CN111738340B - 一种分布式K-means电力用户分类方法、存储介质及分类设备 - Google Patents

一种分布式K-means电力用户分类方法、存储介质及分类设备 Download PDF

Info

Publication number
CN111738340B
CN111738340B CN202010586720.6A CN202010586720A CN111738340B CN 111738340 B CN111738340 B CN 111738340B CN 202010586720 A CN202010586720 A CN 202010586720A CN 111738340 B CN111738340 B CN 111738340B
Authority
CN
China
Prior art keywords
load
iteration
clustering
users
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
Application number
CN202010586720.6A
Other languages
English (en)
Other versions
CN111738340A (zh
Inventor
黄玉雄
李更丰
张理寅
姜江枫
杨世海
陈星莺
曹晓东
余昆
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.)
Xian Jiaotong University
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
Original Assignee
Xian Jiaotong University
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
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 Xian Jiaotong University, State Grid Jiangsu Electric Power Co Ltd, Hohai University HHU filed Critical Xian Jiaotong University
Priority to CN202010586720.6A priority Critical patent/CN111738340B/zh
Publication of CN111738340A publication Critical patent/CN111738340A/zh
Priority to US17/355,189 priority patent/US11768858B2/en
Application granted granted Critical
Publication of CN111738340B publication Critical patent/CN111738340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioethics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Security & Cryptography (AREA)

Abstract

本发明公开了一种分布式K‑means电力用户分类方法、存储介质及分类设备，N个负荷聚合商各自获取管理的所有电力用户的用电数据；各负荷聚合商对管理的用电用户的日负荷时序数据进行归一化操作；形成N×N维邻接矩阵A；对归一化后的日负荷时序数据进行K‑means聚类，得到各自的聚类中心以及各聚类中心所表征的用户群；负荷聚合商之间基于邻接矩阵A共享聚类中心和各聚类中心下的用户数量，最终多家负荷聚合商均获得一致的聚类中心；整体迭代结束后，每个负荷聚合商均获得相同的聚类中心，且此聚类中心与基于全局数据的K‑means聚类中心一致，实现用户分类。本发明能够实现负荷聚合商之间不共享用户用电数据条件下的全局一致用电用户分类。

