[发明专利]一种基于聚类算法的电力用户负荷测算方法

权利要求书

1.一种基于聚类算法的电力用户负荷测算方法，其特征在于，包括以下步骤：

步骤A、收集用户历史用电数据，包括用电量和日负荷曲线；

步骤B、通过数据预处理方法将用户历史用电数据转变为格式化的机器学习样本库；

步骤C、应用聚类算法训练电力用户聚类模型，并测试聚类效果；

步骤D、根据聚类结果确定类典型用户，作为实时采集测量装置安装点；

步骤E、将典型用户的用电负荷数据实时读取，估算类用户用电总量和全体用户用电量。

2.按照权利要求1所述的一种基于聚类算法的电力用户负荷测算方法，其特征在于，步骤A中：用户历史用电数据为电力部门采集系统中目标用户过去一年的日负荷曲线数据及日用电量。

3.按照权利要求1所述的一种基于聚类算法的电力用户负荷测算方法，其特征在于，步骤B中：数据预处理将原始数据中的缺失数据通过统计算法填补；将异常数据通过特征判别剔除；校验日负荷曲线与日用电量的一致性；将各用户365天数据取均值形成特征负荷曲线和特征用电量；采用降维算法形成机器学习样本，样本数为数据完整的用户数，维度受降维算法选择影响。

4.按照权利要求1所述的一种基于聚类算法的电力用户负荷测算方法，其特征在于，步骤C中：

使用聚类算法将样本聚类后测试聚类效果，指标为类内相似度和类间区分度，公式如下：

类内相似度：

式中，k为该类的用户数，m为样本维度，x_ij为该类内第i个用户的第j个样本属性，为该类第j个样本属性的平均值；

类间区分度

式中，n为总类数，N为该类编号，m为样本维度，x_iN为第N类第i个样本属性的平均值，x_ij为第j类第i个样本属性的平均值；

当S<S_std且D>D_std时，S_std为类内相似度标准值，D_std为类间相似度标准值，聚类算法满足预设标准值，可以进入下一步使用。

5.按照权利要求1所述的一种基于聚类算法的电力用户负荷测算方法，其特征在于，步骤D中：形成聚类的用户中，将类内典型用户选出，判别标准为：

式中，m为样本维度，x_ij为类内第i个待判别用户的第j个属性，为类内第j个属性的平均值，δ为离心阈值。根据对精度的要求自行设置离心阈值，离心阈值越大，安装测量装置数量越多，结果越准确。

6.按照权利要求1所述的一种基于聚类算法的电力用户负荷测算方法，其特征在于，步骤E中：估算的方法为根据历史数据确定采集点与该类总体用电量的比例关系，然后对实时数据进行估算，公式如下：

式中，W为该类用户估算实时用电总负荷，n为该类用户中负荷测量装置安装总户数，W_h为该类用户历史用电总负荷，W_ih为该类用户中安装负荷测量装置的第i户历史用电负荷，W_ir为该类用户中安装负荷测量装置的第i户实时用电负荷。

7.按照权利要求3所述的一种基于聚类算法的电力用户负荷测算方法，其特征在于，步骤B中，缺失数据填补的方法具体为：计算缺失数据量，并判断数据缺失比例是否大于预设值，若大于预设值，则重新采集数据，填补用户历史用电数据的数据库；若小于预设值，则选择符合条件的算法，包括均值法、中位数法、随机森林法和KNN模型法分别填补数据，对数据进行敏感性分析，根据计算量和算法的接近程度，确定符合条件的算法，其中选择符合条件的算法进一步为：为每个空值产生一套可能的插补值；每个值都可以被用来插补数据集中的缺失值，产生若干个完整数据集合；每个插补数据集合都用针对完整数据集的统计方法进行统计分析；对来自各个插补数据集的结果，根据评分函数进行选择，产生最终的插补值；

剔除异常数据的方法为：将怀疑数据剔除，计算不含该数据的其他数据的算术平均值，计算出不包括该怀疑数据的残差在内的标准偏差，根据选定的显著水平和测量次数n，在t分布表中查出检验系数，若怀疑数据与其他数据算术平均值的差值的绝对值大于检验系数，则为异常数据，剔除该怀疑数据。