一种负荷调节潜力计算方法、装置、设备及介质与流程

1.本发明涉及一种负荷调节潜力计算方法、装置、设备及介质，属于电网自动化控制技术领域。


背景技术：

2.随着分布式能源和综合能源的发展，用户负荷逐渐成为广义负荷，广义负荷包括温控类负荷、电动汽车、储能、工业生产负荷、分布式电源、综合能源系统等多种类型，从设备层对用户可调负荷进行精准的计算难度和代价较大。
3.如今，国内外开始研究通过大数据分析和人工智能技术，基于数据驱动模式实现用户负荷可调潜力计算，现有的用户负荷可调潜力计算方法对基于历史大数据的用户用电行为的分类研究较多，对于如何根据用户不同用电行为切换下的用户负荷可调能力的量化计算研究较少，且考虑到大部分用户均是通过不同用电模式切换从而实现负荷调节，因此，如何利用不同用电模式的机理提升用户负荷可调能力量化计算的准确度是一个有待深入研究的技术难题。


技术实现要素：

4.目的：为了克服现有技术中存在的不足，本发明提供一种用户多用电模式下负荷调节潜力计算方法、装置、设备及介质，依托电力负荷数据，挖掘辨识用户典型用电模式，结合用电模式切换获取用户负荷可调潜力。
5.技术方案：为解决上述技术问题，本发明采用的技术方案为：
6.第一方面，一种负荷调节潜力计算方法，包括如下步骤：
7.对用户历史负荷进行聚类处理，得到聚类数目c、各类簇ci，及各类簇ci的中心μi；
8.将类簇ci作为第i种用户用电模式的日负荷曲线集合；
9.计算当前用户的调控日负荷基线，并根据调控日负荷基线、各类簇ci的中心μi，计算调控日负荷基线属于各类簇ci的隶属度；
10.根据调控日负荷基线属于各类簇ci的隶属度，从各类簇ci中确定当前用户的调控日负荷基线所属的目标类簇，将目标类簇对应的用户用电模式确定为当前用户的目标用户用电模式；
11.根据不同用电模式切换下的可调潜力量化计算模型、调控日负荷基线、目标类簇以及目标用户用电模式，计算最可能调节量和最大可调节量。
12.进一步的，所述对用户历史负荷进行聚类处理，之前还包括：
13.对用户历史负荷中异常数据进行检测，并将检测出用户历史负荷中异常数据进行删除，得到删除后的用户历史负荷。
14.对删除后的用户历史负荷进行数据补偿，得到预处理后的用户历史负荷，对预处理后的用户历史负荷进行聚类处理。
15.进一步的，通过光滑技术检测方法对所述用户历史负荷中异常数据进行检测
16.进一步的，采用knn模型补偿方法对所述删除后的用户历史负荷进行数据补偿。
17.进一步的，所述计算当前用户的调控日负荷基线，并根据调控日负荷基线、各类簇ci的中心μi，计算调控日负荷基线属于各类簇ci的隶属度，具体包括：
18.获取当前用户的的调控日，选择与调控日类型相同的近ψ日，所述类型，包括工作日，节假日。
19.计算调控日的温度向量temp
t
，计算近ψ日的温度向量tempi，根据温度向量temp
t
和温度向量tempi计算相似度likedayi，其中，i＝1,2,....,ψ。
20.按照相似度likedayi的大小，将各近ψ日进行排序，排序后的各近ψ日的序列作为参考日集合。
21.选择参考日集合中前个日期组成基线参考日集合，计算基线参考日集合中每一个基线参考日的平均负荷p
iave
，以及个参考日的平均负荷p
ave
，若某个基线参考日的p
iave
＜τp
ave
，则将该基线参考日从基线参考日集合中剔除，同时从参考日集合中依次另选，直到满足符合要求的个基线参考日，得到基线参考日集合q，其中，
22.根据基线参考日集合q中各基线参考日的平均负荷计算调控日负荷基线x
t
。
23.根据调控日负荷基线x
t
、各类簇ci的中心μi，计算调控日负荷基线属于各类簇ci的隶属度。
