[发明专利]一种高维海量量测数据的用电模式分类方法

说明书

本发明提供一种高维海量量测数据的用电模式分类方法，包括步骤S1，对用户的日负荷曲线进行采样，形成用户特征样本集，对高维海量量测数据进行主成分分析，提取关键特征指标；步骤S2，利用自适应遗传算法与BP算法对自动编码器进行训练，并利用完成训练的自动编码器对用户的用电数据样本集进行降维；步骤S3，利用改进模糊C均值聚类算法对降维后的用户的用电数据样本集进行聚类，对用户用电模式进行分类。本发明可实现，分类算法能够更加准确、清晰地对用户用电模式进行分类。

技术领域

本发明涉及电力系统及自动化技术领域，特别是涉及一种高维海量量测数据的用电模式分类方法。

背景技术

随着智能表计大规模推广应用以及电网精益化管理带来的配用电数据爆炸性增长，电力用户精准分类及特征分析成为电网公司的一项重要内容。合理地分析用户需求响应特性有助于充分挖掘用户需求响应用户潜力，提高需求响应实施效率，是制定需求侧管理方案和电价套餐的基础。然而，随着经济与技术的发展，用户参与类型及用电行为越发复杂多样，用户用电数据呈现出高维海量的特点，使得用户分类及响应特性分析变得更加困难。此种情况下能够处理复杂用户数据且准确性较高的用电特性分析方法至关重要。

目前已有对用户响应特性的研究主要分为机理性与非机理性两类。机理性用户响应特性分析主要为在特定环境下对电价等激励信号与用户负荷之间的关系进行机理性分析并建模，献研究用户对电价的不确定响应行为建模，分析在电力积分激励决策中的应用。经济学角度分析用户响应行为变化特征以及在时间上的相关性，提出基于长短期记忆的用户响应行为特性分析方法。以往研究能够清楚解释电价等激励信号对用户负荷的机理性作用，对小规模特定用户适应较好，但建模较为复杂，不适合于特性差异较大且数量众多的用户。非机理性分析通过对用户数据挖掘等手段来分析电价等激励性手段对用户负荷的作用，主要分为两步，首先通过聚类算法对用户用电特性进行分类，将用电特性一致的用户归为一类，然后利用历史数据对每类用户需求响应特性进行建模。其核心技术为聚类算法与数据拟合。目前已有大量聚类算法被用于用户用电模式聚类，针对智能用电数据挖掘面临数据量大、挖掘效率低的问题，提出了一种改进k-means聚类算法，该方法能够高效处理大规模的电数据，但由于初始点选择不稳定，是随机选取的，这就引起聚类结果的不稳定。利用凝聚层次聚类法对用电数据进行分析，该方法不需要确定分类数，但是一个合并被执行，就不能修正，聚类质量受限制。使用模糊C均值(FCM)聚类法对电力用户进行聚类，该方法是一种软聚类算法，克服了硬聚类非此即彼的分类缺点，但该方法对初始聚类中心敏感，需要人为确定聚类数，容易陷入局部最优解。以上三种算法聚类效率高，在处理海量数据上有优势，但面对高维数据时将会出现“维度灾难”，导致聚类结果不准确。随着经济科技的迅猛发展，用户用电行为将更加多样化，用电数据维度将更高，聚类所面临的不仅是数据量越来越大的问题，更重要还有用电数据高维度的问题。针对该问题，自组织映射(SOM)聚类算法与深度学习法被提出用于电力用户的用电模式分类，这两种算法属于机器学习聚类方法，能够有效处理高维数据，但难以适应大规模数据。利用主成分分析法-模糊C均值聚类法(PCA-FCM)对原始用电数据进行降维，然后在对降维后的数据进行聚类，能够解决部分较高维度的数据聚类问题，但降维过程中对高维非线性数据难以处理。另外如何充分利用大量历史数据，对每类用户需求响应建立准确有效的模型也是研究难点之一，针对不同类型的用户市场机制下考虑风险的售电公司日前电价决策方法，但缺少对非线性量测数据的分析。利用逐段线性回归对用户需求响应进行建模，该方法虽然操作简单，但激励与用户用电量之间并非简单的线性关系，这使得模型准确性较差。构建基于长短时记忆网络的用户响应行为预测模型，通过用户在多元环境不同激励下的预期响应量的预测，并应用等梯度迭代学习的方法，获得合适的激励方案。

随着电网信息化水平的不断提高，智能配电网促使供电企业拥有一套完备的用电计量系统，使用户用电信息的采集更加完善，通过分析用户用电信息，对用户进行用电模式分类，及时掌握客户用电规律，有利于电网企业实现“按需分配”，制定电力调度规划，降低能耗和线损，以采取差异化营销策略，提高企业的收益。