一种专变终端的用电分配方法、装置和设备与流程

1.本发明涉及终端分类技术领域，尤其涉及一种专变终端的用电分配方法、装置和设备。


背景技术：

2.随着经济不断发展，供电企业正处于经营管理改革的关键时期，而技术创新作为企业发展的源动力，如何基于现有用户用电行为对用电分配进行优化逐渐成为现阶段急需解决的问题。
3.而现有技术针对不同专变用户的用电终端进行分类的方法通常是在对专变用户的电力负荷数据进行数据预处理后，增加一道删除特殊日用电数据的工序对数据进行筛选再进行分类。
4.但上述过程并未考虑各种专变用户的用电终端自身的用电特征，难以体现出不同类型用户之间的负荷特性差异，导致后续对用电分配准确度降低。


技术实现要素：

5.本发明提供了一种专变终端的用电分配方法、装置和设备，解决了现有技术并未考虑各种专变用户的用电终端自身的用电特征，难以体现出不同类型用户之间的负荷特性差异，导致后续对用电分配准确度降低的技术问题。
6.本发明第一方面提供的一种专变终端的用电分配方法，包括：
7.获取多个专变终端分别上传的原始电力负荷数据；
8.对各所述原始电力负荷数据分别进行数据预处理，得到每个所述专变终端对应的预处理电力负荷数据；
9.对各所述预处理电力负荷数据分别进行聚类，确定每个所述专变终端对应的多个用电负荷聚类中心；
10.按照预设的分类维度对全部所述用电负荷聚类中心进行聚类，得到每个所述专变终端对应的多个聚类结果；
11.基于各所述专变终端对应的多个聚类结果，分别生成对应的用电计划。
12.可选地，所述原始电力负荷数据包括多个电力负荷数据样本；所述对各所述原始电力负荷数据分别进行数据预处理，得到每个所述专变终端对应的预处理电力负荷数据的步骤，包括：
13.计算多个所述电力负荷数据样本的数据均值；
14.分别计算各个所述电力负荷数据样本与所述数据均值的比值，得到各个所述电力负荷数据样本对应的归一化数据；
15.计算各个所述归一化数据与所述数据均值的差值；
16.从多个所述归一化数据中剔除所述差值的绝对值大于预设的样本阈值的归一化数据，得到每个所述专变终端对应的预处理电力负荷数据。
17.可选地，所述对各所述预处理电力负荷数据分别进行聚类，确定每个所述专变终端对应的多个用电负荷聚类中心的步骤，包括：
18.按照预设的聚类个数对所述预处理电力负荷数据进行二分均值聚类，得到每个所述专变终端对应的多个初始聚类簇；
19.计算所述初始聚类簇的初始聚类中心两两之间的中心负荷率差值；
20.依据所述中心负荷率差值与预设的负荷率差值阈值的比较情况，对相邻两个所述初始聚类簇进行合并，得到多个中间聚类簇；
21.从多个所述中间聚类簇中剔除数据数量小于或等于预设的剔除下限的中间聚类簇，得到多个用电负荷聚类簇；
22.将所述用电负荷聚类簇的聚类中心确定为用电负荷聚类中心。
23.可选地，所述预处理电力负荷数据包括多个预处理用电负荷子数据；所述按照预设的聚类个数对所述预处理电力负荷数据进行二分均值聚类，得到每个所述专变终端对应的多个初始聚类簇的步骤，包括：
24.采用预设的k-均值算法对所述预处理用电负荷子数据进行二分聚类，得到第一聚类簇和第二聚类簇；
25.判断当前所述第一聚类簇和所述第二聚类簇的总数量是否等于预设的聚类个数；
26.若不等于，则采用所述k-均值算法分别对所述第一聚类簇和所述第二聚类簇内的聚类数据进行二分聚类，得到两组二分聚类簇；
27.根据所述第一聚类簇、所述第二聚类簇和所述二分聚类簇，计算所述第一聚类簇和所述第二聚类簇分别对应的总误差平方和；
28.若所述第一聚类簇对应的总误差平方和小于所述第二聚类簇对应的总误差平方和，则将所述第一聚类簇对应的二分聚类簇确定为新的第一聚类簇；
29.若所述第二聚类簇对应的总误差平方和小于所述第一聚类簇对应的总误差平方和，则将所述第二聚类簇对应的二分聚类簇确定为新的第二聚类簇；
30.跳转执行所述判断当前所述第一聚类簇和所述第二聚类簇的数量是否等于预设的聚类个数的步骤，直至当前所述第一聚类簇和所述第二聚类簇的总数量等于所述聚类个数，将当前时刻的全部所述第一聚类簇和所述第二聚类簇确定为初始聚类簇。
31.可选地，所述根据所述第一聚类簇、所述第二聚类簇和所述二分聚类簇，计算所述第一聚类簇和所述第二聚类簇分别对应的总误差平方和的步骤，包括：
32.采用所述第一聚类簇对应的二分聚类簇内的第一中间聚类数据，计算所述第一中间聚类数据对应的第一误差平方和；
33.采用所述第二聚类簇对应的二分聚类簇内的第二中间聚类数据，计算所述第二中间聚类数据对应的第二误差平方和；
34.计算所述第一误差平方和与所述第二聚类簇对应的误差平方和的和值，得到所述第一聚类簇对应的总误差平方和；
35.计算所述第二误差平方和与所述第一聚类簇对应的误差平方和的和值，得到所述第二聚类簇对应的总误差平方和。
36.可选地，所述依据所述中心负荷率差值与预设的负荷率差值阈值的比较情况，对相邻两个所述初始聚类簇进行合并，得到多个中间聚类簇的步骤，包括：
37.比较所述中心负荷率差值和预设的负荷率差值阈值，判断所述中心负荷率差值是否小于所述负荷率差值阈值；
