[发明专利]一种配电网负荷的纵横混合聚类多维度分析方法

说明书

本发明公开了本发明一种配电网负荷的纵横混合聚类多维度分析方法，两次利用K‑means算法对负荷分别进行日负荷聚类、年小时负荷聚类分析，可根据实际情况需要确定负荷聚类中心数，对负荷进行精细化分类，有利于对于负荷特性进行精细化研究，进而提升负荷预测准度；其中，尤其是对负荷峰谷期持续时间的准确计算，解决以往由经验判定峰谷期的缺点，进而提升负荷预测准度。

技术领域

本发明属于配电网中负荷预测技术领域，具体涉及一种配电网负荷的纵横混合聚类多维度分析方法。

背景技术

随着我国电力企业对客户侧互动和服务的逐渐重视，电力用户逐渐积极参与到电网公司的各项业务中来，源-网-荷的互动调节也逐渐增多。其中用户负荷特性的多维度研究显得尤为重要。基于先进的通信、量测和数据管理技术，大量电力用户的数据被电网公司广泛采集，数据反映的用户行为特征也逐渐凸显，用户总体呈现用电行为复杂、多样的特点。

目前，许多科研人员对负荷特性的研究付出了巨大的心血。针对传统典型日负荷特性选取方法误差较大的问题，提出基于K-means的典型日负荷特性计算方法,所提方法能有效选取典型日负荷特性曲线。在负荷预测模型中引入用户用电特征，提出了簇负荷特性曲线的概念，进而提出了一种基于簇负荷特性曲线的“聚类－回归”电力大用户短期负荷预测方法。通过分析西北电网近10年的8760统调负荷数据，归纳出西北电网最新的年负荷特性及日负荷特性，同时总结历史负荷特性的变化规律，结合经济发展、产业结构、环保政策等因素,寻找负荷特性变化的内因与规律，预测出西北电网2025年负荷特性。

近年来，基于神经网络与深度学习的负荷聚类方法也得到了广泛应用。通过使用基于卷积神经网络支持向量机的聚类集成方法，有效提高了高维负荷数据的聚类效率；提出一种基于聚类和深度置信网络的居民用电负荷模式识别方法，该方法在分类识别的基础上为居民用电负荷提供了可靠的配电网维护；将大尺度信息作为SOM的输入，对不同特性数据进行聚类分析，得到了理想的聚类效果。

目前相关领域，只是测重负荷聚类算法的创新，忽略多角度分析负荷特性。再者传统负荷峰值预测，单一值预测负荷峰值，有失准度。

发明内容

本发明的目的是提供一种配电网负荷的纵横混合聚类多维度分析方法，通过两个维度聚类分析负荷特性，有助于提高负荷预测准确度。

本发明所采用的技术方案是，一种配电网负荷的纵横混合聚类多维度分析方法，具体按照以下步骤实施：

步骤1、提取待研究区域的年历史负荷数据，对年历史负荷数据进行预处理；

步骤2、对预处理后的年历史负荷数据分别设置不同的聚类数目进行日负荷聚类、年小时负荷聚类；

步骤3、根据日负荷聚类、年小时负荷聚类获得未来某类负荷某一时刻数值的取值范围；

根据日负荷聚类、年小时负荷聚类获得最大负荷数据群的双向选取模型。

步骤1研究区域的年历史负荷数据为某电网一年365天的负荷数据，数据采样周期为1小时，将采样数据输出为24*365的矩阵，将矩阵的行视为横向，列视为纵向。

步骤1对年历史负荷数据进行预处理是指识别整年历史负荷数据，并修其中的异常数据。

步骤1识别整年历史负荷数据过程为：筛选年历史负荷数据中数据幅值变化超过正负3倍的负荷标准差的数据，判断该数据是否在拉依达准则约束范围内，若在拉依达准则约束范围内，则该数据是正常数据，否则为异常数据。

拉依达准则为：

x_imin若数据为负，x_imin定义为当日的负荷实际最小值；