[go: up one dir, main page]

CN108009938B - 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 - Google Patents

一种基于形状的系统负荷聚类及负荷周期的模式识别方法 Download PDF

Info

Publication number
CN108009938B
CN108009938B CN201610943890.9A CN201610943890A CN108009938B CN 108009938 B CN108009938 B CN 108009938B CN 201610943890 A CN201610943890 A CN 201610943890A CN 108009938 B CN108009938 B CN 108009938B
Authority
CN
China
Prior art keywords
load
clustering
time series
curve
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610943890.9A
Other languages
English (en)
Other versions
CN108009938A (zh
Inventor
刘广一
朱文东
狄方春
郝阳春
陈振宇
张逸
陈金祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Global Energy Interconnection Research Institute
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Global Energy Interconnection Research Institute
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Global Energy Interconnection Research Institute, Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610943890.9A priority Critical patent/CN108009938B/zh
Priority to PCT/CN2017/108377 priority patent/WO2018082523A1/zh
Priority to US15/778,312 priority patent/US11043808B2/en
Publication of CN108009938A publication Critical patent/CN108009938A/zh
Application granted granted Critical
Publication of CN108009938B publication Critical patent/CN108009938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于形状的系统负荷聚类及负荷周期的模式识别方法，所述方法包括下述步骤：(1)基于智能电表数据的系统提负荷统计；(2)生成系统日负荷曲线；(3)应用基于形状的时间序列聚类分析算法，得到典型日负荷曲线聚类结果；(4)根据聚类结果，对负荷周期模式进行识别。本发明避免仅从经验对系统负荷的周期做判断，从而提高负荷预测的精度，减少能耗和降低发电成本，提高电力系统的经济效益和社会效益。

