一种电力负荷聚类分析方法、装置和设备制造方法及图纸

本申请公开了一种电力负荷聚类分析方法、装置和设备，通过动态时间弯曲路径算法计算电力用户的日负荷曲线数据的最短弯曲路径，从而计算最小平均距离，确定电力用户的数据代表，完成了对电力用户历史负荷数据的有效整合，减少了重复信息的冗余计算，有效节省了计算开销，在一定程度上克服了负荷的时间波动性和不确定性导致传统的聚类算法性能下降的问题；根据预置模糊裕度，对数据代表集进行压缩降维处理，使得计算维度大幅下降，提高了计算效率；因此，本申请提供的方法解决了现有的电力负荷聚类分析方法存在的使用原始日负荷数据计算维数高，造成信息冗余和计算效率低下，和因时间不确定性和波动性导致的计算结果误差大的技术问题。

【技术实现步骤摘要】
一种电力负荷聚类分析方法、装置和设备
本申请涉及电力负荷管理
，尤其涉及一种电力负荷聚类分析方法、装置和设备。
技术介绍
随着社会经济的不断发展，电力用户的行业类别不断增加，同类行业用户的日负荷曲线特性的差异性也在逐步提高，传统的以用户报装类别作为负荷分类依据的分析方法已不适于新一代电力系统和能源互联网的发展。为了对同类性质的电力用户进行负荷分析，通常需要对电力用户的日负荷数据进行聚类分析处理，但是传统的聚类算法直接应用于电力用户日负荷曲线聚类分析往往存在以下缺点：(1)直接采集的原始日负荷曲线数据维数高，因包含大量历史数据，数据集长度较长，同一用户的历史数据具有高度相似性，造成信息冗余；(2)即使是具有高度相似性的同一用户的负荷数据，也会因为时间上的不确定性和波动性导致传统聚类所使用的欧氏距离计算结果增大，造成误差。这些缺点会造成电力负荷聚类分析的复杂度增加、效率低下和误差大的技术问题，因此，如何克服以上缺点是本领域技术人员亟待解决的技术问题。
技术实现思路
本申请实施例提供了一种电力负荷聚类分析方法、装置和设备，用于解决现有的电力负荷聚类分析方法存在的使用原始日负荷数据计算维数高，造成信息冗余和计算效率低下，和因时间不确定性和波动性导致的计算结果误差大的技术问题。有鉴于此，本申请第一方面提供了一种电力负荷聚类分析方法，包括以下步骤：101、从预处理后的电力用户i的日负荷曲线数据中选取一条日负荷曲线作为数据中心，根据动态时间弯曲算法计算所述数据中心与其余日负荷曲线数据的最短弯曲路径，并根据所述最短弯曲路径计算所述数据中心与所述其余日负荷曲线数据的平均距离；102、遍历所述电力用户i的所有所述日负荷曲线数据，分别计算各所述日负荷曲线数据作为所述数据中心时，所述数据中心与所述其余日负荷曲线数据的平均距离；103、将所述平均距离取得最小值时对应的所述数据中心作为所述电力用户i的数据代表，得到所有电力用户的数据代表集；104、根据预置模糊裕度对所述数据代表集进行压缩降维处理，得到降维数据集；105、对所述降维数据集的数据进行聚类。优选地，步骤101之前，还包括：100、获取所有电力用户的日负荷曲线数据，对所述日负荷曲线数据进行预处理，所述预处理包括：对各所述日负荷曲线的原始数据进行清洗和筛选，将数据缺失或异常的所述日负荷曲线剔除。优选地，所述预处理还包括：对各所述电力用户的所有所述日负荷曲线进行归一化、离散化和整数化处理。优选地，所述聚类的聚类算法为K-中心点聚类算法。本申请第二方面还提供了一种电力负荷聚类分析装置，包括：距离单元，用于从预处理后的电力用户i的日负荷曲线数据中选取一条日负荷曲线作为数据中心，根据动态时间弯曲算法计算所述数据中心与其余日负荷曲线数据的最短弯曲路径，并根据所述最短弯曲路径计算所述数据中心与所述其余日负荷曲线数据的平均距离；遍历单元，用于遍历所述电力用户i的所有所述日负荷曲线数据，分别计算各所述日负荷曲线数据作为所述数据中心时，所述数据中心与所述其余日负荷曲线数据的平均距离；比对单元，用于将所述平均距离取得最小值时对应的所述数据中心作为所述电力用户i的数据代表，得到所有电力用户的数据代表集；降维单元，用于根据预置模糊裕度对所述数据代表集进行压缩降维处理，得到降维数据集；聚类单元，用于对所述降维数据集的数据进行聚类。优选地，还包括：预处理单元，用于获取所有电力用户的日负荷曲线数据，对所述日负荷曲线数据进行预处理，所述预处理包括：对各所述日负荷曲线的原始数据进行清洗和筛选，将数据缺失或异常的所述日负荷曲线剔除。优选地，所述预处理单元还用于：对各所述电力用户的所有所述日负荷曲线进行归一化、离散化和整数化处理。本申请第三方面还提供了一种电力负荷聚类分析设备，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行第一方面所述的电力负荷聚类分析方法。本申请第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的电力负荷聚类分析方法。本申请第五方面还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行第一方面所述的电力负荷聚类分析方法。从以上技术方案可以看出，本申请实施例具有以下优点：本申请中，提供了一种电力负荷聚类分析方法，包括：101、从预处理后的电力用户i的日负荷曲线数据中选取一条日负荷曲线作为数据中心，根据动态时间弯曲算法计算数据中心与其余日负荷曲线数据的最短弯曲路径，并根据最短弯曲路径计算数据中心与其余日负荷曲线数据的平均距离；102、遍历电力用户i的所有日负荷曲线数据，分别计算各日负荷曲线数据作为数据中心时，数据中心与其余日负荷曲线数据的平均距离；103、将平均距离取得最小值时对应的数据中心作为电力用户i的数据代表，得到所有电力用户的数据代表集；104、根据预置模糊裕度对数据代表集进行压缩降维处理，得到降维数据集；105、对降维数据集的数据进行聚类。本申请提供的方法，通过动态时间弯曲路径算法计算电力用户的日负荷曲线数据的最短弯曲路径，从而计算最小平均距离，确定电力用户的数据代表，完成了对电力用户历史负荷数据的有效整合，减少了重复信息的冗余计算，有效节省了计算开销，在一定程度上克服了负荷的时间波动性和不确定性导致传统的聚类算法性能下降的问题；根据预置模糊裕度，对数据代表集进行压缩降维处理，使得计算维度大幅下降，提高了计算效率；因此，本申请提供的方法解决了现有的电力负荷聚类分析方法存在的使用原始日负荷数据计算维数高，造成信息冗余和计算效率低下，和因时间不确定性和波动性导致的计算结果误差大的技术问题。附图说明图1为本申请提供的一种电力负荷聚类分析方法的一个实施例的流程示意图；图2为本申请提供的一种电力负荷聚类分析方法的另一个实施例的流程示意图；图3为本申请提供的一种电力负荷聚类分析装置的一个实施例的结构示意图；图4为动态时间弯曲最短弯曲路径示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。为了便于理解，请参阅图1，本申请提供的一种电力负荷聚类分析方法的一个实施例，包括：步骤101、从预处理后的电力用户i的日负荷曲线数据中选取一条日负荷曲线作为数据中心，根据动态时间弯曲算法计算数据中心与其余日负荷曲线数据的最短弯曲路径，并根据最短弯曲路径计算数据中心与其余日负荷曲线数据的平均距离。需要说明的是，本申请实施例中，对所有电力用户的所有日负荷曲线数据进行预处理后，从预处理后的电力用户i的日负荷曲线数据(用Di表示)，选取一天的数据(用Dim表示第m天的第i个电力用户的日负荷曲线数据)作为数据中心，应用动态时间弯曲算法计算其余日负荷曲线数据和数据中心的最短弯曲路径，并计算平均距离。动态时间弯曲可以实现“一对一”数据匹配，也可以实现数据异步匹配，即数据点“一对本文档来自技高网...

