一种多维负荷特性分析的大数据挖掘器的制造方法
【技术领域】
[0001] 本发明涉及电力系统及其自动化技术领域，具体涉及一种多维负荷特性分析的大 数据挖掘器。
【背景技术】
[0002] 负荷特性分析是智能电网研究的基础，传统的电力系统用电特性分析方法主要有 两类：一是按影响因素分析，即在其余变量保持不变的前提下逐个提取因变量，定性或者定 量描述其对自变量的影响程度，但对象都是区域电网，远远不及电力供应侧的研究精度和 深度，无法适应推行智能需求侧管理的需要；二是按行业分类分析，即先对各行业或者细化 到某类型用户的用电特性进行分析，定性或者定量得到各类型用户对区域电网用电特性的 影响。但是其精确度不高，并且很难根据分析结果进行负荷预测。
[0003] 总体而言现有负荷特性分析技术数据利用率低，分析结果粗糙，精度不高，且无法 深入到用户层面，不利于需求响应策略制定的精细化。
[0004] 大数据技术的迅速发展给也负荷分析工作带来了更多的机遇和挑战。研究大数据 环境下，负荷特性分析的新思路、新方法具有重要意义。
【发明内容】
[0005] 针对现有技术的不足，本发明提供一种多维负荷特性分析的大数据挖掘器，对大 数据环境下电力用户的负荷特性进行了深入挖掘，为双向互动需求响应技术提供了科学理 论支持，充分发挥了其运行效率。
[0006] 本发明的目的是采用下述技术方案实现的：
[0007] -种多维负荷特性分析的大数据挖掘器，其改进之处在于，所述大数据挖掘器包 括：
[0008] 电力用户用电行为模式分析模块、负荷特性指标分析模块、用电行为模式的影响 因素和影响机理分析模块、负荷曲线异常诊断模块、电力用户需求响应基线计算模块、电力 用户需求响应效果评估模块、需求响应潜力分析模块、突发事件负荷预测模块；
[0009] 所述电力用户用电行为模式分析模块分别连接所述负荷特性指标分析模块、用电 行为模式的影响因素和影响机理分析模块和负荷曲线异常诊断模块，所述用电行为模式的 影响因素和影响机理分析模块分别连接所述电力用户需求响应基线计算模块和需求响应 潜力分析模块，所述电力用户需求响应基线计算模块连接所述电力用户需求响应效果评估 模块，所述负荷曲线异常诊断模块连接所述突发事件负荷预测模块。
[0010] 优选的，所述电力用户用电行为模式分析模块，用于采用聚类分析方法对电力用 户的日负荷曲线进行分类，每一类对应一种用电模式，并使用类的聚类中心表征该类对应 用电模式的负荷；所述负荷特性指标分析模块，用于根据所述用电模式的负荷确定所述用 电模式的负荷特性指标；所述用电行为模式的影响因素和影响机理分析模块，用于根据所 述用电模式的负荷提取所述用电模式的影响因素及影响因素对应的特征量；所述负荷曲线 异常诊断模块，用于根据所述用电模式的负荷获取所述电力用户的日负荷曲线的奇异点及 产生所述奇异点的原因；所述电力用户需求响应基线计算模块，用于预测电力用户需求响 应基线值；所述电力用户需求响应效果评估模块，用于确定所述电力用户参与需求响应后 实际负荷的削减量；所述需求响应潜力分析模块，用于利用贝叶斯分类法预测指定预测日 用户行为模式的聚类中心C s;所述突发事件负荷预测模块，用于根据所述奇异点的原因预 测奇异点对应的社会事件下的负荷。
[0011] 进一步的，所述电力用户用电行为模式分析模块采用最短距离法对日负荷数据进 行系统聚类，获取初始聚类中心C，所述最短距离法的类间距离公式为：
[0012] Dkl= min {d G k，PjG G L} (I)
[0013] 式⑴中，Pl为类Gk中元素，对应第i日用户的负荷数据序列，P ,为类(^中元素， 对应第j日用户的负荷数据序列，Dia为类G k与类h之间的距离，d U为元素 p i与元素 p」之 间的距离，公式为：
[0015] 式⑵中，Plit为用户第i日t时刻的负荷值，P ]it为用户第j日t时刻的负荷值；
[0016] 采用模糊C均值聚类法进行第二次聚类，包括：
[0017] 计算元素 Pj关于第i类初始聚类中心c 隶属度u U，公式为：
[0019] 式（3)中，Ulj介于0至1之间，m为初始聚类中心个数，q为加权指数，qe [1，00 )， 屯'为P]与第i类初始聚类中心c i之间的距离，公式为：
[0021] 式⑷中，p]it为用户第j日t时刻的负荷值，c lt为第i类初始聚类中心c i中第 t个数据点；
[0022] 计算价值函数J (U, C1, C2,......, cm)，公式为：