Description

一种基于形状的系统负荷聚类及负荷周期的模式识别方法
技术领域
本发明涉及电力调度自动化领域，具体涉及一种基于形状的系统负荷聚类及负荷周期的模式识别方法。
背景技术
针对系统负荷模式的分类是系统规划、负荷预测、用户用电行为分析、需求响应等的基础。负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础。聚类分析是对负荷模式分类的常用算法。
聚类分析是把一个多维数据集划分成组，使同一组中的点彼此相似，但与其它组中的点尽可能不同。电力系统日负荷曲线本质上是时间序列数据，其聚类分析中对相似性的判断大都局限于将几何平均距离(如欧式距离)作为聚类依据。对于具有时间序列特性的负荷曲线来说，利用几何平均距离来衡量相似性是存在局限性的，因为序列之间的距离是一对一点进行计算的，同时，时间序列数据容易受时间序列的噪声、尺度、平移和幅度等因素的影响，给聚类过程造成难度。
目前采用最多的方法是k均值聚类方法，SOM，时间序列分析等方法也有应用。这些方法对于准确抓取负荷模式的形状特征均有不足。Self-Organizing Map(SOM)对数据要求苛刻，它需要样本成员的每个维度都有值；时间序列分析中的动态时间归整距离(DynamicTime Warping)方法其均值函数无法保留具有原始形状特点的平均结果。
传统的交叉相关性测量方法仅比较一点和另一点间的聚类。智能电网的众多高级应用需要基于系统负荷的周期性变化，例如季节、节假日、工作日、周末等。这种周期性变化的时间范围被人为设定好，缺乏数据验证。
发明内容
为解决上述现有技术中的不足，本发明的目的是提供一种基于形状的系统负荷聚类及负荷周期的模式识别方法。
本发明的目的是采用下述技术方案实现的：
本发明提供一种基于形状的系统负荷聚类及负荷周期的模式识别方法，其改进之处在于，所述方法包括下述步骤：
(1)基于智能电表数据的系统日负荷统计；
(2)生成系统日负荷曲线；
(3)应用基于形状的时间序列聚类分析算法，得到典型日负荷曲线聚类结果；
(4)根据典型日负荷曲线聚类结果，对负荷周期模式进行识别。
进一步地，所述步骤(1)中，智能电表数据的系统日负荷统计是把该区域或系统内每一个智能电表用户的24小时负荷曲线累加，从而得到系统的24小时负荷曲线，即日负荷曲线；
智能电表的数据包括有功，无功，电压，电流，功率因数；负荷指的是有功读数。
进一步地，所述步骤(2)中，系统日负荷曲线是描述一日内负荷随时间变化的曲线；不同地区、不同季节在工作日、周末或节日的日负荷曲线各不相同；采用典型季节的典型日负荷曲线，包括典型日负荷曲线和典型日持续负荷曲线；
所述典型日负荷曲线是分析地区用电特点和影响因素、预估负荷特性变化趋势的基础，是进行系统电源结构、调峰容量及互联系统错峰的依据。
进一步地，所述步骤(3)中，时间序列聚类分析算法依靠于距离的测定；基于形状的聚类算法将类似形状的曲线聚类，减少振幅amplitude不同和阶段phase相位不同对时间序列聚类的影响；
基于形状的时间序列聚类分析算法通过计算时间序列的交叉相关性来测量序列形状的相似性；增加采用一对多和一对零的比较过程；比较两个时间序列
Figure BDA0001140192750000021
和时间序列
Figure BDA0001140192750000022
的相似性时，先保持时间序列
Figure BDA0001140192750000023
不变，通过计算得出需要平移时间序列
Figure BDA0001140192750000024
的距离如下：
Figure BDA0001140192750000025
其中：s∈[-m，m]，并且
Figure BDA0001140192750000026
m是时间序列的个数，ω表示第ω时间序列，ω∈{1,2,…,2m-1},CCω为交叉相关序列，x1，...，xm为时间序列
Figure BDA0001140192750000027
的元素，y1，...，ym时间序列
Figure BDA0001140192750000028
的元素；s指
Figure BDA0001140192750000029
的一个偏移；
假定长度为2m-1的交叉相关序列定义为：
Figure BDA00011401927500000210
其中：
Figure BDA00011401927500000211
通过以下公式计算：
Figure BDA0001140192750000031
其中：目标为计算
Figure BDA0001140192750000032
最大时ω的位置，根据ω的值计算以
Figure BDA0001140192750000033
为基础平移
Figure BDA0001140192750000034
的最优值
Figure BDA0001140192750000035
Figure BDA0001140192750000036
l是从1开始的整数，K是任意整数，为零或负数，绝对值小于m；Rk表示交叉相关序列；xl+k为时间序列
Figure BDA0001140192750000037
的某个元素、R-k表示交叉相关序列、yl是时间序列
Figure BDA0001140192750000038
的某个元素。
进一步地，所述步骤(4)中，基于形状的时间序列聚类分析算法得到的典型日负荷曲线聚类结果中，每一类均能找到在实际数据中其对应的典型日负荷类型，包括冬季工作日，春季节日和夏季周末；所述对负荷周期模式进行识别采用数据驱动方式，根据本地区所有用户的智能电表数据所得到的系统日负荷曲线，再进行聚类分析，得到的聚类结果描述和识别系统负荷周期模式。
进一步地，对负荷周期模式进行识别之后，还包括：对系统负荷进行预测。
进一步地，所述对系统负荷进行预测，包括：
将基于形状的时间序列聚类分析技术应用于典型日负荷曲线，并对系统负荷进行预测；根据过去历史年的日负荷曲线采用分组或聚类，结合日期类型、集中供暖时间范围、温度、降雨量因素寻找历史中的相似日，根据历史中相似日的负荷曲线、最近1～2天的负荷曲线以及气象预报数据，预估预测日的系统负荷曲线；日期类型包括春夏秋冬四季及工作日和休息日。
为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：
