一种网-荷智能互动方法及装置制造方法
【专利摘要】本发明实施例提供了一种网-荷智能互动方法及装置，方法包括：获取多个电力用户的历史负荷曲线，分别根据历史负荷曲线得到典型日负荷曲线；对典型日负荷曲线进行聚类负荷分类；建立互动控制模式提取决策模型，通过互动控制模式提取决策模型对聚类负荷分类后的负荷类别进行分析和判别，得到不同负荷类别适用的控制方式；将控制方式向电力用户推送。本发明实施例提供的网-荷智能互动方法通过对用户典型日负荷曲线进行聚类负荷分类，以及对聚类负荷分类后的负荷类别进行分析和判别，可以精确的得到不同负荷类别适用的控制方式，向用户推送适合的负荷互动控制方式，引导用户有针对性的制定需求响应参与计划，实现良性、按需互动。
【专利说明】—种网-荷智能互动方法及装置
【技术领域】
[0001]本发明涉及电力领域，更具体的说是涉及一种网-荷智能互动方法及装置。
【背景技术】
[0002]电能是指电以各种形式做功的能力，由于现时还没有经济有效的大容量存储电能的手段，因此电的发生和消费必须随时保持平衡。通常，一年之中的大部分时间，电力需求都在平均需求的上下进行波动，但在一天、一季或一年之内的某些时段，电力需求远远高出平均需求，也即电网负荷曲线的峰谷差较大。因此，如何从用户侧着手，通过电网与终端用户的互动，改善电力负荷曲线特性，提高电网资源利用率是未来电网面临的挑战之一。
[0003]峰谷分时电价是一项有效的需求侧管理措施，它通过价格机制鼓励用户合理安排用电时间、自行控制电力费用。但是，这种方式下电网与用户侧之间缺乏直接、充分的信息沟通，难以有效实现用户侧负荷资源与电网可用电量之间的精确匹配。
【发明内容】
[0004]有鉴于此，为了解决现有用户侧负荷资源与电网可用电量之间难以精确匹配的问题，提供一种网-荷智能互动方法，技术方案如下:
[0005]一种网-荷智能互动方法，包括:
[0006]获取多个电力用户的历史负荷曲线，分别根据所述历史负荷曲线得到典型日负荷曲线；
[0007]对所述典型日负荷曲线进行聚类负荷分类；
[0008]建立互动控制模式提取决策模型，通过所述互动控制模式提取决策模型对所述聚类负荷分类后的负荷类别进行分析和判别，得到不同负荷类别适用的控制方式；
[0009]将所述控制方式向所述电力用户推送。
[0010]优选的，在上述的方法中，所述获取多个电力用户的历史负荷曲线，分别根据所述历史负荷曲线得到典型日负荷曲线，包括:
[0011]获得多个电力用户一定时间段内的历史用电负荷数据，对所述历史用电负荷数据进行归一化处理，按一天24小时得到日历史负荷曲线；
[0012]采用智能算法计算并提取各电力用户的典型日负荷曲线。
[0013]优选的，在上述的方法中，所述对所述典型日负荷曲线进行聚类负荷分类，包括:
[0014]采用最优层次聚类方法对所述典型日负荷曲线进行分类，将具有相似负荷波动特性的用户归为一类。
[0015]优选的，在上述的方法中，所述采用最优层次聚类方法对所述典型日负荷曲线进行分类，包括:
[0016]根据最优样本距离和类间距离计算方法组合对所述典型日负荷曲线进行分类。
[0017]优选的，在上述的方法中，所述建立互动控制模式提取决策模型，包括:
[0018]根据用户负荷特性指标判别体系，结合所述电力用户所在地的负荷高峰、低谷所处时间段以及用户生产作息机制，建立互动控制模式提取决策模型。
[0019]本发明实施例还提供一种网-荷智能互动装置，包括:
[0020]典型日负荷曲线获取单元，用于获取多个电力用户的历史负荷曲线，分别根据所述历史负荷曲线得到典型日负荷曲线；
[0021]负荷分类单元，用于对所述典型日负荷曲线进行聚类负荷分类；
