一种面向削峰填谷的用电行为分析方法及系统的制作方法

一种面向削峰填谷的用电行为分析方法及系统的制作方法
【专利摘要】本发明公开了一种面向削峰填谷的用电行为分析方法，包括：对历史时期内的主网负荷数据利用最大期望算法进行聚类，获取负荷在历史时期内不同日期的分群结果；对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法，获得用户在不同日期群下的分群结果；对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。本发明能够对海量数据下的用户用电行为进行分析，进而提高用户行为定位的准确度，为更有效的开展客户服务、提高客户满意度、降低运营风险提供决策参考。本发明还公开了一种面向削峰填谷的用电行为分析系统。
【专利说明】
-种面向削峰填谷的用电行为分析方法及系统
技术领域
[0001] 本发明设及用电分析技术领域，尤其设及一种面向削峰填谷的用电行为分析方法 及系统。
【背景技术】
[0002] 随着用电采集系统的深化应用、客户基础信息的不断完善，数据类型越来越多，数 据的精细化程度越来越高，电力信息数据呈现爆炸式增长趋势，电力行业的大数据时代已 经到来。目前运些数据主要应用于电力公司内部营销业务辅助决策，海量用电信息的数据 价值还没有充分的挖掘和体现。
[0003] 目前对于用电行为分析，大多直接采用W下方法：
[0004] 专家经验法。一种专家分析方式，靠征求、汇集多位专家的意见进行用电行为分 析。运种方式能充分发挥专家个人的知识、经验和特长方面的优势。专家经验法是一种简单 易行、应用方便的方法，但也存在明显的缺点和不足:受人的主观因素影响比较大，如专家 的专业水平和权威性等，都可能影响分析结论的准确程度。
[0005] 统计分析法。统计分析是基于统计理论，是应用数学的一个分支，在统计理论里， W概率论建立随机性和不确定性的数据模型。统计分析可W为大型数据集提供两种服务： 描述和推断。描述性的统计分析可W概括或描写数据的集合，而推断性统计分析可W用来 绘制推论过程。但是，统计分析法，依赖于大量的家电设备自身的信息，采集运些数据难度 较大，不符合目前的现状。
[0006] 无监督学习法。利用一组类别未知的样本调整分类器的参数，使其达到所要求性 能的过程，也称为无监督训练或无监督学习，如聚类。利用各类用电行为数据，从用电行为 上将相似的用户聚类，并对每类用户的行为模式进行识别与分析，提取模式特征。无监督学 习，在传统数据量下具备一定指导价值，但在海量数据下算法运行的性能得不到保障。
[0007] 综上所述，传统的方法在于方式上过于简单，可在一定程度上对用电行为进行分 析，但在海量数据情况下应用效果不是很理想。

【发明内容】

[000引本发明提供了一种面向削峰填谷的用电行为分析方法，能够对海量数据下的用户 用电行为进行分析，进而提高用户行为定位的准确度，为更有效的开展客户服务、提高客户 满意度、降低运营风险提供决策参考。
[0009] 本发明提供了一种面向削峰填谷的用电行为分析方法，包括：
[0010] 对历史时期内的主网负荷数据利用最大期望算法进行聚类，获取负荷在历史时期 内不同日期的分群结果；
[0011] 对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法，获得用户 在不同日期群下的分群结果；
[0012] 对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获得历史 上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。
[0013] 优选地，所述方法还包括：
[0014] 基于动态时间规整方法，分析历史时期内和未来目标日期的相似匹配关系，获得 所述未来目标日期的主网和用户可能的负荷曲线特征。
[0015] 优选地，所述对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算 法，获得用户在不同日期群下的分群结果包括：
[0016] 对每个群体化Q = I，…，k)所包含的日期下的所有非居民用户逐点负荷数据进行 并行硬聚类算法，获得非居民在不同日期群化下的分群结果化^j = I,…，m);
[0017] 相应的，所述对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特 征，获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象为：
[0018] 对比主网日期群Di的负荷特征和非居民用户在日期群Di下的分群结果Du的负荷 特征，获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。
[0019] 优选地，所述对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算 法，获得用户在不同日期群下的分群结果包括：
[0020] 对每个群体化Q = I，…，k)所包含的日期下的所有居民用户逐点负荷数据进行并 行硬聚类算法，获得居民在不同日期群化下的分群结果化X(x = 1，…，y);
[0021] 相应的，所述对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特 征，获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象为：
[0022] 对比主网日期群化的负荷特征和居民用户在化下的分群结果Dix的负荷特征，获得 历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象。
[0023] 优选地，所述基于动态时间规整方法，分析历史时期内和未来目标日期的相似匹 配关系，获得所述未来目标日期的主网和用户可能的负荷曲线特征包括：
[0024] 将历史时期分为节假日、周末和工作日=日期集合；
[0025] 判断待测日是否为节假日，若是，则直接用历史同一节假日所归属的群体进行用 电行为分析，若否，则：
[0026] 根据溫度利用动态时间规整方法，分别在历史周末集合和工作日集合中寻找历史 相似日。
[0027] -种面向削峰填谷的用电行为分析系统，包括：
[0028] 第一获取模块，用于对历史时期内的主网负荷数据利用最大期望算法进行聚类， 获取负荷在历史时期内不同日期的分群结果；
[0029] 第二获取模块，用于对每个群体所包含的日期下的用户逐点负荷数据进行并行硬 聚类算法，获得用户在不同日期群下的分群结果；