本发明提供一种数据驱动的基于形状的系统负荷聚类方法，并基于此方法对系统负荷周期的模式进行识别，准确获取系统负荷的季节，工作日类型，节假日等特性，由数据驱动得出结论，避免仅从经验对系统负荷的周期做判断，从而提高负荷预测的精度，减少能耗和降低发电成本，提高电力系统的经济效益和社会效益。
基于形状的系统负荷聚类技术及负荷周期的模式识别系统，可以利用海量的智能电表数据，探索该地区系统日负荷的规律，有利于发现全局分布模式，避免计算单一指标或进行平均化处理，可减少随机及主观因素的影响，更适于发现大规模数据的隐藏规律，更能表征整体规律。
附图说明
图1是本发明提供的基于形状的系统负荷聚类技术及负荷周期的模式识别系统结构图；
图2是本发明提供的时间序列的交叉相关性测量序列形状的相似性示意图；
图3是本发明提供的夏季工作日的负荷曲线图；
图4是本发明提供的春节特殊节日的负荷曲线图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
基于形状的聚类方法在比较不同的时间序列数据时能够保留其形状特点，其算法是基于计算标准化的时间序列的交叉相关性来衡量时间序列形状的相似性。传统的交叉相关性测量方法仅比较一点和另一点间的聚类，本方法考虑了时间序列的连续多点的特性。
智能电网的众多高级应用需要基于系统负荷的周期性变化，本发明首次采用基于形状的聚类分析技术，对系统日负荷进行分类，其聚类结果能够精确描述系统负荷的季节、节假日、工作日、周末等的周期性变化，为短期、中期、长期负荷预测奠定基础。
术语及定义：
1)聚类分析：聚类分析是在预先不知道欲划分类的情况下，根据信息相似度原则进行信息集聚的一种方法。聚类的目的是使得属于同一类别的个体之间的差别尽可能的小，而不同类别上的个体见的差别尽可能的大。因此，聚类的意义就在于将观察到的内容组织成类分层结构，把类似的事物组织在一起。
2)K-Means：K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。
3)时间序列：具有一个或多个时间属性的预测应用称为时间序列问题。时间序列是数据存在的特殊形式，序列的过去值会影响到将来值，这种影响的大小以及影响的方式可由时间序列中的趋势周期及非平稳等行为来刻画。
4)负荷曲线：指在某一时间段内描述负荷随时间推移而变化的曲线，反映用户用电的特点及规律
5)负荷周期：指负荷的大小随时间变化的规律性，例如随季节，工作日类型变化的规律性。
6)负荷预测：负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。
本发明提供一种基于形状的系统负荷聚类及负荷周期的模式识别方法，所述方法包括下述步骤：
(1)基于智能电表数据的系统提负荷统计；
(2)生成系统日负荷曲线；
(3)应用基于形状的时间序列聚类分析算法，得到典型日负荷曲线聚类结果；
(4)根据聚类结果，对负荷周期模式进行识别。
具体的：
基于形状的系统负荷聚类技术及负荷周期的模式识别系统包含基于形状的时间序列聚类分析算法，系统负荷周期的模式识别，以及对系统负荷的季节、工作日、节假日的划分。该系统具有对日负荷曲线聚类，对系统负荷时间周期进行识别，划分系统负荷的季节，工作日/周末，节假日等主要功能。可在此基础上进行负荷预测。
系统结构上，基于形状的系统负荷聚类技术及负荷周期的模式识别系统包含以下几个功能，基于智能电表数据的系统日负荷统计，系统日负荷曲线，基于形状的聚类分析算法，典型日负荷曲线聚类，负荷周期模式识别，负荷预报。基于智能电表数据的系统日负荷统计，主要根据所有用户的用电量即智能电表数据统计出系统日负荷，然后生成系统日负荷曲线；再应用基于形状的聚类分析算法，得到典型日负荷曲线聚类结果。根据此聚类结果，可对负荷周期模式进行识别，并进行负荷预测。
基于形状的系统负荷聚类技术及负荷周期的模式识别系统结构如图1所示。
具体的：步骤(2)中，系统日负荷曲线是描述一日内负荷随时间(以小时为单位)变化的曲线，在此我们考虑用电日负荷曲线。不同地区、不同季节在工作日、周末或节日的日负荷曲线各不相同。在实际应用中，一般采用有代表性的典型季节的典型日负荷曲线，包括典型日负荷曲线和典型日持续负荷曲线。
典型日负荷曲线是一段时间内的日负荷曲线中最具有代表意义的曲线，是分析地区用电特点和影响因素、预估负荷特性变化趋势的基础，也是进行系统电源结构、调峰容量及互联系统错峰的依据，长期以来一直是电力系统的基础工作之一。对典型日的选取主要从简单实用的角度出发，例如选取夏季某个工作日的日负荷曲线作为典型日负荷曲线。这种处理方式缺乏依据，而且受随机因素的影响较大。
本方法提供一种基于形状的系统负荷聚类方法，可以发现海量数据中隐藏的规律，减少随机因素和主观因素的影响。
负荷曲线实际上是一种时间序列数据。对时间序列的数据，采用基于形状的聚类方法比传统的基于欧式距离的聚类方法更准确。本方法所用数据为智能电表数据。对采集的某一个地区所有用户一年的数据按天统计，得到该地区全年系统日负荷曲线，然后对日负荷曲线进行聚类分析，采用基于形状的聚类算法。
对于最优聚类数的选择，我们采用的原则是当再增加聚类数目不会给聚类结果带来明显好处时，选择增加前的聚类数目为最优。评价聚类结果采用的方法是每一个时间序列到其中心的距离的总和，这个值越小越好。
具体的：步骤(3)中，对于分析时间序列(Time-Series)的数据，基于形状聚类算法优于传统K均值算法。聚类方法主要依靠于距离的测定，而时间序列的曲线变化给聚类过程造成一定难度。基于形状的聚类算法可以将类似形状的曲线聚类，减少振幅(amplitude)不同和阶段(phase)不同对时间序列聚类的影响。
在实际应用中，不同的时间序列会被放入同一数据框架中计算，振幅的不同，时间序列阶段的不同会影响聚类的结果。传统的聚类算法如k-Means算法基于欧式距离(Euclidean Distance)，而欧式距离对于测量时间序列这类相对来说变化度大的序列并不适合。动态时间归整距离(Dynamic Time Warping，简称DTW)则更适合用来测量类似形状曲线不同时间序列间的距离。
然而欧氏距离对序列在时间轴上的轻微变化非常敏感，一些轻微的变化可能会使得序列之的欧氏距离变化很大，因为计算欧氏距离时要求序列各点一一对应，当序列在时间轴上发生轻微偏移时欧氏距离变得很大，使得相似的序列没有聚在一起。
基于形状的时间序列聚类分析算法通过计算时间序列的交叉相关性来测量序列形状的相似性；增加采用一对多和一对零的比较过程；比较两个时间序列
Figure BDA0001140192750000071
和时间序列