【技术保护点】
1.一种电力负荷聚类分析方法，其特征在于，包括以下步骤：101、从预处理后的电力用户i的日负荷曲线数据中选取一条日负荷曲线作为数据中心，根据动态时间弯曲算法计算所述数据中心与其余日负荷曲线数据的最短弯曲路径，并根据所述最短弯曲路径计算所述数据中心与所述其余日负荷曲线数据的平均距离；102、遍历所述电力用户i的所有所述日负荷曲线数据，分别计算各所述日负荷曲线数据作为所述数据中心时，所述数据中心与所述其余日负荷曲线数据的平均距离；103、将所述平均距离取得最小值时对应的所述数据中心作为所述电力用户i的数据代表，得到所有电力用户的数据代表集；104、根据预置模糊裕度对所述数据代表集进行压缩降维处理，得到降维数据集；105、对所述降维数据集的数据进行聚类。

【技术特征摘要】
1.一种电力负荷聚类分析方法，其特征在于，包括以下步骤：101、从预处理后的电力用户i的日负荷曲线数据中选取一条日负荷曲线作为数据中心，根据动态时间弯曲算法计算所述数据中心与其余日负荷曲线数据的最短弯曲路径，并根据所述最短弯曲路径计算所述数据中心与所述其余日负荷曲线数据的平均距离；102、遍历所述电力用户i的所有所述日负荷曲线数据，分别计算各所述日负荷曲线数据作为所述数据中心时，所述数据中心与所述其余日负荷曲线数据的平均距离；103、将所述平均距离取得最小值时对应的所述数据中心作为所述电力用户i的数据代表，得到所有电力用户的数据代表集；104、根据预置模糊裕度对所述数据代表集进行压缩降维处理，得到降维数据集；105、对所述降维数据集的数据进行聚类。2.根据权利要求1所述的电力负荷聚类分析方法，其特征在于，步骤101之前，还包括：100、获取所有电力用户的日负荷曲线数据，对所述日负荷曲线数据进行预处理，所述预处理包括：对各所述日负荷曲线的原始数据进行清洗和筛选，将数据缺失或异常的所述日负荷曲线剔除。3.根据权利要求2所述的电力负荷聚类分析方法，其特征在于，所述预处理还包括：对各所述电力用户的所有所述日负荷曲线进行归一化、离散化和整数化处理。4.根据权利要求1所述的电力负荷聚类分析方法，其特征在于，所述聚类的聚类算法为K-中心点聚类算法。5.一种电力负荷聚类分析装置，其特征在于，包括：距离单元，用于从预处理后的电力用户i的日负荷曲线数据中选取一条日负荷曲线作为数据中心，根据动态时间弯曲算法计算所述数据中心与其余日负荷曲线数据的最短弯曲路径，并根据所...

【专利技术属性】
技术研发人员：吴亚雄，曹华珍，高崇，唐俊熙，李浩，王天霖，何璇，李阳，张俊潇，陈沛东，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司电网规划研究中心，广东电网发展研究院有限责任公司，
类型：发明
国别省市：广东,44