一種基于模糊c聚類的典型需求側(cè)用戶篩選方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種根據(jù)電力系統(tǒng)海量用能負荷及其數(shù)據(jù)信息，適用于同行業(yè)內(nèi)電力 用戶的分類及同類型用戶的篩選的方法，屬于電力需求側(cè)管理領(lǐng)域
【背景技術(shù)】
[0002] 隨著電源種類和電網(wǎng)負荷日益多樣化，電網(wǎng)面臨的問題越來越復雜。為了能夠適 應環(huán)境和能源以及對電力服務要求日益提高的電力用戶對電網(wǎng)提出的挑戰(zhàn)，智能電網(wǎng)應運 而生。友好互動已成為智能電網(wǎng)的主要特征之一，具有重要的意義，具體表現(xiàn)在：電源側(cè)，互 動電網(wǎng)將極大增強電力系統(tǒng)承載大規(guī)模新能源入網(wǎng)的能力，豐富發(fā)電側(cè)市場主體;輸電側(cè)， 互動電網(wǎng)依托各類智能表計和先進的調(diào)度控制體系，可大幅提升輸系統(tǒng)運行、監(jiān)控、檢修等 環(huán)節(jié)的效率，降低線路損耗、實現(xiàn)線路自愈重構(gòu)、提升輸網(wǎng)設(shè)備的運行效率;用戶側(cè)，互動電 網(wǎng)將極大增強用戶參與資源優(yōu)化配置過程的能力。
[0003] 如今越來越多的傳感器、智能儀表等監(jiān)測設(shè)備被裝入電網(wǎng)，能夠獲得越來越多的 電網(wǎng)實時運行數(shù)據(jù)，由此產(chǎn)生了能夠覆蓋電力系統(tǒng)發(fā)電、輸電、變電、配電、用電、調(diào)度以及 通信整個生產(chǎn)過程的海量數(shù)據(jù)，從而為電力負荷特性的研究奠定了堅實的基礎(chǔ)。由于電力 負荷變化與很多因素有關(guān)，而這些因素又具有很強的不確定性、地域性以及時段性，同時不 同的因素對負荷的影響特性又是互不相同，從而使得電力負荷呈現(xiàn)極強的隨機變化現(xiàn)象。 因此，能夠面向海量用能數(shù)據(jù)深入挖掘得到電力用戶日益復雜的負荷特性，掌握各種激勵 和電價措施下各類用戶的響應行為信息，了解新能源裝置、電動汽車等外部應用系統(tǒng)對負 荷變化的影響程度，為以后DSM項目實施等方面開展相關(guān)研究、制訂相關(guān)政策提供技術(shù)支 持。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于模糊C聚類的典 型需求側(cè)用戶篩選方法，本發(fā)明不僅能夠?qū)ν袠I(yè)電力用戶進行分類，而且能從同類型用 戶中篩選出典型用戶。
[0005] 技術(shù)方案:為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0006] -種基于模糊C聚類的典型需求側(cè)用戶篩選方法，根據(jù)用戶的電力、電量數(shù)據(jù)提取 特征量進而得到對應用戶的日負荷曲線向量和電量水平特征，采用模糊C-均值聚類算法對 同種行業(yè)內(nèi)的用戶以日負荷曲線為特征量進行聚類獲得日負荷曲線相似的同類型用戶及 分類數(shù)目；根據(jù)日負荷曲線向量和電量水平特征以及分類數(shù)目采用加權(quán)重心的思想建立同 類型用戶中的典型用戶篩選模型，進而通過該篩選模型從同類型用戶中篩選出典型用戶。
[0007] 具體包括以下步驟：
[0008] 步驟1，根據(jù)用戶的電力、電量數(shù)據(jù)提取特征量進而得到對應用戶的日負荷曲線向 量和電量水平特征；
[0009] 步驟2,根據(jù)日負荷曲線向量初步確定待分類用戶類型及分類數(shù)目；然后根據(jù)用戶 類型得到的用戶日負荷曲線向量的隸屬矩陣，同時用值在[0，1]間的隨機數(shù)初始化隸屬矩 陣U，使其滿足約束條件： k
[0010] = 1Λ'/ 二 1，…，啟； 1=1
[0011] 其中，Uij表示第j個用戶的日負荷曲線向量屬于第i類用戶的隸屬度；
[0012] 步驟3,根據(jù)步驟1得到的用戶日負荷曲線向量及步驟2得到的隸屬矩陣建立每類 用戶類型的聚類中心；
[0013] 步驟4,根據(jù)步驟1得到的日負荷曲線向量、步驟2得到的隸屬矩陣、步驟3建立的聚 類中心建立日負荷曲線向量的聚類目標函數(shù)，進而得到日負荷曲線向量的聚類目標函數(shù) 值：
