CN115630831A - 一种电力需求侧管理辅助决策支持*** - Google Patents

一种电力需求侧管理辅助决策支持*** Download PDF

Info

Publication number
CN115630831A
CN115630831A CN202211553269.3A CN202211553269A CN115630831A CN 115630831 A CN115630831 A CN 115630831A CN 202211553269 A CN202211553269 A CN 202211553269A CN 115630831 A CN115630831 A CN 115630831A
Authority
CN
China
Prior art keywords
user
users
waste
load
obtaining
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.)
Granted
Application number
CN202211553269.3A
Other languages
English (en)
Other versions
CN115630831B (zh
Inventor
段春明
王文东
贾聪彬
郑晓斌
郭良
李乃民
耿晓超
王广民
张晓曼
张爽
崔寒松
陈鹏
苏宇
鲁兵
潘一飞
张辰禹
王政
王帅
李冰
谷欣龙
柴淼
谭辉
章程
朱岩
陈霄
李智
辛春秋
齐振宇
陆旭
赵思远
黑嘉欣
董伟
刘灿
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.)
State Grid Jibei Electric Power Co ltd Engineering Management Branch
Beijing Hualian Electric Power Engineering Supervision Co ltd
Original Assignee
State Grid Jibei Electric Power Co ltd Engineering Management Branch
Beijing Hualian Electric Power Engineering Supervision Co ltd
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 State Grid Jibei Electric Power Co ltd Engineering Management Branch, Beijing Hualian Electric Power Engineering Supervision Co ltd filed Critical State Grid Jibei Electric Power Co ltd Engineering Management Branch
Priority to CN202211553269.3A priority Critical patent/CN115630831B/zh
Publication of CN115630831A publication Critical patent/CN115630831A/zh
Application granted granted Critical
Publication of CN115630831B publication Critical patent/CN115630831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (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)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及用于电力监督管理的数据处理领域，提出了一种电力需求侧管理辅助决策支持***，包括：数据采集模块，获取用户用电负荷数据；数据处理模块：根据负荷数据获取用户的第一负荷序列，得到若干第一类别及用户之间的第一对应时段；根据第一对应时段得到第一对应曲线，对第一对应曲线分解获取第二周期曲线，根据第二周期曲线获取每个用户的若干模式；对两个用户之间的模式进行匹配得到第三模式对，根据第三模式对获取用户的第一浪费程度，根据同一第一类别的第一浪费程度获取第二浪费概率，并得到第三浪费率；浪费管理模块：根据用户的第三浪费率判断用户是否浪费并采取相应措施。本发明旨在解决无法根据用户用电行为进行需求侧管理的问题。

