CN110210755B - 一种基于K_means聚类算法的用户需求响应能力评估方法 - Google Patents

Abstract

本发明公开了基于K_means聚类算法的用户需求响应能力评估方法，所述评估方法包括以下步骤：步骤1：对用户的历史用电负荷数据进行统计分析，获取用户的日均负荷总量；步骤2：从周相关和日相关两方面，分析重构日负荷曲线，得到用户参与需求响应的时间段和响应量；步骤3：进行用户配合程度评分；步骤4：根据步骤1‑3中用户参与需求响应的参数，确定需求响应用户的向量表示形式；步骤5：采用K_means聚类算法，对需求响应用户进行聚类，形成不同的用户类别。

Description

一种基于K_means聚类算法的用户需求响应能力评估方法

技术领域

本发明涉及电力分析技术领域，特别是涉及基于K_means聚类算法的用户需求响应能力评估方法。

背景技术

近年来，随着电力用户对电力需求的不断增加，能源危机日益严峻，越来越多的可再生能源进入电力市场，如太阳能、风能等。但是，由于可再生能源出力具有随机性、波动性、间歇性的特点，电力***的运行安全受到威胁，***实时供需失衡。若仅依靠发电侧的调节能力难以处理大规模的实时供需平衡问题，并且很有可能为电网造成更大的经济损失。这种情况下，需求侧的资源调节的重要性日益突出。所以，对于电力***决策者来说，了解用户的需求响应能力，灵活有效地利用需求侧资源具有重要的意义和经济价值。

不同电力用户的用电行为习惯不同，其所具备的需求响应能力也各不相同。若依据传统的工、商、居民等信息的用户分类方式筛选用户参与需求响应任务，难以实现需求响应任务的目标，响应达标率低，并且降低了用户体验和***效率。所以，应该从用户的用电特性和需求响应特点出发，掌握用户的需求响应能力，从而进行用户分类，进而，为电力***决策者在筛选用户参与需求响应任务时提供更科学的策略，从而提升需求响应效率。

因此希望有一种用户需求响应能力评估方法能够解决现有技术中存在的问题。

发明内容

本发明公开了一种基于K_means聚类算法的用户需求响应能力评估方法，所述评估方法包括以下步骤：

步骤1：对用户的历史用电负荷数据进行统计分析，获取用户的日均负荷总量；

步骤2：从周相关和日相关两方面，分析重构日负荷曲线，得到用户参与需求响应的时间段和响应量；

步骤3：进行用户配合程度评分；

步骤4：根据步骤1-3中用户参与需求响应的参数，确定需求响应用户的向量表示形式；

步骤5：采用K_means聚类算法，对需求响应用户进行聚类，形成不同的用户类别。

优选地,所述步骤2包括以下步骤：

步骤2.1：使用小波变换分解所述日负荷曲线，获取分解后的低频系数，然后使用低频系数重构日负荷曲线；

步骤2.2：从所述周相关和日相关两方面，对重构日负荷曲线进行分析，得到的用户参与需求响应的所述时间段T和响应量S，进而确定响应时间段。

优选地，所述响应时间段分为：早高峰时间、午高峰时间、晚高峰时间、多阶段响应时间和无可用时间五类。

优选地，所述步骤3包括以下步骤：

步骤3.1：若用户从未参与过需求响应任务，则其初始配合程度分值P＝100分；若用户参与了需求响应任务，分别取参与前和参与后用户的日负荷曲线，计算两条负荷曲线的相似度；

步骤3.2：分别取负荷曲线上每个小时的负荷，形成用户参与需求响应任务前的负荷向量L₁和参与后的负荷向量L₂，步骤3.1中的两条负荷曲线的相似度由负荷向量L₁和L₂的相似度来替代，公式(1)计算两个向量夹角的余弦值作为负荷向量L₁和L₂的相似度：

用户参与需求响应前后用电负荷峰谷值变化率为公式(2)：

其中，Y_1f、Y_1g分别表示需求响应前的负荷峰谷值；Y_2f、Y_2g分别表示需求响应后的负荷峰谷值。

步骤3.3：根据用户参与需求响应后的日负荷曲线和负荷峰谷值，步骤3.2中用来计算相似度L_2i和计算峰谷变化率的Y_2f,Y_2g，更新用户的配合程度分值P^*，更新公式(3)：