Description

一种分布式K-means电力用户分类方法、存储介质及分类设备
技术领域
本发明属于电力***需求侧信息管理技术领域，具体涉及一种基于一致性的分布式K-means电力用户分类方法、存储介质及分类设备。
背景技术
随着风电、光伏等间歇性可再生能源，以及热泵、电动汽车等灵活负荷大量接入电网，电网运营商所面临的供需平衡压力日渐增大。在这一背景下，用户侧的需求响应机制将成为电网稳定运行必不可少的重要资源。
居民负荷作为一种重要的需求响应资源，需要由负荷聚合商作为中间代理，经聚合后再统一参与需求响应服务。进一步的，负荷聚合商可基于用户的时序负荷数据对居民用户进行分类，得到典型用户类别，并针对不同典型用户类别提供不同的服务，以满足精细化服务的需求。然而，由于竞争关系、保护用户用电隐私等因素的制约，负荷聚合商之间一般不会共享用户用电数据，这将导致不同负荷聚合商得到的典型用户类别不同，这为电网运营商与多家负荷聚合商共同参与电力市场、制定需求响应机制带来不便。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于一致性的分布式K-means电力用户分类方法，多家负荷聚合商可以在不共享用户用电数据的情况下，得到全局一致的典型用户类别。
本发明采用以下技术方案：
一种分布式K-means电力用户分类方法，包括以下步骤：
S1、N个负荷聚合商各自获取管理的所有电力用户的用电数据，包括电力用户的编号以及时序负荷数据；
S2、各负荷聚合商依据统一的归一化准则，对管理的用电用户的日负荷时序数据进行归一化操作；
S3、根据负荷聚合商的信息共享关系，形成N×N维邻接矩阵A；
S4、步骤S2各负荷聚合商对各自所管理的用电用户的归一化后的日负荷时序数据进行K-means聚类，得到各自的聚类中心以及各聚类中心所表征的用户群；负荷聚合商之间基于步骤S3的邻接矩阵A共享聚类中心和各聚类中心下的用户数量，并依据相应函数反复迭代，最终多家负荷聚合商均获得一致的聚类中心；
S5、整体迭代结束后，每个负荷聚合商均获得相同的聚类中心，且此聚类中心与基于全局数据的K-means聚类中心一致，实现用户分类。
具体的，步骤S2中，归一化之后编号为id的用户在第d个时间点的用电数据xid,d为：
Figure BDA0002554926890000021
其中，角标id表示用户的编号；Mid表示编号为id的用户在所研究的时间尺度内的用电总量；D表示所研究的时间尺度内的数据点的总数；Pi,t表示归一化之前编号为id的用户在第d个时间点的用电数据，即实际的用电功率。
具体的，步骤S3中，N×N维邻接矩阵A为：
Figure BDA0002554926890000022
其中，N为负荷聚合商的数目。
进一步的，邻接矩阵A具有双重随机性，
Figure BDA0002554926890000031
Figure BDA0002554926890000032
若负荷聚合商i,j之间存在信息交互，则ai,j＞0；若ai,j＞0，则aj,i＞0；
Figure BDA0002554926890000033
ai,i＞0。
具体的，步骤S4具体为：
S401、每个负荷聚合商内部以ci,k(t)为初始聚类中心进行K-means聚类，i∈[1,N]，k∈[1,K]，K为聚类中心个数，t为整体迭代次数；
S402、根据邻接矩阵进行局部迭代；
S403、当局部迭代次数s的增加不影响每个聚类中心下的用户数量qi,k(s,t+1)时，迭代结束；
S404、若此时
Figure BDA0002554926890000034
ci,k(t+1)满足一致性要求，即不同负荷聚合商获得一致的聚类中心，则停止计算，输出结果；否则返回步骤S401，继续整体迭代。
进一步的，步骤S401中，若t＝0，则随机选取初始聚类中心，记录每个聚类中心下的用户数量qi,k(t)。
进一步的，步骤S402中，局部迭代具体为：
ci,k(0,t+1)＝ci,k(t+1)
qi,k(0,t+1)＝qi,k(t+1)
Figure BDA0002554926890000035
