一种基于雷电气候对负荷影响的短期负荷聚类方法技术

本发明专利技术属于智能用电技术领域，提供了一种基于雷电气候对负荷影响的短期负荷聚类方法，包括：依次进行短期负荷对于雷电信息的敏感性、负荷对于降雨量信息的敏感性、负荷对于气温信息的敏感性分析，计算相应的负荷敏感指数；基于密度聚类的聚类中心搜索算法，自适应地计算出不同类别短期负荷的聚类中心；在获取所述聚类中心初始点之后，利用K‑means对短期负荷序列进行聚类计算。与现有技术相比，有效降低了聚类算法中的迭代过程，提升了聚类算法计算速度，并且增强了雷电气候下负荷预测的精度，为电力系统运行分析提供了有效工具。

A Short-term Load Clustering Method Based on the Impact of Lightning Climate on Load

The invention belongs to the field of intelligent electricity technology, and provides a short-term load clustering method based on the influence of lightning climate on load, including: carrying out sensitivity analysis of short-term load to lightning information, sensitivity of load to rainfall information, sensitivity analysis of load to temperature information, calculating corresponding load sensitivity index, and clustering center search based on density clustering. The algorithm adaptively calculates the cluster centers of different types of short-term loads. After obtaining the initial points of the cluster centers, K_means is used to cluster the short-term load series. Compared with the existing technology, it effectively reduces the iteration process of clustering algorithm, improves the calculation speed of clustering algorithm, and enhances the accuracy of load forecasting in lightning climate, which provides an effective tool for power system operation analysis.