38.若是，则合并相邻两个所述初始聚类簇作为新的初始聚类簇，并计算当前时刻的所述初始聚类簇的平均值作为新的初始聚类中心；
39.当全部所述中心负荷率差值均被比较后，跳转执行所述计算所述初始聚类簇的初始聚类中心两两之间的中心负荷率差值的步骤；
40.若全部所述中心负荷率差值均大于或等于所述负荷率差值阈值，将当前时刻的全部所述初始聚类簇确定为中间聚类簇。
41.可选地，所述分类维度包括峰特征聚类、谷特征聚类、负荷率特征聚类和峰谷差特征聚类。
42.可选地，聚类结果包括峰特征聚类结果、谷特征聚类结果、负荷率特征聚类结果和峰谷差特征聚类结果；所述基于各所述专变终端对应的多个聚类结果，分别生成对应的用电计划的步骤，包括：
43.基于所述专变终端的所述峰特征聚类结果和所述谷特征聚类结果，生成所述专变终端对应的停电计划；
44.对所述负荷率聚类结果小于预设的负荷率特征阈值的专变终端，对所述专变终端所属的配电馈线使用预设的配电容量调控策略；
45.对所述峰谷差特征聚类大于预设的特征值的专变终端，将所述专变终端确定为潜在负荷可调专变终端。
46.本发明第二方面提供了一种专变终端的用电分配装置，包括：
47.数据获取模块，用于获取多个专变终端分别上传的原始电力负荷数据；
48.数据预处理模块，用于对各所述原始电力负荷数据分别进行数据预处理，得到每个所述专变终端对应的预处理电力负荷数据；
49.数据聚类模块，用于对各所述预处理电力负荷数据分别进行聚类，确定每个所述专变终端对应的多个用电负荷聚类中心；
50.中心聚类模块，用于按照预设的分类维度对全部所述用电负荷聚类中心进行聚类，得到每个所述专变终端对应的多个聚类结果；
51.用电计划生成模块，用于基于各所述专变终端对应的多个聚类结果，分别生成对应的用电计划。
52.本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的专变终端的用电分配方法的步骤。
53.从以上技术方案可以看出，本发明具有以下优点：
54.本发明通过获取多个专变终端分别上传的原始电力负荷数据；对各原始电力负荷数据分别进行数据预处理，得到每个专变终端对应的预处理电力负荷数据；对各预处理电力负荷数据分别进行聚类，确定每个专变终端对应的多个用电负荷聚类中心；按照预设的分类维度对全部用电负荷聚类中心进行聚类，得到每个专变终端对应的多个聚类结果；基于各专变终端对应的多个聚类结果，分别生成对应的用电计划。从而解决现有技术并未考虑各种专变用户的用电终端自身的用电特征，难以体现出不同类型用户之间的负荷特性差
异，导致后续对用电分配准确度降低的技术问题，更为准确地对各种类型的专变用户进行用电分配。
附图说明
55.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
56.图1为本发明实施例一提供的一种专变终端的用电分配方法的步骤流程图；
57.图2为本发明实施例二提供的一种专变终端的用电分配方法的步骤流程图；
58.图3为本发明实施例提供的原始电力负荷数据的可视化展示图；
59.图4为本发明实施例提供的预处理电力数据的可视化展示图；
60.图5为本发明实施例提供的初始聚类簇的可视化示意图；
61.图6为本发明实施例提供的中间聚类簇的可视化示意图；
62.图7为本发明实施例提供的用电负荷聚类簇的可视化示意图；
63.图8a为本发明实施例提供的一种峰特征聚类的单峰时段聚类结果示意图；
64.图8b为本发明实施例提供的一种峰特征聚类的单峰中心时刻聚类结果示意图；
65.图8c为本发明实施例提供的一种峰特征聚类的双峰中心时刻聚类结果示意图；
66.图9a为本发明实施例提供的一种谷特征聚类的单谷时段聚类结果示意图；
67.图9b为本发明实施例提供的一种谷特征聚类的单谷中心时刻聚类结果示意图；
68.图9c为本发明实施例提供的一种谷特征聚类的双谷中心时刻聚类结果示意图；
69.图10为本发明实施例提供的一种负荷率特征聚类的聚类结果示意图；
70.图11为本发明实施例提供的一种峰谷差聚类的聚类结果示意图；
71.图12为本发明实施例三提供的一种专变终端的用电分配装置的结构框图。
具体实施方式
72.本发明实施例提供了一种专变终端的用电分配方法、装置和设备，用于解决现有技术并未考虑各种专变用户的用电终端自身的用电特征，难以体现出不同类型用户之间的负荷特性差异，导致后续对用电分配准确度降低的技术问题。
73.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
74.请参阅图1，图1为本发明实施例一提供的一种专变终端的用电分配方法的步骤流程图。
75.本发明提供的一种专变终端的用电分配方法，包括：
76.步骤101，获取多个专变终端分别上传的原始电力负荷数据；
77.专变终端指的是同一用户专用变压器所关联的全部用电终端设备。
78.原始电力负荷数据又称用电负荷数据，指的是同一专变用户的全部用电终端在某一时刻向电力系统取用的电功率的总和，在本技术实施例中可以为同一专变用户的全部用电终端在半年内每天所取用的电功率总和。
79.在本技术实施例中，为获取到对各个专变终端进行用电分配的数据基础，可以获取各个专变终端分别上传的原始电力负荷数据。