[0022]控制方式确定单元，用于建立互动控制模式提取决策模型，通过所述互动控制模式提取决策模型对所述聚类负荷分类后的负荷类别进行分析和判别，得到不同负荷类别适用的控制方式；
[0023]推送单元，用于将所述控制方式向所述电力用户推送。
[0024]优选的，在上述的装置中，所述典型日负荷曲线获取单元，包括:
[0025]日历史负荷曲线确定模块，用于获得多个电力用户一定时间段内的历史用电负荷数据，对所述历史用电负荷数据进行归一化处理，按一天24小时得到日历史负荷曲线；
[0026]典型日负荷曲线确定模块，用于采用智能算法计算并提取各电力用户的典型日负荷曲线。
[0027]优选的，在上述的装置中，所述负荷分类单元，包括:
[0028]分类确定模块，用于采用最优层次聚类方法对所述典型日负荷曲线进行分类，将具有相似负荷波动特性的用户归为一类。
[0029]优选的，在上述的装置中，所述分类确定模块，包括:
[0030]分类确定子模块，用于根据最优样本距离和类间距离计算方法组合对所述典型日负荷曲线进行分类。
[0031]优选的，在上述的装置中，所述控制方式确定单元，包括:
[0032]模型建立单元，用于根据用户负荷特性指标判别体系，结合所述电力用户所在地的负荷高峰、低谷所处时间段以及用户生产作息机制，建立互动控制模式提取决策模型。
[0033]上述技术方案中具有如下有益效果:
[0034]经由上述的技术方案可知，与现有技术相比，本发明实施例的“网-荷”智能互动方法通过对用户典型日负荷曲线进行聚类负荷分类，以及对聚类负荷分类后的负荷类别进行分析和判别，可以精确的得到不同负荷类别适用的控制方式，向用户推送适合的负荷互动控制方式，引导用户有针对性的制定需求响应参与计划，实现良性、按需互动。
【专利附图】
【附图说明】
[0035]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，还可以根据提供的附图获得其他的附图。
[0036]图1为本发明实施例提供的网-荷智能互动方法的一种流程示意图；
[0037]图2为本发明实施例提供的网-荷智能互动方法的另一流程示意图；
[0038]图3为本发明实施例提供的用户分类类别数目为12时，对应类别的组合典型日负荷曲线示意图；
[0039]图4为本发明实施例提供的用户分类类别数目为12时，每种类别所包含的户数；[0040]图5为本发明实施例提供的得出不同负荷类别适用控制方式的一种流程示意图；
[0041]图6为本发明实施例提供的网-荷智能互动装置的一种结构示意图。
【具体实施方式】
[0042]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。
[0043]参见图1，本发明实施例提供一种网-荷智能互动方法，包括:[0044]步骤110:获取多个电力用户的历史负荷曲线，分别根据历史负荷曲线得到典型日负荷曲线。
[0045]步骤120:对典型日负荷曲线进行聚类负荷分类。
[0046]步骤130:建立互动控制模式提取决策模型，通过互动控制模式提取决策模型对聚类负荷分类后的负荷类别进行分析和判别，得到不同负荷类别适用的控制方式。
[0047]步骤140:将控制方式向电力用户推送。
[0048]本发明实施例的“网-荷”智能互动方法，也即“电网-负荷”智能互动方法通过对用户典型日负荷曲线进行聚类负荷分类，以及对聚类负荷分类后的负荷类别进行分析和判另IJ，可以精确的得到不同负荷类别适用的控制方式，向用户推送适合的负荷互动控制方式，引导用户有针对性的制定需求响应参与计划，实现良性、按需互动。
[0049]参见图2，本发明实施例提供一种网-荷智能互动方法，包括:
[0050]步骤210:获得多个电力用户一定时间段内的历史用电负荷数据，对历史用电负荷数据进行归一化处理，按一天24小时得到日历史负荷曲线，采用智能算法计算并提取各电力用户的典型日负荷曲线。
[0051]其中，典型日负荷曲线是从某一电力用户一定时间段内的负荷时间序列中剔除异常用电负荷数据，提取出最能代表用户正常用电形态的日负荷曲线。
[0052]进一步的，从采集装置或者采集信息数据库中，获得多个电力用户一定时间段内的历史用电负荷数据，如获取某电网543户电力用户最近30天的历史用电负荷数据，以一天24小时离散负荷时间序列的形式表示用户的日历史负荷曲线，如^nHPin(O),Pin(I),……,Pin(T-1)I ；
[0053]其中，Pin(T-1)表示第i个用户第η天中第T_1个采样时刻的负荷值，T表示日采样次数，此处T=24。
[0054]为了消除负荷数量级及异常数据的影响，首先对历史用电负荷数据进行预处理，剔除异常负荷数据以及非工作日数据，采用极大值法对负荷时间序列进行归一化处理，然后利用遗传算法等智能算法提取代表用户正常用电行为的典型日负荷曲线。
[0055]步骤220:采用最优层次聚类方法对典型日负荷曲线进行分类，将具有相似负荷波动特性的用户归为一类。
[0056]其中，层次聚类分析方法是将m个样本或者m个指标看成m类，一类包括一个样本或者指标，然后将性质最接近的两类合并成为一个新类，依此类推。可以按照需要来决定分多少类，每类包含多少样本。[0057]对电力用户的典型日负荷曲线进行分类能够对需求响应中的互动控制模式选择提供帮助。当用户数量及负荷种类较多时，为了更好的区别用户的典型日负荷曲线的形态差异，获得较满意的分类结果，本发明采用最优层次聚类方法识别不同用户典型日负荷曲线的相似程度，保证分类的类内致密性和类间分散性。
[0058]首先，确定最优层次聚类分析方法:
[0059]①计算样本距离，分别采用欧式距离、绝对距离、切氏距离、兰氏距离计算用户典型日负荷曲线样本的距离矩阵，距离矩阵为Dm，分别记为Dc^ Dp D2、D3。
[0060]②计算类间距离:在同一样本距离计算方法下，用不同的类间距离方法计算类间距离矩阵，类间距离矩阵记为zSa_b ;上述类间距离方法可以是最短距离法、最长距离法、中间距离法、重心距离法和离差平方和法。
[0061]其中，
[0062]a代表样本距离计算方法，a=0、l、2、3，0为欧式距离计算方法、I为绝对距离计算方法、2为切氏距离计算方法、3为兰氏距离计算方法；
[0063]b代表类间距离计算方法，b=0、l、2、3、4，0为最短距离法、I为最长距离法、2为中
间距离法、3为重心距离法，4为离差平方和法。
[0064]③计算复合相关系数:计算Dm与ZSa_b之间的复合相关系数矩阵R，得到复合相关系数最大的样本距离计算 方法和对应的类间距离计算方法，也即根据最优样本距离和类间距离计算方法组合对典型日负荷曲线进行分类，这两种方法的组合即为所要使用的最优层次聚类方法。
[0065]在本发明实施例中543户的负荷样本数据下，复合相关系数最大的方法组合为欧式距离和中间距离，故本发明实施例采用最优层次聚类分析方法为欧式距离和中间距离方法组合。
[0066]其次，用户负荷分类结果:
[0067]利用上述步骤确定的最优层次聚类分析方法，在获取到类别数目M后，即可得到用户负荷曲线分类结果，包括每一类别的负荷曲线形状、用户数以及用户ID等统计信息。
[0068]如M=12时的分类结果如图2和图3所示，图2中的粗虚线为12种对应类别的组合典型日负荷曲线，记为 Ltyp j{Ptypj (O), Ptypj (I),……，Ptypj (T-1) };其中，Ptypj (T-1)表示在第T-1个采样时间，第j类别的负荷归一化值，T为日采样次数，此处j=0，l，……，M-1 ;T=24。图3为每种类别所包含的户数。