Figure BDA0001140192750000072
的相似性时，先保持时间序列
Figure BDA0001140192750000073
不变，通过计算得出需要平移时间序列
Figure BDA0001140192750000074
的距离如下：
Figure BDA0001140192750000075
其中：s∈[-m，m]，并且
Figure BDA0001140192750000076
m是时间序列的个数，ω表示第ω时间序列，ω∈{1,2,…,2m-1},CCω为交叉相关序列，x1，...，xm为时间序列
Figure BDA0001140192750000077
的元素，y1，...，ym时间序列
Figure BDA0001140192750000078
的元素；s指
Figure BDA0001140192750000079
的一个偏移；
假定长度为2m-1的交叉相关序列定义为：
Figure BDA00011401927500000710
其中：
Figure BDA00011401927500000711
通过以下公式计算：
Figure BDA00011401927500000712
其中：目标为计算
Figure BDA00011401927500000713
最大时ω的位置，根据ω的值计算以
Figure BDA00011401927500000714
为基础平移
Figure BDA00011401927500000715
的最优值
Figure BDA00011401927500000716
Figure BDA00011401927500000717
l是从1开始的整数，K是任意整数，为零或负数，绝对值小于m；Rk表示交叉相关序列；xl+k为时间序列
Figure BDA00011401927500000718
的某个元素、R-k表示交叉相关序列、yl是时间序列
Figure BDA00011401927500000719
的某个元素。
具体的：步骤(4)中，负荷的大小是随时间变化的，有其规律性，例如随季节，工作日，节假日等类型变化的规律性。负荷变化规律是历史的负荷变化规律的延续。掌握负荷变化的规律，对提高负荷预测的精度，减少能耗和降低发电成本，提高电力系统的经济效益和社会效益有着重要意义。
目前电力公司和电力系统软件供应商对系统负荷周期的划分多根据经验，例如，对季节的划分，夏季从6月1号开始，到8月31号结束。本方法是一种数据驱动的方法，对负荷周期的识别完全是基于数据。根据本地区所有用户的智能电表数据所得到的系统日负荷曲线，再进行聚类分析，得到的聚类结果可以描述和识别系统负荷周期模式，例如，该地区的夏季负荷可能从5月下旬就开始了，而不是6月1号，结束时间可能是9月中旬，而不是8月31号。
基于形状的系统负荷聚类结果中，每一类都可以找到在实际数据中其对应的典型日负荷类型，例如冬季工作日，春季节日，夏季周末等。
如图3所示，代表夏季工作日的负荷曲线，用电高峰出现在大约上午10点和下午3点；第二个图代表春节这个特殊节日的负荷曲线，用电高峰大约出现在晚7点。对北京某一区域2014年实际智能电表用电数据采用本专利提出的方法进行聚类分析，得到18个聚类：(1)春节(2)清明节、五一节(3)十一节(4)特殊日(全国人代会)(5)夏季休息日(6)冬季工作日(集中供暖+转暖)(7)春季工作日(温度较低)(8)夏季工作日(9)冬季休息日(低温，集中供暖)(10)秋季休息日(11)秋季工作日(高温)(12)冬季工作日(13)春季休息日(14)春季工作日(集中供暖)(15)冬季休息日(转暖)(16)春秋工作日(17)春季工作日(转暖)(18)冬季工作日(集中供暖)。
对负荷周期模式进行识别采用数据驱动方式，根据本地区所有用户的智能电表数据所得到的系统日负荷曲线，再进行基于形状的聚类分析。将聚类结果分布到全年，如图4所示，就可以得到系统日负荷随着季节、工作日、节假日的变化周期。例如北京某区域，夏季负荷从5月20日开始，到9月10日结束。
具体的：对负荷周期模式进行识别之后，还包括：对系统负荷进行预测。
优选的：对系统负荷进行预测，包括：
将基于形状的时间序列聚类分析技术应用于典型日负荷曲线，并对系统负荷进行预测；根据过去历史年的日负荷曲线采用分组或聚类，结合日期类型、集中供暖时间范围、温度、降雨量因素寻找历史中的相似日，根据历史中相似日的负荷曲线、最近1～2天的负荷曲线以及气象预报数据，预估预测日的系统负荷曲线；日期类型包括春夏秋冬四季及工作日和休息日。
对系统负荷进行预测时，通过负荷变化趋势，电力公司可以安排电力系统运行方式，安排供电设备计划，安排设备检修计划等。负荷预测对电力系统的规划和运行都十分重要。准确的负荷预测结果有助于提高系统的安全性和稳定性，能够减少发电成本。
由于负荷曲线的走势与日类型，天气因素等密切相关，对历史负荷曲线的聚类分析是负荷预测的基础步骤。针对海量的用户负荷，若无针对性的研究每个用户的用电规律将会造成巨大的资源浪费。因此，合理的数据挖掘技术—聚类分析能够将用电规律相近的负荷日期归为一类。
随着智能电表的推广，对电网用户的用电信息全采集为准确把握用户级负荷变化规律提供了数据基础。目前调度部门短期负荷预测的对象主要针对总量负荷，或者变电站的母线负荷，通过母线负荷累加获得总量负荷。而电网负荷是由众多用户负荷构成，不同用户的负荷受自身行业属性和生产特点影响，负荷规律也是千差万别。而用电信息采集系统的海量用户级负荷信息将使从用户级负荷入手的负荷预测成为可能。
将基于形状的时间序列聚类分析技术应用于典型日负荷曲线，并对系统负荷进行预测。根据过去历史年的日负荷曲线采用本专利提出的方法精确分组或聚类，结合日期类型、集中供暖时间范围、温度、降雨量等因素寻找历史中的相似日，根据历史中相似日的负荷曲线、最近几天的负荷曲线以及气象预报数据，比较准确地预估预测日的系统负荷曲线；日期类型包括春夏秋冬四季及工作日和休息日。
本方法考虑了时间序列的连续多点的特性。
智能电网的众多高级应用需要基于系统负荷的周期性变化，例如季节、节假日、工作日、周末等。这种周期性变化的时间范围被人为设定好，缺乏数据验证。本项目首次采用基于形状的聚类分析技术，对系统日负荷进行分类，其聚类结果能够精确描述系统负荷的季节、节假日、工作日、周末等的周期性变化，为短期、中期、长期负荷预测奠定基础。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (5)

