CN111428745A - 一种基于聚类分析的低压用户用电特征提取方法 - Google Patents
一种基于聚类分析的低压用户用电特征提取方法 Download PDFInfo
- Publication number
- CN111428745A CN111428745A CN202010004292.1A CN202010004292A CN111428745A CN 111428745 A CN111428745 A CN 111428745A CN 202010004292 A CN202010004292 A CN 202010004292A CN 111428745 A CN111428745 A CN 111428745A
- Authority
- CN
- China
- Prior art keywords
- electricity
- data
- user
- users
- adopting
- 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 63
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000009194 climbing Effects 0.000 claims abstract description 12
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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)
Abstract
本发明公开了一种基于聚类分析的低压用户用电特征提取方法，包括：采用聚类算法对计量的原始数据进行分类，预处理主要包括数据的清洗与数据的辨识与修复；对不同典型台区的用户用电数据，采用改进的K‑Means聚类算法进行分类，采用改进爬山法确定聚类数量，分析用户的用电行为特征，并与低压用电特性进行对比，按照获取的电量计量特征，将抵押用户归属至高层居民小区、旧居民小区、城乡结合部、孤立小型定居点与农村五个典型台区中的一种；基于台区信息和非计量数据、非电类计量数据，采用紧凑提取方法对配电线路的参数进行提取，构建标准用电特征参数矩阵，确定各个影响因素与用户用电负荷特性之间的相关性，获得每种典型台区的特征参数。
Description
技术领域
本发明涉及电力用户特征提取领域，尤其涉及一种基于聚类分析的低压用户用电特征提取方法。
背景技术
在低压台区电力用户用电行为分类及特性提取方面，目前分类主要是基于用户负荷特性指标和历史数据对用户进行，如基于传统行业划分并对用户进行聚类分析，但其不足之处在于忽略了用户间不同的用电方式；基于用户价值体现进行分类，不足之处在于划分方式过于宏观；从变电站负荷出发，采用均值聚类方法进行用户用电的分类，或基于模糊C均值聚类方法的前提下运用K-means聚类算法对用户用电行为进行分类等。
用户特性描述为用户用电设备运行时所表现出的特有的电气行为，根据用户用电的运行状态，负荷特性可分为稳态特性、暂态特性和运行模式特性，其中稳态特性是用电设备在稳定运行状态下所表现出的电气特性，是负荷的主要特性，也是当前电力用户用电分析的重点。国内外分类方法的研究较多，如机器学习、模式识别等智能算法，这些智能算法对于电力***中电气元件的判别以及将算法运用到电力***的应用研究已经引起了国内外研究者的重视。
发明内容
本发明提供了一种基于聚类分析的低压用户用电特征提取方法，本发明采用紧凑提取方法对配电线路的参数进行提取，能够更好的反映低压用户用电特征，详见下文描述：
一种基于聚类分析的低压用户用电特征提取方法，所述方法包括：
从实际需求出发，按照电网公司分层分级原则对用电台区进行归属划分，从影响台区健康运行方面考虑，构建低压台区特征提取指标原则，并设置指标集；
根据用电台区的建设特点，确定低压台区用户用电负荷特性的主要影响因素；
遵循指标数据容易获取、指标体系切实可行、评价模型实用性强等原则确定需要收集的非计量数据、电类计量数据、非电类计量数据；
根据智能电网台区运行状态，提取反映运行状态水平的低压用户电计量类数据，包括但不限于：用电最大值、用电最小值、用电平均值，用电波动偏差率；
采用聚类算法对计量的原始数据进行分类，预处理主要包括数据的清洗与数据的辨识与修复；
对不同典型台区的用户用电数据，采用改进的K-Means聚类算法进行分类，采用改进爬山法确定聚类数量，分析用户的用电行为特征，并与低压用电特性进行对比，按照获取的电量计量特征，将抵押用户归属至高层居民小区、旧居民小区、城乡结合部、孤立小型定居点与农村五个典型台区中的一种；
