System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电气自动化领域,特别涉及一种基于聚类分析的电力用户负荷特性分析方法及系统。
技术介绍
1、聚类分析是一类将数据所对应的研究对象进行分类的统计方法,将若干个个体集合,按照某种标准分成若干簇,并且希望簇内的样本尽可能地相似,而簇与簇之间要尽可能的不相似。
2、在电力市场中,通常使用k-means聚类算法对用户的负荷特性进行聚类分析,以便于直观的了解得到用户负荷特性的典型情况。
3、传统的k-means聚类算法应用于电力市场中,步骤如下:1)从样本空间中随机取k个样本点作为初始质心;2)计算样本集合中每个样本点到三个质心的欧几里得距离;3)将每一个样本点划分到距离最近的质心所对应的簇中;4)计算每个簇内所有样本的均值,并使用该均值更新簇的质心;5)重复步骤2、3、4直至质心的位置变化小于指定的阈值。
4、然而,用户的负荷特性往往具有一定的随机性,如果仅仅使用某一天所采集的用户负荷样本作为聚类分析的样本的话,得到的结果往往并不准确。
技术实现思路
1、本专利技术所要解决的问题是:提供一种基于聚类分析的电力用户负荷特性分析方法及系统,针对电力市场中具有随机性、波动性特征的用户负荷特性,获得更加准确的聚类分析结果。
2、本专利技术采用如下技术方案:一种基于聚类分析的电力用户负荷特性分析方法,步骤如下:
3、s1、样本采集:采集用户用电负荷特性数据,输出采集的用户长期负荷特性曲线;
4、s2、样本处理:基于采集
5、s3、随机簇聚类分析:对于由正态分布的随机变量组成的用户负荷特性样本点,使用随机簇聚类分析方法进行聚类分析,输出聚类分析后典型用户负荷特性的正态分布;
6、s4、曲线输出:根据聚类分析后典型用户负荷特性正态分布情况,即输出典型用户的负荷特性曲线。
7、具体地,步骤s1中,通过样本采集模块,对于大量的用户样本,长期采集用户负荷特性数据,基于用户负荷特性的随机性,每天采集负荷特性的周期为1小时,对于每一位用户,连续采集d天,采集了d个表现为24维点的负荷特性,记为:
8、xid(qid1,qid2……qid24)
9、式中,xid为第i个用户第d天的负荷数据,qid1……qid24为该用户该日内每小时的负荷特性。
10、具体地,步骤s2中,通过样本处理模块,基于采集的用户长期负荷特性曲线,输出用户负荷特性正态分布情况,采集的用户总数为u,对每个用户连续采集d天数据,假定用户一天中每一个小时的负荷特性均满足正态分布,则对于第i个用户,有:
11、第i个用户第d天第t个小时负荷特性为qidt,第i个用户第t个小时负荷数据平均值μit,计算如下:
12、
13、第i个用户第t个小时负荷数据方差σit2,计算如下:
14、
15、其中,第i个用户第t个小时负荷qit,满足:
16、qit~n(μit,σit2)
17、记第i个用户样本点xi为:
18、xi(μi1,σi12,μi2,σi22……μi24,σi242)
19、样本空间表示为:
20、{x1,x2……xu}。
21、具体地,步骤s3中,随机簇聚类分析方法,基于传统k-means聚类分析方法,结合电力市场语境下用户负荷特性的随机性,计算样本点到质心的距离以更新簇内样本质心,方法包括如下子步骤:
22、s3.1、从用户负荷特性正态分布样本空间中,随机取k个样本点作为初始质心,记为ya,yb,yc……yk,第ω个质心点表示为:
23、yω(μω1,σω12,μω2,σω22……μωn,σωn2……),ω=a,b,c……k
24、式中,μωn为第ω个质心点第n维度上的均值,σωn2为第ω个质心点第n维度上的方差,
25、s3.2、计算每个样本点到每个质心在每个维度上的随机簇聚类系数:
26、
27、式中,αiωn表示第i个样本点到第ω个质心点第n维度上的随机簇聚类系数,μin表示第i个样本点第n维度上的均值,σin2表示第i个样本点第n维度上的方差;
28、s3.3、计算样本集合中每个样本点到每个质心的随机簇距离:
29、
30、式中,diω表示第i个样本点到第ω个质心点的随机簇距离;
31、s3.4、将每一个样本点划分到随机簇距离最近的质心所对应的簇中;
32、s3.5、计算每个簇内所有样本的均值,并使用该均值更新每个簇的质心:
33、
34、
35、式中,ρω表示第ω个簇内样本点的个数,μiωn表示第ω个簇内第i个样本点第n维度上的均值;σiωn2表示第ω个簇内第i个样本点第n维度上的方差;
36、s3.6、重复步骤s3.2至s3.4,直至每个质心的所有μωn变化均小于指定的阈值;
37、s3.7、输出迭代完成的质心ya,yb,yc……yk。
