[发明专利]一种基于密度聚类的用户典型负荷曲线的构建方法

说明书

技术领域

本发明属于电力系统管理控制技术领域，具体涉及一种基于密度聚类的用户典型负荷曲线的构建方法。

背景技术

随着经济的持续发展，近年来国内外电力负荷持续增长，而以增加机组装机容量的方式来匹配负荷增长的方式受到网架结构、线路传输容量等诸多限制，国内外逐渐将用户侧的需求侧管理、需求响应等作为平衡负荷、减少负荷高峰的主要手段。

掌握电力用户的用电习惯与负荷特征是有效实现需求侧管理的前提，然而长期以来由于国内电力系统配电侧的发展相对滞后，造成了电力用户负荷数据的不易获取与缺失等现象，相应的对电力用户的负荷行为及特征的研究与应用较少，国内现有的需求侧管理也仅限于以行政命令为主导的拉闸限电等行为。

在智能电网环境下，随着用户侧智能表计的大量投入，电力公司逐渐能够获取各类电力用户的实际负荷数据。用户日负荷曲线代表电力用户负荷随时间变化的特性，典型日负荷曲线则代表一段时间内的用户日负荷曲线中能够代表用户典型用电行为的曲线，是分析用户用电特点、预测用户负荷大小与变化趋势、评价用户参与需求侧管理潜力等的重要依据。由于用户负荷数据的离散监测，负荷曲线在应用中表现为负荷时间序列。

从用户纷繁的负荷数据中提取用户典型日负荷时间序列的过程是一个复杂的数据挖掘过程，现有研究方法主要包括选择典型日及求取平均值等传统方法，以及以聚类为基础的智能数据挖掘方法。其中选择典型日指的是在日负荷时间序列集合中选取某一日作为用户的典型负荷，而求取平均值指的是取该段时间内所有日负荷时间序列的均值作为典型负荷。由于负荷监测数据中可能存在噪声及坏数据，即使在监测无误的情况下用户仍可能存在因拉闸限电等产生的异常用电行为，而传统的提取用户典型负荷时间序列的方法无法剔除这些因素的影响，较为局限。

以聚类为基础的数据挖掘算法是近年来新兴的智能负荷分析与处理手段，主要是采取各种聚类方法，如k-means（k均值聚类算法）、FCM（模糊聚类算法）、SOM（自组织映射算法）等对区域电力系统、变压器或者用户的负荷数据进行聚类分析。公开号为CN102156814A的中国专利提出了一种以k-means划分聚类为基础的典型日负荷曲线提取方法，其需要预先输入聚类数目k，且在负荷对象集合中反复进行迭代寻优，但在对象中包含噪声负荷的情况下该方法无法甄别，而是将噪声负荷归入某一类中，故不够精确与高效。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于密度聚类的用户典型负荷曲线的构建方法，针对用户负荷多变的特点，利用不同负荷时间序列在向量空间中的分布差异对负荷时间序列进行聚类分析，能够发现大规模用户负荷数据所展现的隐藏规律，表征用户典型负荷曲线的规律。

一种基于密度聚类的用户典型负荷曲线的构建方法，包括如下步骤：

（1）以采样间隔T对用户进行负荷采集，得到用户在n天时间内对应的n个日负荷向量，n为大于1的自然数；

（2）根据所述的日负荷向量在其向量空间中的分布，对n个日负荷向量进行密度聚类，得到至少一个负荷向量簇；

（3）对于任一负荷向量簇，从该向量簇中提取典型负荷向量，进而构建出对应该典型负荷向量的离散负荷曲线；依此遍历每一负荷向量簇。

所述的日负荷向量为m维向量，该向量中的每个元素对应用户在每个采样时间点的负荷值，m为一天内用户的负荷采样个数。

所述的步骤（2）中，对n个日负荷向量进行密度聚类的具体实施方法如下：

A.对于任一日负荷向量，从其余日负荷向量中确定其邻域向量，若其邻域向量个数小于预设的最小对象数目M，则定义该日负荷向量为噪声向量；依此遍历所有日负荷向量，从n个日负荷向量中删除所有噪声向量，从而组成待聚类向量集合；

B.从待聚类向量集合中任取一未处理的日负荷向量，并从待聚类向量集合中确定其邻域向量，从而将该日负荷向量标记为已处理，同时将该日负荷向量及其邻域向量组成负荷向量簇；

C.从该负荷向量簇中任取一未处理的日负荷向量，并从待聚类向量集合中确定其邻域向量，从而将该日负荷向量标记为已处理，同时将该日负荷向量的邻域向量纳入该负荷向量簇；依此遍历负荷向量簇中所有未处理的日负荷向量；

D.返回执行步骤B，直至待聚类向量集合中所有日负荷向量均已处理，从而形成多个负荷向量簇。

对于任一日负荷向量，确定其邻域向量的标准如下：