一种考虑负荷特性与可调节潜力的双层自适应聚类方法技术

本发明专利技术提出的是一种考虑负荷特性与可调节潜力的双层自适应聚类方法。该方法提出一种改进自适应密度峰值算法对电力用户日负荷曲线一次聚类，实现灵活资源和用电行为影响下的不均衡负荷数据集的聚类，具备自适应能力与强鲁棒性。还提出采用主成分分析算法与自组织竞争神经网络相结合针对考虑电力用户用电行为影响因素下的可调潜力二次聚类，粗略定位调节潜力较强的电力用户。根据二次聚类结果采用BP神经网络反馈修正一次聚类结果，得到综合聚类结果，结合系数和戴维森指数评价聚类效果。最后设计一种最可能调节量与最大调节量定量计算目标用户的可调潜力。对用户进行精确评估与定位，能量化可调节潜力，为负荷聚合商和电力运营商提供数据支撑。运营商提供数据支撑。运营商提供数据支撑。

【技术实现步骤摘要】
一种考虑负荷特性与可调节潜力的双层自适应聚类方法


[0001]本专利技术涉及的是电力领域的用户负荷需求响应与智能测量，具体地说是一种考虑负荷特性与可调节潜力的双层自适应聚类方法。

技术介绍

[0002]由于新能源和灵活资源的大量接入，用户负荷逐渐成为广义负荷，其构成包括温控负荷、电动汽车和分布式储能等多类型，单纯从设备层对用户可调功率进行精准计算并聚类计算难度较大。由于先进的通信、量测和数据管理技术获得的电力用户的数据能反映用户行为特征，针对电力用户的精确聚类可以有效的定位潜力用户，快速筛选可调资源，为电力市场运营和电力系统调度等应用场景提供数据支撑。
[0003]现有的针对用户负荷数据聚类分析方法大多数只针对用户负荷数据集聚类，根据用户的负荷曲线运用传统聚类算法进行静态聚类，但大量可再生能源接入，用户负荷波动性、随机性以及用户间负荷特性差异等导致类簇形状差异大、分布不均衡的负荷数据集，但现有聚类算法不能够适用于任意类簇分布情况，且不具备自适应能力；目前大多采用用户负荷曲线进行电力用户用电模式聚类，但并未考虑用户用电行为多维影响因素造成的用户用电行为、态度、习惯等差异巨大，导致用户的聚类可调潜力难以精确建模与量化；现有针对电力用户的负荷可调潜力研究可以有效实现需求响应项目的客户潜力挖掘，但是没有具体量化用户可调潜力，没有具体的计算方法，不利于电力能源的灵活合理分配。