[0069]步骤230:根据用户负荷特性指标判别体系，结合电力用户所在地的负荷高峰、低谷所处时间段以及用户生产作息机制，建立互动控制模式提取决策模型，通过互动控制模式提取决策模型对聚类负荷分类后的负荷类别进行分析和判别，得到不同负荷类别适用的控制方式。
[0070]用户负荷分类结束后，为了在保证用户满意度的基础上激励用户参与需求响应项目，需要对每一类别的用户负荷曲线作进一步的量化分析，然后结合用户的生产作息机制以及当地的峰平谷时段分布情况建立“网-荷”互动控制模式提取决策模型，在此基础上为电力用户推送适合的智能互动建议，引导用户科学合理改变用电行为。
[0071]本发明实施例中543户用户的日负荷率、指定报告期内的峰谷差的计算公式分别是:[0072]β —day=PaVg—day/Pmax—day ;
[0073]PVk=Pfflax k-Pfflinjt ；
[0074]其中，
[0075]β —day表示日负荷率；
[0076]Pavg day表不日平均负荷；
[0077]Pmax day表不日最大负荷；
[0078]PVk表示第k个变滑动窗内的峰谷差；
[0079]Pmax k表示第k个变滑动窗内的最大负荷；
[0080]Pmin k表示第k个变滑动窗的最小负荷。
[0081]其中，变滑动窗的位置和长度随峰值点位置的不同而不同，其起始和结束时刻通常由峰值点前后相邻的两个谷值点的采样时刻决定。
[0082]通过互动控制模式提取决策模型对聚类负荷分类后的负荷类别进行分析和判别，得到不同负荷类别适用的控制方式，方法参见图5所示:
[0083]S510:每一类负荷波动性的判别。
[0084]判别每一类负荷的波动大小，设置判别指标为每一类用户组的日负荷率β _dayJ,判另Ij阈值为百，其中，百可以根据实际情况进行设置。
[0085]若β _da/ <百，则表示第j类别用户组的负荷波动较小，为平滑类负荷，对于这类
用户，负荷平移(即错峰)以及负荷转移中的移峰填谷互动控制模式并不适用，得到该类负荷用户可以采用“负荷中断方式”参与需求响应项目。其中，“负荷中断方式”指用户在一天的某一时段内将负荷与电网断开连接，即不使用该负荷，在其他时段内也不恢复该负荷的使用。
[0086]若β ^iy1 > β，则表示第j类别用户组的负荷波动较大，属于波动类负荷，这时转到步骤520作进一步判别。
[0087]S520:有效波峰次数判别，判别指标变滑动窗内的峰谷差。
[0088]判别波动类负荷的有效波峰次数，设置判别指标为第j类别负荷在第k个变滑动窗内的峰谷差ρνΛ判别阈值其中&可以根据实际情况进行设置。
[0089]①首先基于每一类别用户组的组合典型日负荷时间序列，统计峰值点和谷值点的数目以及对应采样时刻:numpeak, numvalley, timepeak (x)，timevalley (y)，
[0090]其中，
[0091]x=0,…，numpeak_l ;
[0092]y=0,...，numvalley_l ；
[0093]numpeak为峰值数，numvalley为谷值数，timepeak (x)为第x个峰值所处的时间位置，timevalley (y)为第y个谷值所处的时间位置。
[0094]②通过计算第j类别用户组的第i个变滑动窗内的负荷峰谷差PVJ_来判
[0095]别有效波峰次数，去除无效峰值点。
[0096]若PVi.1 <PV ,则第i个时间窗内的峰值被判别为无效；[0097]若PVij > PV ,则第i个时间窗内的峰值被判别为有效；
[0098]③统计有效波峰数目num=；
[0099]若num==l，2，3，则相应类别分别对应单峰负荷、双峰负荷和三峰负荷，转入步骤(3)做进一步判断；
[0100]若num=为其他值，则相应类别为其它类型负荷。