24.进一步的，根据调控日负荷基线属于各类簇ci的隶属度，从各类簇ci中确定当前用户的调控日负荷基线所属的目标类簇，将目标类簇对应的用户用电模式确定为当前用户的目标用户用电模式，具体包括：从调控日负荷基线属于各类簇ci的隶属度中选取隶属度最大值。
25.将各类簇ci中与隶属度最大值对应的类簇作为当前用户的调控日负荷基线所属的的目标类簇，以及目标类簇对应的用户用电模式确定为当前用户的目标用户用电模式。
26.进一步的，根据隶属度最大值，获得当前用户的调控日负荷基线所属的目标类簇，以及目标类簇对应的目标用户用电模式。
27.所述likedayi的计算公式如下：
28.likedayi＝||temp
t-tempi||
29.其中，
30.temp
t
＝(t
tave
,t
tmax
,t
tmin
)
t
31.t
tave
,t
tmax
,t
tmin
分别代表调控日预测的平均温度、最高温度、最低温度。
32.tempi＝(t
iave
,t
imax
,t
imin
)
t
33.t
iave
,t
imax
,t
imin
分别代表近ψ日中i日的平均温度、最高温度、最低温度。
34.所述调控日负荷基线x
t
计算公式如下：
[0035][0036]
其中，xj代表第j个基线参考日的的平均负荷，n代表基线参考日集合q的元素个数。
[0037]
进一步的，所述隶属度最大值计算公式如下：
[0038][0039]
其中，c为聚类的数目，μ
ν
为第ν个类簇的中心，x
t
为调控日负荷基线，μk为除了第ν个类簇外的第k个类簇的中心，ξ
vt
为x
t
对于第ν个类簇的中心的隶属度。
[0040]
进一步的，所述根据不同用电模式切换下的可调潜力量化计算模型、调控日负荷基线以及所属的用户用电模式，计算最可能调节量和最大可调节量，具体包括：
[0041]
不同用电模式切换下的可调潜力量化计算模型，计算公式如下：
[0042]
p
il
＝x
t-μ
lmin
＞0
[0043]
p
im
＝x
t-μm＞0
[0044]
式中，p
il
为最可能调节量，μ
lmin
为类簇cl中最小的用电负荷曲线。p
im
为最大可调节量，μm为所有类簇中除了目标类簇l外的类簇m对应的类簇的类簇中心负荷曲线，m∈[1,c]。
[0045]
获得当前用户的调控日负荷基线所属的聚类类别为l，类簇cl，以及类簇cl对应的用户用电模式l输入至不同用电模式切换下的可调潜力量化计算模型。
[0046]
根据p
il
的计算公式，计算当前用户的在调控日的td时段的用户用电模式l下负荷最可能调节量p
il
。
[0047]
根据p
im
的计算公式，计算当前用户的在调控日的td时段的其它用户用电模式m下负荷最大可调节量。
[0048]
第二方面，一种用户多用电模式下负荷调节潜力计算装置，包括如下模块：
[0049]
用户历史负荷曲线聚类模块：用于用户历史负荷进行聚类处理，得到聚类数目c、各类簇ci，及各类簇ci的中心μi；
[0050]
用户用电模式定义模块：用于将类簇ci作为第i种用户用电模式的日负荷曲线集合；
[0051]
调控日负荷基线预测模块：用于计算当前用户的调控日负荷基线，并根据调控日负荷基线、各类簇ci的中心μi，计算调控日负荷基线属于各类簇ci的隶属度，根据根据调控日负荷基线属于各类簇ci的隶属度，从各类簇ci中确定当前用户的调控日负荷基线所属的目标类簇，将目标类簇对应的用户用电模式确定为当前用户的目标用户用电模式；
[0052]
可调潜力计算模块：用于根据不同用电模式切换下的可调潜力量化计算模型、调控日负荷基线、目标类簇以及目标用户用电模式，计算最可能调节量和最大可调节量。
[0053]
进一步的，还包括：历史负荷处理模块，所述历史负荷处理模块，用于对用户历史负荷进行预处理，得到预处理后的用户历史负荷。具体包括：