Figure BDA0002554926890000036
其中，s为局部迭代次数，ci,k(0,t+1)为第t+1次全局迭代中局部迭代的初始聚类中心，qi,k(0,t+1)为第t+1次全局迭代中局部迭代中各初始聚类中心下的用户数量，ci,k(s+1,t+1)为第t+1次全局迭代中第s+1次局部迭代的聚类中心，qi,k(s+1,t+1)为第t+1次全局迭代中第s+1次局部迭代中各聚类中心下的用户数量，t为整体迭代次数，ai,j为聚合商i，j之间的交互系数，cj,k(s,t+1)为第t+1次全局迭代中第s次局部迭代的聚类中心，qj,k(s,t+1)为第t+1次全局迭代中第s次局部迭代的各聚类中心下的用户数量，N为负荷聚合商是数目。
进一步的，步骤S403具体为：
ci,k(t+1)＝ci,k(S,t+1)
其中，S为总迭代次数，ci,k(t+1)为第t+1次整体迭代中初始的第i个负荷聚合商的第k个聚类中心。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种分类设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于一致性的分布式K-means电力用户分类方法，多个负荷聚合商之间在仅交互各自聚类结果的情况下，可以获得全局一致的聚类中心。由于数据的分块处理和信息交互只涉及类别信息，本发明可以在保护电力用户的用电隐私的同时降低单次计算的计算量。在电网运营商与多个负荷聚合商共同参与电力市场的背景下，为制定精细化的需求响应服务奠定了基础。
进一步的，各负荷聚合商采用统一的归一化准则对各自管理的用电用户的日负荷时序数据进行归一化操作，保证了后续的分布式聚类对数据格式一致性的要求。
进一步的，负荷聚合商之间抽象的信息共享关系可由邻接矩阵A具象地表示。
进一步的，各负荷聚合商在仅交换各自聚类结果的情况下可获得全局一致的聚类中心，考虑了各负荷聚合商之间由于竞争关系、保护用户隐私等原因而不能共享用户用电数据的局限。
进一步的，各负荷聚合商分别对各自管理的用电用户的日负荷时序数据进行K-means聚类，负荷聚合商之间不共享用户用电数据。
进一步的，负荷聚合商之间根据邻接矩阵共享各自的聚类结果，并依据分布式聚类算法进行局部迭代，以使各负荷聚合商的聚类中心趋于一致。
进一步的，局部迭代在局部迭代次数s的增加不影响各聚类中心下的用户数量qi,k(s,t+1)时结束，保证了分布式聚类算法的高效性。
综上所述，本发明方法可实现负荷聚合商之间不共享用户用电数据条件下的全局一致用电用户分类。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程图；
图2为实施例的分布式聚类结果。
具体实施方式
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于一致性的分布式K-means电力用户分类方法，涉及了电力用户的时序负荷数据及各负荷聚合商之间的信息共享关系，通过建立邻接矩阵，依据邻接矩阵，各负荷聚合商共享聚类中心和各类别下的用户数量，并依据相应函数反复迭代，最终所有负荷聚合商均获得一致的聚类中心
请参阅图1，本发明一种基于一致性的分布式K-means电力用户分类方法，包括以下步骤：
S1、N个负荷聚合商各自获取其管理的所有电力用户的用电数据，包括电力用户的编号以及时序负荷数据；
S2、各负荷聚合商依据统一的归一化准则，对各自所管理的用电用户的日负荷时序数据进行归一化操作；
归一化公式如下所示：
Figure BDA0002554926890000061
其中，角标id表示用户的编号；xid,d表示归一化之后编号为id的用户在第d个时间点的用电数据；Mid表示编号为id的用户在所研究的时间尺度内(例如小时、日、周等)的用电总量；D表示所研究的时间尺度内的数据点的总数；Pi,t表示归一化之前编号为id的用户在第d个时间点的用电数据，即实际的用电功率。
S3、根据负荷聚合商的信息共享关系，形成N×N维邻接矩阵A；
负荷聚合商的信息共享关系通常由数据中心的地理位置以及电力市场等因素决定，邻接矩阵如下：