80.步骤102，对各原始电力负荷数据分别进行数据预处理，得到每个专变终端对应的预处理电力负荷数据；
81.本技术实施例中的数据预处理指的是在后续对数据进行聚类的主要处理操作以前，对数据所进行的一些处理，包括但不限于数据归一化、数据清洗、数据异常值剔除和数据变换等。
82.在获取到原始电力负荷数据后，由于专变终端可能记录的数值出错或可能量纲不统一，此时为便于后续对数据的快速处理，可以进一步对各个原始电力负荷数据分别进行数据预处理，以得到每个专变终端分别对应的预处理电力负荷数据。
83.步骤103，对各预处理电力负荷数据分别进行聚类，确定每个专变终端对应的多个用电负荷聚类中心；
84.在本技术实施例中，在得到各个专变终端分别对应的预处理电力数据后，为进一步对各个专变终端各自的特征进行分析，可以分别对各个关联的预处理电力负荷数据进行聚类，以得到多个聚类簇，将各个聚类簇的簇中心确定为专变终端所对应的用电负荷聚类中心。
85.步骤104，按照预设的分类维度对全部用电负荷聚类中心进行聚类，得到每个专变终端对应的多个聚类结果；
86.在获取到专变终端所对应的多个用电负荷聚类中心后，可以通过曲线视图的形式对用电负荷聚类中心进行可视化展示，再分别从多个预设的分类维度对各个用电负荷聚类中心进行聚类，以得到每个专变终端在多个分类维度上的聚类结果。
87.需要说明的是，分类维度可以包括但不限于峰特征聚类、谷特征聚类、负荷率特征聚类和峰谷差特征聚类等维度。
88.步骤105，基于各专变终端对应的多个聚类结果，分别生成对应的用电计划。
89.在具体实现中，在对用电负荷聚类中心聚类生成多个聚类结果后，可以按照专变终端为调控对象，基于其对应的多个聚类结果，对各个专变终端的用电计划进行调控。以实现以专变用电客户的负荷分析为对象，结合大数据分析方法的优势，实现用户级的24小时负荷功率分析，同时通过全息数据分析技术完成对用户用电特征的提取和用电特征参数的定义，并建立本地的用户特征库，为用户用电特性更深入的统计以及直观显示提供数据支撑，实现用户用电类型的精细划分和自动辨识，帮助电网企业决策层制定有效的策略、措施，逐步提升公司经济效益。
90.在本技术实施例中，通过获取多个专变终端分别上传的原始电力负荷数据；对各原始电力负荷数据分别进行数据预处理，得到每个专变终端对应的预处理电力负荷数据；对各预处理电力负荷数据分别进行聚类，确定每个专变终端对应的多个用电负荷聚类中心；按照预设的分类维度对全部用电负荷聚类中心进行聚类，得到每个专变终端对应的多个聚类结果；基于各专变终端对应的多个聚类结果，分别生成对应的用电计划。从而解决现
有技术并未考虑各种专变用户的用电终端自身的用电特征，难以体现出不同类型用户之间的负荷特性差异，导致后续对用电分配准确度降低的技术问题，更为准确地对各种类型的专变用户进行用电分配。
91.请参阅图2，图2为本发明实施例二提供的一种专变终端的用电分配方法的步骤流程图。
92.本发明提供的一种专变终端的用电分配方法，包括：
93.步骤201，获取多个专变终端分别上传的原始电力负荷数据；
94.专变终端指的是同一用户专用变压器所关联的全部用电终端设备。
95.原始电力负荷数据又称用电负荷数据，指的是同一专变用户的全部用电终端在某一时刻向电力系统取用的电功率的总和，在本技术实施例中可以为同一专变用户的全部用电终端在半年内每天所取用的电功率总和。
96.在本技术实施例中，为获取到对各个专变终端进行用电分配的数据基础，可以获取各个专变终端分别上传的原始电力负荷数据，如图3所示，包括了一个专变终端半年的原始电力负荷数据，以图形化的方式进行可视化展示，其中横坐标表示时间(对应一天24小时)，纵坐标表示对应的原始电力负荷数据的数值。
97.步骤202，对各原始电力负荷数据分别进行数据预处理，得到每个专变终端对应的预处理电力负荷数据；
98.可选地，原始电力负荷数据包括多个电力负荷数据样本；步骤202可以包括以下子步骤：
99.计算多个电力负荷数据样本的数据均值；
100.分别计算各个电力负荷数据样本与数据均值的比值，得到各个电力负荷数据样本对应的归一化数据；
101.计算各个归一化数据与数据均值的差值；
102.从多个归一化数据中剔除差值的绝对值大于预设的样本阈值的归一化数据，得到每个专变终端对应的预处理电力负荷数据。
103.在本技术实施例中，电力负荷数据样本由于类型的不同往往也具有不同的量纲和量纲单位，为消除数据样本之间的量纲影响，可以在后续的主要数据处理前先对电力负荷数据样本进行数据归一化处理。首先可以基于采用多个电力负荷数据样本的和值，结合电力负荷数据样本的个数计算对应的数据均值。再进一步分别计算各个电力负荷数据样本和数据均值的比值，以得到各个电力负荷数据样本对应的归一化数据x'
n,i
：
[0104][0105]
其中，x
n,i
为第n天第i时间点的电力负荷数据样本，为第n天的电力负荷数据样本的总和，n为电力负荷数据样本的个数。
[0106]
在获取到归一化数据x'
n,i