1.一种基于形状的系统负荷聚类及负荷周期的模式识别方法，其特征在于，所述方法包括下述步骤：
(1)基于智能电表数据的系统日负荷统计；
(2)生成系统日负荷曲线；
(3)应用基于形状的时间序列聚类分析算法，得到典型日负荷曲线聚类结果；
(4)根据聚类结果，对负荷周期模式进行识别；
所述步骤(3)中，时间序列聚类分析算法依靠于数据点到原型的距离的测定；基于形状的聚类算法将类似形状的曲线聚类，减少振幅不同和阶段相位不同对时间序列聚类的影响；
基于形状的时间序列聚类分析算法通过计算时间序列的交叉相关性来测量序列形状的相似性；增加采用一对多和一对零的比较过程；比较两个时间序列
Figure FDA0003189381260000011
和时间序列
Figure FDA0003189381260000012
的相似性时，先保持时间序列
Figure FDA0003189381260000013
不变，通过计算得出需要平移时间序列
Figure FDA0003189381260000014
的距离如下：
Figure FDA0003189381260000015
其中：s∈[-m，m]，并且
Figure FDA0003189381260000016
m是时间序列的个数，ω表示第ω时间序列，ω∈{1,2,…,2m-1},CCω为交叉相关序列，x1，...，xm为时间序列
Figure FDA0003189381260000017
的元素，y1，...，ym为时间序列
Figure FDA0003189381260000018
的元素；s指
Figure FDA0003189381260000019
的一个偏移；
假定长度为2m-1的交叉相关序列定义为：
Figure FDA00031893812600000110
其中：
Figure FDA0003189381260000021
通过以下公式计算：
Figure FDA0003189381260000022
其中：目标为计算
Figure FDA0003189381260000023
最大时ω的位置，根据ω的值计算以
Figure FDA0003189381260000024
为基础平移
Figure FDA0003189381260000025
的最优值
Figure FDA0003189381260000026
Figure FDA0003189381260000027
l是从1开始的整数，k是整数，绝对值小于m；Rk表示交叉相关序列；xl+k为时间序列
Figure FDA0003189381260000028
的某个元素、R-k表示交叉相关序列、yl是时间序列
Figure FDA0003189381260000029
的某个元素。
2.如权利要求1所述的模式识别方法，其特征在于，所述步骤(1)中，智能电表数据的系统日负荷统计是把区域或系统内每一个智能电表用户的24小时负荷曲线累加，从而得到系统的24小时负荷曲线，即日负荷曲线；
智能电表的数据包括有功，无功，电压，电流，功率因数；负荷指的是有功读数；
系统日负荷曲线是描述一日内负荷随时间变化的曲线；不同地区、不同季节在工作日、周末或节日的日负荷曲线各不相同；采用典型季节的典型日负荷曲线，包括典型日负荷曲线和典型日持续负荷曲线；
所述典型日负荷曲线是分析地区用电特点和影响因素、预估负荷特性变化趋势的基础，是进行系统电源结构、调峰容量及互联系统错峰的依据。
3.如权利要求1所述的模式识别方法，其特征在于，所述步骤(4)中，基于形状的时间序列聚类分析算法得到的典型日负荷曲线聚类结果中，每一类均能找到在实际数据中其对应的典型日负荷类型，包括冬季工作日，春季节日和夏季周末；所述对负荷周期模式进行识别采用数据驱动方式，根据本地区所有用户的智能电表数据所得到的系统日负荷曲线，再进行聚类分析，得到的聚类结果描述和识别系统负荷周期模式。
4.如权利要求1所述的模式识别方法，其特征在于，对负荷周期模式进行识别之后，还包括：
对系统负荷进行预测。
5.如权利要求4所述的模式识别方法，其特征在于，所述对系统负荷进行预测，包括：
将基于形状的时间序列聚类分析技术应用于典型日负荷曲线，并对系统负荷进行预测；根据过去历史年的日负荷曲线采用分组或聚类，结合日期类型、集中供暖时间范围、温度、降雨量因素寻找历史中的相似日，根据历史中相似日的负荷曲线、最近1～2天的负荷曲线以及气象预报数据，预估预测日的系统负荷曲线；日期类型包括春夏秋冬四季及工作日和休息日。
CN201610943890.9A 2016-11-02 2016-11-02 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 Active CN108009938B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610943890.9A CN108009938B (zh) 2016-11-02 2016-11-02 一种基于形状的系统负荷聚类及负荷周期的模式识别方法
PCT/CN2017/108377 WO2018082523A1 (zh) 2016-11-02 2017-10-30 一种负荷周期的模式识别方法
US15/778,312 US11043808B2 (en) 2016-11-02 2017-10-30 Method for identifying pattern of load cycle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610943890.9A CN108009938B (zh) 2016-11-02 2016-11-02 一种基于形状的系统负荷聚类及负荷周期的模式识别方法

