基于能源大数据驱动的电力用户需求响应特性控制方法技术

本发明专利技术公开了一种基于能源大数据驱动的电力用户需求响应特性控制方法，所述方法包括：利用自动编码器降维用户用电数据集；基于遗传算法改进的FCM算法对用户用电模式进行聚类；利用神经网络算法对每一类用户进行需求响应建模，拟合激励信号与用户响应量的关系，获得用户需求响应特性与响应能力。本发明专利技术利用神经网络等智能算法构建需求响应模型，能够简单有效反映各影响因素与用户响应量之间的复杂关系，从而实现针对不同业务需求的用户需求响应特性提取。应特性提取。应特性提取。

【技术实现步骤摘要】
基于能源大数据驱动的电力用户需求响应特性控制方法


[0001]本专利技术涉及电力供需互动领域，尤其涉及一种基于能源大数据驱动的电力用户需求响应特性控制方法。

技术介绍

[0002]随着智能表计大规模推广应用以及电网精益化管理带来的配用电数据爆炸性增长，电力用户精准分类及特征分析成为电网公司的一项重要内容。掌握用户需求响应特性有助于充分挖掘用户需求响应用户潜力，提高需求响应实施效率，是制定需求侧管理方案和电价套餐的基础
[1]。随着经济与技术的发展，电力用户参与类型及用电行为复杂多样，获取的电力用户数据呈现出高维海量的特点，使得用户分类及需求响应特性分析变得更加困难。因此复杂用户数据的高效处理及用电特性的准确分析方法至关重要。
[0003]对电力用户用电特性的正确分析是实现电力系统高效运行和增值服务的关键。然而随着经济科技的迅猛发展，用户用电行为将更加多样化，用电数据维度将更高，需求响应分析算法所面临的不仅是数据量越来越大的问题，更重要还有用电数据高维度的问题
[2-4]。当前多采用模糊C均值(fuzzy c-means,FCM)聚类法对电力用户进行聚类，克服了硬聚类非此即彼的分类缺点，但该方法对初始聚类中心敏感，需要人为确定聚类数，容易陷入局部最优解。
[0004]此外，目前已有即使即便能够有效地对低维数据进行聚类，但降维过程中对高维非线性数据难以处理。自动编码器(Automatic encoder,AE)等技术能够有效解决面对高维数据时出现“维度灾难”的问题，已在工程中有所应用。r/>
技术实现思路