[0054]
对用户历史负荷中异常数据进行检测，并将检测出用户历史负荷中异常数据进行删除，得到删除后的用户历史负荷。
[0055]
对删除后的用户历史负荷进行数据补偿，得到预处理后的用户历史负荷，对预处理后的用户历史负荷进行聚类处理。
[0056]
进一步的，通过光滑技术检测方法对所述用户历史负荷中异常数据进行检测。
[0057]
进一步的，采用knn模型补偿方法对所述删除后的用户历史负荷进行数据补偿。
[0058]
进一步的，所述调控日负荷基线预测模块，具体包括：
[0059]
获取当前用户的的调控日，选择与调控日类型相同的近ψ日，所述类型，包括工作
日，节假日。
[0060]
计算调控日的温度向量temp
t
，计算近ψ日的温度向量tempi，根据温度向量temp
t
和温度向量tempi计算相似度likedayi，其中，i＝1,2,....,ψ。
[0061]
按照相似度likedayi的大小，将各近ψ日进行排序，排序后的各近ψ日序列作为参考日集合。
[0062]
选择参考日集合中前个日期组成基线参考日集合，计算基线参考日集合中每一个基线参考日的平均负荷p
iave
，以及个参考日的平均负荷p
ave
，若某个基线参考日的p
iave
＜τp
ave
，则将该基线参考日从基线参考日集合中剔除，同时从参考日集合中依次另选，直到满足符合要求的个基线参考日，得到基线参考日集合q，其中，
[0063]
根据基线参考日集合q中各基线参考日的平均负荷计算调控日负荷基线x
t
。
[0064]
根据调控日负荷基线x
t
计算隶属度最大值。
[0065]
根据隶属度最大值，获得当前用户的调控日负荷基线所属的目标类簇，以及目标类簇对应的目标用户用电模式。
[0066]
所述likedayi的计算公式如下：
[0067]
likedayi＝||temp
t-tempi||
[0068]
其中，
[0069]
temp
t
＝(t
tave
,t
tmax
,t
tmin
)
t
[0070]
t
tave
,t
tmax
,t
tmin
分别代表调控日预测的平均温度、最高温度、最低温度。
[0071]
tempi＝(t
iave
,t
imax
,t
imin
)
t
[0072]
t
iave
,t
imax
,t
imin
分别代表近ψ日中i日的平均温度、最高温度、最低温度。
[0073]
所述调控日负荷基线x
t
计算公式如下：
[0074][0075]
其中，xj代表第j个基线参考日的的平均负荷，n代表基线参考日集合q的元素个数。
[0076]
所述隶属度最大值计算公式如下：
[0077][0078]
其中，c为聚类的数目，μ
ν
为第ν个类簇的中心，x
t
为调控日负荷基线，μk为除了第ν个类簇外的第k个类簇的中心，ξ
vt
为x
t
对于第ν个类簇的中心的隶属度。
[0079]
进一步的，所述可调潜力计算模块，具体包括：
[0080]
不同用电模式切换下的可调潜力量化计算模型，计算公式如下：
[0081]
p
il
＝x
t-μ
lmin
＞0
[0082]
p
im
＝x
t-μm＞0
[0083]
式中，p
il
为最可能调节量，μ
lmin
为类簇cl中最小的用电负荷曲线。p
im
为最大可调节量，μm为所有类簇中除了目标类簇l外的类簇m对应的类簇的类簇中心负荷曲线，m∈[1,c]。
[0084]
获得当前用户的调控日负荷基线所属的聚类类别为l，类簇cl，以及类簇cl对应的
用户用电模式l。
[0085]
将当前用户的调控日负荷基线所属的聚类类别为l，类簇c
l
，以及类簇c
l
对应的用户用电模式l输入至不同用电模式切换下的可调潜力量化计算模型；