Description

一种电力需求侧管理辅助决策支持***
技术领域
本发明涉及用于电力监督管理的数据处理领域，具体涉及一种电力需求侧管理辅助决策支持***。
背景技术
需求侧管理工作在保证稳定供电的同时，更加注重促进电力工业的可持续发展，在对电力用户分类时，传统的电力用户分类标准是按照行业、用电量、可靠性等，然而这些分类考虑的因素过于单一，没有注重具体用户用电行为，无法提取用户用电行为模式，难以实现精细化的需求侧管理，进而无法做到从需求侧出发的对于电力的节能环保应用，需要一种可以根据用户用电规律及趋势性来判断用户是否浪费电能并采取相应需求侧管理措施的决策支持判断***。
发明内容
本发明提供一种电力需求侧管理辅助决策支持***，以解决现有的无法针对具体用户的用电行为进行需求侧管理的问题，所采用的技术方案具体如下：
本发明一个实施例提供了一种电力需求侧管理辅助决策支持***，该***包括数据采集模块、数据处理模块及浪费管理模块：
数据采集模块，获取不同用户的用电负荷数据及负荷曲线；
数据处理模块，根据每个用户每天的用电负荷数据获取每个用户的第一负荷序列，根据每个用户的第一负荷序列获取任意两个用户之间的第一距离，根据第一距离获取两个用户之间的累积成本矩阵，根据第一距离与第一预设阈值的比较结果获取若干第一类别，根据每个第一类别中任意两个用户之间的累积成本矩阵，获取两个用户之间的若干第一对应时段；
根据两个用户之间的若干第一对应时段对两个用户的负荷曲线进行划分，得到两个用户的若干第一对应曲线，对每个用户的第一对应曲线进行分解获取每个用户的第二周期曲线，根据对第二周期曲线进行傅里叶变换后的幅值表现，获取每个用户的每个第二周期曲线中的若干第二序列，根据相邻的第二序列之间的余弦相似度获取每个用户的每个第二周期曲线中的若干第二类别，根据第二类别获取每个用户的每个第二周期曲线中的若干第三模式曲线，将每个第二类别中所有第二序列的均值作为每个第二类别的第三序列，将每个第三模式曲线的对应时段作为每个第二类别的第三模式时段；
对两个用户之间的第一对应时段中的若干第三序列进行最优化匹配，获取两个用户之间的若干第三模式对，根据第三模式对中两个用户的第三模式时段及第三模式序列分别获取两个用户的第一浪费程度，获取每个用户相较于同一第一类别中其他所有用户的第一浪费程度并进行阈值分割得到第三分割阈值，根据大于第三分割阈值的第一浪费程度获取每个用户的第二浪费概率，根据每个用户每天的第二浪费概率获取每个用户的第三浪费率；
浪费管理模块，根据每个用户的第三浪费率与第四预设阈值的比较结果，对部分用户采取相应措施。
可选的，所述获取每个用户的第一负荷序列，包括的具体方法为：
每个用户的用电负荷数据包括多天的负荷数据，每天的负荷数据为一个时序负荷序列，在横坐标为时间、纵坐标为负荷值得坐标系中负荷数据可以表示为负荷曲线，将每个用户的每天的时序负荷序列的均值作为每个用户的第一负荷序列。
可选的，所述获取两个用户之间的累积成本矩阵，包括的具体方法为：
根据每个用户的第一负荷序列，计算任意两个用户之间的DTW距离，记为两个用户之间的第一距离，根据DTW距离计算过程同时获取两个用户之间的累积成本矩阵。
可选的，所述获取若干第一类别，包括的具体方法为：
根据任意两个用户之间的第一距离，将第一距离小于第一预设阈值的对应两个用户划分为同一类别，得到的划分结果记为若干第一类别。
可选的，所述获取两个用户之间的若干第一对应时段，包括的具体方法为：
通过两个用户之间的累积成本矩阵，获取两个用户的第一负荷序列中元素的对应关系，标注其中一对多和多对一的节点元素，根据节点元素对应的时间点对两个用户的每天的负荷曲线进行划分，划分的若干段两个用户之间对应的负荷曲线所属的时间段记为第一对应时段。
可选的，所述获取每个用户的每个第二周期曲线中的若干第二序列，包括的具体方法为：
对第二周期曲线进行傅里叶变换，将频域空间中的幅值表现按照升序排列并进行多阈值分割，将最大的幅值类别中每个幅值对应的频率值的倒数作为变动季节，根据每个变动季节分别对第二周期曲线进行一次划分，得到根据每个变动季节划分的若干第二序列。
可选的，所述获取每个用户的每个第二周期曲线中的若干第二类别，包括的具体方法为：
获取每个变动季节划分下的相邻第二序列的余弦相似度，所述第二序列实质为一段第二周期曲线，分别对每个变动季节划分下的相邻第二序列的余弦相似度与第二预设阈值比较并分类，得到分别对应一个变动季节的第二类别。
可选的，所述获取两个用户的第一浪费程度，包括的具体方法为：
Figure 74383DEST_PATH_IMAGE001
其中，
Figure 497275DEST_PATH_IMAGE002
表示用户
Figure 9027DEST_PATH_IMAGE003
相较于用户
Figure 909987DEST_PATH_IMAGE004
在一天的第一浪费程度，
Figure 721954DEST_PATH_IMAGE005
表示两个用户所有第三模式对中用户
Figure 315747DEST_PATH_IMAGE003
的平均负荷大于用户
Figure 580375DEST_PATH_IMAGE004
的平均负荷的第三模式对的数量，
Figure 347342DEST_PATH_IMAGE006
表示第
Figure 685920DEST_PATH_IMAGE007
