[发明专利]基于能源大数据驱动的电力用户需求响应特性控制方法

说明书

本发明公开了一种基于能源大数据驱动的电力用户需求响应特性控制方法，所述方法包括：利用自动编码器降维用户用电数据集；基于遗传算法改进的FCM算法对用户用电模式进行聚类；利用神经网络算法对每一类用户进行需求响应建模，拟合激励信号与用户响应量的关系，获得用户需求响应特性与响应能力。本发明利用神经网络等智能算法构建需求响应模型，能够简单有效反映各影响因素与用户响应量之间的复杂关系，从而实现针对不同业务需求的用户需求响应特性提取。

技术领域

本发明涉及电力供需互动领域，尤其涉及一种基于能源大数据驱动的电力用户需求响应特性控制方法。

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。掌握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^[1]。随着经济与技术的发展，电力用户参与类型及用电行为复杂多样，获取的电力用户数据呈现出高维海量的特点，使得用户分类及需求响应特性分析变得更加困难。因此复杂用户数据的高效处理及用电特性的准确分析方法至关重要。

对电力用户用电特性的正确分析是实现电力系统高效运行和增值服务的关键。然而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，需求响应分析算法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^[2-4]。当前多采用模糊C均值(fuzzy c-means,FCM)聚类法对电力用户进行聚类，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。

此外，目前已有即使即便能够有效地对低维数据进行聚类，但降维过程中对高维非线性数据难以处理。自动编码器(Automatic encoder,AE)等技术能够有效解决面对高维数据时出现“维度灾难”的问题，已在工程中有所应用。

发明内容

本发明提供了一种基于能源大数据驱动的电力用户需求响应特性控制方法，本发明利用神经网络等智能算法构建需求响应模型，能够简单有效反映各影响因素与用户响应量之间的复杂关系，从而实现针对不同业务需求的用户需求响应特性提取，详见下文描述：

一种基于能源大数据驱动的电力用户需求响应特性控制方法，所述方法包括：

利用自动编码器降维用户用电数据集；基于遗传算法改进的FCM算法对用户用电模式进行聚类；

利用神经网络算法对每一类用户进行需求响应建模，拟合激励信号与用户响应量的关系，获得用户需求响应特性与响应能力。

其中，所述利用自动编码器降维用户用电数据集具体为：

在编码部分，输入表示第k个用户的第i个特征指标值，隐含层个数为降维后用户数据的维数，隐含层的输出为降维后的用户电量数据；

在解码部分，输入为编码后的用户数据输出为解码后的用户数据，编解码数据之间存在映射；解码层输出自动编码器的重构误差；通过遗传算法对自动编码器的连接权值与阈值进行训练。

进一步地，所述用户用电模式进行聚类的评价指标为：

平均类间距离：每个类中心到全域中心的距离平均值，平均类间距离大，各个类差距大，聚类效果好；

平均类内距离：同一簇类内所有数据到该类中心的平均值，平均类内距离小，同一类中数据距离相近，相似性程度高，类别凝聚力大。

其中，所述基于遗传算法改进的FCM算法对用户用电模式进行聚类还包括：构建适应度函数；