[发明专利]一种多维负荷特性分析的大数据挖掘器

权利要求书

1.一种多维负荷特性分析的大数据挖掘器，其特征在于，所述大数据挖掘器包括：

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；

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。

2.如权利要求1所述的大数据挖掘器，其特征在于，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。

3.如权利要求2所述的大数据挖掘器，其特征在于，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：

D_KL＝min{d_ij:p_i∈G_k,p_j∈G_L}(1)

式(1)中，p_i为类G_k中元素，对应第i日用户的负荷数据序列，p_j为类G_L中元素，对应第j日用户的负荷数据序列，D_KL为类G_k与类G_L之间的距离，d_ij为元素p_i与元素p_j之间的距离，公式为：

dij=||pi-pj||=[Σt=196(pi,t-pj,t)2]1/2---(2)]]>

式(2)中，p_i,t为用户第i日t时刻的负荷值，p_j,t为用户第j日t时刻的负荷值；

采用模糊C均值聚类法进行第二次聚类，包括：

计算元素p_j关于第i类初始聚类中心c_i的隶属度u_ij，公式为：

uij=1Σk=1m(dij′dkj′)2/(q-1)---(3)]]>

式(3)中，u_ij介于0至1之间，m为初始聚类中心个数，q为加权指数，q∈[1,∞)，d_ij′为p_j与第i类初始聚类中心c_i之间的距离，公式为：

dij′=||ci-pj||=[Σt=196(cit-pj,t)2]1/2---(4)]]>

式(4)中，p_j,t为用户第j日t时刻的负荷值，c_it为第i类初始聚类中心c_i中第t个数据点；

计算价值函数J(U,c₁,c₂,……,c_m)，公式为：

J(U,c1,c2,......,cm)=Σi=1mΣj=1nuijqdij′2---(5)]]>

式(5)中，U为隶属矩阵，n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B，则停止迭代；

更新所述初始聚类中心c，其中，新的聚类中心C_i公式为：

Ci=Σj=1nuijqpjΣj=1nuijq---(6)]]>

上述公式中，m为初始聚类中心个数，n为聚类中心中元素个数。