一种基于用采数据的配电网用户负荷特性分类方法与流程

1.本发明属于电网调控运行技术领域，特别是涉及一种基于用采数据的配电网用户负荷特性分类方法。


背景技术：

2.随着电力公司市场化改革的不断深入以及对用户的服务意识的不断提高，对配电网用户负荷特性的科学分类并总结相应典型负荷曲线，有助于电力公司整体把握配电网负荷运行情况并对针对特定用户开展工作，同时根据负荷的用电类型及拓扑关系，可以进一步开展电网调度、负荷预测、有序用电、承载力评估等工作，为配电网安全稳定运行分析提供了前提条件。
3.配电网作为电网的重要组成部分，直接面向电力用户，与生产生活息息相关，是保障和改善民生的重要基础设施，也是用户对电网服务感受和体验的最直观对象，而现代城市配电网规模不断增大，各类用户不断接入，使得配电网的负荷特性越来越多元化、差异化。不同类型的用户负荷特性受到多种因素影响，比如季节、地域、行业特性、节假日、用电设备等。当前对配电网用户的类别的掌握大都是基于用户在报装时向电力公司提供的用电类型，而实际的用电负荷特性在与其报装时上报的用电类型在时序变化上存在一定差异。随着智能终端技术的不断发展，使得我们可以监控到用户的用电负荷情况，同时配电网收集的用户负荷数据也成指数性增长，其中夹杂着信息缺失、噪音多等复杂负荷信息。面对这一现状，使用人工统计的方法逐一对用户类别进行甄选具备很大的困难，需要有更加高效准确的方法对配电网用户负荷特性进行分类。而大数据技术在对于海量数据以及复杂数据的处理能力方面的出色变现，为配电网负荷特性分类工作提供了新的解决方案。


