一种基于特征优选的楼宇负荷特性分析方法技术

本发明专利技术涉及一种基于特征优选的楼宇负荷特性分析方法，该方法包括如下步骤：(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。与现有技术相比，本发明专利技术特征优选聚类方法能够有效提取出关键影响特征，提高聚类的质量，并且计算速度快，通用型强，分析结果准确可靠。

【技术实现步骤摘要】
一种基于特征优选的楼宇负荷特性分析方法
本专利技术涉及一种楼宇负荷特性分析方法，尤其是涉及一种基于特征优选的楼宇负荷特性分析方法。
技术介绍
随着智能电网的快速发展，用电信息采集系统的逐渐完善，楼宇用能的监测进一步加强，用电负荷数据呈现出数据量大、数据类型多、增长速度快等大数据特征，电力大数据逐渐成为人们关注的研究热点。目前，用电大数据的研究工作主要侧重于对已知负荷数据集进行用户用电行为模式与用电特性的挖掘，数据挖掘算法的改进等，挖掘隐藏在数据中的用电行为习惯，为节能工作提供重要的决策依据。用电行为分析与负荷特性的结果与选用的样本特征数据密切相关，不同样本特征数据分析得到的结果差异较大，因此，需要对样本数据特征进行筛选，提高分析结果的准确性。然而，大部分用电行为分析的研究只是单纯地对负荷数据进行聚类分析，没有考虑影响负荷数据变化的样本特征，忽略了对样本特征的分析和优化选择，其分析的有效性有待验证，分析性能可以进一步提升。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征优选的楼宇负荷特性分析方法。本专利技术的目的可以通过以下技术方案来实现：一种基于特征优选的楼宇负荷特性分析方法，该方法包括如下步骤：(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。所述的气象类特征包括：最高气温：一天中的最高气温值；最低气温：一天中的最低气温值；平均风速：一天中风速的平均值；平均压强：一天中压强的平均值；平均相对湿度：一天中相对湿度的平均值；天气情况：包括晴、多云、阴、雨、雨夹雪；人体舒适度指数：I为人体舒适度指数，T为平均气温，RH为平均相对湿度，V为平均风速。所述的负荷类特征包括：日最大负荷：一天中负荷的最大值；日最小负荷：一天中负荷的最小值；日峰谷差：日最大负荷-日最小负荷；日负荷率：日平均负荷/日最大负荷，其中日平均负荷为一天中负荷的平均值；峰时段耗电率：高峰时段用电量/总用电量；谷时段耗电率：低谷时段用电量/总用电量；平时段耗电率：平时段用电量/总用电量。步骤(2)对样本特征进行综合优选前对样本特征进行归一化，具体地：将任意一个样本特征分别组成一组样本特征序列，对每一组样本特征序列中的数据采用下式进行归一化：其中，x*为归一化处理后的数据，x为归一化处理前的数据，min为样本特征序列中的最小值，max为样本特征序列中的最大值。步骤(2)优选特征通过如下方式获得：(21)将楼宇负荷数据组成负荷序列A：{A(a)|a＝1,2,···,n}，同时获取归一化后的第i个样本特征序列Bi：{Bi(b)|b＝1,2,···,n}，a＝b＝1,2,……n，n为负荷序列中负荷数据的总个数以及第i个样本特征中数据总个数，i＝1,2,……N，N为特征样本序列的总个数；(22)根据下式计算第i个样本特征序列Bi与负荷序列A的互信息I(A,Bi)：I(A,Bi)＝H(A)+H(Bi)-H(A,Bi)，其中，H(A)为负荷序列的信息熵，H(Bi)为第i个样本特征序列的信息熵，H(A,Bi)为第i个样本特征序列与负荷序列的联合熵，pA(a)为负荷序列的边缘概率分布，为第i个样本特征序列的边缘概率分布；(23)根据下式计算第i个样本特征序列Bi与负荷序列A的灰色关联度γi：其中，ζi(a)为负荷序列与第i个样本特征序列的相关系数，Δi(a)为第i个样本特征序列第a点与负荷序列第a点的绝对差值，ρ为分辨系数，a＝1,2,……n，i＝1,2,……N；(24)根据下式获取第i个样本特征序列Bi的综合优选系数：(25)选取综合优选系数大于设定值的样本特征序列所对应的样本特征作为优选特征。步骤(3)采用k-means聚类法对优选特征进行加权聚类，具体地：(31)获取优选特征的权重ωj，j＝1,2,……m，m为优选特征的总个数；(32)将待分析时间区间内的优选特征组成数据样本集，选取K个初始聚类中心；(33)计算数据集样本到聚类中心的加权距离，按照加权距离最小的原则分配最邻近类别；(34)根据聚类结果重新计算K个聚类中心作为新的聚类中心；(35)重复步骤(33)～(34)，直至聚类中心不再变化，或满足迭代次数要求；进而每一个聚类中心对应一种用电模式。步骤(3)确定每种用电模式下的负荷分布：包括每种用电模式下的总负荷数据分布以及每种用电模式下不同用电成分的分布。与现有技术相比，本专利技术具有如下优点：(1)本专利技术基于特征优选的楼宇负荷特性分析方法能够有效提取出关键影响特征，提高聚类的质量，并且计算速度快，通用型强，可应用于楼宇的负荷特性研究；(2)本专利技术样本特征种类多，不仅包括负荷类特征，还包括考虑人体舒适度指数在内的气象特征，具有全面性，从而使得基于特征优选的楼宇负荷特性分析结果更加准确可靠；(3)本专利技术结合评价样本特征有效性的互信息和判断样本特征变化趋势关联性的灰色关联度，提出了一种综合优选系数的计算方法，优选特征结果具有科学性和准确性；(4)本专利技术基于优选后的优选特征进行用电模式划分并分析其负荷特性，可以达到降维的目的，提高分析性能和分析的有效性。附图说明图1为本专利技术基于特征优选的楼宇负荷特性分析方法的流程框图；图2为本实施例三种用电模式下的用电成分分布图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本专利技术并不意在对其适用物或其用途进行限定，且本专利技术并不限定于以下的实施方式。实施例如图1所示，一种基于特征优选的楼宇负荷特性分析方法，该方法包括如下步骤：步骤(1)：获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，样本特征包括气象类特征和负荷类特征。本实施例以某商场为例，分析样本为2015年全年的负荷数据(每15分钟采样一次)。气象类特征包括最高气温、最低气温、平均风速、平均压强、平均相对湿度、天气情况和人体舒适度指数，具体地：最高气温：一天中的最高气温值；最低气温：一天中的最低气温值；平均风速：一天中风速的平均值；平均压强：一天中压强的平均值；平均相对湿度：一天中相对湿度的平均值；天气情况：包括晴、多云、阴、雨、雨夹雪，天气情况分别量化到[0,1]区间上，其中晴量化为1，多云量化为0.9，阴量化为0.8，小雨量化为0.7，中雨量化为0.6，大雨量化为0.5，雨夹雪量化为0.4；人体舒适度指数：I为人体舒适度指数，T为平均气温，RH为平均相对湿度，V为平均风速。负荷类特征包括日最大负荷、日最小负荷、日峰谷差、日负荷率、峰时段耗电率、谷时段耗电率和平时段耗电率，具体地:日最大负荷：一天中负荷的最大值；日最小负荷：一天中负荷的最小值；日峰谷差：日最大负荷-日最小负荷；日负荷率：日平均负荷/日最大负荷，其中日平均负荷为一天中负荷的平均值；峰时段耗电率：高峰时段用电量/总用电量；谷时段耗电率：低谷时段用电量/总用电量；平时段耗电率：平时段用电量/总用电量。步骤(2)：对样本特征进行归一化，具体地：将任意一个样本特征分别组成一组样本特征序列，对每本文档来自技高网...

