一种基于符号聚合近似表示的多元负荷分类方法和系统技术方案

本发明专利技术公开了一种基于符号聚合近似表示的多元负荷分类方法和系统，该方法通过获取用户历史用电数据，进行数据处理，使用k均值方法提取典型日用户负荷数据，基于用户典型负荷数据的符号聚合近似表示，对用户用电时段进行快速分类。通过用户典型日负荷数据，可以有效的归纳用户用电规律；用符号聚合近似表示用电数据，进行归纳统计，将自定义初始类别标签不同但特性相似的负荷分为一类，可以快速对庞大的用户用电数据进行时段分类，精确了解每一个用户的用电习惯和各个用电类别用户数，从而实现高效的电网管理。高效的电网管理。高效的电网管理。

【技术实现步骤摘要】
一种基于符号聚合近似表示的多元负荷分类方法和系统


[0001]本专利技术涉及电力系统负荷分析领域，更具体的说是涉及一种基于符号聚 合近似表示的多元负荷分类方法和系统。

技术介绍

[0002]近年来，由于化石能源的紧缺和环境污染严重威胁人类生存，世界各地 都开始大力发展可再生新能源，如风电、光伏、水电和生物电等等。但是风 电和光伏具有时段发电特性，比如风电在风大的季节和时段发电多，光伏在 阳光充足的白天发电多，晚上不发电,往往造成在用电高峰，新能源发电较低， 在用电低谷，新能源发电较高，造成新能源削减。新能源并网后电力系统电 能利用效率大幅下降，电力时段供需不平衡。因此，除了考虑发电端能源互 补，更需要着重分析用户负荷运行特性，挖掘用户负荷可调节潜力，并基于 用户负荷特性开展负荷分时电价和负荷响应管理工作，鼓励高峰用电用户在 低谷和平段用电，从而使电力系统安全平稳运行，消纳更多新能源。
[0003]在电力供需不平衡时，电力系统往往根据用户级别实行拉闸限电，将高 峰部分负荷转移到低谷用电，从而削峰填谷，平滑负荷曲线，使得电力供需 平衡。但是很显然通过拉闸限电和新能源场站削减的处理方法，破坏了用户 电力需求，降低电力能源利用率。从电力系统优化的角度出发，解决电力系 统供需不平衡的，需要对源荷两端进行变化特性研究，其中，进行负荷分类， 制定有关的负荷和能源管理是其中的研究重点。
[0004]专利技术专利(CN111553434A)公开了一种电力系统负荷分类方法及系统， 该方法包括：获取待分析的电力系统负荷数据，得到样本矩阵；所述电力系 统负荷数据包括n条负荷曲线，每条负荷曲线包括p个采样点对应的电力负荷 数据；所述样本矩阵中第i行第j列的元素表示第i条负荷曲线中第j个采样点的 电力负荷值；对所述电力系统负荷数据进行标准化处理，得到标准化数据； 采用主成分分析法对所述标准化数据进行分析，得到包括m个主成分分量的主 成分矩阵；根据所述主成分矩阵，利用凝聚层次聚类方法确定k个初始聚类； 根据所述k个初始聚类和所述主成分矩阵，利用k
‑
means聚类方法确定所述电 力系统负荷数据中每条负荷曲线的分类结果。可以降低运算时间，提高电力 系统负荷分类的效率。
[0005]然而上述方法首先没有对负荷用电时段进行分类，无法通过负荷用电时 段分类结果，知道用户主要用电时段是多少，从而无法确保用电负荷分类的 准确性；其次上述方法运用的是无监督聚类算法，没有固定标签，有新用户 数据需要重新分类。
[0006]因此，如何对负荷用电时段进行分类，提供一种能够对负荷用电时段进 行分类且具有有效监督的多元负荷分类方法和系统是本领域技术人员亟需解 决的问题。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种基于符号聚合近似表示的多元负荷分类方 法和系统，解决
技术介绍
提到的技术问题。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]一种基于符号聚合近似表示的多元负荷分类方法，包括：
[0010]S1、获取一定时间区间内的用户用电数据并进行处理；
[0011]S2、使用k均值聚类算法，对处理后的用电数据进行聚类，获取典型的 用户日负荷特性数据；
[0012]S3、将日负荷特性数据用符号聚合近似进行表示，根据符号聚合近似表 示对典型日负荷数据进行分类。
[0013]优选的，步骤S1具体包括以下步骤：
[0014]S11、收集每个用户的历史日负荷数据；
[0015]S12、以用户ID和时间为标识，对历史日负荷数据进行清理，处理成时 间序列；
[0016]S13、对每个用户负荷数据进行归一化处理。
[0017]优选的，S2中所述典型的用户日负荷特性数据，包括用户日负荷曲线