[0086]
根据p
il
的计算公式，计算当前用户的在调控日的td时段的用户用电模式l下负荷最可能调节量p
il
。
[0087]
根据p
im
的计算公式，计算当前用户的在调控日的td时段的其它用户用电模式m下负荷最大可调节量。
[0088]
第三方面，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面中任一所述的一种负荷调节潜力计算方法。
[0089]
第四方面，一种计算机设备，包括：
[0090]
存储器，用于存储指令。
[0091]
处理器，用于执行所述指令，使得所述计算机设备执行如第一方面中任一所述的一种负荷调节潜力计算方法的操作。
[0092]
有益效果：本发明提供的一种用户多用电模式下负荷调节潜力计算方法、装置、设备及介质，根据隶属度、各类簇ci的中心μi、各类簇ci所对应用户用电模式的种类，获取当前用户的调控日负荷基线所属的目标类簇，根据目标类簇确定目标类簇对应的目标用户用电模式；根据不同用电模式切换下的可调潜力量化计算模型、调控日负荷基线、目标类簇以及目标用户用电模式，计算最可能调节量和最大可调节量。从而实现根据用户用电模式切换对其可调负荷潜力进行总体计算，可以高效的定位潜力用户，快速筛选可调负荷资源。该方法可进行海量潜力用户挖掘筛选以及区域级负荷可调潜力评估，大大提升了“荷”侧可调负荷资源的精准挖掘效率，破解海量用户负荷可调负荷计算工程实现难题。与现有技术相比，本发明优点如下：
[0093]
进一步改进在于：本发明基于用户典型用电模式切换进一步计算可调潜力，可进行用户负荷柔性可调潜力的量化计算，包括无需对用户用电模式切换最可能调节量、需对用户最大化切换用电模式的最大可调节量。
[0094]
进一步改进在于：在面向海量负荷数据进行聚类(ch)指标分析时，当簇的密集且分离较好时，分数更高，且得分计算很快，在进行海量数据分析时具备很强速度优势。
[0095]
进一步改进在于：基于k-means算法得到用户历史负荷曲线的聚类，在对大规模数据集进行聚类分析时，算法聚类较高效且聚类效果较好且收敛速度快，在进行海量数据分析时具备很强速度优势。
[0096]
进一步改进在于：提出一种基于温度相似度的调控日负荷基线计算方法，并基于隶属度判别给定调控日负荷基线所属用电模式类别。
[0097]
进一步改进在于：一种基于用电模式聚类算法的用户负荷可调潜力计算方法对负荷聚合商和电网运营商也适用，可采用该方法进行海量潜力用户挖掘筛选以及区域级负荷可调潜力评估，大大提升“荷”侧可调负荷资源的精准挖掘效率。
附图说明
[0098]
图1是本发明一种用户多用电模式下负荷调节潜力计算方法的流程示意图。
[0099]
图2是本发明的调控日负荷曲线与不同用电模式下的负荷调节量示意图。
[0100]
图3是本发明一种用户多用电模式下负荷调节潜力计算装置的结构示意图。
[0101]
图4中(a)-(g)分别表示用户1-7的用电负荷聚类结果示意图。
[0102]
图5中(a)-(g)分别表示用户1-7的负荷调节量示意图。
具体实施方式
[0103]
下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
[0104]
下面结合具体实施例对本发明作更进一步的说明。
[0105]
实施例1：
[0106]
如图1所示，本实施例介绍一种负荷调节潜力计算方法，包括下列步骤：
[0107]
步骤1：利用光滑技术对用户历史负荷大数据进行异常数据检测,检测出用户历史负荷大数据中异常数据并进行删除，得到删除后的用户历史负荷大数据。
[0108]
进一步的，异常数据检测的方法，具体如下：
[0109]