[0101]S530:判断波峰所在时段是否与电网同步。
[0102]判别各类别用户组的负荷波峰与电网波峰的同时度，设置判别指标为波峰的分布时段，判别阈值为电网峰时段分布范围。本发明实施例中用户所在电网的峰平谷时段分布范围如表1所示。
[0103]表1
【权利要求】
1.一种网-荷智能互动方法，其特征在于，包括: 获取多个电力用户的历史负荷曲线，分别根据所述历史负荷曲线得到典型日负荷曲线.对所述典型日负荷曲线进行聚类负荷分类； 建立互动控制模式提取决策模型，通过所述互动控制模式提取决策模型对所述聚类负荷分类后的负荷类别进行分析和判别，得到不同负荷类别适用的控制方式； 将所述控制方式向所述电力用户推送。
2.根据权利要求1所述的方法，其特征在于，所述获取多个电力用户的历史负荷曲线，分别根据所述历史负荷曲线得到典型日负荷曲线，包括: 获得多个电力用户一定时间段内的历史用电负荷数据，对所述历史用电负荷数据进行归一化处理，按一天24小时得到日历史负荷曲线； 采用智能算法计算并提取各电力用户的典型日负荷曲线。
3.根据权利要求1所述的方法，其特征在于，所述对所述典型日负荷曲线进行聚类负荷分类，包括: 采用最优层次聚类方法对所述典型日负荷曲线进行分类，将具有相似负荷波动特性的用户归为一类。
4.根据权利要求3所述的方法，其特征在于，所述采用最优层次聚类方法对所述典型日负荷曲线进行分类，包括: 根据最优样本距离和类间距离计算方法组合对所述典型日负荷曲线进行分类。
5.根据权利要求1所述的方法，其特征在于，所述建立互动控制模式提取决策模型，包括: 根据用户负荷特性指标判别体系，结合所述电力用户所在地的负荷高峰、低谷所处时间段以及用户生产作息机制，建立互动控制模式提取决策模型。
6.一种网-荷智能互动装置，其特征在于，包括: 典型日负荷曲线获取单元，用于获取多个电力用户的历史负荷曲线，分别根据所述历史负荷曲线得到典型日负荷曲线； 负荷分类单元，用于对所述典型日负荷曲线进行聚类负荷分类； 控制方式确定单元，用于建立互动控制模式提取决策模型，通过所述互动控制模式提取决策模型对所述聚类负荷分类后的负荷类别进行分析和判别，得到不同负荷类别适用的控制方式； 推送单元，用于将所述控制方式向所述电力用户推送。
7.根据权利要求6所述的装置，其特征在于，所述典型日负荷曲线获取单元，包括: 日历史负荷曲线确定模块，用于获得多个电力用户一定时间段内的历史用电负荷数据，对所述历史用电负荷数据进行归一化处理，按一天24小时得到日历史负荷曲线； 典型日负荷曲线确定模块，用于采用智能算法计算并提取各电力用户的典型日负荷曲线。
8.根据权利要求6所述的装置，其特征在于，所述负荷分类单元，包括: 分类确定模块，用于采用最优层次聚类方法对所述典型日负荷曲线进行分类，将具有相似负荷波动特性的用户归为一类。
9.根据权利要求8所述的装置，其特征在于，所述分类确定模块，包括: 分类确定子模块，用于根据最优样本距离和类间距离计算方法组合对所述典型日负荷曲线进行分类。
10.根据权利要求6所述的装置，其特征在于，所述控制方式确定单元，包括: 模型建立单元，用于根据用户负荷特性指标判别体系，结合所述电力用户所在地的负荷高峰、低谷所处时间 段以及用户生产作息机制，建立互动控制模式提取决策模型。
【文档编号】G06Q10/00GK103577883SQ201310576959
【公开日】2014年2月12日 申请日期:2013年11月18日 优先权日:2013年11月18日
【发明者】王风雨, 凌平, 谢迎新, 刘茵, 周健, 刘隽, 方陈, 伍亮, 刘超 申请人:国家电网公司, 国网上海市电力公司, 北京国电通网络技术有限公司, 北京中电飞华通信股份有限公司