[0030] 第S获取模块，用于对比主网日期群的负荷特征和用户在日期群下的分群结果的 负荷特征，获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。 [0031 ] 优选地，所述系统还包括：
[0032] 第四获取模块，用于基于动态时间规整方法，分析历史时期内和未来目标日期的 相似匹配关系，获得所述未来目标日期的主网和用户可能的负荷曲线特征。
[0033] 优选地，所述第二获取模块包括：
[0034] 第一硬聚类算法模块，用于对每个群体DiU = I，…，k)所包含的日期下的所有非 居民用户逐点负荷数据进行并行硬聚类算法，获得非居民在不同日期群化下的分群结果化J
[0035] 相应的，第S获取模块，用于对比主网日期群Di的负荷特征和非居民用户在日期 群化下的分群结果化J的负荷特征，获得历史上不同日期下非居民的削峰填谷模式匹配结果 和错峰用电的目标对象。
[0036] 优选地，所述第二获取模块包括：
[0037] 第二硬聚类算法模块，用于对每个群体DiU = I，…，k)所包含的日期下的所有居 民用户逐点负荷数据进行并行硬聚类算法，获得居民在不同日期群化下的分群结果化x(X =
[003引相应的，第S获取模块，用于对比主网日期群化的负荷特征和居民用户在化下的分 群结果化X的负荷特征，获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的 目标对象。
[0039] 优选地，所述第四获取模块包括：
[0040] 划分模块，用于将历史时期分为节假日、周末和工作日=日期集合；
[0041] 判断单元，用于判断待测日是否为节假日；
[0042] 查找单元，用于当判断单元判断待测日为非节假日时，根据溫度利用动态时间规 整方法，分别在历史周末集合和工作日集合中寻找历史相似日。
[0043] 由上述方案可知，本发明提供的一种面向削峰填谷的用电行为分析方法，通过对 历史时期内的主网负荷数据利用最大期望算法进行聚类，获取负荷在历史时期内不同日期 的分群结果，并对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法，获 得用户在不同日期群下的分群结果，对比主网日期群的负荷特征和用户在日期群下的分群 结果的负荷特征，获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标 对象。实现了通过对海量数据下用户用电行为的分析，提高了用户行为定位的准确度，为更 有效的开展客户服务、提高客户满意度、降低运营风险提供了决策参考。
【附图说明】
[0044] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W 根据运些附图获得其他的附图。
[0045] 图1为本发明实施例一公开的一种面向削峰填谷的用电行为分析方法的流程图；
[0046] 图2为本发明实施例二公开的一种面向削峰填谷的用电行为分析方法的流程图；
[0047] 图3为本发明实施例=公开的一种面向削峰填谷的用电行为分析方法的流程图；
[0048] 图4为本发明实施例一公开的一种面向削峰填谷的用电行为分析系统的结构示意 图；
[0049] 图5为本发明实施例二公开的一种面向削峰填谷的用电行为分析系统的结构示意 图；
[0050] 图6为本发明实施例=公开的一种面向削峰填谷的用电行为分析系统的结构示意 图。
【具体实施方式】
[0051] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0052] 如图1所示，为本发明实施例一公开的一种面向削峰填谷的用电行为分析方法，包 括：
[0053] S101、对历史时期内的主网负荷数据利用最大期望算法进行聚类，获取负荷在历 史时期内不同日期的分群结果；
[0054] 当需要对用户的用电行为进行分析时，从用电信息采集系统、调度自动化系统中 获取用户用电负荷及区域主网负荷的相关数据，根据某区域历史时期内的主网每日的逐点 负荷数据，对日期进行EM聚类化邱ec1:ation Maximization Algorithm,最大期望算法），实 现负荷在不同日期的分群结果。EM聚类化邱ec1:ation Maximization Algorithm,最大期望 算法），是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率 估计。EM聚类主要是两个步骤:E步骤，最大期望判别所属分4
和M步骤， 极大似然估计概率参^
。通过交替使用运两个步骤， EM聚类逐步改进模型的参数，使参数和训练样本的似然概率逐渐增大，最后终止于一个极 大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似 然估计，在EM聚类算法中，隐变量就是数据项所属的类。
[0055] 根据EM算法的运行原理，将主网历史负荷曲线分成化，…，Dk等k个群体，每个群体 内的日期具备相似的负荷曲线特征，而不同群体之间的日期的逐点负荷存在比较大的差 异。通过分群，可W获得主网在不同时期负荷的不同特征。
[0056] S102、对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法，获 得用户在不同日期群下的分群结果；
[0057] 对于每个日期群体化（i = 1，…，k)下的日期，提取运些日期下的用户的负荷数据， 用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法可W得到Di (i = 1,…，k) 下的用户的负荷曲线特征。
[005引K-Means: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W欧式距离作为相似度测度，它是求对应某一初始聚类中屯、向量的最优 分类，使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
[0059]基于Map-Reduce下的并行K-Means包括3个阶段，即INITIAL STAGE、MAP STAGE、 REDUCE STAGEo
[0060] INITIAL STAGE:首先确定聚类个数n，然后随机生成n个中屯、点，同时将原始数据 集分成若干个数据块。
[0061 ] MAP STAGE:将每一个数据子集对应分配给一个map函数，针对每个数据块，map函 数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中屯、点的 距离，然后找出与该样本距离最近的中屯、点，每个样本都被归类到与其距离最近的中屯、点 所属类别。
[0062] R抓UCE STAGE:归并各数据块归类结果得到完整的聚类结果，重新计算类中屯、作 为下一次迭代的输入，继续进行下一次MAP STAGE迭代直至算法收敛(即类中屯、不再变化）。