后，由于电力负荷数据样本可能存在少量的异常数据，该异常数据在众多的样本中并不具备代表性且异常数据的存在还会给数据挖掘和分析的结果带来较大的误差，使得最终的结果不具备说服力。为此可以通过计算各个归一化数据和数据均值的差值，通过差值与预设的样本阈值的比较情况，从多个归一化数据中剔除差
值大于样本阈值的归一化数据，从而得到每个专变终端对应的预处理电力负荷数据。
[0107]
具体的，样本阈值可以通过三倍标准差的方式进行确定：
[0108][0109]
其中，σi为第i时间点对应的标准差。
[0110]
为便于后续进行筛选判断，可以公式形式设置判断条件为：
[0111][0112]
如图4所示，图4为对归一化数据进行异常值剔除后的预处理电力数据。
[0113]
步骤203，按照预设的聚类个数对预处理电力负荷数据进行二分均值聚类，得到每个专变终端对应的多个初始聚类簇；
[0114]
可选地，预处理电力负荷数据包括多个预处理用电负荷子数据；步骤203可以包括以下子步骤s11-s17：
[0115]
s11、采用预设的k-均值算法对预处理用电负荷子数据进行二分聚类，得到第一聚类簇和第二聚类簇；
[0116]
k-均值算法指的是k-means算法，其是解决聚类问题的经典算法，其主要思想是从数据集s中选择k个点作为初始聚类的质心，将数据中的每个点与距它最近的质心聚类，通常是首先随机选择k个数据作为初始中心，计算各个数据到所选出来的各个中心的距离，将数据对象指派到最近的簇中，计算每个簇的均值，循环反复执行，直到满足聚类准则函数收敛为止。具体的工作步骤可以如下：输入：初始数据集data和簇的数目k，输出：k个簇，满足平方误差准则函数收敛。
[0117]
1)任意选择k个数据对象作为初始聚类中心；
[0118]
2)repeat；
[0119]
3)根据簇中对象的平均值，将每个对象赋给最类似的簇；
[0120]
4)更新对象的平均值，即计算每个对象簇中对象的平均值；
[0121]
5)计算聚类准则函数e；
[0122]
6)until准则函数e值不再进行变化。
[0123]
二分聚类指的是采用k-均值算法任意选取两个预处理用电负荷子数据作为初始中心，计算剩余的预处理用电负荷子数据与两个初始中心的欧几里得距离，选取欧几里得距离小于预设值的预处理用电负荷子数据进行归类，得到第一聚类簇和第二聚类簇的过程。
[0124]
在本技术实施例中，传统的k-means存在聚类个数确定困难，初始聚类中心选取不准确导致聚类结果易陷入局部最优解等缺陷。因此通过将初始中心的数量固定为两个，首先将全部预处理用电负荷子数据作为一个类，在采用k-均值算法对上述类进行二分聚类后，得到第一聚类簇和第二聚类簇。
[0125]
可选地，在本技术的另一个示例中，还可以对k-均值算法进行进一步改进，对所选取的数据初始中心进行选取优化，具体可以如下步骤所示：
[0126]
按照预设的划分时段对各个预处理电力负荷数据进行划分，得到每个划分时段分别对应的划分电力负荷数据；
[0127]
按照预设的选取排位公式计算各个划分电力负荷数据对应的排位数值；
[0128]
将排位数值相同的划分电力负荷数据合并为数据初始中心；
[0129]
选取排位公式为：
[0130][0131]
其中，r为排位数值，m为划分电力负荷数据的总数量，k为第k个划分电力负荷数据，h为第k个划分时段。
[0132]
s12、判断当前第一聚类簇和第二聚类簇的总数量是否等于预设的聚类个数；
[0133]
在本技术实施例中，可以判断当前第一聚类簇和第二聚类簇的总数量是否等于预设的聚类个数，以确定是否输出当前聚类簇。
[0134]
s13、若不等于，则采用k-均值算法分别对第一聚类簇和第二聚类簇内的聚类数据进行二分聚类，得到两组二分聚类簇；
[0135]
若总数量不等于预设的聚类个数，则可以进一步采用k-均值算法分别对第一聚类簇和第二聚类簇所包含的聚类进行二分聚类，以得到由第一聚类簇和第二聚类簇划分得到的两组二分聚类簇，每组二分聚类簇包括两个聚类簇。
[0136]
s14、根据第一聚类簇、第二聚类簇和二分聚类簇，计算第一聚类簇和第二聚类簇分别对应的总误差平方和；
[0137]
进一步地，s14可以包括以下子步骤：
[0138]
采用第一聚类簇对应的二分聚类簇内的第一中间聚类数据，计算第一中间聚类数据对应的第一误差平方和；
[0139]
采用第二聚类簇对应的二分聚类簇内的第二中间聚类数据，计算第二中间聚类数据对应的第二误差平方和；
[0140]
计算第一误差平方和与第二聚类簇对应的误差平方和的和值，得到第一聚类簇对应的总误差平方和；
[0141]
计算第二误差平方和与第一聚类簇对应的误差平方和的和值，得到第二聚类簇对应的总误差平方和。
[0142]
误差平方和指的是计算聚类簇内的各个数据和其类中心的平方差的和值，也就是各个数据和类中心的欧几里得距离的平方。
[0143]
在本技术实施例中，在分别得到第一聚类簇对应的二分聚类簇和第二聚类簇对应的二分聚类簇后，可以进一步并行地计算两者对应的第一误差平方和第二误差平方和。例如，可以通过采用第一聚类簇对应的二分聚类簇内的第一中间聚类数据，计算第一中间聚类数据和其中心的差值平方再求和，也就是欧几里得距离的平方，从而得到第一误差平方和；对于第二误差平方和的计算过程可以参照上述过程。再计算第一误差平方和与第二聚类簇对应的误差平方和的和值，将其和值作为第一聚类簇对应的总误差平方和；同理，计算第二聚类簇对应的总误差平方和，以得到后续选取二分聚类簇的数据基础。