【技术实现步骤摘要】
一种基于雷电气候对负荷影响的短期负荷聚类方法
本专利技术属于智能用电
，涉及一种基于雷电气候对负荷影响的短期负荷聚类方法。
技术介绍
电能在人们生产和生活中发挥着越来越重要的作用。在我国能源体系的转型时期，作为经济发展风向标的电力负荷的增长方式也出现了新的变化。而在绿色发展的要求下，面对现阶段的经济大环境，准确的电力负荷预测是能源市场经济的必然需要，是引导能源市场经济有序性的必然要求。对电力需求预期过高可能导致大量资源如发电资源、需求响应资源等的浪费；对电力需求预期过低可能带来电力供应短缺，甚至危害发电机组和电力系统的安全运行。电力需求受到影响是多方面的。尤其在雷电气候下，各种不同类型的电力用户表现的用电特征各不相同，因而导致不同类型的电力负荷在雷电气候下的表现差异显著，进而对雷电气候下的电力系统负荷预测也提出了更高的要求。但是，传统的气象等外界条件对于电力负荷影响的分析方法局限性较大。具体而言，一方面，传统的分析方法一般需要依赖于较多的历史数据，而雷电气候下的负荷敏感性分析领域，由于历史数据较少，负荷变化的随机性增大，相关分析结果往往不够理想；另一方面，传统的分析方法对于负荷敏感性的分析中，负荷的划分往往不够细致，没有针对不同类型的具体用户负荷针对性地设计专门的分析方法。鉴于此，技术人员希望能够利用同一个雷电气候影响区域内，不同类型的用电负荷在外界环境影响下表现的差异性，设计一种基于雷电气候对负荷影响的短期负荷聚类方法。从而自适应地将在雷电气候下对外界环境影响表现不同的负荷划分为不同的类别，进而为每一种类型的负荷数据负荷分析和预测，提供独立且多样化的负荷模型，并提高数据的利用价值。
技术实现思路
为了克服上述现有技术的不足，本专利技术的目的是提供一种基于雷电气候对负荷影响的短期负荷聚类方法，其能够基于雷电气候下雷电、气温、降雨量等外界因素对负荷的影响，实现短期负荷的自适应聚类。从而可以对每一类负荷，采取针对性的负荷预测方法，增强了雷电气候下负荷预测的精度。同时，本专利技术通过聚类得到的雷电气候下不同类别的短期负荷模型，为电力系统运行分析提供了有效工具。为了事项上述目的本专利技术所采用的技术方案为：一种基于雷电气候对负荷影响的短期负荷聚类方法，其特征在于包括以下步骤：步骤一：依次进行短期负荷对于雷电信息的敏感性、负荷对于降雨量信息的敏感性、负荷对于气温信息的敏感性分析，计算相应的负荷敏感指数；步骤二：基于密度聚类的聚类中心搜索算法，自适应地计算出不同类别短期负荷的聚类中心；步骤三：在获取聚类中心初始点之后，利用K-means对短期负荷序列进行聚类计算。优选地，所述步骤一进一步包括：对于短期负荷进行分解，将其分解为不同的组成分量；对于计算得到的敏感指数进行标准化处理，选择不同的训练集，通过回归模型进行参数训练；分别得到从某一项具体的气象信息到短期负荷的函数映射关系，计算相应的气象敏感负荷以及所述相应的负荷气象敏感指数。优选地，所述短期负荷对所述雷电、降雨量、气温信息的敏感指数分析计算步骤包括：步骤S1，短期负荷分解为与当日日期和时刻相关的固定分量、气象因素敏感分量和随机分量三部分；步骤S2，对得到的去除日期固定分量后的短期负荷，降雨量、气温、雷电信息气象数据进行标准化处理；步骤S3，通过选取不同的训练数据集，为下一步的回归模型参数训练提供基础；步骤S4，根据选取的数据集，利用人工神经网络(ANN)、支持向量机(SVM)、多元线性回归(MLR)回归模型进行参数训练，分别得到从某一项具体的气象信息到短期负荷的函数映射关系，步骤S5，根据气象学和统计数据，确定基本不出现气象敏感的气象条件，计算为第i个用户的某一项具体气象条件的敏感负荷；在S6中，定义第i个用户的某一项具体的气象敏感指数为单位变化量时对应的负荷增减变化量；采用上述步骤S1到步骤S6的分析步骤，计算得到所述雷电、降雨量、气温信息为单位变化量时对应的负荷增减变化量。优选地，所述步骤二进一步包括：对于每一个所述短期负荷在所述雷电、降雨量、气温信息下的敏感性指数，依次计算其局部密度和相对距离，找到每一类别所属的类簇中心，剩余的每个点被归属到更高密度的最近邻所属类簇。优选地，所述步骤三进一步包括：选择由基于所述密度聚类的聚类中心搜索算法获取的k个数据对象作为初始聚类中心；根据簇中对象的平均值，将每个对象赋给最类似的簇；更新簇的平均值，即计算所述每个对象簇中对象的平均值；计算聚类准则函数E，判断该聚类准则函数是否已经收敛；如果聚类准则函数已经收敛，则输出相应的聚类结果。与现有技术相比，本专利技术的有益效果在于：(1)考虑了雷电气候信息对于短期负荷的影响，得到每一个用户雷电气候信息的敏感负荷；(2)通过“搜索密度中心——实现负荷聚类”的两步聚类算法，降低了聚类算法中的迭代次数。本专利技术对于电力系统安全经济稳定运行的意义在于：(1)通过分析雷电气候下外界因素对负荷的影响，实现了负荷的聚类，从而可以对每一类负荷，采取针对性的负荷预测方法，增强了雷电气候下负荷预测的精度；(2)通过聚类得到的雷电气候下不同类别的短期负荷模型，为电力系统运行分析提供了有效工具。附图说明下面结合附图和具体实施例对本专利技术作进一步的详细说明：图1为基于雷电气候对负荷影响的短期负荷聚类方法的实施流程图；图2为短期负荷对某一项具体气象条件(雷电、降雨量、气温信息)的敏感指数分析计算流程图；图3为基于密度聚类的聚类中心搜索算法示意图。具体实施方式本专利技术的实施方式分为短期负荷对雷电、降雨量、气温信息的敏感指数分析计算，利用密度中心搜索算法获取负荷聚类中心的初始值，和利用K-means聚类算法对所有负荷进行聚类三个步骤。步骤一：在本步骤中，依次进行负荷对于雷电信息的敏感性、负荷对于降雨量信息的敏感性、负荷对于气温信息的敏感性分析，计算相应的负荷敏感指数。在分析短期负荷对于某一特定气象信息的敏感性时，采取的分析步骤如图2所示。在步骤S1中，认为短期负荷可以分解与当日日期和时刻相关的固定分量、气象因素敏感分量和随机分量等三部分：Yi,t＝Ti,t+Si,t+εi,t(1)上式中，Yi,t为第i个用户在时刻t的实时负荷，Ti,t、Si,t、εi,t分别为与当日日期和时刻相关的固定分量、气象敏感分量、随机分量。首先，需要将与当日日期和时刻相关的固定分量分离出来，此处采用自回归积分滑动平均ARIMA模型对实时负荷组成的负荷序列进行分解。对每个用户的实时负荷曲线进行ARIMA分解：Yi,d＝Ti,d+Si,d+Hi,d(2)上式中，Yi,d为第i个用户在日期d的实时负荷时间序列，Ti,d、Si,d、Hi,d分别为由实时负荷时间序列分解得到的日期固定分量、日内周期性分量、不规则分量。于是可以认为日期固定分量保持不变，日期固定分量是实时负荷的基准量，与气象敏感负荷无关，可以先在短期负荷中剥离出来。最终可以得到剥离日期固定分量的短期负荷时间序列：Y′i,t＝Yi,t-Ti,t＝Si,t+εi,t＝f(Wi,t,Di,t)(3)上式中，Y′i,t表示第i个用户去除日期固定分量后的短期负荷时间序列，可以表示为气象与当日类型的函数f(·)。Wi,t表示时刻t某一项具体的气象条件，例如气温、降雨量、雷电信息等。Di,t表示当日所处本文档来自技高网...