[0063] S103、对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获 得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。
[0064] 对比主网负荷曲线特征和非居民/居民的负荷曲线特征，进行削峰填谷模式匹配， 得到迎峰型、逆峰型等用电客户类型，进而发现重点错峰用电对象。
[0065] 综上所述，在上述实施例中，通过对历史时期内的主网负荷数据利用最大期望算 法进行聚类，获取负荷在历史时期内不同日期的分群结果，并对每个群体所包含的日期下 的用户逐点负荷数据进行并行硬聚类算法，获得用户在不同日期群下的分群结果，对比主 网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获得历史上不同日期下用 户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行 为的分析，提高了用户行为定位的准确度，为更有效的开展客户服务、提高客户满意度、降 低运营风险提供了决策参考。
[0066] 如图2所示，为本发明实施例二公开的一种面向削峰填谷的用电行为分析方法，包 括：
[0067] S201、对历史时期内的主网负荷数据利用最大期望算法进行聚类，获取负荷在历 史时期内不同日期的分群结果；
[0068] 当需要对用户的用电行为进行分析时，从用电信息采集系统、调度自动化系统中 获取用户用电负荷及区域主网负荷的相关数据，根据某区域历史时期内的主网每日的逐点 负荷数据，对日期进行EM聚类化邱ec1:ation Maximization Algorithm,最大期望算法），实 现负荷在不同日期的分群结果。EM聚类化邱ec1:ation Maximization Algorithm,最大期望 算法），是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率 估计。EM聚类主要是两个步骤:E步骤，最大期望判别所属分布
和M步骤， 极大似然估计概率参^
。通过交替使用运两个步骤， EM聚类逐步改进模型的参数，使参数和训练样本的似然概率逐渐增大，最后终止于一个极 大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似 然估计，在EM聚类算法中，隐变量就是数据项所属的类。
[0069] 根据EM算法的运行原理，将主网历史负荷曲线分成化，…，Dk等k个群体，每个群体 内的日期具备相似的负荷曲线特征，而不同群体之间的日期的逐点负荷存在比较大的差 异。通过分群，可W获得主网在不同时期负荷的不同特征。
[0070] S202、对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法，获 得用户在不同日期群下的分群结果；
[0071] 对于每个日期群体化Q = I，…，k)下的日期，提取运些日期下的用户的负荷数据， 用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法可W得到Di (i = 1,…，k) 下的用户的负荷曲线特征。
[0072] K-Means: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W欧式距离作为相似度测度，它是求对应某一初始聚类中屯、向量的最优 分类，使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
[0073] 基于Map-Reduce下的并行K-Means包括3个阶段，即INITIAL STAGE、MAP STAGE、 REDUCE STAGEo
[0074] INITIAL STAGE:首先确定聚类个数n，然后随机生成n个中屯、点，同时将原始数据 集分成若干个数据块。
[00巧]MAP STAGE:将每一个数据子集对应分配给一个map函数，针对每个数据块，map函 数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中屯、点的 距离，然后找出与该样本距离最近的中屯、点，每个样本都被归类到与其距离最近的中屯、点 所属类别。
[0076] R抓UCE STAGE:归并各数据块归类结果得到完整的聚类结果，重新计算类中屯、作 为下一次迭代的输入，继续进行下一次MAP STAGE迭代直至算法收敛(即类中屯、不再变化）。
[0077] S203、对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获 得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象；
[0078] 对比主网负荷曲线特征和非居民/居民的负荷曲线特征，进行削峰填谷模式匹配， 得到迎峰型、逆峰型等用电客户类型，进而发现重点错峰用电对象。
[0079] S204、基于动态时间规整方法，分析历史时期内和未来目标日期的相似匹配关系， 获得所述未来目标日期的主网和用户可能的负荷曲线特征。
[0080] 根据动态时间规整方法，分析历史时期内和未来目标日期的相似匹配关系。提前 获得目标日期的主网和用户可能的负荷曲线特征，提供用户分类及个性化服务、电力生产 调度服务、峰谷电价制定、有序用电方案制定、用电服务指导及相关增值服务。
[0081] 综上所述，在上述实施例中，通过对历史时期内的主网负荷数据利用最大期望算 法进行聚类，获取负荷在历史时期内不同日期的分群结果，并对每个群体所包含的日期下 的用户逐点负荷数据进行并行硬聚类算法，获得用户在不同日期群下的分群结果，对比主 网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获得历史上不同日期下用 户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行 为的分析，提高了用户行为定位的准确度，为更有效的开展客户服务、提高客户满意度、降 低运营风险提供了决策参考。同时，根据动态时间规整方法，分析历史时期内和未来目标日 期的相似匹配关系。能够提前获得目标日期的主网和用户可能的负荷曲线特征，提供用户 分类及个性化服务、电力生产调度服务、峰谷电价制定、有序用电方案制定、用电服务指导 及相关增值服务。
[0082] 如图3所示，为本发明实施例=公开的一种面向削峰填谷的用电行为分析方法，包 括：
[0083] S301、对历史时期内的主网负荷数据利用最大期望算法进行聚类，获取负荷在历 史时期内不同日期的分群结果；