基于台区信息和非计量数据、非电类计量数据，采用紧凑提取方法对配电线路的参数进行提取，构建标准用电特征参数矩阵，确定各个影响因素与用户用电负荷特性之间的相关性，获得每种典型台区的特征参数。
其中，所述构建标准用电特征参数矩阵具体为：
对每个用电特征量Xj，设Xj＝[xij]T(i＝1,...,M)为参与用电行为分析的用户总数，对矩阵中同一列的元素进行标准归一化处理，对于N个待评估的用电特征量和M个参与用电行为分析的用户，得到用户标准用电特征量矩阵；
对于不同特征量，采用熵权法，计算特征量的指标权重；
获取用户综合用电信息。
本发明提供的技术方案的有益效果是：
1)确定需要收集的非计量数据、电类计量数据、非电类计量数据，定义低压居民用户用电特征指标包括：电压合格率、电流三相不平衡度、配变负载率、档案准确率、总表采集成功率、户表采集成功率、计量设备故障率及台区线损率8个子指标，考虑的因素全面，能够更好的反映低压用户用电特征；
2)本发明采用紧凑提取方法对配电线路的参数进行提取，克服宽松方法的缺点：传播常数应被视为输入参数，并且需要使用信号处理算法来提取本征频率。本算法较其他提取算法程序设计比较简单，内存占有量比较小；
3)根据样本的电气特征参数，采用改进的K-Means聚类算法进行分类，克服了传统聚类中的两个主要的缺点：一是在聚类开始前，需要事先给定类别数目k；二是算法本身没有给出初始聚类中心的选取原则。
附图说明
图1为本发明提供的一种基于聚类分析的低压用户用电特征提取方法的流程图；
图2为本发明提供的低压台区用户用电数据预处理流程图；
图3为本发明提供的基于改进爬山法改进的模糊均值算法聚类用户负荷数据流程图；
图4为本发明提供的一种基于改进K-means聚类算法的用电负荷聚类图；
图5为本发明提供的神经网络结构图；
图6为本发明提供的夏季日峰荷(MW)与温度(℃)的变化趋势图；
图7为本发明提供的夏季节假日峰荷(MW)与各温度因子的变化趋势图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
如图1所示，本发明涉及的参数提取模块包括以下步骤:
本发明提出了一种低压居民用户用电特征提取方法，参见图1，该方法具体步骤如下：
S1：从实际需求出发，按照电网公司分层分级原则对用电台区进行归属划分，从影响台区健康运行方面考虑，构建低压台区特征提取指标原则，并设置指标集；
S2：根据用电台区的建设特点，确定低压台区用户用电负荷特性的主要影响因素；
S3：遵循指标数据容易获取、指标体系切实可行、评价模型实用性强等原则确定需要收集的非计量数据、电类计量数据、非电类计量数据；
S4：根据智能电网台区运行状态，提取反映运行状态水平的低压用户电计量类数据，包括但不限于：用电最大值、用电最小值、用电平均值，用电波动偏差率等关键指标；
S5：采用聚类算法对计量的原始数据进行分类，预处理主要包括数据的清洗与数据的辨识与修复；
S6：对不同典型台区的用户用电数据，采用改进的K-Means聚类算法进行分类，采用改进爬山法确定聚类数量，分析用户的用电行为特征，并与低压用电特性进行对比，按照获取的电量计量特征，将抵押用户归属至高层居民小区、旧居民小区、城乡结合部、孤立小型定居点与农村五个典型台区中的一种。
S7：基于台区信息和非计量数据、非电类计量数据，采用紧凑提取方法对配电线路的参数进行提取，构建标准用电特征参数矩阵，确定各个影响因素与用户用电负荷特性之间的相关性，获得每种典型台区的特征参数。
其中，上述步骤S1中的低压台区特征提取指标原则需要遵循以下7个原则：包括可靠性原则、完整性原则、实时性原则、准确性原则、易用性原则、计划性原则、预见性原则。
(a)可靠性原则。信息采集可靠性原则是指采集的信息必须是真实对象或环境所产生的，必须保证信息来源是可靠的，必须保证采集的信息能反映真实的状况，可靠性原则是信息采集的基础。
(b)完整性原则。信息采集完整性是指采集的信息在内容上必须完整无缺，信息采集必须按照一定的标准要求，采集反映事物全貌的信息，完整性原则是信息利用的基础。
(c)实时性原则。信息采集的实时性是指能及时获取所需的信息，一般有三层含义：一是指信息自发生到被采集的时间间隔，间隔越短就越及时，最快的是信息采集与信息发生同步；二是指在企业或组织执行某一任务急需某一信息时能够很快采集到该信息，谓之及时；三是指采集某一任务所需的全部信息所花去的时间，花的时间越少谓之越快。实时性原则保证信息采集的时效。
(d)准确性原则。准确性原则是指采集到的信息与应用目标和工作需求的关联程度比较高，采集到信息的表达是无误的，是属于采集目的范畴之内的，相对于企业或组织自身来说具有适用性，是有价值的。关联程度越高，适应性越强，就越准确。准确性原则保证信息采集的价值。