个第三模式对中用户
Figure 919455DEST_PATH_IMAGE003
的第三模式时段，
Figure 343483DEST_PATH_IMAGE008
表示第
Figure 117404DEST_PATH_IMAGE007
个第三模式对中用户
Figure 372805DEST_PATH_IMAGE004
的第三模式时段，
Figure 839558DEST_PATH_IMAGE009
表示第
Figure 219724DEST_PATH_IMAGE007
个第三模式对中用户
Figure 469440DEST_PATH_IMAGE003
的第三模式序列中的元素均值，所述平均负荷及第三模式序列中的元素均值表示第三模式序列中元素对应的负荷数据均值，
Figure 251451DEST_PATH_IMAGE010
表示第
Figure 357947DEST_PATH_IMAGE007
个第三模式对中用户
Figure 287726DEST_PATH_IMAGE004
的第三模式序列中的元素均值，
Figure 137871DEST_PATH_IMAGE011
表示以自然常数为底的指数函数。
可选的，所述获取每个用户的第二浪费概率，包括的具体方法为：
Figure 39967DEST_PATH_IMAGE012
其中，
Figure 255048DEST_PATH_IMAGE013
表示用户
Figure 609806DEST_PATH_IMAGE003
在一天的第二浪费概率，
Figure 60379DEST_PATH_IMAGE014
表示用户
Figure 551403DEST_PATH_IMAGE003
所在第一类别中用户的总数，
Figure 62019DEST_PATH_IMAGE015
表示用户
Figure 169652DEST_PATH_IMAGE003
在该天大于第三分割阈值的第一浪费程度数量，
Figure 627178DEST_PATH_IMAGE016
表示用户
Figure 238288DEST_PATH_IMAGE003
在该天大于第三分割阈值的第一浪费程度中相较于第
Figure 919805DEST_PATH_IMAGE017
个用户的第一浪费程度。
可选的，所述获取每个用户的第三浪费率，包括的具体方法为：
Figure 249156DEST_PATH_IMAGE018
其中，
Figure 713635DEST_PATH_IMAGE019
表示用户
Figure 710410DEST_PATH_IMAGE003
的第三浪费率，
Figure 500511DEST_PATH_IMAGE020
表示用户
Figure 317158DEST_PATH_IMAGE003
的主成分方向，所述主成分方向为利用PCA方法分析以第二浪费概率为纵坐标，天数为横坐标的坐标系中的坐标点获取，
Figure 139924DEST_PATH_IMAGE021
表示用户共有
Figure 725626DEST_PATH_IMAGE021
天的用电负荷数据，
Figure 217787DEST_PATH_IMAGE022
表示用户
Figure 521730DEST_PATH_IMAGE003
在第
Figure 655908DEST_PATH_IMAGE023
天的第二浪费概率。
本发明的有益效果是：通过用户负荷数据的DTW距离对用户进行分类，有助于将相同用电规律的用户分到一类，对同一类别中的用户进行比较，计算浪费概率，参考性较大，计算得到的数据的可信度较大；通过不同用户负荷曲线的STL分解周期曲线的模式对应关系计算浪费概率，进而结合多天的数据趋势进行计算，可以有效提高浪费率的准确度和可信度，使得工作人员通过所述数据制定相应的政策可以起到有效的作用。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例所提供一种电力需求侧管理辅助决策支持***的结构框图；
图2为基于累积成本矩阵的区域对应示例图。
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。
请参阅图1，其示出了本发明一个实施例所提供的一种电力需求侧管理辅助决策支持***结构框图，该***包括数据采集模块S101、数据处理模块S102及浪费管理模块S103：
数据采集模块S101：获取不同用户的用电负荷数据及负荷曲线。
本实施例的目的是针对不同用户的用电负荷及用电规律，实施差异化的用电需求侧管理，为电力需求侧管理工作提供决策辅助；因此需要获取不同用户在一段时间内的用电负荷数据，所述用电负荷数据包含每个用户多天的用电负荷数据，同时每一天的负荷数据都为时序的，以时序为横坐标、负荷数据为纵坐标可以得到每个用户每天的负荷曲线。
数据处理模块S102：
（1）根据每个用户每天的用电负荷数据获取每个用户的第一负荷序列，根据第一负荷获取若干第一类别，获取同一第一类别中任意两个用户之间的若干第一对应时段。
需要说明的是，数据显示，居民虽然有一定的节能意识，但家庭用电浪费现象还是比较普遍；要对用电浪费采取相应措施，需要计算分析哪些用户存在浪费行为，通过对多个用户的负荷数据及负荷曲线进行分析，将用电规律相似的用户划分到同一类别，根据同一类别中各用户之间的相对应的用电模式下用电时段的差异及用电负荷的变化来判断用户是否存在浪费行为；同时，由于每个用户具有多天的负荷数据，为方便对相似用电规律的用户进行分类，提取用户多天负荷数据的均值来进行相似性计算。