【技术保护点】
1.一种基于雷电气候对负荷影响的短期负荷聚类方法，其特征在于，包括以下步骤：步骤一：依次进行短期负荷对于雷电信息的敏感性、负荷对于降雨量信息的敏感性、负荷对于气温信息的敏感性分析，计算相应的负荷敏感指数；步骤二：基于密度聚类的聚类中心搜索算法，自适应地计算出不同类别短期负荷的聚类中心；步骤三：在获取聚类中心初始点之后，利用K‑means对短期负荷序列进行聚类计算。

【技术特征摘要】
1.一种基于雷电气候对负荷影响的短期负荷聚类方法，其特征在于，包括以下步骤：步骤一：依次进行短期负荷对于雷电信息的敏感性、负荷对于降雨量信息的敏感性、负荷对于气温信息的敏感性分析，计算相应的负荷敏感指数；步骤二：基于密度聚类的聚类中心搜索算法，自适应地计算出不同类别短期负荷的聚类中心；步骤三：在获取聚类中心初始点之后，利用K-means对短期负荷序列进行聚类计算。2.根据权利要求1所述的基于雷电气候对负荷影响的短期负荷聚类方法，其特征在于，所述步骤一进一步包括：对于短期负荷进行分解，将其分解为不同的组成分量；对于计算得到的敏感指数进行标准化处理，选择不同的训练集，通过回归模型进行参数训练；分别得到从某一项具体的气象信息到短期负荷的函数映射关系，计算相应的气象敏感负荷以及所述相应的负荷气象敏感指数。3.根据权利要求2所述的基于雷电气候对负荷影响的短期负荷聚类方法，其特征在于，所述回归模型包括人工神经网络、支持向量机、多元线性回归其中之一。4.根据权利要求2所述的基于雷电气候对负荷影响的短期负荷聚类方法，其特征在于，所述短期负荷对所述雷电、降雨量、气温信息的敏感指数分析计算步骤包括：步骤S1，短期负荷分解为与当日日期和时刻相关的固定分量、气象因素敏感分量和随机分量三部分：Yi,t＝Ti,t+Si,t+εi,t(1)上式(1)中，Yi,t为第i个用户在时刻t的实时负荷，Ti,t、Si,t、εi,t分别为与当日日期和时刻相关的固定分量、气象敏感分量、随机分量；步骤S2，对得到的去除日期固定分量后的短期负荷，降雨量、气温、雷电信息气象数据进行标准化处理；步骤S3，通过选取不同的训练数据集，为下一步的回归模型参数训练提供基础；步骤S4，根据选取的数据集，利用人工神经网络(ANN)、支持向量机(SVM)、多元线性回归(MLR)回归模型进行参数训练，分别得到从某一项具体的气象信息到短期负荷的函数映射关系，分别记为：Y′i,t＝fANN(Wi,t,Di,t)，Y′i,t＝fSVM(Wi,t,Di,t)，Y′i,t＝fMLF(Wi,t,Di,t)；其中，Y′i,t表示第i个用户在时刻t的短期负荷，Wi,t表示第i个用户在时刻t具体的气象信息，Di,t表示时刻t当天所属的日类型；步骤S5，根据气象学和统计数据，确定基本不出现气象敏感的气象条件，计算为第i个用户的某一项具体气象条件的敏感负荷；在S6中，定义第i个用户的某一项具体的气象敏感指数为单位变化量时对应的负荷增减变化量；采用上述步骤S1到步骤S6的分析步骤，计算得到所述雷电、降雨量、气温信息为单位变化量时对应的负荷增减变化量。5.根据权利要求4所述的基于雷电气候对负荷影响的短期负荷聚类方法，其特征在于，步骤S1进一步包括：将与当日日期和时刻相关的固定分量分离出来，对每个用户的实时负荷曲线进行ARIMA分解：Yi,d＝Ti,d+Si,d+Hi,d(2)上式(2)中，Yi,d为第i个用户在日期d的实时负荷时间序列，Ti,d、Si,d、Hi,d分别为由实时负荷时间序列分解得到的日期固定分量、日内周期性分量、不规则分量；得到剥离日期固定分量的短期负荷时间序列：Y′i,t＝Yi,t-Ti,t＝Si,t+εi,t＝f(Wi,t,Di,t)(3)上式(3)中，Y′i,t表示第i个用户去除日期固定分量后的短期负荷时间序列，表示为气象与当日类型的函数f(·)。Wi,t表示时刻t某一项具体的气象条件，如气温、降雨量、雷电信息，Di,t表示当日所处的日类型。6.根据权利要求4所述的基于雷电气候对负荷影响的短期负荷聚类方法，其特征在于，步骤S2进一步包括：对于得到的去除日期固定分量后的短期负荷、降雨量、气温、雷电信息依次进行标准化处理，使得短期负荷、降雨量、气温、雷电信息分别都各自线性映射到[0，1]之间，对于某一项具体的待标准化处理量，采用的线性映射方法如下所示：上式(4)中，xi,t为第i个用户在时刻t的原始数据，ximin为第i个用户的相关原始数据的最小值，ximax...

【专利技术属性】
技术研发人员：戴康，蔡云峰，苗键强，余陈刚，江海燕，童充，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：江苏,32