(e)易用性原则。易用性原则是指采集到的信息按照一定的表示形式，便于使用。
(f)计划性原则。采集的信息既要满足当前需要，又要照顾未来的发展；既要广辟信息来源，又要持之以恒，日积月累；不是随意的，而是根据单位的任务、经费等情况制定比较周密详细的采集计划和规章制度。
(g)预见性原则。信息采集人员要掌握社会、经济和科学技术的发展动态，采集的信息既要着眼于现实需求，又要有一定的超前性，要善于抓苗头、抓动向。随时了解未来，采集那些对将来发展有指导作用的预测性信息。
其中，步骤S2中低压台区用户用电负荷特性的主要影响因素有：
(1)数字特征
日总用电量：该指标反映了该台区整体的用电水平
日平均负荷：该指标反映了该台区的平均用电水平
日方差曲线：该指标表明了该台区用户的用电量大小的离散程度
(2)指标特征
平均采集成功率：该指标的计算的定义方式为计算一个台区内有多少用户的用电量被采集，然后求一年中平均每天被采集的数量，最后将该平均值与台区内的总用户数的比值就是该台区的平均采集成功率。
台区线损百分比：该指标的计算方式定义为台区的总表与分表的差，然后与总表的比值，该指标反映了该台区给用户供电时电能浪费的电能百分比。
数值为0的平均个数：该指标的定义为，计算用户每天的用电量，判断该用电量是否为0，统计一年中每天的0的个数，然后求平均值得到平均每天的0用电量的数量，该指标反映了该台区内用户的平均每天会有多少用户未用电，反应了该台区的人口特征。
(3)用户数量特征
月最大负荷出现的月份：该指标的定义为月负荷最大的月份，该指标显示的是用户对于月份或者说是温度对于用户的影响
季节性特征：该特征的定义为每个季节用电负荷最大的用户的数量，该特征显示的是季节对台区的影响。
节假日特征：该特征的定义为用户的最大负荷发生在节假日还是工作日节假日，该特征显示的是台区受节日的影响程度。
(1)气候因素：随着居民生活水平的提高，家用电器的普及，夏天増加降温负荷，冬天取暖负荷会随之増长，气候变化对台区负荷的影响越来越显著。温度是影响负荷的最主要的因素，其他气候因素还有湿度、风速、降水量和日照时长也对台区负荷的变化有影响。
(2)时间因素：不同季节的白昼小时数、日照小时、温度的变化不同，都会影响到台区负荷的变化；由于工作方式和人们生活***时相化明显下降，研究还表明节假日前后的负荷也会受到节假日的累积影响会略有降低。
所述步骤S7中，所构建的标准用电特征参数矩阵，包括如下过程：
S71：由于在K-Means聚类算法中，用户用电数据的异常值和特殊的变量会对聚类产坐较大的影响，所以首先需要对其进行标准归一化处理，得到标准用电特征量矩阵。
对于每个用电特征量Xj，设Xj＝[xij]T(i＝1,...,M)为参与用电行为分析的用户总数。对矩阵中同一列的元素进行标准归一化处理，
则对于N个待评估的用电特征量和M个参与用电行为分析的用户，得到用户标准用电特征量矩阵
其中x'ij为第i个用户的第j个待评估用电特征值。
S72：不同特征量权值设定
对于不同特征量，采用熵权法，计算特征量的指标权重。其中第j个待评估用电特征值下第i个用户的比重
则第j个待评估用电特征值的熵值
从而得到第j个待评估用电特征值的熵权
获得权重矩阵W＝[w1…wj…wN]。
S73：用户综合用电信息
包括(1)温度数据的量化；(2)日期类型的划分及规格化；(3)天气因素的量化等。
对于日期类型，按照传统惯例，人们只把其分为工作日(周一至周五)和双休日(周六和周日)。因为工作日和双休日人们用电习惯不同，负荷差别较大。当然除了这些常规划分之外还有重大节假日需要单独划分出来的。本文用数字表征不同日期类型对负荷的响应：工作日的日类型数值取为1，周六为0.5，周日为0.6，重大节假日为0。通过这种量化方法完成对日期类型的统一规格化。
负荷除了受温度的影响外，还受天气状况的制约。在通常情况下，天气状况无法进行定量描述I但在对各种天气情况下负荷变化情况的分析可W发现：晴天负荷变化平稳，阴天受照明的影响负荷会有增长，而且雨天和下雪天负荷则由明显増长。为了便于反映这一影响程度，本文参考相关文献，按照天气对负荷的影响程度将其依次划分为晴、阴、雨、雪、大雪五个等级，并分别赋予相应的度量值为0.1、0.2、0.4、0.5和0.8。
S74：对标准用电特征量矩阵进行加权计算，得到能够反映用户综合用电信息的加权矩阵，
如图3所示，所述步骤S6，针对处理好的用户综合用电信息，基于改进的爬山法改进的模糊均值算法聚类用户负荷数据的具体步骤如下：
S61：根据预处理后的用户用电数据确定加权指数w，迭代终止参数ε。
S62：确定聚类数目及聚类中心：基于加权指数进行修正，并选取量测数据样本偏差值并代入到爬山函数：
若
(