Figure BDA0002554926890000071
邻接矩阵A具有双重随机性：
Figure BDA0002554926890000072
Figure BDA0002554926890000073
若负荷聚合商i,j之间存在信息交互，则ai,j＞0；若ai,j＞0，则aj,i＞0；
Figure BDA0002554926890000074
ai,i＞0。
S4、各负荷聚合商对各自所管理的用电用户的归一化后的日负荷时序数据进行K-means聚类，得到各自的聚类中心以及各聚类中心所表征的用户群；负荷聚合商之间基于邻接矩阵共享聚类中心和各聚类中心下的用户数量，并依据相应函数反复迭代，最终多家负荷聚合商均获得一致的聚类中心；
S401、每个负荷聚合商内部以ci,k(t)为初始聚类中心进行K-means聚类，其中i∈[1,N]，k∈[1,K]，K为聚类中心个数，t为整体迭代次数。若t＝0，则随机选取初始聚类中心。记录每个聚类中心下的用户数量qi,k(t)；
S402、根据邻接矩阵进行局部迭代；
ci,k(0,t+1)＝ci,k(t+1)
qi,k(0,t+1)＝qi,k(t+1)
Figure BDA0002554926890000075
Figure BDA0002554926890000081
其中，s为局部迭代次数，ci,k(0,t+1)为第t+1次全局迭代中局部迭代的初始聚类中心，qi,k(0,t+1)为第t+1次全局迭代中局部迭代中各初始聚类中心下的用户数量，ci,k(s+1,t+1)为第t+1次全局迭代中第s+1次局部迭代的聚类中心，qi,k(s+1,t+1)为第t+1次全局迭代中第s+1次局部迭代中各聚类中心下的用户数量，t为整体迭代次数，ai,j为聚合商i，j之间的交互系数，cj,k(s,t+1)为第t+1次全局迭代中第s次局部迭代的聚类中心，qj,k(s,t+1)为第t+1次全局迭代中第s次局部迭代的各聚类中心下的用户数量，N为负荷聚合商是数目。
S403、当局部迭代次数s的增加不影响每个聚类中心下的用户数量qi,k(s,t+1)时，迭代结束，具体为：
ci,k(t+1)＝ci,k(S,t+1)
其中，S为总迭代次数，ci,k(t+1)为第t+1次整体迭代中初始的第i个负荷聚合商的第k个聚类中心。
S404、若此时
Figure BDA0002554926890000082
ci,k(t+1)满足一致性要求，即不同负荷聚合商获得一致的聚类中心，则停止计算，输出结果；否则返回步骤S401，继续整体迭代。
S5、整体迭代结束后，每个负荷聚合商都获得相同的聚类中心，且此聚类中心与基于全局数据的K-means聚类中心一致，实现用户分类。
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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
实施例
本发明一种基于一致性的分布式K-means电力用户分类方法中，具有5个负荷聚合商，各负荷聚合商所管理的用户数目如表1所示：
表1.各负荷聚合商所管理的用户数目
Figure BDA0002554926890000091
各负荷聚合商对用户在同一天的48点的日负荷时序数据进行分布式K-means聚类，聚类中心的数目定为5。
5个负荷聚合商各自获取所管理的所有电力用户在同一天的用电数据，包括电力用户的编号以及48点的日负荷时序数据，从当天00:00开始到当天23:30结束、每半小时采样得到的日负荷时序数据。
各负荷聚合商依据统一的归一化准则，对各自所管理的用电用户的日负荷时序数据进行归一化操作，归一化公式如下所示：
Figure BDA0002554926890000092
其中，角标id表示用户编号；xid,d表示归一化之后编号为id的用户在第d个时间点的用电数据；Mid表示编号为id的用户在这一天的用电总量；Pi,t表示归一化之前编号为id的用户在第d个时间点的用电数据，即实际用电功率。
根据5个负荷聚合商的信息共享关系，形成5×5维的邻接矩阵A。