[0144]
s15、若第一聚类簇对应的总误差平方和小于第二聚类簇对应的总误差平方和，则将第一聚类簇对应的二分聚类簇确定为新的第一聚类簇；
[0145]
s16、若第二聚类簇对应的总误差平方和小于第一聚类簇对应的总误差平方和，则将第二聚类簇对应的二分聚类簇确定为新的第二聚类簇；
[0146]
在得到第一聚类簇对应的总误差平方和以及第二聚类簇对应的总误差平方和后，可以进一步比较两者，若第一聚类簇对应的总误差平方和小于第二聚类簇对应的总误差平方和，则将第一聚类簇对应的二分聚类簇确定为新的第一聚类簇；若第二聚类簇对应的总误差平方和小于第一聚类簇对应的总误差平方和，则将第二聚类簇对应的二分聚类簇确定为新的第二聚类簇。
[0147]
需要说明的，新的第一聚类簇包括了所有的二分聚类簇，也就是在经历一次新的第一聚类簇或新的第二聚类簇的更新后，总的聚类簇个数会加一。
[0148]
s17、跳转执行判断当前第一聚类簇和第二聚类簇的数量是否等于预设的聚类个数的步骤，直至当前第一聚类簇和第二聚类簇的总数量等于聚类个数，将当前时刻的全部第一聚类簇和第二聚类簇确定为初始聚类簇。
[0149]
在对第一聚类簇或第二聚类簇进行更新后，再次判断第一聚类簇和第二聚类簇的总个数是否等于预设的聚类个数，不断循环步骤s12-s17，直至第一聚类簇和第二聚类簇的总数量等于聚类个数，循环终止，此时将全部第一聚类簇和全部第二聚类簇均确定为初始聚类簇。
[0150]
如图5所示，其为对数据进行二分聚类后得到初始聚类簇的示意图。
[0151]
步骤204，计算初始聚类簇的初始聚类中心两两之间的中心负荷率差值；
[0152]
初始聚类中心指的是初始聚类簇内的聚类中心，其可以通过曲线可视化形式进行表示，由该聚类中心对应时刻的预处理电力负荷数据构成。
[0153]
中心负荷率指的是初始聚类中心所对应时刻的预处理电力负荷数据的最大值和最小值的差值。
[0154]
在本技术实施例中，为进一步减少后续数据分析的数据量，更为准确地筛选用户特征，可以通过计算每个初始聚类簇的初始聚类中心对应的中心负荷率，再进行相邻初始聚类簇的中心负荷率两两之间的中心负荷率差值。
[0155]
步骤205，依据中心负荷率差值与预设的负荷率差值阈值的比较情况，对相邻两个初始聚类簇进行合并，得到多个中间聚类簇；
[0156]
可选地，步骤205可以包括以下子步骤：
[0157]
比较中心负荷率差值和预设的负荷率差值阈值，判断中心负荷率差值是否小于负荷率差值阈值；
[0158]
若是，则合并相邻两个初始聚类簇作为新的初始聚类簇，并计算当前时刻的初始聚类簇的平均值作为新的初始聚类中心；
[0159]
当全部中心负荷率差值均被比较后，跳转执行计算初始聚类簇的初始聚类中心两两之间的中心负荷率差值的步骤；
[0160]
若全部中心负荷率差值均大于或等于负荷率差值阈值，将当前时刻的全部初始聚类簇确定为中间聚类簇。
[0161]
负荷率差值阈值指的是采用预处理电力负荷数据在第h个小时的最大值和最小值的差值，h的数值与初始聚类中心所属时刻一致。
[0162]
在本技术实施例中，在获取到相邻两个初始聚类簇的中心负荷率差值后，可以通过比较中心负荷差值和预设的负荷率差值阈值，若是中心负荷率差值小于负荷率差值阈值，则可以将当前比较的两个初始聚类簇进行合并，作为新的初始聚类簇，再进一步计算新
的初始聚类簇内的全部聚类数据的平均值作为新的初始聚类中心；当全部中心负荷差值均被比较后，再次执行计算初始聚类簇的初始聚类中心两两之间的中心负荷率差值的步骤，直至全部中心负荷差值均大于或等于负荷率差值阈值，此时可以将全部的初始聚类簇确定为中间聚类簇，等待下一步处理。
[0163]
请参阅图6，图6为中间聚类簇的可视化示意图。
[0164]
在具体实现中，对于2条中心线某个小时，如果这个小时这2条中心线的负荷率差小于负荷率差值阈值dh×
p(注：这里根据1万个用户设定p＝0.2，以后会根据实际情况再进行调整)，或者对于其中一条中心线这个小时和另一条中心线相邻的小时负荷率差小于dh×
p，则这个小时符合合并条件，如果24个小时都符合合并条件，则将这两条中心线对应的两个类的数据集合并为1类，合并之后将所有数据的平均值作为新的中心。合并完一次之后，对合并之后形成的新的数据和中心再进行第二次合并，一直循环，直到中心不能再合并为止。
[0165]
步骤206，从多个中间聚类簇中剔除数据数量小于或等于预设的剔除下限的中间聚类簇，得到多个用电负荷聚类簇；
[0166]
在本技术实施例中，从上一步合并得到的多个中间聚类簇中提出数据数量小于或等于预设的剔除下限的中间聚类簇，从而得到多个用电负荷聚类簇。
[0167]
请参阅图7，图7为用电负荷聚类簇的可视化示意图。
[0168]