是样品集的某一个样品)时，爬山函数取得最大值，可取
为第一个聚类中心，此时有
令
在寻找其他的聚类中心时，要消除
的影响，修正后的爬山函数变为：
对上述爬山函数进行求解，获得第二个分类的爬山函数最大值
及其对应的负荷样本
并令
式中β可取4、8、16等。
同理，第t次的爬山函数为：
其中，
为新的爬山函数，
是上一步的爬山函数，
是上一步爬山函数的最大值。
当
时寻找聚类中心的过程结束，其中δ为分类的收敛系数，可以取一正的小数。判定收敛之前迭代聚类总的次数即为模糊聚类的分类数c，每次聚类过程中使爬山函数取值最大的样本
为相应的初始聚类中心vi。
S63：在获得初始聚类中心V0后，基于式(4)可获得初始化隶属度矩阵U0。
S64：计算隶属度矩阵U＝{urj}，urj表示第j个样品关于第r个聚类中心的隶属度。
S65：计算目标函数，其为各个样本到所有聚类中心的距离加权平方和：
以式(5)为迭代公式，当目标函数前后两次的迭代误差ΔJw(U,V)小于给定正数ε，聚类结束。
所述步骤S7，各个影响因素与用户用电负荷特性之间的相关性分析具体如下：
(1)负荷时间特性分析实例
1)年度负荷特性分析
表2尖峰负荷持续时间表(单位：小时)
由表2对比可知18年低压台区居民用户的最大负荷和最小负荷较农村居民台区都有所提高，说明供电量需求有所增加。但第一类居民用户80％、90％、95％、97％以上的尖峰负荷的利用小时却小于第二类居民用户，这说明尖峰电价没有得到很好的实施。应适时实施尖峰电价进行用电调度。第二类居民用户最高负荷利用小时数为：5207.9小时；第一类居民用户最高负荷利用小时数为：5051.0小时，第一类居民用户较第二类居民用户最高负荷利用小时数有所减少。
2)月负荷特性分析
月负荷特性指标包括月负荷率，月平均日负荷率，月最大峰谷差，月最大峰谷差率，月最大、最小负荷和月平均日峰谷差等。这里只对月平均日负荷、各月最大日峰谷差及峰谷差率、各月月负荷率进行分析。
表3第一、二类居民用户各月平均日负荷率
由表3可以看出，各月平均日负荷率大体在80％左右波动，不会小于70％，也不会超过90％，从上下波动来看，总的呈季节性的特点，夏季较高，其余时间较低；就这两种类型的台区来看负荷率波动较为平稳。
(2)负荷与温度相关性分析实例
分析某低压居民用户最高温度、最低温度、2点温度、8点温度、14点温度、20点温度六个温度因子与日最高负荷的关系。用y1表示最大温度和最高负荷的简单相关系数，用y2表示最大负荷与最低温度的简单相关系数，用y3表示最大负荷与2点温度的简单相关系数，用y4表示最大负荷与8点温度的简单相关系数，用y5表示最大负荷与14点温度的简单相关系数，用y6表示最大负荷与20点温度的简单相关系数。
为更清楚分析日峰荷与温度因子的相关性，将工作日的日峰荷分为两种情况：最大负荷出现在早上(0-12点之间)和最大负荷出现在晚上(12-24点之间)。对于这两种不同情况，分别找出最相关温度因子，做相关性分析。
1)最大负荷出现在早上(0-12点之间)
经过计算得出y1＝0.88，y2＝0.82，y3＝0.79,y4＝0.84,y5＝0.84,y6＝0.80。即日峰荷与最高温度相关系数为0.88，与早上8点温度相关系数为0.84，与14点温度相关系数也为0.84，与这三者高度相关；与凌晨2点温度相关系数最小，为0.79。夏季日峰荷与最相关温度因子的变化趋势如图7所示。
2)最大负荷出现在晚上(12-24点之间)
经过统计计算得出y1＝0.85，y2＝0.76，y3＝0.76,y4＝0.85,y5＝0.85,y6＝0.79。即出现在晚高峰期间的日峰荷与最高温度、早上8点温度、14点温度相关系数皆为0.85，与这三者高度相关；与日最低温度、凌晨2点温度相关系数最小，为0.76。
(3)双休日日峰荷与温度因子相关性分析
经过统计计算得出y1＝0.84，y2＝0.76，y3＝0.71,y4＝0.85,y5＝0.81,y6＝0.74。即日峰荷与最高温度相关系数为0.84，与早上8点温度相关系数为0.85，与14点温度相关系数也为0.81，与这三者高度相关；与凌晨2点温度相关系数最小，为0.71。2018年夏季节假日峰荷(MW)与各温度因子的变化趋势如图7所示。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于聚类分析的低压用户用电特征提取方法，其特征在于，所述方法包括：
从实际需求出发，按照电网公司分层分级原则对用电台区进行归属划分，从影响台区健康运行方面考虑，构建低压台区特征提取指标原则，并设置指标集；
根据用电台区的建设特点，确定低压台区用户用电负荷特性的影响因素；