负荷聚合商的信息共享关系通常由数据中心的地理位置以及电力市场等因素决定。邻接矩阵如下：
Figure BDA0002554926890000101
该邻接矩阵表示5个负荷聚合商之间任意两个均存在信息交互关系。
各负荷聚合商对各自所管理的用电用户的归一化后的日负荷时序数据进行K-means聚类，得到5个聚类中心，以及用户与聚类中心的所属关系。
具体来说，每个负荷聚合商内部以ci,k(t)为初始聚类中心进行K-means聚类，其中i＝1,2,...,5，k＝1,2,...,5，t为整体迭代次数。若t＝0，则随机选取初始聚类中心。每次迭代记录各聚类中心下的用户数量qi,k(t)，即负荷聚合商i在第t次迭代中属于第k个聚类中心的用户数目。以Ci(t)表示负荷聚合商i的聚类中心集合，Qi(t)表示负荷聚合商i的用户数目分布的集合，则该步骤将得到5组各异的聚类中心集合Ci(t+1),i＝1,2,...,N以及相应的用户数目分布Qi(t+1),i＝1,2,...,N。
存在信息交互关系的负荷聚合商之间交互各自的聚类结果，即共享各自得到的聚类中心以及相应的用户数目分布，并进行局部迭代：
ci,k(0,t+1)＝ci,k(t+1)
qi,k(0,t+1)＝qi,k(t+1)
Figure BDA0002554926890000102
Figure BDA0002554926890000103
其中，s为局部迭代次数。
当局部迭代次数s的增加不影响每个聚类中心下的用户数量qi,k(s,t+1)时，迭代结束，ci,k(t+1)＝ci,k(S,t+1)，其中S为总迭代次数。
若此时
Figure BDA0002554926890000111
ci,k(t+1)满足一致性要求，即不同负荷聚合商得到一致的聚类中心，则停止计算；否则返回步骤四，继续整体迭代。
输出分布式聚类结果，如图2所示，整体迭代结束后，5个负荷聚合商均得到一致的聚类中心，且此聚类中心与基于全局数据的K-means聚类中心一致。
本发明针对大数据环境背景下聚类算法所处理的数据规模日益变大、未来电力市场下电力用户用电数据保密性等问题，首先各区域对各自所管理的用户的时序用电数据进行分布式聚类分析，区域之间基于信息交互关系共享聚类结果，并通过迭代运算，最终各区域可以获得全局一致的聚类中心。分布式K-means聚类由于数据的分块处理和信息交互只涉及类别信息，因而可以减少单次计算的计算量和保护电力用户的个人用电信息。同时，基于分布式K-means聚类得到的用户分类结果与把所有用户数据集中聚类得到的分类结果一致，其分类结果后续可用于电力公司分析不同类型电力用户的用电特性。
综上所述，根据本发明的方法，可以实现多个负荷聚合商在不共享用户用电数据的情况下得到全局一致的聚类中心，为进一步研究用户用电行为和需求响应行为奠定基础。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种分布式K-means电力用户分类方法，其特征在于，包括以下步骤：
S1、N个负荷聚合商各自获取管理的所有电力用户的用电数据，包括电力用户的编号以及时序负荷数据；
S2、各负荷聚合商依据统一的归一化准则，对管理的用电用户的日负荷时序数据进行归一化操作；
S3、根据负荷聚合商的信息共享关系，形成N×N维邻接矩阵A，具体如下：
Figure FDA0003497594120000011
其中，N为负荷聚合商的数目，邻接矩阵A具有双重随机性，
Figure FDA0003497594120000012
Figure FDA0003497594120000013
若负荷聚合商i,j之间存在信息交互，则ai,j＞0；若ai,j＞0，则aj,i＞0；
Figure FDA0003497594120000014
ai,i＞0；
S4、步骤S2各负荷聚合商对各自所管理的用电用户的归一化后的日负荷时序数据进行K-means聚类，得到各自的聚类中心以及各聚类中心所表征的用户群；负荷聚合商之间基于步骤S3的邻接矩阵A共享聚类中心和各聚类中心下的用户数量，并依据相应函数反复迭代，最终多家负荷聚合商均获得一致的聚类中心，具体为：