38、具体地,步骤s4中,输出模块按照实际需求,舍弃步骤s4输出的部分方差数据,当以时间段表示样本点的维度以及迭代过程中质心点的维度时,保留典型用户第t个小时负荷特性的均值数据μωt,并以负荷特性曲线的方式进行输出,表示如下:
39、zω(μω1,μω2……μω24)
40、式中,zω为第ω条典型负荷特性曲线,μω1,μω2……μω24表示第ω条典型负荷特性曲线每小时的负荷特性。
41、本专利技术技术方案还包括:一种基于聚类分析的电力用户负荷特性分析系统,使用上述任一种基于聚类分析的电力用户负荷特性分析方法,对具有随机性、波动性的用户负荷特性进行聚类分析,得到典型用户负荷特性曲线,其特征在于,包括:样本采集模块,样本处理模块,随机簇聚类分析模块,输出模块;
42、样本采集模块,采集用户日负荷特性曲线样本,输出采集的用户长期负荷特性曲线;
43、样本处理模块,基于采集的用户长期负荷特性曲线,输出用户负荷特性的正态分布;
44、随机簇聚类分析模块,对于由正态分布的随机变量组成的用户负荷特性样本点,使用随机簇聚类分析方法进行聚类分析,输出聚类分析后典型用户负荷特性的正态分布;
45、输出模块,根据聚类分析后典型用户负荷特性正态分布情况,即输出典型用户的负荷特性曲线。
46、本专利技术技术方案还提供了:一种电子设备,包括:
47、一个或多个处理器;
48、存储装置,其上存储有一个或多个程序;
49、当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一所述的基于聚类分析的电力用户负荷特性分析方法。
50、本专利技术技术方案还提供了一种计算机可读存储介本文档来自技高网...
【技术保护点】
1.一种基于聚类分析的电力用户负荷特性分析方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于聚类分析的电力用户负荷特性分析方法,其特征在于,步骤S1中,通过样本采集模块,对于大量的用户样本,长期采集用户负荷特性数据,基于用户负荷特性的随机性,对每个用户每天采集负荷特性的周期为1小时,第i个用户第d天的负荷数据Xid表现为24维点的负荷特性,记为:
3.根据权利要求1所述的基于聚类分析的电力用户负荷特性分析方法,其特征在于,步骤S2中,通过样本处理模块,基于采集的用户长期负荷特性曲线,输出用户负荷特性正态分布情况;采集的用户总数为U,对每个用户连续采集D天数据,假定每个用户一天中每一个小时的负荷特性均满足正态分布,则对于第i个用户,有:
4.根据权利要求1所述的基于聚类分析的电力用户负荷特性分析方法,其特征在于,步骤S3中,随机簇聚类分析方法,基于传统K-means聚类分析方法,结合电力市场语境下用户负荷特性的随机性,计算样本点到质心的随机簇距离,以更新簇内样本质心,方法包括如下子步骤:
5.根据权利要求4所述的基于聚类分
6.一种基于聚类分析的电力用户负荷特性分析系统,使用权利要求1-5中任一种基于聚类分析的电力用户负荷特性分析方法,对具有随机性、波动性的用户负荷特性进行聚类分析,得到典型用户负荷特性曲线,其特征在于,包括:样本采集模块,样本处理模块,随机簇聚类分析模块,输出模块;
7.一种电子设备,其特征在于,包括:
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时,实现权利要求1至5中任一项所述的基于聚类分析的电力用户负荷特性分析方法中的步骤。
...【技术特征摘要】
1.一种基于聚类分析的电力用户负荷特性分析方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于聚类分析的电力用户负荷特性分析方法,其特征在于,步骤s1中,通过样本采集模块,对于大量的用户样本,长期采集用户负荷特性数据,基于用户负荷特性的随机性,对每个用户每天采集负荷特性的周期为1小时,第i个用户第d天的负荷数据xid表现为24维点的负荷特性,记为:
3.根据权利要求1所述的基于聚类分析的电力用户负荷特性分析方法,其特征在于,步骤s2中,通过样本处理模块,基于采集的用户长期负荷特性曲线,输出用户负荷特性正态分布情况;采集的用户总数为u,对每个用户连续采集d天数据,假定每个用户一天中每一个小时的负荷特性均满足正态分布,则对于第i个用户,有:
4.根据权利要求1所述的基于聚类分析的电力用户负荷特性分析方法,其特征在于,步骤s3中,随机簇聚类分析方法,基于传统k-means聚类分析方法,结合电力市场语境下用户负荷特性的随机性,计...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。