[发明专利]基于数据-物理特征联合驱动的海量电力用户聚类算法

说明书

本发明公开了一种基于数据‑物理特征联合驱动的海量电力用户聚类算法，包括以下步骤：S1、单用户日典型负荷曲线聚类；S2、标幺化用户日典型负荷数据，计算用户日典型负荷的标幺值；S3、多用户日典型负荷曲线聚类；S4、自动迭代，寻找满足轮廓系数与行业集中度标准的聚类数目；S5、输出最佳聚类数目对应的用户聚类结果。本发明基于用电信息采集系统中积累的海量用户历史用电数据，挖掘并掌握各行业和用户的生产特点和用电需求，不仅能够提高电网公司负荷预测精度和调度管理水平，而且也能够为电价制定、经济调度、需求响应等提供精准的数据支撑和决策依据。

技术领域

本发明涉及海量电力用户聚类算法，更具体地，涉及一种基于数据-物理特征联合驱动的海量电力用户聚类算法。

背景技术

基于用电信息采集系统中积累的海量用户历史用电数据，挖掘并掌握各行业和用户的生产特点和用电需求，不仅能够提高电网公司负荷预测精度和调度管理水平，而且也能够为电价制定、经济调度、需求响应等提供精准的数据支撑和决策依据。

由于用户的海量性，用户聚类是用户的分析和挖掘的先决条件和关键影响因素。用户聚类方法分为两类：一类是直接基于用户行业属性进行聚类的方法，这类方法简单直观，物理意义强，但由于用户所属行业属性常有错漏，且相同行业内亦有生产特性不尽相同的细分子行业，使得聚类的结果在用电特性上并不统一；而基于负荷特性的用户聚类方法，虽然能够保证聚类结果类内负荷特性的一致性，却缺乏对负荷特性一致性的物理解释。

发明内容

本发明要解决的技术问题在于，提供一种基于数据-物理特征联合驱动的海量电力用户聚类算法，其不仅能够提高电网公司负荷预测精度和调度管理水平，而且也能够为电价制定、经济调度、需求响应等提供精准的数据支撑和决策依据。

本发明解决其技术问题所采用的技术方案是：构造一种基于数据-物理特征联合驱动的海量电力用户聚类算法，包括以下步骤：

S1、单用户日典型负荷曲线聚类；

S2、标幺化用户日典型负荷数据，计算用户日典型负荷的标幺值；

S3、多用户日典型负荷曲线聚类；

S4、自动迭代，寻找满足轮廓系数与行业集中度标准的聚类数目；

S5、输出最佳聚类数目对应的用户聚类结果。

按上述方案，步骤S1中，所述单用户日典型负荷曲线聚类，即采用层次聚类法对用户日典型负荷曲线进行聚类，通过包含最多日负荷曲线的类别计算出用户典型日负荷曲线。

按上述方案，所述层次聚类方法具体为：采用自上而下的方式，先将所有样本的每个点都看成一个簇，然后找出距离最小的两个簇进行合并，不断重复到预期簇，所述层次聚类方法的代表算法有：AGNES， Agglomerative Nesting。

按上述方案，所述步骤S3中，选定聚类类别数目的取值范围为N/2到 2N，利用所述层次聚类法进行多用户日典型负荷曲线聚类，同时计算不同聚类数目下的每个类别的轮廓系数以及行业集中度。

按上述方案，所述轮廓系数的具体计算方法如下：

S101、计算样本i到同簇其他样本的平均距离ai，ai越小，说明样本i 越应该被聚类到该簇，将ai称为样本i的簇内不相似度，簇C中所有样本的a i均值称为簇C的簇不相似度；

S102、计算样本i到其他某簇Cj的所有样本的平均距离bij，称为样本 i与簇Cj的不相似度，定义为样本i的簇间不相似度：

bi＝min{bi1,bi2,...,bik}

bi越大，说明样本i越不属于其他簇；

S103、根据样本i的簇内不相似度a i和簇间不相似度b i，定义样本i 的轮廓系数：