Publications (2)

Publication Number Publication Date
CN108009938A CN108009938A (zh) 2018-05-08
CN108009938B true CN108009938B (zh) 2021-12-03

Family

ID=62048134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610943890.9A Active CN108009938B (zh) 2016-11-02 2016-11-02 一种基于形状的系统负荷聚类及负荷周期的模式识别方法

Country Status (3)

Country Link
US (1) US11043808B2 (zh)
CN (1) CN108009938B (zh)
WO (1) WO2018082523A1 (zh)

Families Citing this family (61)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11264799B2 (en) * 2018-11-07 2022-03-01 State Grid of China, State Grid Jiangsu Electric Power Co Ltd Submodular load clustering with robust principal component analysis
CN109858668B (zh) * 2018-12-21 2021-06-08 国网江苏省电力有限公司苏州供电分公司 一种雷电气候下电力负荷区域协调预测方法
CN109726862A (zh) * 2018-12-24 2019-05-07 深圳供电局有限公司 一种用户日电量模式预测方法
CN110163429B (zh) * 2019-05-10 2023-06-09 湖南大学 一种基于相似日优化筛选的短期负荷预测方法
CN110321389B (zh) * 2019-05-14 2023-06-23 南京浦和数据有限公司 一种基于时间序列聚类的电能表设备类别识别方法
CN110210755B (zh) * 2019-05-30 2023-04-18 国网山东省电力公司泰安供电公司 一种基于K_means聚类算法的用户需求响应能力评估方法
CN110516849A (zh) * 2019-08-02 2019-11-29 国网上海市电力公司 一种基于典型日负荷曲线的负荷分类结果评价方法
CN110460045A (zh) * 2019-08-12 2019-11-15 国网上海市电力公司 一种基于回归分析法的基线负荷模型的负荷辨识方法
CN110570041B (zh) * 2019-09-11 2023-05-09 国网天津市电力公司 一种基于ap聚类的远景年典型日负荷预测方法
CN110687361A (zh) * 2019-09-20 2020-01-14 中国电力科学研究院有限公司 一种用于识别低压配网台区相序的方法及系统
US11175829B2 (en) 2019-10-22 2021-11-16 EMC IP Holding Company LLC Automatic identification of workloads contributing to behavioral changes in storage systems using machine learning techniques
US11651249B2 (en) * 2019-10-22 2023-05-16 EMC IP Holding Company LLC Determining similarity between time series using machine learning techniques
US11175838B2 (en) 2019-10-22 2021-11-16 EMC IP Holding Company LLC Automatic identification of resources in contention in storage systems using machine learning techniques
US11062173B2 (en) * 2019-10-22 2021-07-13 EMC IP Holding Company LLC Automatic identification of workloads contributing to system performance degradation using machine learning techniques
CN110851502B (zh) * 2019-11-19 2023-04-07 国网吉林省电力有限公司 一种基于数据挖掘技术的负荷特征场景分类方法
WO2020053846A2 (en) * 2019-11-22 2020-03-19 Symbiosis International (Deemed University) A system and method for analysis of smart meter data
CN111105098B (zh) * 2019-12-25 2023-11-03 国能信控互联技术有限公司 一种单体用户算法自匹配的负荷预测方法和系统
CN111237989B (zh) * 2020-02-04 2021-06-08 青岛海信网络科技股份有限公司 一种基于负荷预测的楼宇通风空调控制方法及装置
CN111369121A (zh) * 2020-02-27 2020-07-03 深圳市赤狐软件技术有限公司 一种客户数据的处理方法、装置、计算机设备及存储介质
CN111461921B (zh) * 2020-03-31 2023-11-24 国网湖南省电力有限公司 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111523230B (zh) * 2020-04-22 2023-05-26 国网能源研究院有限公司 一种风光负荷复合典型场景的自适应聚类方法
CN111415050B (zh) * 2020-04-27 2023-12-05 新奥新智科技有限公司 短期负荷预测方法、短期负荷预测模型训练方法及装置
CN111523819B (zh) * 2020-04-28 2023-04-21 重庆涪陵电力实业股份有限公司 一种计及分布式电源出力不确定性的节能潜力评估方法
CN111738773A (zh) * 2020-07-01 2020-10-02 国网宁夏电力有限公司 一种基于新能源与负荷的净负荷峰谷时段划分方法及系统
CN114389254A (zh) * 2020-10-19 2022-04-22 浙江正泰电器股份有限公司 适用于用户侧微电网的概率收益分析方法和可读存储介质
CN112258233B (zh) * 2020-10-22 2024-05-31 国网新疆电力有限公司经济技术研究院 区域综合能源站选址及容量确定方法及装置
CN112801333B (zh) * 2020-11-24 2023-12-08 国网福建省电力有限公司宁德供电公司 一种基于XGBoost的配电网线路夏季峰值负荷预测方法
CN112561138B (zh) * 2020-12-01 2022-10-25 广东电网有限责任公司广州供电局 电力负荷预测方法、装置、计算机设备和存储介质
CN112488418B (zh) * 2020-12-14 2023-09-26 中国南方电网有限责任公司 一种全拓扑负荷预测方法、装置及计算机设备
CN113011630B (zh) * 2021-01-25 2024-01-23 国网浙江省电力有限公司杭州供电公司 一种大数据配电网台区时空负荷短期预测方法
CN112766590B (zh) * 2021-01-27 2022-09-20 华中科技大学 一种居民典型电力消费模式的提取方法与系统
CN113326296B (zh) * 2021-02-25 2024-06-07 中国电力科学研究院有限公司 一种适用于工商业用户的负荷分解的方法及系统
CN113408101B (zh) * 2021-05-19 2024-01-12 南方电网科学研究院有限责任公司 一种负荷序列模拟方法、装置
CN113255996B (zh) * 2021-05-24 2024-03-26 国家电网有限公司大数据中心 一种标签化的电费余额管理方法、装置、设备及存储介质
CN113505333A (zh) * 2021-05-31 2021-10-15 国家电网有限公司大数据中心 一种针对企业的用电设备负荷分析方法及系统
CN113283674A (zh) * 2021-06-25 2021-08-20 上海腾天节能技术有限公司 一种基于用户用电特征的基线负荷预测修正方法
CN113408210B (zh) * 2021-07-12 2023-08-01 内蒙古电力(集团)有限责任公司乌兰察布供电分公司 基于深度学习的非侵入负荷分解方法、系统、介质和设备
CN113489005B (zh) * 2021-07-22 2023-07-25 云南电网有限责任公司昆明供电局 配电网潮流计算的配变负荷估算方法及系统
CN113837459B (zh) * 2021-09-15 2024-05-03 浙江浙能数字科技有限公司 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法