例如，在经过上一步合并得到的多个中间聚类簇中，存在部分中间聚类簇所含的数据数量仅是占总数据数量的5％或以下，此时可以将5％设为剔除下限，将数据数量小于5％的中间聚类簇进行剔除，将剩下的多个中间聚类簇确定为用电负荷聚类簇。
[0169]
步骤207，将用电负荷聚类簇的聚类中心确定为用电负荷聚类中心；
[0170]
在本技术实施例中，在得到多个用电负荷聚类簇后，可以将全部用电负荷聚类簇的聚类中心确定为用电负荷聚类中心，以完成对原始用电负荷数据的处理。
[0171]
步骤208，按照预设的分类维度对全部用电负荷聚类中心进行聚类，得到每个专变终端对应的多个聚类结果；
[0172]
值得一提的是，分类维度包括峰特征聚类、谷特征聚类、负荷率特征聚类和峰谷差特征聚类。
[0173]
如图8a所示，其示出了本技术实施例一种峰特征聚类的单峰时段聚类结果示意图，其示出了单峰时段聚类结果：用电负荷聚类中心按峰类型进行分类：找出所有负荷超过最大值的70％的时间段，如果时间段有1个，这条曲线为“单峰”，分别按时间段进行聚类个数为5的时段k-means聚类。以分类1为例，该类用电特征是属于单峰，开始时间区间(见横坐标)为0:00-4:00，结束时间区间(见纵坐标)为6:00-10:00，明显区别于其他分类。
[0174]
对于一个专变终端对应的用电负荷聚类中心来说，如果该中心只有1个时间段用电负荷超过该中心的最大值70％，则此用户峰特征类型是“单峰”，如果有2个，则为“双峰”，3个则为“三峰”，其余为“多峰”；如果是“单峰”类型，则对其分别再进行时段聚类和对其时段中心点进行聚类个数为5的二分k-means聚类。在某一负荷值高于最大值的70％的时段中，如果数据间隔是1小时，则第一个超过最大值70％的时刻往前推30分钟是峰开始时刻，如果此时刻是0点，则峰开始时刻是0点。最后一个负荷值高于最大值的70％的时刻往后推30分钟是峰结束的时刻；如果数据间隔是15分钟，则第一个超过最大值70％的时刻往前推
15分钟是峰开始时刻，如果此时刻是0点，则峰开始时刻是0点。最后一个负荷值高于最大值的70％的时刻往后推15分钟是峰结束的时刻，如果此时刻是23点45分，则峰结束时刻为23点45分。
[0175]
如果是“双峰”类型，则对其峰时段的中心点进行聚类个数为5的2分k-means聚类。
[0176]
如图8b所示，其示出了本技术实施例一种峰特征聚类的单峰中心时刻聚类结果示意图，其对单峰时间段的中心点进行聚类个数是5的二分k均值聚类。以分类1为例，该类用电特征是属于单峰，单峰的中心时刻分布区间(见横坐标)在2:20-6:20之间，明显区别与别的分类。
[0177]
如图8c所示，其示出了本技术实施例一种峰特征聚类的双峰中心时刻聚类结果示意图，如果用电负荷曲线所有负荷超过最大值的70％的时间段有2个，这条曲线为“双峰”，对两个峰时段的中心点进行聚类个数是5的二分k均值聚类。以分类1为例，该类用电特征是属于双峰，第一个峰时段中心分布区间(见横坐标)在0:00-4:00之间，第二个峰时段中心分布区间(见纵坐标)在14:00-16:30之间，明显区别与其他分类。
[0178]
如图9a所示，其示出了本技术实施例一种谷特征聚类的单谷时段聚类结果示意图，按谷类型进行分类：找出所有负荷低于最大值的40％的时间段，如果时间段有1个，这条曲线为“单谷”，分别按时间段进行聚类个数为5的时段k-means聚类。以分类1为例，该类用电特征是属于单谷，开始时间区间(见横坐标)为0:00-2:00，结束时间区间(见纵坐标)为4:00-7:00，明显区别于其它分类。
[0179]
谷时段的定义：对于一个专变终端对应的用电负荷聚类中心来说，如果该中心没有时间段用电负荷低于该专变终端对应的用电负荷聚类中心最大值40％，则此用户峰特征类型是“无谷”，如果有1个，则为“单谷”，如果有2个，则为“双谷”，3个则为“三谷”，其余为“多谷”；如果是“单谷”类型，则对其分别再进行时段聚类和对其时段中心点进行聚类个数为5的2分kmeans聚类；在某一负荷值低于最大值的40％的时段中，如果数据间隔是1小时，则第一个低于最大值40％的时刻往前推30分钟是谷开始时刻，如果此时刻是0点，则谷开始时刻是0点。最后一个负荷值低于最大值40％的时刻往后推30分钟是谷结束的时刻；如果数据间隔是15分钟，第一个负荷值低于最大值40％的时刻往前推15分钟是谷开始时刻，如果此时刻是0点，则谷开始时刻是0点。最后一个负荷值低于最大值40％的时刻往后推15分钟是峰结束的时刻，如果此时刻是23点45分，则峰结束时刻为23点45分。如果是“双谷”类型，则对其谷时段的中心点进行聚类个数为5的2分kmeans聚类。
[0180]
如图9b所示，其示出了本技术实施例一种谷特征聚类的单谷中心时刻聚类结果示意图，对单谷时间段的中心点进行聚类个数是5的二分k均值聚类。以分类1为例，该类用电特征是属于单谷，单谷的中心时刻分布区间(见横坐标)在2:20-5:00之间，明显区别于其它分类。
[0181]