[0084] 当需要对用户的用电行为进行分析时，从用电信息采集系统、调度自动化系统中 获取用户用电负荷及区域主网负荷的相关数据，根据某区域历史时期内的主网每日的逐点 负荷数据，对日期进行EM聚类化邱ec1:ation Maximization Algorithm,最大期望算法），实 现负荷在不同日期的分群结果。EM聚类化邱ec1:ation Maximization Algorithm,最大期望 算法），是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率 估计。EM聚类主要是两个步骤:E步骤，最大期望判别所属分^
和M步骤， 极大似然估计概率参I
。通过交替使用运两个步骤， EM聚类逐步改进模型的参数，使参数和训练样本的似然概率逐渐增大，最后终止于一个极 大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似 然估计，在EM聚类算法中，隐变量就是数据项所属的类。
[0085] 根据EM算法的运行原理，将主网历史负荷曲线分成化，…，Dk等k个群体，每个群体 内的日期具备相似的负荷曲线特征，而不同群体之间的日期的逐点负荷存在比较大的差 异。通过分群，可W获得主网在不同时期负荷的不同特征。
[0086] S302、对每个群体DiU = I，…，k)所包含的日期下的所有非居民用户逐点负荷数 据进行并行硬聚类算法，获得非居民在不同日期群化下的分群结果化^ j = 1，…，m);
[0087] 对于每个日期群体DiQ = I,…，k)下的日期，提取运些日期下的非居民用户的负 荷数据，用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法获得非居民在不 同日期群化下的分群结果化^ j = 1，…，m)。
[0088] K-Means: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W欧式距离作为相似度测度，它是求对应某一初始聚类中屯、向量的最优 分类，使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
[0089] 基于Map-Reduce下的并行K-Means包括3个阶段，即INITIAL STAGE、MAP STAGE、 REDUCE STAGEo
[0090] INITIAL STAGE:首先确定聚类个数n，然后随机生成n个中屯、点，同时将原始数据 集分成若干个数据块。
[0091] MAP STAGE:将每一个数据子集对应分配给一个map函数，针对每个数据块，map函 数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中屯、点的 距离，然后找出与该样本距离最近的中屯、点，每个样本都被归类到与其距离最近的中屯、点 所属类别。
[0092] R抓UCE STAGE:归并各数据块归类结果得到完整的聚类结果，重新计算类中屯、作 为下一次迭代的输入，继续进行下一次MAP STAGE迭代直至算法收敛(即类中屯、不再变化）。
[0093] S303、对比主网日期群化的负荷特征和非居民用户在日期群Di下的分群结果化J的 负荷特征，获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对 象；
[0094] 对比主网日期群化的负荷特征和非居民用户在Di下的分群结果化J的负荷特征，获 得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。根据非居民 群体的负荷特征制定有序用电及峰谷电价方案，对非居民各类主体的电力供需特征予W跟 踪分析、推送展示、实时预测、及时预警，W进一步实现配电网负荷的削峰填谷和平稳运行， 提升电力企业的精细化运营管理和需求侧管理水平。
[00M] S304、对每个群体DiU = I，…，k)所包含的日期下的所有居民用户逐点负荷数据 进行并行硬聚类算法，获得居民在不同日期群化下的分群结果化x(x = 1，…，y);
[0096] 对于每个日期群体DiQ = I,…，k)下的日期，提取运些日期下的非居民用户的负 荷数据，用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法获得非居民在不 同日期群化下的分群结果DixU = 1，…，y)。
[0097] K-Means: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W欧式距离作为相似度测度，它是求对应某一初始聚类中屯、向量的最优 分类，使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
[0098] 基于Map-Reduce下的并行K-Means包括3个阶段，即INITIAL STAGE、MAP STAGE、 REDUCE STAGEo
[0099] INITIAL STAGE:首先确定聚类个数n，然后随机生成n个中屯、点，同时将原始数据 集分成若干个数据块。
[0100] MAP STAGE:将每一个数据子集对应分配给一个map函数，针对每个数据块，map函 数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中屯、点的 距离，然后找出与该样本距离最近的中屯、点，每个样本都被归类到与其距离最近的中屯、点 所属类别。
[0101] R抓UCE STAGE:归并各数据块归类结果得到完整的聚类结果，重新计算类中屯、作 为下一次迭代的输入，继续进行下一次MAP STAGE迭代直至算法收敛(即类中屯、不再变化）。
[0102] S305、对比主网日期群Di的负荷特征和居民用户在Di下的分群结果Dix的负荷特 征，获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象；
[0103] 对比主网日期群化的负荷特征和居民用户在化下的分群结果Dix的负荷特征，获得 历史上不同日期下居民的削峰填谷模式匹配结果和智能用电的目标对象。根据居民群体的 负荷特征对居民用户用电行为予W解析，制定峰谷电价方案，探索指导用户智能用电的需 求侧管理模式。
[0104] S306、将历史时期分为节假日、周末和工作日S日期集合；
[0105] S307、判断待测日是否为节假日，若是，则进入S308，若否，则进入S309:
[0106] S308、直接用历史同一节假日所归属的群体进行用电行为分析；
[0107] S309、根据溫度利用动态时间规整方法，分别在历史周末集合和工作日集合中寻 找历史相似日。
[0108] 动态时间规整方法具体描述如下：
[0109] 输入:历史年时间段内周末\工作日溫度序列T〇id=(Ti，…，Tm),当前年同时间段内 且包含待测日的周末\工作日溫度序歹
，满足m>n。
[0110] 过程:捜索从巧，巧)点出发捜索至巧,，氏），可W展开若干条路径，可计算每条路径 达到巧，,，7)点时的总的积累距离，通过逐点向前寻找就可W求得整条路径，具有最小累积 距离者即为规整路径。对于巧，其可达到该格点的只可能是巧，^)、巧_1，巧)和 巧，吊)，即选择到运3个格点距离之中最小的路径延伸到达巧，巧。求解两序列匹配时，累 计距离最小所对应的规整函数O巧，两，它表示为序列Teld上点Tl和Tnew上的点^之间的规 整路径距离：
[0111]
[0112] 其中DistQJ)为Tcid上点Tl和Tnew上的点巧之间的欧式距离，在本发明中，该距离 为Tl和巧对应日期的溫度的差的绝对值。
[0113] 输出：最小规整距离，W及点和点的匹配关系结果。
[0114] 运样，每个目标日都可W找到历史中的相似匹配日，从而得到目标日期主网及用 电客户可能出现的负荷曲线特征，按照主网特征曲线和用电客户用电特征曲线的削峰填谷 模式匹配结果，判断用电客户在该目标日下是否需要错峰用电。如果用电客户的负荷曲线 避开了主网的负荷高峰(逆峰型），则该用电客户不是开展错避峰用电措施的对象。如果用 电客户的负荷曲线与主网的负荷曲线形状相同（迎峰型）或用电客户的负荷曲线一直处于 高峰水平(连续高峰型），则该用电客户是开展错避峰措施的重点客户，可W通过有序用电、 峰谷电价等方式引导该客户避开用电高峰，同时需要关注该类客户电气设备安全使用情 况。
[0115] 如图4所示，为本发明实施例一公开的一种面向削峰填谷的用电行为分析系统，包 括：
[0116] 第一获取模块401，用于对历史时期内的主网负荷数据利用最大期望算法进行聚 类，获取负荷在历史时期内不同日期的分群结果；
[0117] 当需要对用户的用电行为进行分析时，从用电信息采集系统、调度自动化系统中 获取用户用电负荷及区域主网负荷的相关数据，根据某区域历史时期内的主网每日的逐点 负荷数据，对日期进行EM聚类化邱ec1:ation Maximization Algorithm,最大期望算法），实 现负荷在不同日期的分群结果。EM聚类化邱ec1:ation Maximization Algorithm,最大期望 算法），是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率 估计。EM聚类主要是两个步骤:E步骤，最大期望判别所属分^
和M步骤， 极大似然估计概率参避 。通过交替使用运两个步骤， EM聚类逐步改进模型的参数，使参数和训练样本的似然概率逐渐增大，最后终止于一个极 大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似 然估计，在EM聚类算法中，隐变量就是数据项所属的类。
[0118] 根据EM算法的运行原理，将主网历史负荷曲线分成化，…，Dk等k个群体，每个群体 内的日期具备相似的负荷曲线特征，而不同群体之间的日期的逐点负荷存在比较大的差 异。通过分群，可W获得主网在不同时期负荷的不同特征。
[0119] 第二获取模块402,用于对每个群体所包含的日期下的用户逐点负荷数据进行并 行硬聚类算法，获得用户在不同日期群下的分群结果；
[0120] 对于每个日期群体化Q = I，…，k)下的日期，提取运些日期下的用户的负荷数据， 用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法可W得到Di (i = 1,…，k) 下的用户的负荷曲线特征。
[0121] K-Means: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W欧式距离作为相似度测度，它是求对应某一初始聚类中屯、向量的最优 分类，使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
[0122] 基于Map-Reduce下的并行K-Means包括3个阶段，即INITIAL STAGE、MAP STAGE、 REDUCE STAGEo
[0123] INITIAL STAGE:首先确定聚类个数n，然后随机生成n个中屯、点，同时将原始数据 集分成若干个数据块。
[0124] MAP STAGE:将每一个数据子集对应分配给一个map函数，针对每个数据块，map函 数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中屯、点的 距离，然后找出与该样本距离最近的中屯、点，每个样本都被归类到与其距离最近的中屯、点 所属类别。
[0125] R抓UCE STAGE:归并各数据块归类结果得到完整的聚类结果，重新计算类中屯、作 为下一次迭代的输入，继续进行下一次MAP STAGE迭代直至算法收敛(即类中屯、不再变化）。 [01%]第S获取模块403,用于对比主网日期群的负荷特征和用户在日期群下的分群结 果的负荷特征，获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对 象。
[0127] 对比主网负荷曲线特征和非居民/居民的负荷曲线特征，进行削峰填谷模式匹配， 得到迎峰型、逆峰型等用电客户类型，进而发现重点错峰用电对象。
[0128] 综上所述，在上述实施例中，通过对历史时期内的主网负荷数据利用最大期望算 法进行聚类，获取负荷在历史时期内不同日期的分群结果，并对每个群体所包含的日期下 的用户逐点负荷数据进行并行硬聚类算法，获得用户在不同日期群下的分群结果，对比主 网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获得历史上不同日期下用 户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行 为的分析，提高了用户行为定位的准确度，为更有效的开展客户服务、提高客户满意度、降 低运营风险提供了决策参考。
[0129] 如图5所示，为本发明实施例二公开的一种面向削峰填谷的用电行为分析系统，包 括：
[0130] 第一获取模块501，用于对历史时期内的主网负荷数据利用最大期望算法进行聚 类，获取负荷在历史时期内不同日期的分群结果；
[0131] 当需要对用户的用电行为进行分析时，从用电信息采集系统、调度自动化系统中 获取用户用电负荷及区域主网负荷的相关数据，根据某区域历史时期内的主网每日的逐点 负荷数据，对日期进行EM聚类化邱ec1:ation Maximization Algorithm,最大期望算法），实 现负荷在不同日期的分群结果。EM聚类化邱ec1:ation Maximization Algorithm,最大期望 算法），是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率 估计。EM聚类主要是两个步骤:E步骤，最大期望判别所属分4
