022-07-22 | 国网江苏省电力有限公司无锡供电分公司 | 一种考虑时间特性与数值特性的负荷状态评估方法及*** |
CN116883059B (zh) * | 2023-09-06 | 2023-11-28 | 山东德源电力科技股份有限公司 | 一种配电终端管理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103545827A (zh) * | 2013-10-25 | 2014-01-29 | 国家电网公司 | 一种适用于低压配电网的三相不平衡负荷分配方法 |
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
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 |
CN104200106A (zh) * | 2014-09-05 | 2014-12-10 | 山东大学 | 广义负荷建模中基于季节性的纵向时间轴聚类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803397B2 (en) * | 2014-04-25 | 2020-10-13 | Appnomic Systems Private Limited | Application behavior learning based capacity forecast model |
-
2018
- 2018-03-12 CN CN201810199636.1A patent/CN108428055B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103545827A (zh) * | 2013-10-25 | 2014-01-29 | 国家电网公司 | 一种适用于低压配电网的三相不平衡负荷分配方法 |
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
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 |
CN104200106A (zh) * | 2014-09-05 | 2014-12-10 | 山东大学 | 广义负荷建模中基于季节性的纵向时间轴聚类方法 |
Non-Patent Citations (2)
Title |
---|
广义负荷建模中纵横聚类策略研究;张旭 等;《中国电机工程学报》;20151205;第35卷(第23期);第6028-6038页 * |
粒子群优化的模糊聚类在负荷预处理的应用;常鲜戎 等;《电力***及其自动化学报》;20150731;第27卷(第7期);第78-83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108428055A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
WO2018045642A1 (zh) | 一种母线负荷预测方法 | |
CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
CN106909933A (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN112614011B (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及*** | |
CN107248031B (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
CN111126499A (zh) | 一种基于二次聚类的用电行为模式分类方法 | |
CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
CN106447108A (zh) | 一种考虑业扩报装数据的用电需求分析预测方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力***月度负荷的组合预测方法 | |
CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
CN111553568A (zh) | 一种基于数据挖掘技术的线损管理方法 | |
CN112884590A (zh) | 基于机器学习算法的电网企业融资决策方法 | |
CN111178957A (zh) | 一种用电客户电量突增预警的方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和*** | |
Wang et al. | Big data analytics for price forecasting in smart grids | |
CN111178690A (zh) | 基于风控评分卡模型的用电客户窃电风险评估方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的***和方法 | |
CN113112177A (zh) | 一种基于混合指标的台区线损处理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |