[发明专利]一种基于形态分析的用户侧负荷特征聚类评价方法

权利要求书

1.一种基于形态分析的用户侧负荷特征聚类评价方法，其特征在于：包括以下步骤：

步骤S1：采用计算机的数据输入模块输入地区的各类用户每年的日负荷数据；

步骤S2：采用基于欧氏距离聚类的可能性模糊C—均值聚类算法进行负荷聚类，从各类用户负荷数据中先得到各单一用户的典型日负荷曲线，用以表征各单一用户全年的典型用能行为；

步骤S3：基于步骤S2所得到的各单一用户的典型日负荷曲线，先提取各曲线形态特征，再利用可能性模糊C—均值聚类算法进行聚类，将单一用户按照典型日负荷曲线的形态特征进行分类，得到不同类别用户的负荷特征曲线；

步骤S4：利用负荷特征评价指标体系对各类用户的负荷特征曲线进行评估，利用“云重心”评价单元的“云重心发生器”产生最终的评估结果；

所述负荷特征评价指标体系所包含指标如下，公式中的负荷值均为标幺值，其中，正向指标表示指标值越大特征状况越好，反向指标表示指标值越小特征状况越好：

(1)负荷率

日平均负荷与最大负荷的比率，用于评估用户占用产能设备容量的冗余情况；为正向指标，计算公式如下：

(2)日峰谷差率

日最大负荷、日最小负荷之间的差值与日最大负荷的比率，用于评估用户负荷峰谷波动幅度；为反向指标，计算公式如下：

(3)日峰期负载率

日峰期平均负荷与平均负荷的比率，为反向指标

(4)日谷期负载率

日谷期平均负荷与平均负荷的比率，为正向指标

(5)日平期负载率

日平期平均负荷与平均负荷的比率，为正向指标

当得到负荷特征评价指标体系各项指标的值之后，需要计算指标得分，正向指标对应极大型变量，反向指标对应极小型变量，利用功效系数法对指标得分进行计算，公式如下：

极大型变量的指标得分:

在本式中，dl_i为第i个极大型变量的评价指标得分；x_i为第i个评价指标的实际值；x_hi为第i个指标的理想值；x_si为第i个指标的不允许值，

极小型变量的指标得分:

在本式中，dl_i为第i个极小型评价指标的单项功效系数值；x_i为第i个评价指标的实际值；x_hi为第i个指标的理想值；x_si为第i个指标的不允许值；

步骤S5，由计算机结果输出模块输出可视化的用户侧负荷特征聚类结果和“云重心”评估结果。

2.根据权利要求1所述的一种基于形态分析的用户侧负荷特征聚类评价方法，其特征在于：所述的步骤S2中，所述的可能性模糊C—均值聚类算法的核心步骤为：

(1)设定聚类数目C，且1Cn并设定m取值范围为[0,∞)；

(2)初始化算法迭代次数L，使之为1；

(3)将可能性划分矩阵u_ik初始化，设定η的值；

(4)循环进行以下过程，直至目标函数与之前一次的差值小于设定的阈值时，或L大于L_max：

对隶属度原型矩阵U进行更新，依据公式为：

式中，1≤i≤c；1≤k≤n；u_ik——为隶属度矩阵，k＝1,…,n，且u_ik≥0；

对典型性原型矩阵T进行更新，依据公式为：

式中，1≤i≤c；1≤k≤n,t_ik——为典型性矩阵，t_ik≤1；

更新聚类中心V，依据公式为：

式中，1≤i≤c；

a——用于表征隶属度值的影响，a0；

b——用于表征典型性值的影响，b0；

(5)重新对η的值进行估计，并再次进行步骤(4)。