遵循指标数据容易获取、指标体系切实可行、评价模型实用性强原则确定需要收集的非计量数据、电类计量数据、非电类计量数据；
根据智能电网台区运行状态，提取反映运行状态水平的低压用户电计量类数据，包括但不限于：用电最大值、用电最小值、用电平均值，用电波动偏差率；
采用聚类算法对计量的原始数据进行分类，预处理主要包括数据的清洗与数据的辨识与修复；
对不同典型台区的用户用电数据，采用改进的K-Means聚类算法进行分类，采用改进爬山法确定聚类数量，分析用户的用电行为特征，并与低压用电特性进行对比，按照获取的电量计量特征，将抵押用户归属至高层居民小区、旧居民小区、城乡结合部、孤立小型定居点与农村五个典型台区中的一种；
基于台区信息和非计量数据、非电类计量数据，采用紧凑提取对配电线路的参数进行提取，构建标准用电特征参数矩阵，确定各个影响因素与用户用电负荷特性之间的相关性，获得每种典型台区的特征参数。
2.根据权利要求1所述的一种基于聚类分析的低压用户用电特征提取方法，其特征在于，所述构建标准用电特征参数矩阵具体为：
对每个用电特征量Xj，设Xj＝[xij]T(i＝1,...,M)为参与用电行为分析的用户总数，对矩阵中同一列的元素进行标准归一化处理，对于N个待评估的用电特征量和M个参与用电行为分析的用户，得到用户标准用电特征量矩阵；
对于不同特征量，采用熵权法，计算特征量的指标权重；
获取用户综合用电信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010004292.1A CN111428745A (zh) | 2020-01-03 | 2020-01-03 | 一种基于聚类分析的低压用户用电特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010004292.1A CN111428745A (zh) | 2020-01-03 | 2020-01-03 | 一种基于聚类分析的低压用户用电特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111428745A true CN111428745A (zh) | 2020-07-17 |
Family
ID=71546976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010004292.1A Pending CN111428745A (zh) | 2020-01-03 | 2020-01-03 | 一种基于聚类分析的低压用户用电特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111428745A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765826A (zh) * | 2021-01-27 | 2021-05-07 | 长沙理工大学 | 基于用电功率频率分布相对熵的室内***种植居民用户识别方法 |
| CN113434690A (zh) * | 2021-08-25 | 2021-09-24 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、***及介质 |
| CN114997477A (zh) * | 2022-05-20 | 2022-09-02 | 国网江苏省电力有限公司苏州供电分公司 | 低压居民台区负荷预测方法和*** |
| CN117113159A (zh) * | 2023-10-23 | 2023-11-24 | 国网山西省电力公司营销服务中心 | 基于深度学习的电力用户侧负荷分类方法及*** |
-
2020
- 2020-01-03 CN CN202010004292.1A patent/CN111428745A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765826A (zh) * | 2021-01-27 | 2021-05-07 | 长沙理工大学 | 基于用电功率频率分布相对熵的室内***种植居民用户识别方法 |
| CN113434690A (zh) * | 2021-08-25 | 2021-09-24 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、***及介质 |
| CN113434690B (zh) * | 2021-08-25 | 2022-02-08 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、***及介质 |