P^*＝P×e^-d×r   (3)。

优选地,所述步骤4的需求响应用户的向量表示形式为：(A,C,S,P)，A表示该用户的历史日均负荷总量；C表示该用用户可能参与需求响应任务的时间段类别；S表示该用户的可以提供的需求响应量；P表示用户参与需求响应的配合程度。

优选地，所述步骤5包括以下步骤：采用K_means聚类算法，对需求响应用户进行聚类，形成不同的用户类别

步骤5.1：对所述用户向量(A,C,S,P)进行归一化处理；采用MinMax法，对每个分量进行归一化，归一化后的数据值域变换到[0,1]，计算公式如公式(4)：

步骤5.2：经过归一化后，用户向量可以表示为

对于两个用户样本x₁和x₂，两个用户样本之间的距离如公式(5)所示：

步骤5.3：采用K_means算法进行聚类操作，每个用户样本和聚类中心μ_j(j＝1,2,3...k)之间的距离计算公式为公式(6)：

d_ij＝||x_i-μ_j||²   (6)

聚类中心的更新公式为公式(7)：

本发明提出的一种基于K_means聚类算法的用户需求响应能力评估方法，通过对用户历史负荷数据的统计分析，挖掘为用户的需求响应特点，掌握用户的需求响应能力，获取新的用户分类方法。从而，有利于电力***决策者筛选用户参与需求响应任务，实施精准的需求响应方案，确保电力***安全运营。

附图说明

图1是基于K_means聚类算法的用户需求响应能力评估方法的流程图。

图2是K_means算法的操作流程图。

具体实施方式

为使本发明实施的目的、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更加详细的描述。在附图中，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。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。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作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。

基于K_means聚类算法的用户需求响应能力评估方法，解决了电力***决策者如何有效地选取用户参与需求响应任务的问题。

如图1所示，基于K_means聚类算法的用户需求响应能力评估方法，包括以下步骤：

步骤1：对用户的历史用电负荷数据进行统计分析，获取用户的日均负荷总量；

步骤2：从周相关和日相关两方面，分析重构日负荷曲线，得到用户参与需求响应的时间段和响应量；

首先，使用小波变换分解日负荷曲线，获取分解后的低频系数，然后使用低频系数重构日负荷曲线。

对于重构后的日负荷曲线，我们从周相关和日相关两个角度进行分析，得到的用户可能参与需求响应的响应量S和时间段T。由于需求响应任务发起的时间段，一般是在早高峰、午高峰、晚高峰三个时间段，所以我们设定用户的响应时间段分为：早高峰时间、午高峰时间、晚高峰时间、多阶段响应时间和无可用时间这五类(用C表示)。从而，定性地分析用户的响应时间段；

步骤3：进行用户配合程度评分；

在需求响应任务中，用户配合的积极程度，难以量化。这是由于用户本身的行为存在不确定性，并且电力市场中每年的需求响应次数少，可研究的样本量不足。所以，我们采用了一种人为的评分机制，来度量用户的配合程度。

若用户从未参与过需求响应任务，则其初始配合程度分值P＝100分。若用户参与了需求响应任务，分别取参与前后用户的日负荷曲线，计算两条负荷曲线的相似度。这里，我们分别取负荷曲线上各个小时的负荷，形成用户参与需求响应任务前的负荷向量L₁和参与后的负荷向量L₂，则两条负荷曲线的相似度可以表示为：

用户参与需求响应前后用电负荷峰谷值变化率为公式(2)：

其中，Y_1f、Y_1g分别表示需求响应前的负荷峰谷值；Y_2f、Y_2g分别表示需求响应后的负荷峰谷值；

据此更新用户的配合程度分值P^*，更新公式(3)：

P^*＝P×e^-d×r   (3)。

步骤4：根据步骤1-3中用户参与需求响应的参数，确定需求响应用户的向量表示形式；

根据前面提取的用户用电特征和参与需求响应任务的特点，可以对用户进行量化表示，其表示形式为：(A,C,S,P)。其中，A表示该用户的历史日均负荷总量；C表示该用用户可能参与需求响应任务的时间段类别；S表示该用户的可以提供的需求响应量；P表示用户参与需求响应的配合程度。这为最终的聚类操作奠定了基础。