CN113869601A (zh) * 2021-10-18 2021-12-31 深圳供电局有限公司 一种电力用户负荷预测方法、装置及设备
CN114221435B (zh) * 2021-11-05 2023-07-07 国网浙江省电力有限公司嘉兴供电公司 一种基于电力载波的负荷资源调控系统及方法
CN114399136A (zh) * 2021-11-29 2022-04-26 国网浙江省电力有限公司嵊泗县供电公司 一种基于用户负荷特性分析的需求侧响应能力评估方法
CN114139650B (zh) * 2021-12-09 2024-12-24 青海大学 一种用户负荷双层聚类方法
US12265845B2 (en) 2022-04-15 2025-04-01 Dell Products L.P. Method and system for provisioning an application in a distributed multi-tiered computing environment using case based reasoning
US20230333912A1 (en) * 2022-04-15 2023-10-19 Dell Products L.P. Method and system for managing a distributed multi-tiered computing environment based on load predictions
CN114971411A (zh) * 2022-06-28 2022-08-30 国网上海市电力公司 一种基于数据驱动的配电网用户无功用电行为分析方法
CN115618199B (zh) * 2022-11-07 2025-01-28 国网山东省电力公司营销服务中心(计量中心) 一种针对专变用户智能负荷辨识的信号特征提取方法
CN115936184B (zh) * 2022-11-10 2024-09-03 国网冀北电力有限公司计量中心 一种适应多用户类型的负荷预测匹配方法
CN116029457B (zh) * 2023-02-21 2024-08-23 南方电网调峰调频发电有限公司鲁布革水力发电厂 基于负荷数据分析的电力市场电能协调优化方法及系统
CN116432821B (zh) * 2023-03-08 2023-09-26 河北省气象服务中心(河北省气象影视中心) 基于气象条件的次日用电负荷峰值预测方法
CN116628529B (zh) * 2023-07-21 2023-10-20 山东科华电力技术有限公司 一种用于用户侧智能负荷控制系统的数据异常检测方法
CN117856319A (zh) * 2023-09-28 2024-04-09 东北电力大学 一种多维度需求响应聚光光伏热系统双层优化调度方法
CN117076990B (zh) * 2023-10-13 2024-02-27 国网浙江省电力有限公司 基于曲线降维和聚类的负荷曲线辨识方法、装置及介质
CN117150191B (zh) * 2023-10-30 2024-01-30 国网冀北电力有限公司 一种数字化电表错接线追退电量计算方法及系统
CN117272121B (zh) * 2023-11-21 2024-03-12 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法
CN117955094B (zh) * 2024-01-10 2024-07-02 北京浩然五洲软件技术有限公司 一种电力负荷的预测方法和系统
CN117786582B (zh) * 2024-02-23 2024-05-07 江苏斐能软件科技有限公司 基于数据驱动的用电异常状态智能监测方法及系统
CN118137496B (zh) * 2024-05-06 2024-07-05 哈尔滨工业大学 一种配电网络负荷获取方法、系统及存储介质
CN118249348B (zh) * 2024-05-28 2024-08-20 合肥中科类脑智能技术有限公司 电力负荷预测方法、装置、电子设备和介质
CN118378197B (zh) * 2024-06-24 2024-08-30 山东德源电力科技股份有限公司 一种可追踪损失电量的三相电能表
CN118798437B (zh) * 2024-09-06 2025-01-24 国网山东省电力公司经济技术研究院 一种典型日负荷曲线生成方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268524A (zh) * 2013-06-03 2013-08-28 国家电网公司 一种提高电网短期负荷预测准确度的方法
CN104318322A (zh) * 2014-10-11 2015-01-28 中国南方电网有限责任公司 基于农历日期的节假日负荷预测方法
CN105528660A (zh) * 2016-03-09 2016-04-27 湖南大学 一种基于日负荷曲线的变电站负荷模型参数预测方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9020769B2 (en) * 2009-01-26 2015-04-28 Geneva Cleantech Inc. Automatic detection of appliances
US8660868B2 (en) * 2011-09-22 2014-02-25 Sap Ag Energy benchmarking analytics
US10628838B2 (en) * 2013-04-24 2020-04-21 International Business Machines Corporation System and method for modeling and forecasting cyclical demand systems with dynamic controls and dynamic incentives
CN103325071A (zh) * 2013-06-09 2013-09-25 浙江大学 一种基于密度聚类的用户典型负荷曲线的构建方法
CN103577892A (zh) * 2013-10-30 2014-02-12 河海大学 一种智能配电系统递进式调度方法
CN103577883A (zh) 2013-11-18 2014-02-12 国家电网公司 一种网-荷智能互动方法及装置
US20150186827A1 (en) * 2013-12-11 2015-07-02 The Board Of Trustees Of The Leland Stanford Junior University Data-driven targeting of energy programs using time-series data
US10386820B2 (en) * 2014-05-01 2019-08-20 Johnson Controls Technology Company Incorporating a demand charge in central plant optimization
JP5954370B2 (ja) * 2014-07-31 2016-07-20 ダイキン工業株式会社 機器管理装置
US10467249B2 (en) * 2014-08-07 2019-11-05 Opower, Inc. Users campaign for peaking energy usage
US9753477B2 (en) * 2014-09-15 2017-09-05 Honeywell International Inc. Load forecasting for residential sector demand response
WO2016088761A1 (ja) * 2014-12-02 2016-06-09 積水化学工業株式会社 電力制御システム、電力制御方法及びプログラム
CN104680261A (zh) * 2015-03-16 2015-06-03 朗新科技股份有限公司 基于重点大客户负荷曲线聚类的电力负荷运行控制方法
CN105608512A (zh) 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268524A (zh) * 2013-06-03 2013-08-28 国家电网公司 一种提高电网短期负荷预测准确度的方法
CN104318322A (zh) * 2014-10-11 2015-01-28 中国南方电网有限责任公司 基于农历日期的节假日负荷预测方法
CN105528660A (zh) * 2016-03-09 2016-04-27 湖南大学 一种基于日负荷曲线的变电站负荷模型参数预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于特征的时间序列聚类方法研究进展》;宋辞等;《地理科学进展》;20121031;第31卷(第10期);第1307-1317页 *
《基于聚类分析与SVM的电力短期负荷预测研究》;谭海龙;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑（月刊）》;20100430(第04期);正文第7-54页 *