具体的，每个用户每天的负荷数据均可表示为时序的负荷序列，对同一用户多天的负荷序列求均值，得到的均值序列记为每个用户的第一负荷序列；所述均值序列即是将每天的负荷序列中相同位置数据的均值作为均值序列相同位置的元素。
进一步需要说明的是，用户的用电规律反映的是用户的大致用电模式变化，不考虑时序上是否每个时间点相似或对应，因此利用DTW距离对任意两个用户之间判断其用电规律的相似性。
具体的，计算任意两个用户之间第一负荷序列的DTW距离，记为第一距离，将第一距离小于第一预设阈值的对应两个用户划分为同一类别，本实施例给出的第一预设阈值为10，此时得到的划分结果记为若干第一类别；同一第一类别中各用户之间的第一距离较小，用电规律相似性较大；不同第一类别中各用户之间的第一距离较大，用电规律相似性较小。
进一步的，请参阅图2，其示出了基于累积成本矩阵的得到的区域对应关系，所述累积成本矩阵在DTW距离计算过程中可以得到，图中表示了两条折线间的对应关系，图2中A、B、C、D、E、F、G以及a、b、c、d、e、f、g、h分别是两条折线上的若干数据点，记为节点，本实施例以这些节点为例来说明区域对应关系：A-B区域对应a-b-c-d区域，表示为AB区域对应ad区域，而BF区域对应dh区域。
具体的，根据两个用户之间的累积成本矩阵，获取两个用户各自第一负荷序列中元素的对应关系；请参阅图2，其中的A节点即为一个一对多的节点，对应了a、b和c三个节点，而a、b和c三个节点均对应了A节点，为多对一节点，将第一负荷序列中有一对多和多对一关系的元素记为节点元素，标注其中一对多和多对一的节点元素，根据节点元素对应的时间点对两个用户的每天的负荷曲线进行划分，划分的若干段两个用户之间对应的负荷曲线所属的时间段记为第一对应时段；请参阅图2，如果两条折线表示时序变化的第一负荷序列，则A-B时段和a-b-c-d即为两个第一负荷序列间的一个第一对应时段；需要说明的是，由于第一负荷序列由用户每天的负荷数据求均值得到，因此划分的时间节点适用于用户的所有负荷曲线。
此时，根据同一第一类别中两个用户的第一距离及累积成本矩阵，获取到了用电规律相似的用户之间各时间段的用电对应关系，即为第一对应时段，相同第一对应时段内不同用户使用的电器种类相同，不同第一对应时段内使用电器种类不同。
（2）根据两个用户之间的第一对应时段得到两个用户的若干第一对应曲线，对第一对应曲线进行STL分解获取每个用户的第二周期曲线，根据第二周期曲线的周期变化表现获取每个用户的第三模式时段。
需要说明的是，得到多个第一对应时段后，相同第一对应时段两个用户使用的是一个或多个同种电器，但数量可能存在差异；通过STL对第一对应时段的对应负荷曲线进行分解获取第二周期曲线，周期曲线中可能包含多个模式下的不同变动季节，根据这些变动季节对第二周期曲线中不同的模式进行提取，同一模式下使用的电器种类相同，不同模式下使用的电器种类不同。
具体的，根据两个用户之间的第一对应时段分别对两个用户同一天的负荷曲线进行划分，第一对应时段对应时序负荷数据上的时间节点，根据这些时间节点分别对两个用户的负荷曲线进行划分，得到两个用户在同一天中的若干第一对应曲线，再对每个用户的每段第一对应曲线进行STL分解获取第一对应曲线相应的第二周期曲线；需要说明的是，STL对曲线进行分解可以分别得到趋势线、周期曲线及残差点，其中周期曲线中包含有若干周期，记为变动季节，且一段第二周期曲线中的若干变动季节不一定完全相同，即是可能存在多种变动季节，每种变动季节对应一个模式；例如用户
Figure 361695DEST_PATH_IMAGE003
在晚上9-10点使用白炽灯，10-11点使用电视、白炽灯和热水器；用户
Figure 759179DEST_PATH_IMAGE004
在晚上9-11点使用白炽灯，在11-1点打开多个电视、多个白炽灯和热水器；此时，用户
Figure 550417DEST_PATH_IMAGE003
在9-11点与用户
Figure 425969DEST_PATH_IMAGE004
在9-1点为第一对应时段，使用同种电器的时段记为同种模式。
进一步的需要说明的是，为获取第二周期曲线中的不同种变动季节，对第二周期曲线进行傅里叶变换转化到频域空间中，横坐标为频率而纵坐标为幅值，频域空间中如果仅有一个较大的幅值而其他幅值都较小，说明这段第二周期曲线中仅有一种变动季节，即只有一个模式；如果存在多个较大的幅值，则说明可能有多种变动季节，对应了多个模式。
具体的，对第二周期曲线进行傅里叶变换到频域空间后，将存在的所有幅值排列为一个升序序列，对升序序列通过OTSU多阈值分割得到若干幅值类别，选择最后一个幅值类别，由于升序排列，最后一个幅值类别中的元素均值即为所有类别中最大的元素均值，将其中每个元素即每个幅值对应的频率值的倒数作为每个变动季节，因此第二周期曲线对应得到多个变动季节，根据每个变动季节分别对第二周期曲线进行一次划分，所述划分是以变动季节对第二周期曲线进行均等分割，得到根据每个变动季节划分的若干第二序列，将变动季节视为模式，从而得到每个模式下的若干第二序列。