技术实现思路

[0004]为了解决大规模电力用户参与电网需求侧调度带来的挑战，用户负荷相应情况参差不齐、用户行为特征差异化严重，亟需开展对电力用户的精细化分类，达到电力用户与电网高质量互动调节的目的，本专利技术提出了一种考虑负荷特性与可调节潜力的双层自适应聚类方法。该方法一方面通过提出一种改进自适应密度峰值算法对电力用户日负荷曲线一次聚类，能够更好地实现灵活资源和用电行为影响下的不均衡负荷数据集的聚类，具备自适应能力与强鲁棒性。另一方面，提出采用主成分分析算法与自组织竞争神经网络相结合针对考虑电力用户用电行为影响因素下的可调潜力二次聚类，粗略定位调节潜力较强的电力用户。根据二次聚类结果采用BP神经网络反馈修正一次聚类结果，得到更精确的综合聚类结果，结合系数和戴维森指数评价聚类效果。最后提供一种最可能调节量与最大调节量定量计算目标用户的可调潜力。提出的负荷聚类方法不仅能对用户进行精确评估与定位，还能量化可调节潜力，为负荷聚合商和电力运营商提供了有效的数据支撑，解决传统聚类算法在分析不同负荷数据集时，每一次聚类都需要人为调整某些参数的问题，无法适用负荷类簇形状较多情况，计算速度慢和鲁棒性差的技术问题。
[0005]本专利技术解决技术问题所采用的方案是：
[0006]一种考虑用户负荷特性与可调节潜力的双层自适应聚类方法，其特征在于，包括：
[0007]步骤1：获取电力用户的负荷数据与用户基础信息数据；
[0008]步骤2：针对电力用户日负荷特性曲线，构建一种改进自适应密度峰值算法进行一次聚类分析；
[0009]步骤2.1：根据智能电表获取用户用电数据，进一步形成各用户的用电负荷曲线数据集；
[0010]步骤2.2：针对负荷特性数据进行数据预处理，包括测量和通信的误差及系统故障等因素的影响，导致数据缺失、噪声，包括缺失数据填补、曲线平滑滤波、数据归一化处理；
[0011]步骤2.3：根据样本情况自适应地获得参数k，采取自然最近邻(Natural Nearest Neighbor,3N)算法计算得到自然特征值sup
k
作为KNN的k，具体包括：
[0012]步骤2.3.1：初始化搜索指数r＝1，逆邻近集合
[0013]步骤2.3.2：计算每个样本x
i
的KNN
r
(x
i
)、RNN(x
i
)；
[0014]步骤2.3.3：r＝r+1；
[0015]步骤2.3.4：当使得或令所有的x
j
不再改变时，sup
k
＝r
‑
1，输出sup
k
，否则跳转到步骤2.3.2；
[0016]步骤2.4：利用类簇中心自动选择方式确定类簇中心，由于聚类中心的决策值远大于其他样本，故将决策值进行降序排列会出现分段现象，用两条直线分段拟合决策值，拟合误差最小的分段点就是最优类簇中心；
[0017]步骤2.5：根据基于加权KNN图的样本分配策略对剩余的样本点进行分配；
[0018]步骤2.6：轮廓系数(SC)和戴维森指数(DBI)两个评价指标相结合，评价聚类结果的准确性；
[0019]步骤3：针对考虑用户用电行为影响因素的电力大数据，提出一种基于主成分分析与自组织竞争神经网络相结合的方法进行用户用电模式二次聚类分析；
[0020]步骤3.1：对考虑用户用电行为影响因素的电力数据进行PCA降维处理；
[0021]步骤3.2：基于PCA降维结果，采用自组织竞争神经网络对用户可调潜力二次聚类；
[0022]步骤4：提出将二次聚类结果作为BP神经网络的训练数据集，对一次聚类结果反馈修正，得到综合聚类结果；
[0023]步骤4.1：针对用户负荷数据集进行一次聚类，得到K类有相似负荷特性的用户群体；
[0024]步骤4.2：针对同类型的用户用电负荷特性用户群进行二次聚类；
[0025]步骤4.3：将上述经过二次聚类后的结果作为BP神经网络的训练集，反向修正一次聚类结果，利用BP神经网络强大的自适应学习能力以及非线性映射能力，使二次聚类输出灵活调整一次聚类结果；
[0026]步骤4.4：根据修正的一次聚类结果重复二次聚类流程，得到最终考虑用户负荷特性与可调潜力的综合聚类结果；
[0027]步骤5：针对综合聚类结果，提出量化用户可调潜力计算方法；
[0028]步骤5.1：根据分类结果对目标电力用户调控日负荷基线所属用电模式进行判断目标电力负荷所属类簇；
[0029]步骤5.2：计算调控日目标用户调控时段的柔性可调潜力；
[0030]步骤5.3：根据上述计算结果，计算电力用户的最可能调节潜力ΔP
ii
(t)＝x
t
‑
x
m
与最大调节潜力ΔP
ik
(t)＝x
t
‑
x
k
。
[0031]积极效果，与现有技术相比，本专利技术具有如下有益效果：
[0032](1)本专利技术针对用户用电行为进行综合分析，考虑用户负荷数据的信息挖掘与用户用电行为影响因素的电力大数据的信息挖掘，实现用户负荷特性与可调节潜力的灵活互动，达到更加精确的聚类效果。
[0033](2)针对智能电表采集的各类特性差异巨大的用户负荷数据，提出的改进自适应密度峰值算法能够更好的聚类电力用户的负荷曲线，改进自适应密度峰值算法可以更好地实现不均衡负荷数据集的聚类，而且具备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑用户负荷特性与可调节潜力的双层自适应聚类方法，其特征在于，包括：步骤1：获取电力用户的负荷数据与用户基础信息数据；步骤2：针对电力用户日负荷特性曲线，构建一种改进自适应密度峰值算法进行一次聚类分析；步骤3：针对考虑用户用电行为影响因素的电力大数据，基于主成分分析与自组织竞争神经网络相结合的方法进行用户用电模式二次聚类分析；步骤4：将二次聚类结果作为BP神经网络的训练数据集，对一次聚类结果反馈修正，得到综合聚类结果；步骤5：针对综合聚类结果，提出量化用户可调潜力计算方法。2.根据权利要求1所述的一种考虑用户负荷特性与可调节潜力的双层自适应聚类方法，其特征在于，所述步骤2包括：步骤2.1：根据智能电表获取用户用电数据，形成各用户的用电负荷曲线数据集；步骤2.2：针对负荷特性数据进行数据预处理，包括测量和通信的误差及系统故障等因素的影响，导致数据缺失、噪声，包括缺失数据填补、曲线平滑滤波、数据归一化处理；步骤2.3：根据样本情况自适应地获得参数k，采取自然最近邻(Natural Nearest Neighbor,3N)算法计算得到自然特征值sup
k
作为KNN的k，具体包括：步骤2.3.1：初始化搜索指数r＝1，逆邻近集合步骤2.3.2：计算每个样本x
i
的KNN
r
(x
i
)、RNN(x
i
)；步骤2.3.3：r＝r+1；步骤2.3.4：当使得或令所有的x
j
不再改变时，sup
k
＝r
‑
1，输出sup
k
，否则跳转到步骤2.3.2；步骤2.4：利用类簇中心自动选择方式确定类簇中心，由于聚类中心的决策值远大于其他样本，故将决策值进行降序排列会出现分...

【专利技术属性】
技术研发人员：朱家正，潘奕林，王振南，栗鹏辉，徐胜，张硕，左越，韩帅，王凯，韩汝军，贺添铭，张博，戢超楠，董奥，
申请(专利权)人：国网辽宁省电力有限公司，
类型：发明
国别省市：