[发明专利]基于K-means和支持向量回归的电力用户分类方法、装置及系统

说明书

本发明公开了一种基于K‑means和支持向量回归的电力用户分类方法、装置及系统，所述方法包括获取历史负荷数据；选用K‑means方法对所述历史负荷数据进行聚类，其中，聚类类别数通过轮廓系数法确定，聚类中心通过层次聚类法确定；利用聚类结果训练获得支持向量回归模型；将获得的实时负荷数据输入至所述支持向量回归模型，获得电力用户分类。本发明能够有效提高K‑means的聚类效果，减少聚类所用的时间和复杂度。

技术领域

本发明属于电力系统负荷预测分析与计算领域，具体涉及一种基于K-means和支持向量回归的电力用户分类方法、装置及系统。

背景技术

随着我国电力市场改革的深化和智能电网技术的持续发展，风电、光伏、储能等分布式电源及柔性负荷逐步接入负荷侧，传统负荷结构发生巨大变化，形成电力市场条件下可实现多能互补的新型负荷结构；同时，需求侧资源在竞争市场中的作用被重新认识，用户主动参与电网互动的意愿越来越强烈，如何引导用户主动参与电力市场交易，改变传统高能耗的用电方式，实现电力系统资源的优化配置等变得尤为关键。

目前，各类智能电能测量设备逐步渗透到电力用户，电力用户不同时间尺度下的用电信息、负荷曲线等大量数据可以很方便地获得。随着用户用电量快速增长，用户用电行为对电网影响也越来越大。在此背景下，资源互补的工业、商业、居民负荷等用电行为产生了新的海量用电数据，对传统用户用电行为分析提出了更高的要求。如何有效利用上述数据分析电力用户的总体负荷水平和负荷曲线形状、用电行为特征等，对电力用户需求侧响应的开展和节能政策的制定具有重要意义。

因此，需要对电力用户用电行为开展系统研究，而用户负荷分类即为其中的一个重要方面。用户负荷的海量数据分析提取过程中，数据降维可能会丢失部分有效信息，且数据量较大时，降维效率并不理想；当前的用户聚类研究中，大都利用某一类聚类方法，未有效考虑聚类中心对精度的影响，且针对用电大数据，仍需要考虑减少聚类数据挖掘的计算复杂度。

发明内容

针对上述问题，本发明提出一种基于K-means和支持向量回归的电力用户分类方法、装置及系统，能够有效提高K-means的聚类效果，减少聚类所用的时间和复杂度。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种基于K-means和支持向量回归的电力用户分类方法，包括：

获取历史负荷数据；

选用K-means方法对所述历史负荷数据进行聚类，其中，聚类类别数通过轮廓系数法确定，聚类中心通过层次聚类法确定；

利用聚类结果训练获得支持向量回归模型；

将获得的实时负荷数据输入至所述支持向量回归模型，获得电力用户分类。

可选地，在所述获取历史负荷数据步骤之后还包括：

采用三次指数平滑法对所述历史负荷数据进行补齐处理。

可选地，三次指数平滑处理后的负荷数据的表达形式为：

式中，X_t为原始负荷数据，α为平滑因子；t为时间；分别为一次、二次、三次指数平滑值。

可选地，所述聚类类别的确定方法包括：

将历史负荷数据以列的形式存储在数据库中，构成样本集，其中，每列构成一个向量点，作为组成集合的一个子集；

按样本集自身具有的数据差异性，采用层次聚类法进行初始的类划分，构成簇；

分别计算簇中各向量点的向量轮廓系数；所述向量轮廓系数的计算公式为：