此时，每个变动季节的实质仍为一个时段，因此可以对曲线进行划分，得到的第二序列实质为曲线中的时序数据，当相邻的第二序列相似度较大时，表明此时变动季节对该处曲线的划分较为合理，划分后的相邻第二序列即曲线符合周期性变化，这些曲线属于相应的变动季节，变化周期即为变动季节；而若变化周期与变动季节不符或差异较大，会导致划分出的曲线丧失周期性变化特征，进而导致相邻的第二序列相似度很小。
具体的，获取每个变动季节划分下的相邻第二序列的余弦相似度，分别对每个变动季节划分下的相邻第二序列的余弦相似度与第二预设阈值比较并分类，本实施例给出第二预设阈值为0.9，将余弦相似度大于第二预设阈值的相邻第二序列归入一类，得到分别对应一个变动季节的第二类别。
至此，根据第二周期曲线对应的多个变动季节获取到了若干第二类别，记为若干模式，所述变动季节即为第二周期曲线中不同的周期变化，根据第二类别对第二周期曲线进行划分得到每个第二周期曲线中的若干第三模式曲线，所述第二类别包含若干第二序列，每个第二序列对应一部分第二周期曲线，将同一第二类别中所有第二序列对应的部分第二周期曲线作为第三模式曲线，将每个第三模式曲线对应的时段作为每个模式的第三模式时段，同时将每个模式中所有第二序列的均值作为每个模式的第三序列；相同模式下的使用电器种类相同，不同模式下的使用电器种类不同。
（3）根据两个用户之间的第一对应时段中的若干模式进行最优化匹配，得到两个用户的若干第三模式对，并根据第三模式对获取两个用户的第一浪费程度，根据每个用户相较于同一第一类别中的其他用户的第一浪费程度获取第二浪费概率，根据每个用户每天的第二浪费概率获取每个用户的第三浪费率。
需要说明的是，两个用户之间的每个第一对应时段分别对应一段第二周期曲线，每段第二周期曲线中包含若干模式，对两个用户各自的模式进行匹配，根据同一天中所有模式对的时段及负荷的差异表现获取第一浪费程度，再通过每个用户相较于同一第一类别中的其他所有用户的第一浪费程度，获取每个用户在该天的第二浪费概率，再对多天的第二浪费概率进行主成分趋势方向分析，获取每个用户的第三浪费率。
具体的，获取任意两个用户之间的第一对应时段中的所有模式，将两个用户的模式构建二分图，其中左侧节点为一个用户所有模式对应的第三序列，右侧节点为另一个用户所有模式对应的第三序列，边值采用左右两个节点对应模式的第三序列之间的余弦相似度，根据边值通过KM算法进行最优化匹配，获取到若干第三模式对；需要说明的是，左右两侧节点在最优化匹配后均为一对一情况，第三模式对之间不存在重复情况；按照上述方法获取两个用户之间在同一天中的所有第三模式对，此时，每个第三模式对下的两个用户在第一对应时段内使用的电器种类相同，同一第一对应时段内不同的第三模式对使用的电器种类不同。
进一步的，根据第三模式对的第三序列及第三模式时段获取两个用户之间的第一浪费程度，以用户
Figure 986264DEST_PATH_IMAGE003
在某一天相较于用户
Figure 492331DEST_PATH_IMAGE004
的第一浪费程度
Figure 505287DEST_PATH_IMAGE002
为例，其计算方法为：
Figure 450109DEST_PATH_IMAGE024
其中，
Figure 864910DEST_PATH_IMAGE005
表示两个用户所有第三模式对中用户
Figure 869775DEST_PATH_IMAGE003
的平均负荷大于用户
Figure 104447DEST_PATH_IMAGE004
的平均负荷的第三模式对的数量，
Figure 384119DEST_PATH_IMAGE006
表示第
Figure 919005DEST_PATH_IMAGE007
个第三模式对中用户
Figure 829193DEST_PATH_IMAGE003
的第三模式时段，
Figure 816740DEST_PATH_IMAGE008
表示第
Figure 103365DEST_PATH_IMAGE007
个第三模式对中用户
Figure 899283DEST_PATH_IMAGE004
的第三模式时段，
Figure 245950DEST_PATH_IMAGE009
表示第
Figure 720794DEST_PATH_IMAGE007
个第三模式对中用户
Figure 545531DEST_PATH_IMAGE003
的第三模式序列中的元素均值，所述平均负荷及第三模式序列中的元素均值表示第三模式序列中元素对应的负荷数据均值，
Figure 789430DEST_PATH_IMAGE010
表示第
Figure 838158DEST_PATH_IMAGE007
个第三模式对中用户
Figure 800297DEST_PATH_IMAGE004
的第三模式序列中的元素均值，
Figure 163146DEST_PATH_IMAGE011
表示以自然常数为底的指数函数，用于归一化处理；此时，先获取用户
Figure 527131DEST_PATH_IMAGE003
平均负荷大于用户
Figure 622126DEST_PATH_IMAGE004
平均负荷的第三模式对，根据这些第三模式对中两个用户之间的相同模式时段差异及平均负荷差异获取两个用户之间的第一浪费程度，相同模式时段差异越大，平均负荷差异越大，说明用户