Also Published As

Publication number Publication date
US20180351355A1 (en) 2018-12-06
CN108009938A (zh) 2018-05-08
WO2018082523A1 (zh) 2018-05-11
US11043808B2 (en) 2021-06-22

Similar Documents

Publication Publication Date Title
CN108009938B (zh) 一种基于形状的系统负荷聚类及负荷周期的模式识别方法
CN109919353B (zh) 一种基于空间相关性的arima模型的分布式光伏预测方法
Dong et al. Wind power day-ahead prediction with cluster analysis of NWP
CN110008982B (zh) 一种基于光伏发电出力聚类的气象监测点选择方法
CN105260803A (zh) 一种系统用电量预测方法
CN105069525A (zh) 全天候96点日负荷曲线预测及优化修正系统
CN109934395B (zh) 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法
CN113282646A (zh) 一种基于用电行为影响因素的日负荷曲线获取方法
Rajabi et al. A review on clustering of residential electricity customers and its applications
CN110109971A (zh) 一种低压台区用户用电负荷特性分析方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN111428745A (zh) 一种基于聚类分析的低压用户用电特征提取方法
CN110298567A (zh) 利用综合能源系统能耗大数据确定典型日负荷曲线的方法
CN114626429A (zh) 一种新能源大数据分类与可疑数据处理方法
Lu et al. Research on creating multi-attribute power consumption behavior portraits for massive users
Kuang et al. Short-term power load forecasting method in rural areas based on CNN-LSTM
Colley et al. Queensland load profiling by using clustering techniques
Pilo et al. Updated typical daily load profiles for LV distribution networks customers
Al Skaif et al. [1] Energy consumption clustering using machine learning: K-means approach
Ogliari et al. Machine Learning methods for clustering and day-ahead thermal load forecasting of an existing District Heating
Azizi et al. Clustering electricity big data for consumption modeling using comparative strainer method for high accuracy attainment and dimensionality reduction
Imani et al. Clustering of electricity price: an application to the Italian electricity market
Dusitakorn et al. Solar Customer Detection based on Power Consumption Patterns
CN119337160B (zh) 一种基于智能电表通信模块的用电负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant