基于融合特征的园区电热负荷耦合关系分析方法及装置与流程

本发明属于电力系统需求侧信息管理技术领域，具体涉及一种基于融合特征的园区电热负荷耦合关系分析方法及装置。

背景技术：

以工业园区为代表的区域级能源系统呈现用能密度大、负荷利用小时数高、可再生能源比例增加、产用能形式多样化等特点，是促进可再生能源大规模就地消纳、提高综合能源利用效率、实现节能减排目标的有效实施途径。我国目前拥有国家级、省级等各类开发区近2000个，是推进区域综合系统发展最急需也是最佳的切入点，具备广阔的发展前景和机遇。

伴随互联网技术的高速发展以及高效利用综合能源的需求日益增加，能源互联网概念应运而生。其为信息技术与综合能源相结合的产物，为解决区域综合能源的高效利用问题，提供了可行的技术方案，是未来智能电网和能源互联网建设必不可缺的环节。

园区建设和发展过程中积累了大量的基础用户负荷数据，这些数据不仅具有海量、高频、分散等特点，而且数据之间存在相似性和关联性。用户的负荷数据中隐藏着用户的用电用热行为习惯，对这些电热数据进行挖掘并研究用户类型，可以获得用户的个性化、差异化的服务需求，从而使供能公司进一步拓展服务的深度和广度，为未来的需求侧响应政策的制定提供数据支撑。

针对上述问题，本发明提出了一种基于园区用户电和热负荷特征的分类方法，并给出了相应的分析方法。

技术实现要素：

本发明的目的在于克服现有技术中的不足，提供了一种基于融合特征的园区电热负荷耦合关系分析方法，解决了现有技术中的仅单一考虑用户用电负荷或用热负荷技术问题。

为解决上述技术问题，本发明提供了一种基于融合特征的园区电热负荷耦合关系分析方法，包括以下过程：

获取园区用户的电热负荷曲线数据；

对电热负荷曲线数据进行归一化处理获得电负荷特征和热负荷特征，并将电负荷特征与热负荷特征拼接作为特征拼接数据；

利用主成分分析法对特征拼接数据进行处理获得融合特征；

基于用户的融合特征进行聚类获得聚类结果；

根据聚类结果分析用户电热负荷耦合关系。

进一步的，所述将电负荷特征与热负荷特征拼接作为特征拼接数，包括：

将电负荷特征在前热负荷特征在后进行拼接，作为用户的特征拼接数据。

进一步的，所述利用主成分分析法对特征拼接数据进行处理获得融合特征，包括：

3.1)根据特征拼接数据xi构造对应协方差矩阵：

式中，cori表示特征拼接数据xi的协方差矩阵，xi表示用户i的特征拼接数据，n表示特征拼接数据xi的维数，表示特征拼接数据xi的转置；

3.2)利用特征值分解的方法计算协方差矩阵的特征值和特征向量；

3.3)对特征值从大到小排序，选择其中非零的特征值，然后将其对应的特征向量分别作为行向量组成特征向量矩阵p，其中，矩阵中每一个行向量称为对应的融合特征。

进一步的，所述基于用户的融合特征进行聚类获得聚类结果，包括：

基于用户的融合特征随机选取k个质心；

根据园区用户的融合特征到每个质心的欧氏距离进行聚类；

改变k的值重复以上过程，选取davies-bouldin指数最小的k值作为最佳聚类数，并选取对应的聚类结果作为融合特征的最佳聚类结果。

进一步的，所述根据园区用户的融合特征到每个质心的欧氏距离进行聚类，包括：

计算除作为质心外的园区用户的融合特征到每个质心的欧氏距离，并把它归类到最近的质心的类；

计算每一类中所包含的每一个融合特征到同类别中其他融合特征之间欧式距离，并求和得到同类别下每一个融合特征到其他融合特征的欧式距离和，选取其中同类别下欧式距离和最小的所对应的融合特征作为新的质心；

直至新的质心与原质心之间的欧式距离小于等于阈值，获得融合特征的聚类结果。

相应的，本发明还提供了一种基于融合特征的园区电热负荷耦合关系分析装置，包括负荷获取模块、特征获取模块、融合特征获取模块、聚类处理模块和耦合关系分析模块，其中：

负荷获取模块，用于获取园区用户的电热负荷曲线数据；

特征获取模块，用于对电热负荷曲线数据进行归一化处理获得电负荷特征和热负荷特征，并将电负荷特征与热负荷特征拼接作为特征拼接数据；

融合特征获取模块，用于利用主成分分析法对特征拼接数据进行处理获得融合特征；

聚类处理模块，用于基于用户的融合特征进行聚类获得聚类结果；

耦合关系分析模块，用于根据聚类结果分析用户电热负荷耦合关系。

进一步的，特征获取模块中，所述将电负荷特征与热负荷特征拼接作为特征拼接数，包括：

将电负荷特征在前热负荷特征在后进行拼接，作为用户的特征拼接数据。

进一步的，融合特征获取模块中，所述利用主成分分析法对特征拼接数据进行处理获得融合特征，包括：

3.1)根据特征拼接数据xi构造对应协方差矩阵：

式中，cori表示特征拼接数据xi的协方差矩阵，xi表示用户i的特征拼接数据，n表示特征拼接数据xi的维数，表示特征拼接数据xi的转置；

3.2)利用特征值分解的方法计算协方差矩阵的特征值和特征向量；

3.3)对特征值从大到小排序，选择其中非零的特征值，然后将其对应的特征向量分别作为行向量组成特征向量矩阵p，其中，矩阵中每一个行向量称为对应的融合特征。

进一步的，聚类处理模块中，所述基于用户的融合特征进行聚类获得聚类结果，包括：

基于用户的融合特征随机选取k个质心；

根据园区用户的融合特征到每个质心的欧氏距离进行聚类；

改变k的值重复以上过程，选取davies-bouldin指数最小的k值作为最佳聚类数，并选取对应的聚类结果作为融合特征的最佳聚类结果。

进一步的，聚类处理模块中，所述根据园区用户的融合特征到每个质心的欧氏距离进行聚类，包括：

计算除作为质心外的园区用户的融合特征到每个融合特征质心的欧氏距离，并把它归类到最近的质心的类；

计算每一类中所包含的每一个融合特征到同类别中其他融合特征之间欧式距离，并求和得到同类别下每一个融合特征到其他融合特征的欧式距离和，选取其中同类别下欧式距离和最小的所对应的融合特征作为新的质心；

直至新的质心与原质心之间的欧式距离小于等于阈值，获得融合特征的聚类结果。

与现有技术相比，本发明所达到的有益效果是：

从园区用户热电负荷曲线中提取出热负荷特征和电负荷特征，然后利用主成分分析法对热电负荷特征进行融合，得到融合特征，再对融合特征进行聚类，从而获得较好的对于园区用户综合能耗的聚类结果，本发明是基于用户的电负荷和热负荷的共同分类，甚至可以引申至电、热、冷、气等多负荷的分类，为工业园区综合能源管理系统对后续的研究用户需求响应行为奠定了基础，方便了综合能源系统的优化运行。

附图说明

图1为本发明方法的流程图；

图2为实施例中第一类用户的电负荷和热负荷分类结果；

图3为实施例中第二类用户的电负荷和热负荷分类结果；

图4为实施例中第三类用户的电负荷和热负荷分类结果；

图5为实施例中第四类用户的电负荷和热负荷分类结果；

图6为实施例中第五类用户的电负荷和热负荷分类结果；

图7为实施例中第六类用户的电负荷和热负荷分类结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的创新思路是：从园区用户热电负荷曲线中提取出热负荷特征和电负荷特征，然后利用主成分分析法对热电负荷特征进行融合，得到融合特征，再对融合特征进行聚类，从而获得较好的对于园区用户综合能耗的聚类结果，以便对园区用户的耗能特性进行分析，给园区综合能源系统的需求响应政策制定提供了数据基础。

本发明的一种基于融合特征的园区电热负荷耦合关系分析方法，参见图1所示，包括以下步骤：

步骤1，获取园区用户的电热负荷曲线数据，并对数据进行降噪处理，降低偶然误差的影响；

所述电热负荷是指电负荷和热负荷；电负荷即园区用户的用电数据，热负荷即用热数据。由于负荷数据存在噪声，将用电数据和用热数据整理成时间节点为15分钟的时间序列曲线数据，每个时间节点的数据是该时刻负荷和前面14分钟每个时刻的负荷的平均值。

然后对热电负荷曲线数据进行降噪处理，以降低偶然误差的影响。

步骤2，对上一步得到的电热负荷曲线数据进行归一化处理，获得电负荷特征和热负荷特征，并将电负荷特征与热负荷特征前后拼接作为特征拼接数据；

对步骤1中整理后的电热负荷数据进行归一化处理，归一化公式如下：

式中，pit表示第i个用户在第t个时间节点上的用电(热)功率，xit表示pit归一化后的数据，t表示一个周期的时间节点数量，通常取24或者96，i取值从1到n(将园区用户总数记为n)。