[0005]本专利技术提供了一种基于能源大数据驱动的电力用户需求响应特性控制方法，本专利技术利用神经网络等智能算法构建需求响应模型，能够简单有效反映各影响因素与用户响应量之间的复杂关系，从而实现针对不同业务需求的用户需求响应特性提取，详见下文描述：
[0006]一种基于能源大数据驱动的电力用户需求响应特性控制方法，所述方法包括：
[0007]利用自动编码器降维用户用电数据集；基于遗传算法改进的FCM算法对用户用电模式进行聚类；
[0008]利用神经网络算法对每一类用户进行需求响应建模，拟合激励信号与用户响应量的关系，获得用户需求响应特性与响应能力。
[0009]其中，所述利用自动编码器降维用户用电数据集具体为：
[0010]在编码部分，输入表示第k个用户的第i个特征指标值，隐含层个数为降维后用户数据的维数，隐含层的输出为降维后的用户电量数据；
[0011]在解码部分，输入为编码后的用户数据输出为解码后的用户数据，编解码数据之间存在映射；解码层输出自动编码器的重构误差；通过遗传算法对自动编码器的连接权值与阈值进行训练。
[0012]进一步地，所述用户用电模式进行聚类的评价指标为：
[0013]平均类间距离：每个类中心到全域中心的距离平均值，平均类间距离大，各个类差距大，聚类效果好；
[0014]平均类内距离：同一簇类内所有数据到该类中心的平均值，平均类内距离小，同一类中数据距离相近，相似性程度高，类别凝聚力大。
[0015]其中，所述基于遗传算法改进的FCM算法对用户用电模式进行聚类还包括：构建适应度函数；
[0016][0017][0018]式中：z
n
为第n个样本空间数据，N为样本总数，ω
m
为第m类的聚类中心，M为聚类数；μ
mn
为第n个用户属于第m类的隶属度；u∈(1,+∞)为模糊指数，控制分类矩阵的模糊程度，其值越大，分类的模糊程度越高；d
mn
(z
n
,ω
m
)为第n个用户用电数据与第m个聚类中心的欧式距离。
[0019]进一步地，所述利用神经网络算法对每一类用户进行需求响应建模，拟合激励信号与用户响应量的关系，获得用户需求响应特性与响应能力具体为：
[0020]用户的错峰避峰潜力中各特征因素与电价、气温共同影响用户用电量，且与用电量的关系是非线性的，采用神经网络实现用户需求响应建模；
[0021]用错峰避峰潜力的量化方法如下：
[0022][0023]式中，E
app
为错峰避峰潜力指数；P
al
为可转移负荷；R
lf
为负荷波动率；P
ell
为紧急可限负荷；C
ap
为用户容量；G
trade
为行业属性；G
e
为高耗能标识；I
q
为单位电量产值；G
tax
为单位电量税收；G
c
为错时用电单位成本；k1,k2,k3,k4,k5,k6,k7为调整系数。
[0024]本专利技术提供的技术方案的有益效果是：
[0025]1、本专利技术构建了数据降维模块，利用自动编码器实现了对数据的降维，解决了当前主流的算法建立在降维后数据的基础上，即难以对高维非线性数据进行处理的困境。本专利技术取sigmoid函数为激活函数，通过训练调整自动编码器连接权值与阈值，重构误差达到训练要求时编码器的隐含层输出即为所需的降维后的用户电量测数据，其降维效果显著；
[0026]2、本专利技术构建了用电模式聚类模块，利用遗传算法改进的FCM算法对用户用电模式进行聚类。该方法解决了传统FCM算法易陷入局部最优解的问题，同时保留其效率与精准率。本方法相比传统方法，采用二进制编码方案与染色体，高效且准确地实现了用户用电模式聚类。此外，专利技术使用平均类内距离与平均类间距离双指标评估，使聚类效果提升。
[0027]3、本专利技术构建了用户需求响应特征分析模块，基于BP神经网络，以天气、时间、经济、用户特征等因素作为输入，以用电量作为输出，同时考虑用户的错峰避峰潜力，结果可以更好地挖掘用户的需求响应潜力。
附图说明
[0028]图1为一种基于能源大数据驱动的电力用户需求响应特性控制方法的流程图；
[0029]图2为自动编码器的结构图；
[0030]图3为MFCM算法的染色体结构图；
[0031]图4为建立的BP神经网络模型图。
具体实施方式
[0032]为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。
[0033]为了解决
技术介绍
中存在的问题，本专利技术实施例提出了一种基于自动编码器与改进模糊C均值(Modified fuzzy C-means，MFCM)聚类算法结合的基于能源大数据驱动的电力用户需求响应特性控制方法，解决智能用电数据挖掘效率低导致聚类结果不准确的问题。本专利技术还利用神经网络等智能算法构建需求响应模型，能够简单有效反映各影响因素与用户响应量之间的复杂关系，从而实现针对不同业务需求的用户需求响应特性提取。
[0034]实施例1
[0035]一种基于能源大数据驱动的电力用户需求响应特性控制方法，参见图1，该方法包括以下步骤：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于能源大数据驱动的电力用户需求响应特性控制方法，其特征在于，所述方法包括：利用自动编码器降维用户用电数据集；基于遗传算法改进的FCM算法对用户用电模式进行聚类；利用神经网络算法对每一类用户进行需求响应建模，拟合激励信号与用户响应量的关系，获得用户需求响应特性与响应能力。2.根据权利要求1所述的一种基于能源大数据驱动的电力用户需求响应特性控制方法，其特征在于，所述利用自动编码器降维用户用电数据集具体为：在编码部分，输入表示第k个用户的第i个特征指标值，隐含层个数为降维后用户数据的维数，隐含层的输出为降维后的用户电量数据；在解码部分，输入为编码后的用户数据输出为解码后的用户数据，编解码数据之间存在映射；解码层输出自动编码器的重构误差；通过遗传算法对自动编码器的连接权值与阈值进行训练。3.根据权利要求1所述的一种基于能源大数据驱动的电力用户需求响应特性控制方法，其特征在于，所述用户用电模式进行聚类的评价指标为：平均类间距离：每个类中心到全域中心的距离平均值，平均类间距离大，各个类差距大，聚类效果好；平均类内距离：同一簇类内所有数据到该类中心的平均值，平均类内距离小，同一类中数据距离相近，相似性程度高，类别凝聚力大。4.根据权利要求1所述的一种基于能源大数据驱动的电力用户需求响应特性控制方法，其特征在于，所述基于遗传算法改进的FCM算法对用户用电模式进行聚类还包括：构建适应度函数；适应度函数；式中：z
n
为第n个样本空间数据，N为样本总数，ω
...

【专利技术属性】
技术研发人员：王剑锋，王旭东，高毅，王丹丹，孔祥玉，项添春，郑剑，倪家明，于海涛，董磊，韩淑军，刘鹏，贺小刚，王铮涛，
申请(专利权)人：天津三源电力信息技术股份有限公司，
类型：发明
国别省市：