如图9c所示，其示出了本技术实施例一种谷特征聚类的双谷中心时刻聚类结果示意图，如果用电负荷曲线所有负荷低于最大值的40％的时间段有2个，这条曲线为“双谷”，对两个谷时段的中心点进行聚类个数是5的二分k均值聚类。以分类1为例，该类用电特征是属于双谷，第一个谷时段中心分布区间(见横坐标)在4:00-5:00之间，第二个谷时段中心分布区间(见纵坐标)在6:00-12:00之间，明显区别于其它分类。
[0182]
如图10所示，其示出了本技术实施例一种负荷率特征聚类的聚类结果示意图，对
用电负荷特征曲线按负荷率进行分类：负荷率是指[(负荷平均值)/最大值])，然后对所有特征曲线的负荷率进行聚类个数是5的二分k均值聚类。以分类1为例，该类负荷率小于0.1(见横坐标)，明显区别于其它分类。
[0183]
如图11所示，其示出了本技术实施例一种峰谷差聚类的聚类结果示意图，对用电负荷特征曲线按峰谷差进行分类：峰谷差是指[(曲线最大值-最小值)/最大值]，然后对所有特征曲线的峰谷差进行聚类个数是5的二分k均值聚类。以分类1为例，该类峰谷差分布区间(见横坐标)在0～0.35之间，明显区别于其它分类。
[0184]
步骤209，基于各专变终端对应的多个聚类结果，分别生成对应的用电计划。
[0185]
可选地，聚类结果包括峰特征聚类结果、谷特征聚类结果、负荷率特征聚类结果和峰谷差特征聚类结果，步骤209可以包括以下子步骤：
[0186]
基于专变终端的峰特征聚类结果和谷特征聚类结果，生成专变终端对应的停电计划；
[0187]
对负荷率聚类结果小于预设的负荷率特征阈值的专变终端，对专变终端所属的配电馈线使用预设的配电容量调控策略；
[0188]
对峰谷差特征聚类大于预设的特征值的专变终端，将专变终端确定为潜在负荷可调专变终端。
[0189]
在具体实现中，以专变用电客户的负荷分析为对象，结合大数据分析方法的优势，实现用户级的24小时负荷功率分析，同时通过全息数据分析技术完成对用户用电特征的提取和用电特征参数的定义，并建立本地的用户特征库，为用户用电特性更深入的统计以及直观显示提供数据支撑，实现用户用电类型的精细划分和自动辨识，帮助电网企业决策层制定有效的策略、措施，逐步提升公司经济效益。
[0190]
峰特征、谷特征聚类的使用：当制定停电运行维护计划时，计划时间段有计划地避开同一类别的单峰时段。假定聚类结果ki为[t1,t2]的单峰用户并且是[t3,t4]的谷用户，则对于ki类别的用户计划停电时间避开[t1,t2]，尽量选择在[t3,t4]。
[0191]
负荷率特征类型聚类的使用：对于低负荷率的用户，说明该类用户在日常用电中会有一小段时间的负荷激增，有效统计该类用户的激增时刻可以提前调整配电容量，降低故障发生风险。假定聚类结果ki为负荷率特征小于0.1的用户，则在该用户所在配电馈线提前设定好自动调控策略，保障用户安全用电。
[0192]
峰谷差率特征类型聚类的使用：对于峰谷差率较大的用户，说明该类用户在用电时段具有明显的时间分布，有效统计各类用户的峰谷差率可以指导用户更加经济用电。假定聚类结果ki为峰谷差率特征大于0.6的用户，则可以标注该用户为潜在负荷可调用户，在需求响应及调峰策略制定中将该用户的负荷纳入考虑因素。
[0193]
在本技术实施例中，通过获取多个专变终端分别上传的原始电力负荷数据；对各原始电力负荷数据分别进行数据预处理，得到每个专变终端对应的预处理电力负荷数据；对各预处理电力负荷数据分别进行聚类，确定每个专变终端对应的多个用电负荷聚类中心；按照预设的分类维度对全部用电负荷聚类中心进行聚类，得到每个专变终端对应的多个聚类结果；基于各专变终端对应的多个聚类结果，分别生成对应的用电计划。从而解决现有技术并未考虑各种专变用户的用电终端自身的用电特征，难以体现出不同类型用户之间的负荷特性差异，导致后续对用电分配准确度降低的技术问题，更为准确地对各种类型的
专变用户进行用电分配。
[0194]
请参阅图12，图12为本发明实施例三提供的一种专变终端的用电分配方法的步骤流程图。
[0195]
本发明实施例提供了一种专变终端的用电分配装置，包括：
[0196]
数据获取模块121，用于获取多个专变终端分别上传的原始电力负荷数据；
[0197]
数据预处理模块122，用于对各原始电力负荷数据分别进行数据预处理，得到每个专变终端对应的预处理电力负荷数据；
[0198]
数据聚类模块123，用于对各预处理电力负荷数据分别进行聚类，确定每个专变终端对应的多个用电负荷聚类中心；
[0199]
中心聚类模块124，用于按照预设的分类维度对全部用电负荷聚类中心进行聚类，得到每个专变终端对应的多个聚类结果；
[0200]
用电计划生成模块125，用于基于各专变终端对应的多个聚类结果，分别生成对应的用电计划。
[0201]
可选地，原始电力负荷数据包括多个电力负荷数据样本；数据预处理模块122包括：
[0202]
数据均值计算子模块，用于计算多个电力负荷数据样本的数据均值；
[0203]
归一化处理子模块，用于分别计算各个电力负荷数据样本与数据均值的比值，得到各个电力负荷数据样本对应的归一化数据；
[0204]
差值计算子模块，用于计算各个归一化数据与数据均值的差值；
[0205]
归一化数据剔除子模块，用于从多个归一化数据中剔除差值的绝对值大于预设的样本阈值的归一化数据，得到每个专变终端对应的预处理电力负荷数据。