然后获得归一化后的电负荷时间向量和热负荷时间向量分别作为电负荷特征和热负荷特征。

将电负荷特征在前热负荷特征在后进行拼接作为每个园区用户的特征拼接数据。

步骤3，利用主成分分析法对上步得到特征拼接数据进行处理，获得融合特征，用于聚类。

具体包括以下步骤：

3.1)根据特征拼接数据xi构造对应协方差矩阵：

式中，cori表示特征拼接数据xi的协方差矩阵，xi表示用户i的特征拼接数据，n表示特征拼接数据xi的维数，表示特征拼接数据xi的转置。

3.2)利用特征值分解的方法计算协方差矩阵的特征值和特征向量；

3.3)对特征值从大到小排序，选择其中非零的特征值，然后将其对应的特征向量分别作为行向量组成特征向量矩阵p，其中，矩阵中每一个行向量称为对应的融合特征。

步骤4，随机从上一步得到的特征向量矩阵p中选取k个行向量，作为k个聚类质心(下文简称为质心)。

其中，每一个质心代表一个初始的聚类类别，k的取值为总用户数量的5％～10％。

步骤5，分别计算除作为质心外的园区用户的融合特征到每个融合特征质心的欧氏距离，并把它归类到最近的质心的类；

所述步骤5)具体包括以下步骤：

5.1)计算除作为质心外的园区用户的融合特征到每个融合特征质心的欧氏距离，形成n×n维矩阵dis：

式中，disik表示第i个用户到第k个质心的距离，xit表示第i个园区用户在第t个时间点上的融合特征；xkt表示第k个质心在第t个时间点上的融合特征。

5.2)将除质心以外的其他用户，归到与其欧式距离最小的质心所在的类别。

5.3)利用步骤5.1中涉及的距离公式，计算在5.2得到的每一类中所包含的每一个融合特征到同类别中其他融合特征之间欧式距离，并求和得到同类别下每一个融合特征到其他融合特征的欧式距离和，选取其中同类别下欧式距离和最小的所对应的融合特征作为新的质心。

步骤6，重复步骤5，直至新的质心与原质心之间的欧式距离小于等于阈值(经验值)，可以判断达到了最好的聚类效果，从而结束计算，获得融合特征的聚类结果，并计算聚类结果的davies-bouldin指数。

步骤6)具体包括以下步骤：

6.1)计算第k个类别中各个融合特征数据到其质心的距离：

式中，sk是第k类负荷数据到质心的距离，代表了该类簇中数据的分散程度，nk表示第k类负荷中的用户数量，k表示分类的类别，xit表示第i个园区用户在第t个时间点上的融合特征；xkt表示第k个质心在第t个时间点上的的融合特征。

6.2)计算第i类融合特征和第j类融合特征之间的距离：

式中，mij表示的是第i类负荷和第j类负荷之间的距离，xit和xjt分别是第i类负荷的质心和第j类负荷的质心在t时刻的值。

6.3)计算第i融合特征和第j类融合特征的相似度：

式中，rij定义了第i负荷和第j类负荷的相似度。

6.4)计算聚类评价指标davies-bouldin指数：

令即第i负荷和其他类负荷的最大相似度值，然后对所有类的最大相似度值取均值就得到了davies-bouldin指数，其计算公式为：

步骤7，改变k的值，重复步骤3～步骤6，比较不同k对应的davies-bouldin指数值，选取davies-bouldin指数最小的k值作为最佳聚类数，并选取对应的聚类结果作为融合特征的最佳聚类结果。

步骤8，从电负荷和热负荷分析融合特征聚类结果中峰谷出现时间、个数。

首先根据每一类中用户电(热)各自负荷中峰谷出现时间、个数得到早高峰型、晚高峰型、双峰型，双谷型等类型，在对比每一个用户电负荷和热负荷之间相似程度分为高相似度和低相似的两种类型，从而获得耦合关系。

实施例

相应的，本发明还提供了一种基于融合特征的园区电热负荷耦合关系分析装置，包括负荷获取模块、特征获取模块、融合特征获取模块、聚类处理模块和耦合关系分析模块，其中：

负荷获取模块，用于获取园区用户的电热负荷曲线数据；

特征获取模块，用于对电热负荷曲线数据进行归一化处理获得电负荷特征和热负荷特征，并将电负荷特征与热负荷特征拼接作为特征拼接数据；

融合特征获取模块，用于利用主成分分析法对特征拼接数据进行处理获得融合特征；

聚类处理模块，用于基于用户的融合特征进行聚类获得聚类结果；

耦合关系分析模块，用于根据聚类结果分析用户电热负荷耦合关系。

进一步的，特征获取模块中，所述将电负荷特征与热负荷特征拼接作为特征拼接数，包括：

将电负荷特征在前热负荷特征在后进行拼接，作为用户的特征拼接数据。

进一步的，融合特征获取模块中，所述利用主成分分析法对特征拼接数据进行处理获得融合特征，包括：

3.1)根据特征拼接数据xi构造对应协方差矩阵：

式中，cori表示特征拼接数据xi的协方差矩阵，xi表示用户i的特征拼接数据，n表示特征拼接数据xi的维数，表示特征拼接数据xi的转置；

3.2)利用特征值分解的方法计算协方差矩阵的特征值和特征向量；

3.3)对特征值从大到小排序，选择其中非零的特征值，然后将其对应的特征向量分别作为行向量组成特征向量矩阵p，其中，矩阵中每一个行向量称为对应的融合特征。

进一步的，聚类处理模块中，所述基于用户的融合特征进行聚类获得聚类结果，包括：

基于用户的融合特征随机选取k个质心；

根据园区用户的融合特征到每个质心的欧氏距离进行聚类；

改变k的值重复以上过程，选取davies-bouldin指数最小的k值作为最佳聚类数，并选取对应的聚类结果作为融合特征的最佳聚类结果。

进一步的，聚类处理模块中，所述根据园区用户的融合特征到每个质心的欧氏距离进行聚类，包括：

计算除作为质心外的园区用户的融合特征到每个融合特征质心的欧氏距离，并把它归类到最近的质心的类；

计算每一类中所包含的每一个融合特征到同类别中其他融合特征之间欧式距离，并求和得到同类别下每一个融合特征到其他融合特征的欧式距离和，选取其中同类别下欧式距离和最小的所对应的融合特征作为新的质心；

直至新的质心与原质心之间的欧式距离小于等于阈值，获得融合特征的聚类结果。

本发明基于园区用户的电热负荷融合特征，再对融合特征进行聚类，从而获得较好的对于园区用户综合能耗的聚类结果，以便对园区用户的耗能特性进行分析，给园区综合能源系统的需求响应政策制定提供了数据基础。实施例

以某工业园区的用户电热负荷数据作为案例。在本案例中，项目合作园区提供的数据是由智能电表采集的时间节点1分钟的负荷数据，存在高频、高波动的特点，不利于直接聚类，故在此求取每15分钟的平均负荷作为输入数据。

利用本发明方法对用户电热负荷数据进行分类的步骤包括：

第一步：通过智能电表收集用户电热负荷数据，然后整理成时间节点为15分钟的时间序列曲线数据。

第二步：将整理后的电负荷数据和热负荷数据归一化处理，作为电负荷特征和热负荷特征，并将两者拼接作为特征拼接数据。

第三步：利用主成分分析的方法，对特征拼接数据进行融合，得到融合特征数据。

第四步：从融合特征数据中随机选取k个行向量作为质心，k的取值范围为[5,20]，首先令k＝5；

第五步：分别计算剩余园区用户的融合特征到每个用户融合特征质心的欧氏距离，并把它归类到最近的质心的类，同时按照具体步骤更新质心；

第六步：重复第五步，直至新的融合特征质心和原融合特征质心之间的欧氏距离小于等于阈值(本算例采用10作为阈值)，然后结束计算，获得园区用户融合特征的聚类结果，并计算聚类结果的davies-bouldin指数。

第七步：改变k的值，重复第四步～第六步，最低的davies-bouldin指数值对应的k值为6，因此最佳聚类结果将用户分为六大类；六类用户的电负荷和热负荷分类结果如图2-7所示。

第八步：分析融合特征的聚类结果，总结出以下的用户能耗特性。

图2为第一类用户的电负荷和热负荷分类结果，具有白天双峰的特性，且热电峰谷基本一致。图3为第二类用户的电负荷和热负荷分类结果，具有电负荷夜间高白天低，热负荷白天高的特性，且热电峰谷不同步。图4为第三类用户的电负荷和热负荷分类结果，电负荷一日后半段偏高，热负荷一日前半段偏高，具有热电峰谷基本错开的特性。图5为第四类用户的电负荷和热负荷分类结果，具有电负荷白天远高于夜间，热负荷白天双高峰，热电峰谷部分一致的特性。图6为第五类用户的电负荷和热负荷分类结果，电热负荷均具有早晚双峰，且晚高峰特别明显的特性，热电峰谷基本一致。图7为第六类用户的电负荷和热负荷分类结果，热电负荷均为白天高夜间低，热电峰谷基本一致。

本发明实现了该园区用户综合能耗的分类，为后续园区的需求响应政策的制定提供了数据基础，方便后续园区针对性制定策略来降低用能成本。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。