用户负荷数据检测包括：空数据检测、超限数据检测、错误数据检测、重复数据检测、数据填补或删除。使用光滑技术对异常负荷数据进行检测，若满足公式(1)的条件，则数据为异常数据。
[0110][0111][0112][0113]
式中：p
i,t
为第i日t时刻用户历史负荷(kw)；n为总观测天数(天)；为用户负荷平均值(kw)；σ
t
为用户负荷方差(kw2)。ε为弹性系数，一般取1。
[0114]
步骤2：利用knn模型对删除后的用户历史负荷大数据进行数据补偿，得到数据清洗后的用户历史负荷大数据集。
[0115]
针对上述数据补偿问题，考虑到k最近邻(k nearest neighbor，knn)具有精度高、对异常值不敏感、无数据输入假定等优点，采用knn算法进行补缺。
[0116]
进一步的，一个实施例，假设用户96点负荷数据中第个i个数据点存在缺失，针对该情况的填补修正步骤为：
[0117]
步骤2.1：设定knn模型参数值，即k＇值，建立knn模型。
[0118]
步骤2.2：将正确数据集的95个点负荷值作为输入、正确数据集的第i个点作为输出训练knn模型；
[0119]
步骤2.3：将待修正数据中前95个点负荷值作为输入，用训练好的knn模型预测待修正数据中的第i个点值。
[0120]
步骤2.4：将预测值替换原值，生成新的96点负荷曲线。
[0121]
步骤3：定义用户用电模式，用户用电模式表示：相同或相近用电行为下形成的一个负荷曲线类簇，计算公式表示为：
[0122][0123]
式中，mi表示用户用电模式i的负荷曲线类簇；表示用户用电模式i类簇中第j条负荷曲线采样点k时刻的功率值(kw)，n为用户用电模式i所包含的负荷曲线的数量。
[0124]
进一步的，一个实施例，以一年365天96点历史负荷曲线集为例，历史负荷曲线集是由各种用户用电模式的历史负荷曲线组合而成的。
[0125][0126]
式中：d
year
为近一年365天96点日负荷曲线集合(kw)；mn为第n种用电模式的日负荷曲线集合(kw)；j，l，
…
，m为不同用电模式内日负荷曲线个数(个)，总和为365。
[0127]
当对用户接收电力系统负荷调节信号时，用户将会针对信号进行反应，在约束条件下改变用电行为实现用电模式切换，实现对负荷的调节。因此，通过用户历史负荷曲线辨识用户用电模式，通过用电模式切换可行性分析判断可以进行用户负荷整体可调潜力评估。
[0128]
步骤4：基于k-means算法得到数据清洗后的用户历史负荷曲线的聚类结果，根据聚类结果计算calinski-harabasz(ch)指标，获取(ch)指标最大值对应的聚类数目为最佳聚类数目c、类簇为ci(i＝1，2，...,c)、第i个类簇的中心μi。其中，用户用电模式个数与最佳聚类数目c一一对应，即第i种用户用电模式的日负荷曲线集合mi对应类簇为ci(i＝1，2，...,c)。
[0129]
步骤5：给定调控日并计算调控日负荷基线，基于隶属度判别调控日负荷基线所属用户用电模式的类别。进一步的，一个实施例，调控日负荷基线由响应日前五天负荷平均值计算而得。
[0130]
进一步的，一个实施例，具体计算方法如下：
[0131]
步骤5.1：判断调控日是工作日还是节假日，根据调控日的预测的平均温度、最高温度、最低温度构建温度向量temp
t
＝(t
tave
,t
tmax
,t
tmin
)
t
，计算与控制日相同类型的近14日(如调控日是工作日，则选取14日工作日，如调控日是节假日，则选取14日节假日)的平均温度、最高温度、最低温度构成的温度向量tempi＝(t
iave
,t
imax
,t
imin
)
t
，并计算相似度likedayi,i＝1,2,....,14，按照从小到大顺序对相似度进行排序，将排序后的序列作为参考日集合。