步骤5：采用K_means聚类算法，对需求响应用户进行聚类，形成不同的用户类别。

在进行K_means聚类之前，需要对数据集进行归一化操作，以消除量纲影响。这里，采用MinMax法，对各个分量进行归一化，归一化后的数据值域变换到[0,1]，计算公式如公式(4)：

经过归一化后，用户向量可以表示为

据此，我们可以得到距离计算公式。例如，对于两个用户样本x₁和x₂，这两个用户样本之间的距离如公式(5)所示：

如图2所示，采用K_means算法进行聚类操作，每个用户样本和聚类中心μ_j(j＝1,2,3...k)之间的距离计算公式为公式(6)：

d_ij＝||x_i-μ_j||²   (6)

聚类中心的更新公式为公式(7)：

最后需要指出的是：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。

Claims (4)

1.一种基于K_means聚类算法的用户需求响应能力评估方法，其特征在于，所述评估方法包括以下步骤：

步骤1：对用户的历史用电负荷数据进行统计分析，获取用户的日均负荷总量；

步骤2：从周相关和日相关两方面，分析重构日负荷曲线，得到用户参与需求响应的时间段和响应量；

步骤3：进行用户配合程度评分；

所述步骤3包括以下步骤：

步骤3.1：若用户从未参与过需求响应任务，则其初始配合程度分值P＝100分；若用户参与了需求响应任务，分别取参与前和参与后用户的日负荷曲线，计算两条负荷曲线的相似度；

步骤3.2：分别取负荷曲线上每个小时的负荷，形成用户参与需求响应任务前的负荷向量L₁和参与后的负荷向量L₂，步骤3.1中的两条负荷曲线的相似度由负荷向量L₁和L₂的相似度来替代，公式(1)计算两个向量夹角的余弦值作为负荷向量L₁和L₂的相似度：

用户参与需求响应前后用电负荷峰谷值变化率为公式(2)：

其中，Y_1f、Y_1g分别表示需求响应前的负荷峰谷值；Y_2f、Y_2g分别表示需求响应后的负荷峰谷值；

步骤3.3：根据用户参与需求响应结果，更新用户的配合程度分值P^*，更新公式(3)：

P^*＝P×e^-d×r       (3)；

步骤4：根据步骤1-3中用户参与需求响应的参数，确定需求响应用户的向量表示形式；

所述步骤4的需求响应用户的向量表示形式为：(A,C,S,P)，A表示该用户的历史日均负荷总量；C表示该用户可能参与需求响应任务的时间段类别；S表示该用户的可以提供的需求响应量；P表示用户参与需求响应的配合程度；

步骤5：采用K_means聚类算法，对需求响应用户进行聚类，形成不同的用户类别。

2.根据权利要求1所述的基于K_means聚类算法的用户需求响应能力评估方法，其特征在于：所述步骤2包括以下步骤：

步骤2.1：使用小波变换分解所述日负荷曲线，获取分解后的低频系数，然后使用低频系数重构日负荷曲线；

步骤2.2：从所述周相关和日相关两方面，对重构日负荷曲线进行分析，得到的用户参与需求响应的所述时间段T和响应量S，进而确定响应时间段。

3.根据权利要求2所述的基于K_means聚类算法的用户需求响应能力评估方法，其特征在于：所述响应时间段分为：早高峰时间、午高峰时间、晚高峰时间、多阶段响应时间和无可用时间五类。

4.根据权利要求1所述的基于K_means聚类算法的用户需求响应能力评估方法，其特征在于：所述步骤5包括以下步骤：采用K_means聚类算法，对需求响应用户进行聚类，形成不同的用户类别

步骤5.1：对所述用户向量(A,C,S,P)进行归一化处理；采用MinMax法，对每个分量进行归一化，归一化后的数据值域变换到[0,1]，计算公式如公式(4)：

步骤5.2：经过归一化后，用户向量可以表示为

对于两个用户样本x₁和x₂，两个用户样本之间的距离如公式(5)所示：

步骤5.3：采用K_means算法进行聚类操作，每个用户样本和聚类中心μ_j(j＝1,2,3...k)之间的距离计算公式为公式(6)：

d_ij＝||x_i-μ_j||²       (6)

聚类中心的更新公式为公式(7)：

Images