S401、每个负荷聚合商内部以ci,k(t)为初始聚类中心进行K-means聚类，i∈[1,N]，k∈[1,K]，K为聚类中心个数，t为整体迭代次数；
S402、根据邻接矩阵进行局部迭代；
S403、当局部迭代次数s的增加不影响每个聚类中心下的用户数量qi,k(s,t+1)时，迭代结束；
S404、若此时
Figure FDA0003497594120000015
i∈[1,N]，ci,k(t+1)满足一致性要求，即不同负荷聚合商获得一致的聚类中心，则停止计算，输出结果；否则返回步骤S401，继续整体迭代；
S5、整体迭代结束后，每个负荷聚合商均获得相同的聚类中心，且此聚类中心与基于全局数据的K-means聚类中心一致，实现用户分类。
2.根据权利要求1所述的方法，其特征在于，步骤S2中，归一化之后编号为id的用户在第d个时间点的用电数据xid,d为：
Figure FDA0003497594120000021
其中，角标id表示用户的编号；Mid表示编号为id的用户在所研究的时间尺度内的用电总量；D表示所研究的时间尺度内的数据点的总数；Pi,t表示归一化之前编号为id的用户在第d个时间点的用电数据，即实际的用电功率。
3.根据权利要求1所述的方法，其特征在于，步骤S401中，若t＝0，则随机选取初始聚类中心，记录每个聚类中心下的用户数量qi,k(t)。
4.根据权利要求1所述的方法，其特征在于，步骤S402中，局部迭代具体为：
ci,k(0,t+1)＝ci,k(t+1)
qi,k(0,t+1)＝qi,k(t+1)
Figure FDA0003497594120000022
Figure FDA0003497594120000023
其中，s为局部迭代次数，ci,k(0,t+1)为第t+1次全局迭代中局部迭代的初始聚类中心，qi,k(0,t+1)为第t+1次全局迭代中局部迭代中各初始聚类中心下的用户数量，ci,k(s+1,t+1)为第t+1次全局迭代中第s+1次局部迭代的聚类中心，qi,k(s+1,t+1)为第t+1次全局迭代中第s+1次局部迭代中各聚类中心下的用户数量，t为整体迭代次数，ai,j为聚合商i，j之间的交互系数，cj,k(s,t+1)为第t+1次全局迭代中第s次局部迭代的聚类中心，qj,k(s,t+1)为第t+1次全局迭代中第s次局部迭代的各聚类中心下的用户数量，N为负荷聚合商是数目。
5.根据权利要求1所述的方法，其特征在于，步骤S403具体为：
ci,k(t+1)＝ci,k(S,t+1)
其中，S为总迭代次数，ci,k(t+1)为第t+1次整体迭代中初始的第i个负荷聚合商的第k个聚类中心。
6.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至5所述的方法中的任一方法。
7.一种分类设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。
CN202010586720.6A 2020-06-24 2020-06-24 一种分布式K-means电力用户分类方法、存储介质及分类设备 Active CN111738340B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010586720.6A CN111738340B (zh) 2020-06-24 2020-06-24 一种分布式K-means电力用户分类方法、存储介质及分类设备
US17/355,189 US11768858B2 (en) 2020-06-24 2021-06-23 Method of power user classification based on distributed K-means, storage medium and classification device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010586720.6A CN111738340B (zh) 2020-06-24 2020-06-24 一种分布式K-means电力用户分类方法、存储介质及分类设备