[0206]
可选地，数据聚类模块123包括：
[0207]
二分均值聚类子模块，用于按照预设的聚类个数对预处理电力负荷数据进行二分均值聚类，得到每个专变终端对应的多个初始聚类簇；
[0208]
中心负荷率差值计算子模块，用于计算初始聚类簇的初始聚类中心两两之间的中心负荷率差值；
[0209]
聚类簇合并子模块，用于依据中心负荷率差值与预设的负荷率差值阈值的比较情况，对相邻两个初始聚类簇进行合并，得到多个中间聚类簇；
[0210]
聚类簇筛选子模块，用于从多个中间聚类簇中剔除数据数量小于或等于预设的剔除下限的中间聚类簇，得到多个用电负荷聚类簇；
[0211]
聚类中心确定子模块，用于将用电负荷聚类簇的聚类中心确定为用电负荷聚类中心。
[0212]
可选地，预处理电力负荷数据包括多个预处理用电负荷子数据；二分均值聚类子模块包括：
[0213]
第一聚类单元，用于采用预设的k-均值算法对预处理用电负荷子数据进行二分聚类，得到第一聚类簇和第二聚类簇；
[0214]
聚类数据比较单元，用于判断当前第一聚类簇和第二聚类簇的总数量是否等于预设的聚类个数；
[0215]
第二聚类单元，用于若不等于，则采用k-均值算法分别对第一聚类簇和第二聚类
簇内的聚类数据进行二分聚类，得到两组二分聚类簇；
[0216]
总误差平方和计算单元，用于根据第一聚类簇、第二聚类簇和二分聚类簇，计算第一聚类簇和第二聚类簇分别对应的总误差平方和；
[0217]
第一聚类簇更新单元，用于若第一聚类簇对应的总误差平方和小于第二聚类簇对应的总误差平方和，则将第一聚类簇对应的二分聚类簇确定为新的第一聚类簇；
[0218]
第二聚类簇更新单元，用于若第二聚类簇对应的总误差平方和小于第一聚类簇对应的总误差平方和，则将第二聚类簇对应的二分聚类簇确定为新的第二聚类簇；
[0219]
循环确定单元，用于跳转执行判断当前第一聚类簇和第二聚类簇的数量是否等于预设的聚类个数的步骤，直至当前第一聚类簇和第二聚类簇的总数量等于聚类个数，将当前时刻的全部第一聚类簇和第二聚类簇确定为初始聚类簇。
[0220]
可选地，总误差平方和计算单元具体用于：
[0221]
采用第一聚类簇对应的二分聚类簇内的第一中间聚类数据，计算第一中间聚类数据对应的第一误差平方和；
[0222]
采用第二聚类簇对应的二分聚类簇内的第二中间聚类数据，计算第二中间聚类数据对应的第二误差平方和；
[0223]
计算第一误差平方和与第二聚类簇对应的误差平方和的和值，得到第一聚类簇对应的总误差平方和；
[0224]
计算第二误差平方和与第一聚类簇对应的误差平方和的和值，得到第二聚类簇对应的总误差平方和。
[0225]
可选地，聚类簇合并子模块具体用于：
[0226]
比较中心负荷率差值和预设的负荷率差值阈值，判断中心负荷率差值是否小于负荷率差值阈值；
[0227]
若是，则合并相邻两个初始聚类簇作为新的初始聚类簇，并计算当前时刻的初始聚类簇的平均值作为新的初始聚类中心；
[0228]
当全部中心负荷率差值均被比较后，跳转执行计算初始聚类簇的初始聚类中心两两之间的中心负荷率差值的步骤；
[0229]
若全部中心负荷率差值均大于或等于负荷率差值阈值，将当前时刻的全部初始聚类簇确定为中间聚类簇。
[0230]
可选地，分类维度包括峰特征聚类、谷特征聚类、负荷率特征聚类和峰谷差特征聚类。
[0231]
可选地，聚类结果包括峰特征聚类结果、谷特征聚类结果、负荷率特征聚类结果和峰谷差特征聚类结果；用电计划生成模块125具体用于：
[0232]
基于专变终端的峰特征聚类结果和谷特征聚类结果，生成专变终端对应的停电计划；
[0233]
对负荷率聚类结果小于预设的负荷率特征阈值的专变终端，对专变终端所属的配电馈线使用预设的配电容量调控策略；
[0234]
对峰谷差特征聚类大于预设的特征值的专变终端，将专变终端确定为潜在负荷可调专变终端。
[0235]
本发明实施例提供了一种电子设备，包括存储器及处理器，所述存储器中储存有
计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明任一实施例所述的专变终端的用电分配方法的步骤。
[0236]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块、子模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0237]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0238]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0239]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0240]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0241]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。