【技术保护点】
1.一种基于特征优选的楼宇负荷特性分析方法，其特征在于，该方法包括如下步骤：(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。

【技术特征摘要】
1.一种基于特征优选的楼宇负荷特性分析方法，其特征在于，该方法包括如下步骤：(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。2.根据权利要求1所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，所述的气象类特征包括：最高气温：一天中的最高气温值；最低气温：一天中的最低气温值；平均风速：一天中风速的平均值；平均压强：一天中压强的平均值；平均相对湿度：一天中相对湿度的平均值；天气情况：包括晴、多云、阴、雨、雨夹雪；人体舒适度指数：I为人体舒适度指数，T为平均气温，RH为平均相对湿度，V为平均风速。3.根据权利要求1所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，所述的负荷类特征包括：日最大负荷：一天中负荷的最大值；日最小负荷：一天中负荷的最小值；日峰谷差：日最大负荷-日最小负荷；日负荷率：日平均负荷/日最大负荷，其中日平均负荷为一天中负荷的平均值；峰时段耗电率：高峰时段用电量/总用电量；谷时段耗电率：低谷时段用电量/总用电量；平时段耗电率：平时段用电量/总用电量。4.根据权利要求1所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，步骤(2)对样本特征进行综合优选前对样本特征进行归一化，具体地：将任意一个样本特征分别组成一组样本特征序列，对每一组样本特征序列中的数据采用下式进行归一化：其中，x*为归一化处理后的数据，x为归一化处理前的数据，min为样本特征序列中的最小值，max为样本特征序列中的最大值。5.根据权利要求4所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，步骤(2)优选特征通过如下方式获得：(21)将楼宇负荷数据组成负荷序列A：{A(a)|a＝1,2,···,n}，同时...

【专利技术属性】
技术研发人员：张勇，李泰杰，凌平，时志雄，方陈，赵立强，田英杰，苏运，杨秀，张美霞，
申请(专利权)人：国网上海市电力公司，上海电力学院，
类型：发明
国别省市：上海,31