和M步骤， 极大似然估计概率参i
通过交替使用运两个步骤， EM聚类逐步改进模型的参数，使参数和训练样本的似然概率逐渐增大，最后终止于一个极 大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似 然估计，在EM聚类算法中，隐变量就是数据项所属的类。
[0132] 根据EM算法的运行原理，将主网历史负荷曲线分成化，…，Dk等k个群体，每个群体 内的日期具备相似的负荷曲线特征，而不同群体之间的日期的逐点负荷存在比较大的差 异。通过分群，可W获得主网在不同时期负荷的不同特征。
[0133] 第二获取模块502,用于对每个群体所包含的日期下的用户逐点负荷数据进行并 行硬聚类算法，获得用户在不同日期群下的分群结果；
[0134] 对于每个日期群体化Q = I，…，k)下的日期，提取运些日期下的用户的负荷数据， 用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法可W得到Di (i = 1,…，k) 下的用户的负荷曲线特征。
[0135] K-Means: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W欧式距离作为相似度测度，它是求对应某一初始聚类中屯、向量的最优 分类，使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
[0136] 基于Map-Reduce下的并行K-Means包括3个阶段，即INITIAL STAGE、MAP STAGE、 REDUCE STAGEo
[0137] INITIAL STAGE:首先确定聚类个数n，然后随机生成n个中屯、点，同时将原始数据 集分成若干个数据块。
[0138] MAP STAGE:将每一个数据子集对应分配给一个map函数，针对每个数据块，map函 数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中屯、点的 距离，然后找出与该样本距离最近的中屯、点，每个样本都被归类到与其距离最近的中屯、点 所属类别。
[0139] 服DUCE STAGE:归并各数据块归类结果得到完整的聚类结果，重新计算类中屯、作 为下一次迭代的输入，继续进行下一次MAP STAGE迭代直至算法收敛(即类中屯、不再变化）。
[0140] 第S获取模块503,用于对比主网日期群的负荷特征和用户在日期群下的分群结 果的负荷特征，获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对 象；
[0141] 对比主网负荷曲线特征和非居民/居民的负荷曲线特征，进行削峰填谷模式匹配， 得到迎峰型、逆峰型等用电客户类型，进而发现重点错峰用电对象。
[0142] 第四获取模块504,用于基于动态时间规整方法，分析历史时期内和未来目标日期 的相似匹配关系，获得所述未来目标日期的主网和用户可能的负荷曲线特征。
[0143] 根据动态时间规整方法，分析历史时期内和未来目标日期的相似匹配关系。提前 获得目标日期的主网和用户可能的负荷曲线特征，提供用户分类及个性化服务、电力生产 调度服务、峰谷电价制定、有序用电方案制定、用电服务指导及相关增值服务。
[0144] 综上所述，在上述实施例中，通过对历史时期内的主网负荷数据利用最大期望算 法进行聚类，获取负荷在历史时期内不同日期的分群结果，并对每个群体所包含的日期下 的用户逐点负荷数据进行并行硬聚类算法，获得用户在不同日期群下的分群结果，对比主 网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获得历史上不同日期下用 户的削峰填谷模式匹配结果和错峰用电的目标对象。实现了通过对海量数据下用户用电行 为的分析，提高了用户行为定位的准确度，为更有效的开展客户服务、提高客户满意度、降 低运营风险提供了决策参考。同时，根据动态时间规整方法，分析历史时期内和未来目标日 期的相似匹配关系。能够提前获得目标日期的主网和用户可能的负荷曲线特征，提供用户 分类及个性化服务、电力生产调度服务、峰谷电价制定、有序用电方案制定、用电服务指导 及相关增值服务。
[0145] 如图6所示，为本发明实施例=公开的一种面向削峰填谷的用电行为分析系统，包 括：
[0146] 第一获取模块601，用于对历史时期内的主网负荷数据利用最大期望算法进行聚 类，获取负荷在历史时期内不同日期的分群结果；
[0147] 当需要对用户的用电行为进行分析时，从用电信息采集系统、调度自动化系统中 获取用户用电负荷及区域主网负荷的相关数据，根据某区域历史时期内的主网每日的逐点 负荷数据，对日期进行EM聚类化邱ec1:ation Maximization Algorithm,最大期望算法），实 现负荷在不同日期的分群结果。EM聚类化邱ec1:ation Maximization Algorithm,最大期望 算法），是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率 估计。EM聚类主要是两个步骤:E步骤，最大期望判别所属分3
和M步骤， 极大似然估计概率参避 通过交替使用运两个步骤， EM聚类逐步改进模型的参数，使参数和训练样本的似然概率逐渐增大，最后终止于一个极 大点。EM聚类在依赖于不可观察的隐变量的概率模型中被用于寻找概率模型参数的最大似 然估计，在EM聚类算法中，隐变量就是数据项所属的类。
[0148] 根据EM算法的运行原理，将主网历史负荷曲线分成化，…，Dk等k个群体，每个群体 内的日期具备相似的负荷曲线特征，而不同群体之间的日期的逐点负荷存在比较大的差 异。通过分群，可W获得主网在不同时期负荷的不同特征。
[0149] 第一硬聚类算法模块602,用于对每个群体DiQ = I,…，k)所包含的日期下的所有 非居民用户逐点负荷数据进行并行硬聚类算法，获得非居民在不同日期群化下的分群结果
[0150] 对于每个日期群体DiQ = I,…，k)下的日期，提取运些日期下的非居民用户的负 荷数据，用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法获得非居民在不 同日期群化下的分群结果化^ j = 1，…，m)。
[0151] K-Means: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W欧式距离作为相似度测度，它是求对应某一初始聚类中屯、向量的最优 分类，使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