[0024] 式（5)中，U为隶属矩阵，η为聚类中心中元素个数；价值函数值若小于阈值A或 相对于上一次迭代中的价值函数值的变量小于阈值Β，则停止迭代；
[0025] 更新所述初始聚类中心c，其中，新的聚类中心C1公式为：
[0027] 上述公式中，m为初始聚类中心个数，η为聚类中心中元素个数。
[0028] 进一步的，所述用电行为模式的影响因素和影响机理分析模块构建观测样本矩阵 X ：
>
[0030] 式（7)中，m为观测日总数，η为待分析因素总数，Xl]为第i个观测日在第j个待 分析影响因素上的观测值；
[0031] 对所述观测样本矩阵中元素 Xl j进行标准化变换，公式为：
[0033] 式⑶中，X' u为第i个观测日在第j个待分析影响因素上经标准化变换后的观 测值，&为观测日在第j个待分析影响因素上的平均值，公式为：
[0035] 构建观测样本矩阵X的相关矩阵R，其中，所述矩阵R中元素 rjg的公式为：
[0037] 式（10)中，X' u为第i个观测日在第j个待分析影响因素上经标准化变换后的 观测值，？ lg为第i个观测日在第g个待分析影响因素上经标准化变换后的观测值；
[0038] 根据所述相关矩阵R的特征方程I λ I-RI = 〇,获取所述相关矩阵R的第j个待分 析因素的特征量λ ,，其中，I为所述相关矩阵R的单位矩阵，0 < j < η，η为待分析因素总 数；
[0039] 将所述相关矩阵R的待分析因素的特征量从大到小进行排序，提取前ρ个且满足 公式（11)的所述相关矩阵R的待分析因素的特征量，公式（11)为：
[0041] 式（11)中，P为提取所述相关矩阵R的待分析因素的特征量的总数；
[0042] 上述公式中，m为观测日总数。
[0043] 进一步的，所述负荷曲线异常诊断模块获取用户t时刻的平均负荷值ρ,，公式为：
[0045] 式（12)中，η为观测日总数，t为每日观测时间点数，P1,t为电力用户第i日t时 刻的负荷；
[0046] 获取电力用户t时刻的负荷的方差σ「，公式为：
[0048] 若电力用户第i日t时刻的负荷P1,t满足I爲』-艿则所述电力用户第i日 t时刻的负荷P1,t为电力用户的日负荷曲线的奇异点，其中，ε为阈值，取1-1.5,爲为用户 t时刻的平均负荷值；
[0049] 获取电力用户的日负荷曲线的奇异点对应的社会事件，确定电力用户的日负荷曲 线的奇异点对应的社会事件的奇异程度β，公式为：
[0051] 式（14)中，Pk为第k类社会事件的负荷奇异程度，Nk为第k类社会事件的奇异点 的日负荷曲线样本总数，△ Sumpkih为第k类社会事件的日负荷曲线h中t时刻的奇异点与 第k类社会事件的日负荷曲线h对应的相似日的日负荷曲线中t时刻的正常值距离之和， 公式为：
[0053] 式（15)中，phi^ k类社会事件的日负荷曲线h中t时刻的奇异点负荷数据，^ 为第k类社会事件的日负荷曲线h对应的相似日日负荷曲线中t时刻的正常值；
[0054] 上述公式中，η为观测日总数。
[0055] 进一步的，所述电力用户需求响应基线计算模块获取w个电力用户非需求响应日 的特征量序列 Xi= {x i(l), Xi (2)，Xi(3)，......，Xi(P)I，i = 1，2,......，w，Xi(p)为电力用户 非需求响应日i的第P个特征量；
[0056] 获取电力用户需求响应日的特征量序列y = {y(l), y(2), y(3),......,y(P)}，y(P) 为电力用户需求响应日第P个特征量；
[0057] 确定电力用户非需求响应日的特征量序列与电力用户需求响应日的特征量序列 的关联系数，公式为：
[0059] 式（16)中，I1Q1)为电力用户需求响应日第h个特征量与电力用户非需求响应日 i的第h个特征量的关联系数，h = 1，2,……，p ;
[0060] 确定所述电力用户需求响应日的特征量序列与所述电力用户非需求响应日的特 征量序列的关联度，公式为：
[0062] 式（17)中，γΛ电力用户需求响应日的特征量序列与电力用户非需求响应日的 特征量序列^的关联度，即电力用户需求响应日的特征量序列与电力用户非需求响应日的 特征量序列相似度，选择γ 0.9对应的电力用户非需求响应日作为相似日；
[0063] 根据相似日负荷预测需求响应日的基线负荷Pbasl。(t)，公式为：
[0065] 式（18)中，Psinil,k(t)为用户第k个相似日的96点实际负荷，t = 1，2,……96, N 为提取的相似日总数，k= 1，2,……N，cok为第k个相似日的加权系数，公式为：
[0067] 式（19)中，yk为第k个相似日的