Figure 71562DEST_PATH_IMAGE003
相较于用户
Figure 238101DEST_PATH_IMAGE004
在该天的浪费程度越大。
进一步需要说明的是，单一用户组合之间的浪费程度无法准确反映每个用户的浪费程度，根据每个用户与相同第一类别中其他所有用户的第一浪费程度进行分析，此时同一第一类别中用户的用电规律相似，可以较好反映用户在某一天的浪费用电发生概率。
具体的，以用户
Figure 191013DEST_PATH_IMAGE003
为例，首先将用户
Figure 847123DEST_PATH_IMAGE003
与同一第一类别中其他所有用户的第一浪费程度进行升序排列并通过OTSU阈值分割，得到第三分割阈值
Figure 518275DEST_PATH_IMAGE025
，则用户
Figure 488505DEST_PATH_IMAGE003
在某一天的第二浪费概率
Figure 561504DEST_PATH_IMAGE013
的计算方法为：
Figure 591776DEST_PATH_IMAGE026
其中，
Figure 15805DEST_PATH_IMAGE014
表示用户
Figure 524146DEST_PATH_IMAGE003
所在的第一类别中用户的总数，
Figure 451651DEST_PATH_IMAGE015
表示用户
Figure 324929DEST_PATH_IMAGE003
在该天大于第三分割阈值的第一浪费程度数量，
Figure 970674DEST_PATH_IMAGE016
表示用户
Figure 282707DEST_PATH_IMAGE003
在该天大于第三预设阈值的第一浪费程度中相较于第
Figure 330297DEST_PATH_IMAGE017
个用户的第一浪费程度；此时，将较大浪费程度与所有浪费程度的占比及较大浪费程度的均值的乘积作为用户的第二浪费概率，较大浪费程度越多，占比越大，浪费概率越大；较大浪费程度的均值越大，浪费概率越大。
进一步的，用户
Figure 436793DEST_PATH_IMAGE003
在每天都有对应的第二浪费概率，按照上述方法获取用户
Figure 366572DEST_PATH_IMAGE003
所有天的第二浪费概率，并以横坐标为天数，纵坐标为第二浪费概率，对这些第二浪费概率及对应天数构建坐标系，对所述坐标系中的坐标点进行PCA算法分析，获取用户
Figure 685558DEST_PATH_IMAGE003
的主成分方向趋势；具体的，利用PCA算法获取每个坐标点的方向，每个坐标点的方向都是一个二维单位向量且对应一个特征值，本实施例选择最大特征值对应的方向为主成分趋势方向，表示这些坐标点投影方差最大的方向，即这些坐标点的主要分布方向；需要说明的是，利用主成分方向与水平右向的夹角来量化主成分方向，记为
Figure 587655DEST_PATH_IMAGE027
，主成分方向在第一象限说明浪费概率整体呈现增大趋势，因此使用正值，而不在第一象限说明浪费概率整体呈现减小趋势，将主成分方向修正为对应度数与180度的差值绝对值，再在绝对值前面加负号转换为负值，特殊的，大于270度的主成分方向计算其与360度的差值绝对值，再添加负号转换为负值，此时得到的主成分方向仍记为
Figure 130632DEST_PATH_IMAGE027
，为更新后的主成分方向值。
进一步的，根据用户
Figure 485390DEST_PATH_IMAGE003
在每天的第二浪费概率及主成分方向获取用户
Figure 404804DEST_PATH_IMAGE003
在多天负荷数据下的第三浪费率
Figure 958145DEST_PATH_IMAGE019
，计算方法为：
Figure 406444DEST_PATH_IMAGE028
其中，
Figure 779657DEST_PATH_IMAGE020
表示用户
Figure 971604DEST_PATH_IMAGE003
的主成分方向，所述主成分方向为如上述方法利用PCA方法分析以第二浪费概率为纵坐标，天数为横坐标的坐标系中的坐标点获取，
Figure 582714DEST_PATH_IMAGE021
表示用户共有
Figure 405176DEST_PATH_IMAGE021
天的用电负荷数据，
Figure 468947DEST_PATH_IMAGE022
表示用户
Figure 526902DEST_PATH_IMAGE003
在第
Figure 992518DEST_PATH_IMAGE023
天的第二浪费概率；此时，用户的第二浪费概率均值越大，主成分方向值越大，用户的第二浪费概率呈现增长趋势，用户的第三浪费率越大；按照上述方法获取所有用户的第三浪费率。
浪费管理模块S103：根据每个用户的第三浪费率获取用户的浪费判断结果并采取对应措施。
将每个用户的第三浪费率与第四预设阈值进行比较，本实施例给出第四预设阈值为0.7，对第三浪费率大于0.7的用户认为其用电浪费较大，对其进行节能教育学习及控制阶梯电价的相应措施，完成从电力需求侧的管理对电价决策的辅助支持作用。
以上所述仅为本发明的较佳实施例而已，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 (10)

1.一种电力需求侧管理辅助决策支持***，其特征在于，该***包括：
数据采集模块，获取不同用户的用电负荷数据及负荷曲线；
数据处理模块，根据每个用户每天的用电负荷数据获取每个用户的第一负荷序列，根据每个用户的第一负荷序列获取任意两个用户之间的第一距离，根据第一距离获取两个用户之间的累积成本矩阵，根据第一距离与第一预设阈值的比较结果获取若干第一类别，根据每个第一类别中任意两个用户之间的累积成本矩阵，获取两个用户之间的若干第一对应时段；
根据两个用户之间的若干第一对应时段对两个用户的负荷曲线进行划分，得到两个用户的若干第一对应曲线，对每个用户的第一对应曲线进行分解获取每个用户的第二周期曲线，根据对第二周期曲线进行傅里叶变换后的幅值表现，获取每个用户的每个第二周期曲线中的若干第二序列，根据相邻的第二序列之间的余弦相似度获取每个用户的每个第二周期曲线中的若干第二类别，根据第二类别获取每个用户的每个第二周期曲线中的若干第三模式曲线，将每个第二类别中所有第二序列的均值作为每个第二类别的第三序列，将每个第三模式曲线的对应时段作为每个第二类别的第三模式时段；
对两个用户之间的第一对应时段中的若干第三序列进行最优化匹配，获取两个用户之间的若干第三模式对，根据第三模式对中两个用户的第三模式时段及第三模式序列分别获取两个用户的第一浪费程度，获取每个用户相较于同一第一类别中其他所有用户的第一浪费程度并进行阈值分割得到第三分割阈值，根据大于第三分割阈值的第一浪费程度获取每个用户的第二浪费概率，根据每个用户每天的第二浪费概率获取每个用户的第三浪费率；
浪费管理模块，根据每个用户的第三浪费率与第四预设阈值的比较结果，对部分用户采取相应措施。
2.根据权利要求1所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取每个用户的第一负荷序列，包括的具体方法为：
每个用户的用电负荷数据包括多天的负荷数据，每天的负荷数据为一个时序负荷序列，在横坐标为时间、纵坐标为负荷值得坐标系中负荷数据可以表示为负荷曲线，将每个用户的每天的时序负荷序列的均值作为每个用户的第一负荷序列。
3.根据权利要求1所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取两个用户之间的累积成本矩阵，包括的具体方法为：
根据每个用户的第一负荷序列，计算任意两个用户之间的DTW距离，记为两个用户之间的第一距离，根据DTW距离计算过程同时获取两个用户之间的累积成本矩阵。
4.根据权利要求1所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取若干第一类别，包括的具体方法为：
根据任意两个用户之间的第一距离，将第一距离小于第一预设阈值的对应两个用户划分为同一类别，得到的划分结果记为若干第一类别。
5.根据权利要求4所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取两个用户之间的若干第一对应时段，包括的具体方法为：
通过两个用户之间的累积成本矩阵，获取两个用户的第一负荷序列中元素的对应关系，标注其中一对多和多对一的节点元素，根据节点元素对应的时间点对两个用户的每天的负荷曲线进行划分，划分的若干段两个用户之间对应的负荷曲线所属的时间段记为第一对应时段。
6.根据权利要求1所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取每个用户的每个第二周期曲线中的若干第二序列，包括的具体方法为：
对第二周期曲线进行傅里叶变换，将频域空间中的幅值表现按照升序排列并进行多阈值分割，将最大的幅值类别中每个幅值对应的频率值的倒数作为变动季节，根据每个变动季节分别对第二周期曲线进行一次划分，得到根据每个变动季节划分的若干第二序列。
7.根据权利要求6所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取每个用户的每个第二周期曲线中的若干第二类别，包括的具体方法为：
获取每个变动季节划分下的相邻第二序列的余弦相似度，所述第二序列实质为一段第二周期曲线，分别对每个变动季节划分下的相邻第二序列的余弦相似度与第二预设阈值比较并分类，得到分别对应一个变动季节的第二类别。
8.根据权利要求1所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取两个用户的第一浪费程度，包括的具体方法为：
Figure 570110DEST_PATH_IMAGE002
其中，
Figure 549568DEST_PATH_IMAGE003
表示用户
Figure 126043DEST_PATH_IMAGE004
相较于用户
Figure 583569DEST_PATH_IMAGE005
在一天的第一浪费程度，
Figure 194679DEST_PATH_IMAGE006
表示两个用户所有第三模式对中用户
Figure 79458DEST_PATH_IMAGE004
的平均负荷大于用户
Figure 143229DEST_PATH_IMAGE005
的平均负荷的第三模式对的数量，
Figure 138867DEST_PATH_IMAGE007
表示第
Figure 18134DEST_PATH_IMAGE008
个第三模式对中用户
Figure 73815DEST_PATH_IMAGE004
的第三模式时段，
Figure 624882DEST_PATH_IMAGE009
表示第
Figure 424210DEST_PATH_IMAGE008
个第三模式对中用户
Figure 744333DEST_PATH_IMAGE005
的第三模式时段，
Figure 970915DEST_PATH_IMAGE010
表示第
Figure 274858DEST_PATH_IMAGE008
个第三模式对中用户
Figure 346719DEST_PATH_IMAGE004
的第三模式序列中的元素均值，所述平均负荷及第三模式序列中的元素均值表示第三模式序列中元素对应的负荷数据均值，
Figure 786927DEST_PATH_IMAGE011
表示第
Figure 184411DEST_PATH_IMAGE008
个第三模式对中用户
Figure 710070DEST_PATH_IMAGE005
的第三模式序列中的元素均值，
Figure 585622DEST_PATH_IMAGE012
表示以自然常数为底的指数函数。
9.根据权利要求8所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取每个用户的第二浪费概率，包括的具体方法为：
Figure 145916DEST_PATH_IMAGE014
其中，
Figure 42197DEST_PATH_IMAGE015
表示用户
Figure 55152DEST_PATH_IMAGE004
在一天的第二浪费概率，
Figure 999975DEST_PATH_IMAGE016
表示用户
Figure 414776DEST_PATH_IMAGE004
所在第一类别中用户的总数，
Figure 888482DEST_PATH_IMAGE017
表示用户
Figure 388734DEST_PATH_IMAGE004
在该天大于第三分割阈值的第一浪费程度数量，
Figure 871668DEST_PATH_IMAGE018
表示用户
Figure 140975DEST_PATH_IMAGE004
在该天大于第三分割阈值的第一浪费程度中相较于第
Figure 316741DEST_PATH_IMAGE019
个用户的第一浪费程度。
10.根据权利要求9所述的一种电力需求侧管理辅助决策支持***，其特征在于，所述获取每个用户的第三浪费率，包括的具体方法为：
Figure 304289DEST_PATH_IMAGE021
其中，
Figure 325335DEST_PATH_IMAGE022
表示用户
Figure 449148DEST_PATH_IMAGE004
的第三浪费率，
Figure 530237DEST_PATH_IMAGE023
表示用户
Figure 739501DEST_PATH_IMAGE004
的主成分方向，所述主成分方向为利用PCA方法分析以第二浪费概率为纵坐标，天数为横坐标的坐标系中的坐标点获取，
Figure 829817DEST_PATH_IMAGE024
表示用户共有
Figure 73717DEST_PATH_IMAGE024
天的用电负荷数据，
Figure DEST_PATH_IMAGE025
表示用户
Figure 653602DEST_PATH_IMAGE004
在第
Figure 615742DEST_PATH_IMAGE026
天的第二浪费概率。
CN202211553269.3A 2022-12-06 2022-12-06 一种电力需求侧管理辅助决策支持*** Active CN115630831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211553269.3A CN115630831B (zh) 2022-12-06 2022-12-06 一种电力需求侧管理辅助决策支持***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211553269.3A CN115630831B (zh) 2022-12-06 2022-12-06 一种电力需求侧管理辅助决策支持***

Publications (2)

Publication Number Publication Date
CN115630831A true CN115630831A (zh) 2023-01-20
CN115630831B CN115630831B (zh) 2023-05-12

Family

ID=84910211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211553269.3A Active CN115630831B (zh) 2022-12-06 2022-12-06 一种电力需求侧管理辅助决策支持***

Country Status (1)

Country Link
CN (1) CN115630831B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844351A (zh) * 2016-03-22 2016-08-10 广西电网有限责任公司电力科学研究院 一种电力用电市场景气指数预测方法
CN108734216A (zh) * 2018-05-22 2018-11-02 广东工业大学 基于负荷曲线形态的电力用户分类方法、装置及存储介质
CN111724278A (zh) * 2020-06-11 2020-09-29 国网吉林省电力有限公司 一种面向电力多元负荷用户的精细分类方法及***
CN111754090A (zh) * 2020-06-08 2020-10-09 深圳供电局有限公司 一种基于大数据的电力用户需求侧调控方法
WO2020237539A1 (zh) * 2019-05-29 2020-12-03 西门子股份公司 电力负荷的预测方法、装置及存储介质
CN113298569A (zh) * 2021-06-03 2021-08-24 江苏电百达智能科技有限公司 一种基于人工智能的电力需求侧管理方法及***
CN113988161A (zh) * 2021-10-15 2022-01-28 贵州大学 一种用户用电行为模式识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844351A (zh) * 2016-03-22 2016-08-10 广西电网有限责任公司电力科学研究院 一种电力用电市场景气指数预测方法
CN108734216A (zh) * 2018-05-22 2018-11-02 广东工业大学 基于负荷曲线形态的电力用户分类方法、装置及存储介质
WO2020237539A1 (zh) * 2019-05-29 2020-12-03 西门子股份公司 电力负荷的预测方法、装置及存储介质
CN111754090A (zh) * 2020-06-08 2020-10-09 深圳供电局有限公司 一种基于大数据的电力用户需求侧调控方法
CN111724278A (zh) * 2020-06-11 2020-09-29 国网吉林省电力有限公司 一种面向电力多元负荷用户的精细分类方法及***
CN113298569A (zh) * 2021-06-03 2021-08-24 江苏电百达智能科技有限公司 一种基于人工智能的电力需求侧管理方法及***
CN113988161A (zh) * 2021-10-15 2022-01-28 贵州大学 一种用户用电行为模式识别方法

Also Published As

Publication number Publication date
CN115630831B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及***
Fobi et al. A longitudinal study of electricity consumption growth in Kenya
Xu et al. Hierarchical K-means method for clustering large-scale advanced metering infrastructure data
CN111864896B (zh) 一种电力负荷监测方法及***
Ferraro et al. Comparison and clustering analysis of the daily electrical load in eight European countries
Zethmayr et al. Six unique load shapes: A segmentation analysis of Illinois residential electricity consumers
Emmanuel et al. Net electricity clustering at different temporal resolutions using a SAX-based method for integrated distribution system planning
CN110909786A (zh) 一种基于特性指标与决策树模型的新装用户负荷辨识方法
Ząbkowski et al. Grade analysis for energy usage patterns segmentation based on smart meter data
CN115630831A (zh) 一种电力需求侧管理辅助决策支持***
CN110210677B (zh) 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置
Waczowicz et al. Demand response clustering-how do dynamic prices affect household electricity consumption?
Khalyasmaa et al. Membership functions for the formation of the electrical equipment state estimation for power stations and substations
Wang et al. Application of clustering technique to electricity customer classification for load forecasting
Arco et al. Clustering methodology for smart metering data based on local and global features
CN111260195B (zh) 一种低压用户串户检测方法及存储介质
CN115275975A (zh) 一种光储充电站电力数据匹配度的确定方法及装置
Kamath et al. Finding motifs in wind generation time series data
CN115936291A (zh) 海量数据下基于多能源协同企业能耗动态标准库构建方法
Maniar et al. Validity index based improvisation in reproducibility of load profiling outcome
Yan et al. A clustering method for power time series curves based on improved self-organizing mapping algorithm
Yang et al. Research and Application of Power Consumers Behavior Analysis Based on K-Means Algorithm
US20240085466A1 (en) Power consumption behavior analyzing device and power consumption behavior analyzing method
Ma et al. Classification Method for Power Load Data of New Energy Grid based on Improved OTSU Algorithm
Liu et al. Operation pattern recognition via Mass data in bulk transmission grid

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