[0152] 基于Map-Reduce下的并行K-Means包括3个阶段，即INITIAL STAGE、MAP STAGE、 REDUCE STAGEo
[0153] INITIAL STAGE:首先确定聚类个数n，然后随机生成n个中屯、点，同时将原始数据 集分成若干个数据块。
[0154] MAP STAGE:将每一个数据子集对应分配给一个map函数，针对每个数据块，map函 数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中屯、点的 距离，然后找出与该样本距离最近的中屯、点，每个样本都被归类到与其距离最近的中屯、点 所属类别。
[0K5] R抓UCE STAGE:归并各数据块归类结果得到完整的聚类结果，重新计算类中屯、作 为下一次迭代的输入，继续进行下一次MAP STAGE迭代直至算法收敛(即类中屯、不再变化）。
[0156] 第S获取模块603,用于对比主网日期群化的负荷特征和非居民用户在日期群化下 的分群结果化J的负荷特征，获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰 用电的目标对象；
[0157] 对比主网日期群化的负荷特征和非居民用户在Di下的分群结果化J的负荷特征，获 得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。根据非居民 群体的负荷特征制定有序用电及峰谷电价方案，对非居民各类主体的电力供需特征予W跟 踪分析、推送展示、实时预测、及时预警，W进一步实现配电网负荷的削峰填谷和平稳运行， 提升电力企业的精细化运营管理和需求侧管理水平。
[0158] 第二硬聚类算法模块604,用于对每个群体DiQ = I,…，k)所包含的日期下的所有 居民用户逐点负荷数据进行并行硬聚类算法，获得居民在不同日期群Di下的分群结果化x(x = i，...，y);
[0159] 对于每个日期群体DiQ = I，…，k)下的日期，提取运些日期下的非居民用户的负 荷数据，用Map-Reduce环境下的K-Means进行聚类。通过并行K-Means算法获得非居民在不 同日期群化下的分群结果DixU = 1，…，y)。
[0160] K-Means: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W欧式距离作为相似度测度，它是求对应某一初始聚类中屯、向量的最优 分类，使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
[0161] 基于Map-Reduce下的并行K-Means包括3个阶段，即INITIAL STAGE、MAP STAGE、 REDUCE STAGEo
[0162] INITIAL STAGE:首先确定聚类个数n，然后随机生成n个中屯、点，同时将原始数据 集分成若干个数据块。
[0163] MAP STAGE:将每一个数据子集对应分配给一个map函数，针对每个数据块，map函 数计算每个样本所属类别。map函数首先基于欧式距离公式计算每个样本与每个中屯、点的 距离，然后找出与该样本距离最近的中屯、点，每个样本都被归类到与其距离最近的中屯、点 所属类别。
[0164] 服DUCE STAGE:归并各数据块归类结果得到完整的聚类结果，重新计算类中屯、作 为下一次迭代的输入，继续进行下一次MAP STAGE迭代直至算法收敛(即类中屯、不再变化）。
[0165] 第S获取模块603,用于对比主网日期群化的负荷特征和居民用户在化下的分群结 果化X的负荷特征，获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标 对象；
[0166] 对比主网日期群化的负荷特征和居民用户在化下的分群结果Dix的负荷特征，获得 历史上不同日期下居民的削峰填谷模式匹配结果和智能用电的目标对象。根据居民群体的 负荷特征对居民用户用电行为予W解析，制定峰谷电价方案，探索指导用户智能用电的需 求侧管理模式。
[0167] 划分模块605，用于将历史时期分为节假日、周末和工作日=日期集合；
[016引判断单元606,用于判断待测日是否为节假日；
[0169] 查找单元607，用于当判断单元606判断待测日为非节假日时，根据溫度利用动态 时间规整方法，分别在历史周末集合和工作日集合中寻找历史相似日。
[0170] 动态时间规整方法具体描述如下：
[0171] 输入:历史年时间段内周末\工作日溫度序列T〇id=(Ti，…，Tm),当前年同时间段内 且包含待测日的周末\工作日溫度序巧
，满足m>n。
[0172] 过程:捜索从巧亢)点出发捜索至(J；，。，可W展开若干条路径，可计算每条路径 达到(2；，j；)点时的总的积累距离，通过逐点向前寻找就可W求得整条路径，具有最小累积 距离者即为规整路径。对于巧，是），其可达到该格点的只可能是巧I /^)、巧I .^)和 巧，巧3:，即选择到运3个格点距离之中最小的路径延伸到达巧，呵。求解两序列匹配时， 累计距离最小所对应的规整函数，可，它表示为序列Told上点Tl和Tnew上的点巧之间的 规整路径距离：
[0173]
[0174] 其中Dist ( i，j )为Told上点Ti和Tnew上的点^之间的欧式距离，在本发明中，该距离 为1'1和^^对应日期的溫度的差的绝对值。
[0175] 输出：最小规整距离，W及点和点的匹配关系结果。
[0176] 运样，每个目标日都可W找到历史中的相似匹配日，从而得到目标日期主网及用 电客户可能出现的负荷曲线特征，按照主网特征曲线和用电客户用电特征曲线的削峰填谷 模式匹配结果，判断用电客户在该目标日下是否需要错峰用电。如果用电客户的负荷曲线 避开了主网的负荷高峰(逆峰型），则该用电客户不是开展错避峰用电措施的对象。如果用 电客户的负荷曲线与主网的负荷曲线形状相同（迎峰型）或用电客户的负荷曲线一直处于 高峰水平(连续高峰型），则该用电客户是开展错避峰措施的重点客户，可W通过有序用电、 峰谷电价等方式引导该客户避开用电高峰，同时需要关注该类客户电气设备安全使用情 况。
[0177] 本实施例方法所述的功能如果W软件功能单元的形式实现并作为独立的产品销 售或使用时，可W存储在一个计算设备可读取存储介质中。基于运样的理解，本发明实施例 对现有技术做出贡献的部分或者该技术方案的部分可WW软件产品的形式体现出来，该软 件产品存储在一个存储介质中，包括若干指令用W使得一台计算设备(可W是个人计算机， 服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步 骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,ReacK)nly Memo巧）、随机存 取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可W存储程序代码的介质。