| CN114997477A (zh) * | 2022-05-20 | 2022-09-02 | 国网江苏省电力有限公司苏州供电分公司 | 低压居民台区负荷预测方法和*** |
| CN117113159A (zh) * | 2023-10-23 | 2023-11-24 | 国网山西省电力公司营销服务中心 | 基于深度学习的电力用户侧负荷分类方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
| CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
| CN111428745A (zh) | 一种基于聚类分析的低压用户用电特征提取方法 | |
| US11043808B2 (en) | Method for identifying pattern of load cycle | |
| CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
| Gerbec et al. | An approach to customers daily load profile determination | |
| CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
| CN101398919A (zh) | 利用模式分析的电力需求信息分析***及其方法 | |
| CN110033134A (zh) | 一种考虑气象因素的逐日分段短期负荷预测算法 | |
| JP2006011715A (ja) | 資源消費量の推定方法及び装置 | |
| CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
| CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及*** | |
| CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及*** | |
| Chicco et al. | Load profiling revisited: prosumer profiling for local energy markets | |
| CN115238948A (zh) | 小水电发电量预测方法及装置 | |
| CN114899830A (zh) | 基于电网峰谷差率的负荷侧交易方法、***及相关设备 | |
| Sun et al. | Impacts of solar penetration on short-term net load forecasting at the distribution level | |
| Colley et al. | Queensland load profiling by using clustering techniques | |
| CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
| CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
| Ogihara et al. | A study of risk reduction for daily peak load demand forecasting | |
| Zhang et al. | Load characteristics analysis based on improved k-means clustering algorithm | |
| Li et al. | Sensitivity analysis and forecast of power load characteristics based on meteorological feature information | |
| Liao | Research on load loss prediction of distribution network outage based on hybrid neural network | |
| Dai et al. | Forecasting Method of Power Consumption Information for Power Users Based on Cloud Computing |
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 |