技术实现要素：

4.本发明的目的是在于克服现有技术的不足之处，提供一种基于用采数据的配电网用户负荷特性分类方法。
5.本发明的上述目的通过如下技术方案来实现：
6.一种基于用采数据的配电网用户负荷特性分类方法，其特征在于：包括如下步骤：
7.步骤1、使用用采系统采集到的用户数据构建原始用户负荷特性数据库，对原始用户负荷特性数据库中的数据进行归一化处理，将数据统一到一个大致的数值区间内；
8.步骤2、使用us-elm算法对原始用户负荷特征数据库进行特征提取，筛选出对用户负荷特性最具代表行的负荷特征，构建用户负荷特征集，有效降低原始用户负荷特性数据库的维度；
9.步骤3、引入改进fcm算法对用户负荷特征集进行聚类分析，以步骤2降维后的低维数据作为改进fcm算法的输入，将用户负荷特征集聚类为c类；
10.步骤4、利用聚类得到的结果对原始用户负荷数据进行类别划分，对同一类别的用户负荷数据进行平均化处理，得到代表不同用户负荷特性的典型负荷曲线。
11.进一步的：步骤1包括：
12.1.1构建原始用户负荷特性数据库
13.在配电网中，用采系统采集到的每一个用户负荷特性的数据集为x，设x＝{x1,x2,
…
,xm}是所有负荷特性信息的集合，包括电流、有功功率、无功功率、用电量等；设d为原始用户负荷特性数据库，其中包含n个用户的负荷特征集合x，可以将d表示为：
[0014][0015]
1.2对原始用户负荷特性数据库中的数据进行归一化处理
[0016]
由于原始用户负荷特性数据库中包含不同类别和量纲的数据点，同时可能存在奇异样本数据，会造成训练时间增加和无法收敛的结果。为了避免出现这种情况及后面数据处理的方便，加快网络学习速度，需要对数据库内的数据进行归一化处理，如下式所示：
[0017][0018]
其中，x
ij
为第i个用户的负荷特征集合xi中的数据点，x
ij
∈d，x
imax
为第i个用户的负荷特征集合xi中最大值，为第i个用户的负荷特征集合xi中最小值，归一化后的原始用户负荷特性数据库可表示为：
[0019][0020]
进一步的：步骤2包括：
[0021]
2.1使用层次分析法(ahp)随机选择输入权重向量w和偏差向量b的初始值；
[0022]
2.2计算出输出矩阵h，如下式所示：
[0023][0024]
其中，g(
·
)为激活函数，使用sigmod(
·
)函数，x
′
ij
为d
′
中的负荷特性数据点。
[0025]
2.3计算拉普拉斯矩阵l，如下式所示：
[0026]
l＝d-w
[0027]
其中，n为用户数，w和d的计算公式分别为：
[0028]
[0029][0030]
2.4对下式进行求解，得到输出权值β：
[0031]
min||β||2 λtr(β
tht
lhβ)，s.t.(hβ)
t
hβ＝i
[0032]
其中，λ表示一个折衷参数，tr(
·
)表示矩阵的轨迹，为了避免β的退化解，可以将上式替换为广义特征值问题：
[0033]
(i λh
t
lh)v＝γh
t
hv
[0034]
其中，i为单元矩阵，v为特征向量，γ为特征值。对上式求解，可以得到l个特征向量，输出权值β将由l个广义特征向量v组成，即：
[0035][0036]
2.5获得输出权重β后，通过下式计算低维的输出矩阵e，即通过us-elm算法将输入数据映射到l维特征空间的用户负荷特征集；
[0037][0038]
进一步的：步骤3包括：
[0039]
步骤3.1、在初始阶段使用db作为评判标准对不同类别数进行测试，确定类别数c，设定控制算法的其他柔性参数，包括初始隶属度矩阵u0，加权指数q；
[0040]
步骤3.2、计算聚类中心a：
[0041][0042]
其中，p为迭代次数，ek为e中的一个数据集，u
ik
表示第i个聚类中心与第k个数据ek之间的隶属度矩阵；
[0043]
步骤3.3修正隶属矩阵u：
[0044][0045]
步骤3.4当时，停止迭代，否则执行步骤3.2，进行下一次迭代，迭代次数p＝p 1，直到两次隶属矩阵的误差在规定范围内，此时，将用户负荷特征集聚类为
c类。
[0046]
步骤3.5对每一类中用户负荷特征集对聚类中心的隶属度进行排序，选取高隶属度值的用户负荷特征集vi(i＝1,2,...,h)和聚类结果标签ti(i＝1,2,...,h)组合成向量机(svm)分类器的训练样本i，即：
[0047][0048]
步骤3.6使用训练后的svm分类器对低隶属度值的剩余用户负荷特征集进行分类，得到分类标签，对低隶属度值的剩余用户负荷特征集的聚类标签进行替换，得到改进fcm算法对用户负荷特征集更准确的分类。
[0049]
进一步的：步骤4中平均化处理见下式：
[0050][0051]
其中，yi为第i类用户均化后的典型负荷数据集，p为第i类内包含的用户数量，x
ij
为第i类第j个用户的负荷数据点。
[0052]
本发明具有的优点和积极效果：
[0053]
本发明提供了一种基于用采数据的配电网用户负荷特性分类方法，首先对对海量的原始用户负荷特性数据库进行归一化处理，改善训练时间长和无法收敛的缺点，之后使用us-elm进行特征提取，得到对用户负荷特性最具代表性的用户负荷特征集，有效压缩了聚类算法输入集合的维度，之后使用改进模糊c均值(fcm)算法对用户负荷特征集进行聚类，将用户负荷特性分为不同的类别，不同类别内部按照隶属度大小进行排序，将高隶属度的用户负荷特征集和聚类标签组合作为支持向量机(svm)的输入进行训练，使用训练后的svm对低隶属度的用户负荷特征集进行分类，使用分类结果对低隶属度的用户负荷特征集的类别标签进行更新，使得能够在配电网海量用户数据的基础上能够快速对所有用户进行有效分类，之后对同类别的用户负荷数据通过内部均值化处理，得到用户典型负荷曲线，有助于供电部分整体把握所辖地区的负荷结构，有效开展针对用户的精确调度、负荷预测、有序用电等相关工作，从而保证用户的供电质量和整体配电网的供电可靠性。