[0178] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它 实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0179] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。 对运些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的 一般原理可W在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的运些实施例，而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。
【主权项】
1. 一种面向削峰填谷的用电行为分析方法，其特征在于，包括： 对历史时期内的主网负荷数据利用最大期望算法进行聚类，获取负荷在历史时期内不 同日期的分群结果； 对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类算法，获得用户在不 同日期群下的分群结果； 对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征，获得历史上不 同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。2. 根据权利要求1所述的方法，其特征在于，还包括： 基于动态时间规整方法，分析历史时期内和未来目标日期的相似匹配关系，获得所述 未来目标日期的主网和用户可能的负荷曲线特征。3. 根据权利要求1所述的方法，其特征在于，所述对每个群体所包含的日期下的用户逐 点负荷数据进行并行硬聚类算法，获得用户在不同日期群下的分群结果包括： 对每个群体Ddi = 1，…，k)所包含的日期下的所有非居民用户逐点负荷数据进行并行 硬聚类算法，获得非居民在不同日期群Drf的分群结果(j = 1，…，m); 相应的，所述对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征， 获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象为： 对比主网日期群〇1的负荷特征和非居民用户在日期群Di下的分群结果的负荷特征， 获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰用电的目标对象。4. 根据权利要求1所述的方法，其特征在于，所述对每个群体所包含的日期下的用户逐 点负荷数据进行并行硬聚类算法，获得用户在不同日期群下的分群结果包括： 对每个群体Ddi = 1，…，k)所包含的日期下的所有居民用户逐点负荷数据进行并行硬 聚类算法，获得居民在不同日期群Drf的分群结果Dlx(x = 1，…，y); 相应的，所述对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷特征， 获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象为： 对比主网日期群〇1的负荷特征和居民用户在Di下的分群结果Dlx的负荷特征，获得历史 上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标对象。5. 根据权利要求2所述的方法，其特征在于，所述基于动态时间规整方法，分析历史时 期内和未来目标日期的相似匹配关系，获得所述未来目标日期的主网和用户可能的负荷曲 线特征包括： 将历史时期分为节假日、周末和工作日三日期集合； 判断待测日是否为节假日，若是，则直接用历史同一节假日所归属的群体进行用电行 为分析，若否，则： 根据温度利用动态时间规整方法，分别在历史周末集合和工作日集合中寻找历史相似 曰。6. -种面向削峰填谷的用电行为分析系统，其特征在于，包括： 第一获取模块，用于对历史时期内的主网负荷数据利用最大期望算法进行聚类，获取 负荷在历史时期内不同日期的分群结果； 第二获取模块，用于对每个群体所包含的日期下的用户逐点负荷数据进行并行硬聚类 算法，获得用户在不同日期群下的分群结果； 第三获取模块，用于对比主网日期群的负荷特征和用户在日期群下的分群结果的负荷 特征，获得历史上不同日期下用户的削峰填谷模式匹配结果和错峰用电的目标对象。7. 根据权利要求6所述的系统，其特征在于，还包括： 第四获取模块，用于基于动态时间规整方法，分析历史时期内和未来目标日期的相似 匹配关系，获得所述未来目标日期的主网和用户可能的负荷曲线特征。8. 根据权利要求6所述的方法，其特征在于，所述第二获取模块包括： 第一硬聚类算法模块，用于对每个群体DK i = 1，…，k)所包含的日期下的所有非居民用 户逐点负荷数据进行并行硬聚类算法，获得非居民在不同日期群Di下的分群结果D^(j = 1，…，m); 相应的，第三获取模块，用于对比主网日期群〇1的负荷特征和非居民用户在日期群DiT 的分群结果的负荷特征，获得历史上不同日期下非居民的削峰填谷模式匹配结果和错峰 用电的目标对象。9. 根据权利要求6所述的方法，其特征在于，所述第二获取模块包括： 第二硬聚类算法模块，用于对每个群体DKi = l，···，!〇所包含的日期下的所有居民用户 逐点负荷数据进行并行硬聚类算法，获得居民在不同日期群Di下的分群结果Dlx(x= 1，…， y)； 相应的，第三获取模块，用于对比主网日期群〇1的负荷特征和居民用户在Di下的分群结 果Dlx的负荷特征，获得历史上不同日期下居民的削峰填谷模式匹配结果和错峰用电的目标 对象。10. 根据权利要求7所述的方法，其特征在于，所述第四获取模块包括： 划分模块，用于将历史时期分为节假日、周末和工作日三日期集合； 判断单元，用于判断待测日是否为节假日； 查找单元，用于当判断单元判断待测日为非节假日时，根据温度利用动态时间规整方 法，分别在历史周末集合和工作日集合中寻找历史相似日。
【文档编号】G06Q50/06GK106022959SQ201610335190
【公开日】2016年10月12日
【申请日】2016年5月19日
【发明人】刘建, 赵加奎, 李宏发, 黄秋岑, 刘芳, 刘玉玺, 方红旺, 欧阳红, 郝庆利, 卢耀宗, 程华福
【申请人】北京中电普华信息技术有限公司, 国网福建省电力有限公司, 国网信息通信产业集团有限公司, 国家电网公司