[0014] 步驟5,給定聚類目標閾值，將步驟4得到的聚類目標函數(shù)值與給定閾值比較，判斷 目標函數(shù)值與給定閾值的大小關(guān)系，若目標函數(shù)值大于給定閾值，則返回步驟3重新求解每 類的聚類中心；
[0015] 步驟6,根據(jù)步驟1得到的日負荷曲線向量，步驟2得到的分類用戶類型、分類數(shù)目、 隸屬矩陣以及步驟5得到確定的聚類中心建立分類數(shù)目的有效性進行檢驗模型；給定有效 性檢驗閾值，當有效性檢驗均在有效性檢驗閾值范圍內(nèi)時，分類數(shù)目有效，若分類數(shù)目無 效，返回步驟2重新確定分類數(shù)目；
[0016] 步驟7,將根據(jù)步驟1得到的用戶的日負荷曲線向量和電量水平特征作為其對應用 戶的位置和重量，然后通過步驟6檢驗模型檢驗有效的分類數(shù)目通過加權(quán)重心的思想建立 典型用戶的篩選模型，進而從同類型用戶中篩選出典型用戶。
[0017] 所述步驟3建立每類用戶類型的聚類中心：
[0018]
[0019] 其中，Cl為第i類用戶的聚類中心，Ulj表示第j個日負荷曲線向量屬于第i類用戶的 隸屬度，xj表示第j個日負荷曲線向量，me [1，％)是一個加權(quán)指數(shù)。
[0020] 所述步驟4建立的聚類目標函數(shù)：
[0021]
[0022] 該目標函數(shù)達到最小的必要條件為：
[0023]
[0024] 其中，J表示k類價值函數(shù)之和，U為隸屬矩陣，Cl為第i類用戶的聚類中心，心代表第 i類用戶的價值函數(shù)，表示第j個日負荷曲線向量屬于第i類用戶的隸屬度，me [1，~）是 一個加權(quán)指數(shù)，屯= ||Cl_Xj||為第i個聚類中心與第j個向量間的歐幾里德距離，X謙示第j個 日負荷曲線向量。
[0025]所述步驟6建立分類數(shù)目的有效性進行檢驗模型包括同類離散度檢驗模型、中心 離散度檢驗模型、平均隸屬度檢驗模型，其中：
[0026]同類離散度檢驗模型：
[0027]
[0028]中心離散度檢驗模型：
[0029]
[0030]平均隸屬度檢驗模型：
[0031]
[0032]式中，k為聚類數(shù)目，Cl(i = l，2，~，k)為第i類的聚類中心，幻表示第j個用戶的日 負荷曲線向量，(1((^山）=||(^1」||表示第」個日負荷曲線向量1」與第1個聚類中心(^的距離， Umax,p表示第P個用戶隸屬度矩陣的最大值。
[0033] 所述步驟7建立的典型用戶篩選模型：
[0034]
[0035]
[0036]
[0037]其中，f為日負荷曲線向量X」與第i類用戶的重心I的歐幾里德距離，心為屬于第i 類模糊集合的日負荷曲線向量，Wi為同類用戶的重心，Qj為電量水平特征，1^為1類用戶個 數(shù)。
[0038] 有益效果:本發(fā)明提供的一種基于模糊C聚類的典型需求側(cè)用戶篩選方法，相比現(xiàn) 有技術(shù)，具有以下有益效果：
[0039] 該方法通過從國名經(jīng)濟行業(yè)中隨機選取若干用戶，根據(jù)用戶的電力、電量數(shù)據(jù)提 取特征量，采用模糊C-均值(FCM)聚類算法對同種行業(yè)內(nèi)的用戶以日負荷曲線為特征量進 行聚類，從而選取該行業(yè)最具代表性的用戶進行負荷特性分析，為探討用戶參與電網(wǎng)互動 的潛力打好基礎(chǔ)，因此本發(fā)明不僅能夠?qū)ν袠I(yè)電力用戶進行分類，而且能從同類型用戶 中篩選出典型用戶。
【附圖說明】
[0040] 圖1為本發(fā)明的流程圖。
【具體實施方式】
[0041] 下面結(jié)合附圖對本發(fā)明作更進一步的說明。
[0042] -種基于模糊C聚類的典型需求側(cè)用戶篩選方法，如圖1所示，根據(jù)用戶的電力、電 量數(shù)據(jù)提取特征量進而得到對應用戶的日負荷曲線向量和電量水平特征，采用模糊C-均值 聚類算法對同種行業(yè)內(nèi)的用戶以日負荷曲線為特征量進行聚類獲得日負荷曲線相似的同 類型用戶及分類數(shù)目；根據(jù)日負荷曲線向量和電量水平特征以及分類數(shù)目采用加權(quán)重心的 思想建立同類型用戶中的典型用戶篩選模型，進而通過該篩選模型從同類型用戶中篩選出 典型用戶。
[0043]具體包括以下步驟：
[0044]步驟1，根據(jù)用戶的電力、電量數(shù)據(jù)提取特征量進而得到對應用戶的日負荷曲線向 量和電量水平特征；
[0045] 步驟2,根據(jù)日負荷曲線向量初步確定待分類用戶類型及分類數(shù)目；然后根據(jù)用戶 類型得到的用戶日負荷曲線向量的隸屬矩陣，同時用值在[0，1]間的隨機數(shù)初始化隸屬矩 陣U，使其滿足約束條件：
[0046]
[0047]