Publications (2)

Publication Number Publication Date
CN111738340A CN111738340A (zh) 2020-10-02
CN111738340B true CN111738340B (zh) 2022-05-20

Family

ID=72651232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010586720.6A Active CN111738340B (zh) 2020-06-24 2020-06-24 一种分布式K-means电力用户分类方法、存储介质及分类设备

Country Status (2)

Country Link
US (1) US11768858B2 (zh)
CN (1) CN111738340B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434517B (zh) * 2020-11-09 2023-08-04 西安交通大学 一种结合主动学习的社区问答网站答案排序方法及***
CN115358640A (zh) * 2022-10-20 2022-11-18 四川中电启明星信息技术有限公司 一种基于阶梯式激励的居民台区需求响应方法
CN116956075B (zh) * 2023-09-18 2024-01-12 国网山西省电力公司营销服务中心 电力用户侧类型自动识别方法、***、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248031A (zh) * 2017-05-27 2017-10-13 西安交通大学 一种针对负荷曲线峰谷差的快速电力用户分类方法
CN108345908A (zh) * 2018-02-10 2018-07-31 武汉轻工大学 电网数据的分类方法、分类设备及存储介质
CN109902953A (zh) * 2019-02-27 2019-06-18 华北电力大学 一种基于自适应粒子群聚类的电力用户分类方法
CN110580585A (zh) * 2019-09-11 2019-12-17 东南大学 一种基于负荷分解的电力用户聚类用电行为特性分析方法
CN110766516A (zh) * 2019-09-26 2020-02-07 武汉大学 一种基于电力需求响应的电能实时交易平台构建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8768795B2 (en) * 2012-09-12 2014-07-01 General Electric Company Methods and systems for estimating recoverable utility revenue
CN105868261A (zh) * 2015-12-31 2016-08-17 乐视网信息技术（北京）股份有限公司 一种关联信息的获取与排序方法和***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248031A (zh) * 2017-05-27 2017-10-13 西安交通大学 一种针对负荷曲线峰谷差的快速电力用户分类方法
CN108345908A (zh) * 2018-02-10 2018-07-31 武汉轻工大学 电网数据的分类方法、分类设备及存储介质
CN109902953A (zh) * 2019-02-27 2019-06-18 华北电力大学 一种基于自适应粒子群聚类的电力用户分类方法
CN110580585A (zh) * 2019-09-11 2019-12-17 东南大学 一种基于负荷分解的电力用户聚类用电行为特性分析方法
CN110766516A (zh) * 2019-09-26 2020-02-07 武汉大学 一种基于电力需求响应的电能实时交易平台构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Clustering Method of Raw Meal Composition Based on PCA and Kmeans;Shizeng Lu，and etc;《2018 37th Chinese Control Conference (CCC)》;20181008;第9007-9010页 *
负荷聚合技术及其应用;孙玲玲等;《电力***自动化》;20170325;第41卷(第6期);第159-167页 *

Also Published As

Publication number Publication date
CN111738340A (zh) 2020-10-02
US20210406284A1 (en) 2021-12-30
US11768858B2 (en) 2023-09-26

Similar Documents

Publication Publication Date Title
CN111738340B (zh) 一种分布式K-means电力用户分类方法、存储介质及分类设备
He et al. A big data architecture design for smart grids based on random matrix theory
Molina et al. Transmission network cost allocation based on circuit theory and the Aumann-Shapley method
Kansal et al. Optimal placement of distributed generation in distribution networks
Yin et al. Large-scale data challenges in future power grids
US20100281095A1 (en) Mobile grid computing
Rathnayaka et al. Formation of virtual community groups to manage prosumers in smart grids
CN116167581A (zh) 电池需求量预估方法、装置、调度方法和计算机设备
CN112668880A (zh) 配网网格的工单调度方法、装置、计算机设备和存储介质
Lei et al. Energy management considering energy storage and demand response for smart energy hub in Internet of Things
CN112464059B (zh) 配电网用户分类方法、装置、计算机设备和存储介质
Sophia Jasmine et al. Congestion management in deregulated power system using heuristic search algorithms incorporating wireless technology
Guo et al. Personalized home BESS recommender system based on neural collaborative filtering
CN117234712A (zh) 算力资源部署方法、装置、计算机设备以及存储介质
Cooper et al. Thermodynamic efficiency of low-carbon domestic heating systems: heat pumps and micro-cogeneration
Khazali et al. Optimal dispatch of responsive loads and generic energy storage units in a co-optimized energy and reserve market for smart power systems
Ren et al. Multi-objective optimization and evaluation of hybrid combined cooling, heating and power system considering thermal energy storage
CN105959153B (zh) 保护用电隐私且带有容错机制的用电数据采集方法及***
Wang et al. A new load survey method and its application in component based load modeling
Simpson et al. Three-dimensional visualization of electrical variables in the ventricular wall of the heart
CN116979540B (zh) 基于图技术的换流站潮流估计方法、装置、设备和介质
CN101888414A (zh) 移动多任务并行处理***
CN109739928A (zh) 数据导出方法、装置、计算机设备和存储介质
Cicchetti et al. The marginal cost and pricing of electricity: An applied approach
Baker Chapter Ten-Power, buildings, and other critical networks: Integrated multisystem operation

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