[0018]优选的，步骤S2具体包括：
[0019]S21、剔除日负荷全为0值的日负荷数据，并生成日负荷数据样本集；
[0020]S22、根据用户日负荷时间跨度确定k均值聚类方法中的k值；
[0021]S23、确定k均值聚类目标函数，并根据目标函数获取聚类结果；
[0022]S24、剔除聚类结果中的边缘值；
[0023]S25、在剩余样本集中选取离平均负荷最近的负荷数据为典型日负荷数 据。
[0024]优选的，步骤S22中k均值聚类方法的k值的具体计算公式为：
[0025][0026]式中，d表示用户日负荷时间跨度的天数。
[0027]优选的，S23具体步骤包括：从总数为m的日负荷数据样本集中随机选 取样本作为初始中心质点，确定k均值聚类目标函数J为
[0028][0029]式中x
i
为第i个样本值，m为样本总量，i为第i个样本，u
c
(i)为所属c 类i样本质心值；对目标函数迭代优化：寻找k个质心，使得J值最小，直到 目标函数稳定，或超过最大迭代次数，获得聚类结果。
[0030]优选的，步骤S3具体包括以下步骤：
[0031]用a和b组成的时间序列表示典型日负荷数据，将典型日负荷数据进行 分类，其中a表示用户在该时段用电，b表示用户在该时段空闲。
[0032]优选的，所述典型日负荷数据分为以下6类：
[0033]第1类
‑
纯谷段用电型：只在谷时用电；
[0034]第2类
‑
谷段用电且平段补电型：在谷段和平段都用电；
[0035]第3类
‑
全天用电型：谷平峰段都用电；
[0036]第4类
‑
白天用电型：只在平峰段用电；
[0037]第5类
‑
谷段用电且峰段补电型：在谷段和峰段都用电；
[0038]第6类
‑
空闲型：全天均不用电；
[0039]其公式表示为：
[0040][0041]其中y为类别，I
v
为低谷是否有用电，I
p
为平时段是否有用电，I
h
为高峰 时段是否有用电，有用电时I
v
、I
p
与I
h
值为1，否则为0，统计用户是否有用 电用该时段符号近似表示的序列中是否有a来进行统计，有a则表示有用电， 没有a则表示没用电，m表示第m个用户。
[0042]一种基于符号聚合近似表示的多元负荷分类系统，包括数据处理模块， 典型日负荷绘制模块，符号聚合近似表示的多元负荷分类模块；
[0043]所述数据处理模块，获取一定时间段内的用户历史用电数据，对数据进 行数据清洗，转化为序列向量做输入数据；
[0044]所述典型日负荷绘制模块，接收用户历史用电数据，使用k均值聚类算 法，对所求时间区间内的用户数据进行聚类，从而获得用户典型日负荷曲线；
[0045]所述符号聚合近似表示的多元负荷分类模块，将用户日负荷曲线特性用 符号聚合近似表示，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于符号聚合近似表示的多元负荷分类方法，其特征在于，所述方法包括以下步骤：S1、获取用户历史用电数据并进行处理，生成日负荷特性数据；S2、使用k均值聚类算法，对日负荷特性数据进行聚类，获取典型日负荷特性数据；S3、将日负荷特性数据用符号聚合近似进行表示，根据符号聚合近似表示对典型日负荷数据进行分类。2.根据权利要求1所述的基于符号聚合近似表示的多元负荷分类方法，其特征在于，步骤S1具体包括以下步骤：S11、收集一定时间区间内多个用户的历史用电数据；S12、以用户ID和时间为标识，对历史用电数据进行清理，处理成时间序列用电数据；S13、将时间序列用电数据进行归一化处理，生成每个用户的日负荷特性数据。3.根据权利要求1所述的基于符号聚合近似表示的多元负荷分类方法，其特征在于，步骤S2中所述典型日负荷特性数据，包括典型日负荷特性曲线。4.根据权利要求1所述的基于符号聚合近似表示的多元负荷分类方法，其特征在于，步骤S2具体包括以下步骤：S21、剔除日负荷全为0值的日负荷特性数据，生成日负荷特性数据样本集；S22、根据时间跨度确定日负荷特性数据样本集中k均值聚类方法中的k值；S23、建立目标函数，并根据目标函数获取日负荷特性数据样本集的k类聚类结果；S24、剔除聚类结果中的边缘值，并计算平均日负荷特性数据；S25、在剩余聚类结果中选取离平均日负荷特性数据最接近的日负荷特性数据为典型日负荷特性数据。5.根据权利要求1所述的基于符号聚合近似表示的多元负荷分类方法，其特征在于，步骤S3具体步...

【专利技术属性】
技术研发人员：彭涛，邱宇航，王上，包铁，
申请(专利权)人：吉林大学，
类型：发明
国别省市：