附图说明
[0054]
图1是本发明基于用采数据的配电网用户负荷特性分类方法流程图。
具体实施方式
[0055]
以下结合附图并通过实施例对本发明的结构作进一步说明。需要说明的是本实施例是叙述性的，而不是限定性的。
[0056]
一种基于用采数据的配电网用户负荷特性分类方法，请参见图1，其发明点为，包括如下步骤：
[0057]
步骤1、使用用采系统采集到的用户数据构建原始用户负荷特性数据库，之后对其
进行归一化处理，将数据统一到一个大致的数值区间内。具体为：
[0058]
1.1构建原始用户负荷特性数据库
[0059]
在配电网中，用采系统采集到的每一个用户负荷特性的数据集为x，设x＝{x1,x2,
…
,xm}是所有负荷特性信息的集合，包括电流、有功功率、无功功率、用电量等。设d为原始用户负荷特性数据库，其中包含n个用户的负荷特征集合x，可以将d表示为：
[0060][0061]
1.2对原始用户负荷特性数据库中的数据进行归一化处理
[0062]
由于原始用户负荷特性数据库中包含不同类别和量纲的数据点，同时可能存在奇异样本数据，会造成训练时间增加和无法收敛的结果。为了避免出现这种情况及后面数据处理的方便，加快网络学习速度，需要对数据库内的数据进行归一化处理，如下式所示：
[0063][0064]
其中，x
ij
为第i个用户的负荷特征集合xi中的数据点，x
ij
∈d，x
imax
为第i个用户的负荷特征集合xi中最大值，为第i个用户的负荷特征集合xi中最小值，归一化后的原始用户负荷特性数据库可表示为：
[0065][0066]
步骤2、使用us-elm(无监督极限学习机)算法对原始用户负荷特征数据库进行特征提取，筛选出对用户负荷特性最具代表行的负荷特征，构建用户负荷特征集，有效降低原始用户负荷特性数据库的维度，后续分类工作提供数据基础；具体为：
[0067]
将归一化后的负荷数据库d
′
作为输入，使用us-elm算法将高维度的负荷数据映射到低维空间，实现对原始用户负荷特性数据库的特征提取，具体步骤如下：
[0068]
2.1使用层次分析法(ahp)随机选择输入权重向量w和偏差向量b的初始值；
[0069]
2.2计算出输出矩阵h，如下式所示：
[0070][0071]
其中，g(
·
)为激活函数，使用sigmod(
·
)函数，x
′
ij
为d
′
中的负荷特性数据点。
[0072]
2.3计算拉普拉斯矩阵l，如下式所示：
[0073]
l＝d-w
[0074]
其中，n为用户数，w和d的计算公式分别为：
[0075][0076][0077]
2.4对下式进行求解，得到输出权值β：
[0078]
min||β||2 λtr(β
tht
lhβ)，s.t.(hβ)
t
hβ＝i
[0079]
其中，λ表示一个折衷参数，tr(
·
)表示矩阵的轨迹，为了避免β的退化解，可以将上式替换为广义特征值问题：
[0080]
(i λh
t
lh)v＝γh
t
hv
[0081]
其中，i为单元矩阵，v为特征向量，γ为特征值。对上式求解，可以得到l个特征向量，输出权值β将由l个广义特征向量v组成，即：
[0082][0083]
2.5获得输出权重β后，通过下式计算低维的输出矩阵e，即通过us-elm算法将输入数据映射到l维特征空间的用户负荷特征集。
[0084][0085]
步骤3、引入改进模糊c均值(fcm)算法对用户负荷特征集进行聚类分析，以us-elm降维后的低维数据作为改进fcm算法的输入，将用户负荷特征集聚类为c类。具体为：
[0086]
步骤3.1、在初始阶段使用davies-bouldin(db)作为评判标准对不同类别数进行测试，确定类别数c，设定控制算法的其他柔性参数，包括初始隶属度矩阵u0，加权指数q；
[0087]
步骤3.2、计算聚类中心a
[0088][0089]
其中，p为迭代次数，ek为e中的一个数据集，u
ik
表示第i个聚类中心与第k个数据ek之间的隶属度矩阵，c为聚类数；
[0090]
步骤3.3修正隶属矩阵u：
[0091][0092]
步骤3.4当时，停止迭代，否则执行步骤3.2，进行下一次迭代，迭代次数p＝p 1，直到两次隶属矩阵的误差在规定范围内，此时，将用户负荷特征集聚类为c类。
[0093]
步骤3.5对每一类中用户负荷特征集对聚类中心的隶属度进行排序，选取高隶属度值的用户负荷特征集vi(i＝1,2,...,h)和聚类结果标签ti(i＝1,2,...,h)组合成向量机(svm)分类器的训练样本i，即：
[0094][0095]
步骤3.6使用训练后的svm分类器对低隶属度值的剩余用户负荷特征集进行分类，得到分类标签，对低隶属度值的剩余用户负荷特征集的聚类标签进行替换，得到改进fcm算法对用户负荷特征集更准确的分类，并与标准fcm算法和k-means算法进行比较，比较结果请参见下表：
[0096][0097]
步骤4、利用聚类得到的结果对原始用户负荷数据进行类别划分，对同一类别的用户负荷数据进行平均化处理，如下式所示：
[0098][0099]
其中，yi为第i类用户均化后的典型负荷数据集，p为第i类内包含的用户数量，x
ij
为第i类第j个用户的负荷数据点。
[0100]
最后根据不同类别的用户负荷数据的平均值可以得到代表不同用户负荷特性的典型负荷曲线。
[0101]
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神范围内，各种替换、变化和修改都是可以的，因此，本发明的范围不局限于实施例和附图所公开的内容。