[0132]
likedayi＝||temp
t-tempi||,i＝1,2,...,14
ꢀꢀꢀꢀ
(5-1)
[0133]
步骤5.2：根据参考日集合计算调控日负荷基线，选择参考日集合前5个日期组成基线参考日集合，计算每一个基线参考日的平均负荷p
iave
，以及5个参考日的平均负荷p
ave
，若某个基线参考日的p
iave
＜0.75p
ave
，则将该基线参考日从基线参考日集合中剔除，同时从参考日集合中依次另选，直到满足符合要求的5个基线参考日，若不能选满5天，则选择4天
作为基线参考日，得到基线参考日集合q，集合元素个数为n，将基线参考日对应的负荷平均后得到调控日负荷基线x
t
。
[0134][0135]
步骤5.3：根据聚类结果计算调控日负荷基线所属的调控日负荷基线所属聚类类别l，并根据所属聚类类别l得到对应的用户用电模式。
[0136]
进一步的，调控日负荷基线所属类簇l计算公式如下：
[0137][0138]
式中：c为聚类的数目(个)，μi为第i个类簇的中心，μk为除了第i个类簇外的第k个类簇的中心，ξ
it
为x
t
对于第i个类簇的中心的隶属度。
[0139]
步骤6：构建不同用电模式切换下的可调潜力量化计算模型，根据不同用电模式切换下的可调潜力量化计算模型和调控日负荷基线所属的用户用电模式，进行调控日用户负荷柔性可调潜力的量化计算，获得最可能调节量、最大可调节量。
[0140]
进一步的，所述步骤6，具体步骤如下：
[0141]
步骤6.1：根据调控日负荷基线所属聚类类别l，将调控日负荷基线纳入聚类类别l对应的类簇c
l
中，c
l
的类簇中心为μ
l
，c
l
类簇中的负荷曲线数量为θ，td＝[t
start
，t
end
]调节时段的负荷曲线为x
t
，定义调控日td时段的该用户用电模式下负荷柔性最可能调节量为p
il
。
[0142]
p
il
＝x
t-μ
lmin
＞0
ꢀꢀꢀꢀ
(6-1)
[0143]
式中，μ
lmin
为类簇c
l
中最小的用电负荷曲线。
[0144]
步骤6.2：定义调控日td时段的其它用户用电模式下负荷柔性最大可调节量为p
im
。
[0145]
p
im
＝x
t-μm＞0
ꢀꢀꢀꢀ
(6-1)
[0146]
式中，μm为除了聚类类别l外的聚类类别m对应的类簇的类簇中心，m∈[1,c]。
[0147]
进一步的，一个实施例，如图2所示，调控日负荷曲线属于类簇ci，根据公式6-1，可获得调控日负荷曲线与类簇ci最小的负荷曲线之间的差值，也就是类簇ci对应的相同用户用电模式下的负荷柔性最可能调节量p
ii
。p
ii
为用户负荷的最有可能实现的可调能力值。
[0148]
如图2所示，根据公式6-2，可以得到调控日负荷曲线与不同用户用电模式所对应的类簇中类簇中心的差值，也就是其它用户用电模式下负荷柔性最大可调节量为p
im
，图中计算了第j个用户用电模式，和第k个用户用电模式下的负荷柔性最大可调节量p
ij
、p
ik
。p
ij
、p
ik
为用户负荷在改变用户用电模式下最大可调节量。
[0149]
实施例2：
[0150]
如图3所示，与实施例1基于相同的发明构思，本实施例介绍一种负荷调节潜力计算装置，包括下列模块：
[0151]
异常数据剔除模块：用于利用光滑技术对用户历史负荷大数据进行异常数据检测,检测出用户历史负荷大数据中异常数据并进行删除，得到删除后的用户历史负荷大数据。
[0152]
数据补偿模块：用于利用knn模型对删除后的用户历史负荷大数据进行数据补偿，得到数据清洗后的用户历史负荷大数据集。
[0153]
用户用电模式定义模块：用于定义用户用电模式，用户用电模式表示：相同或相近用电行为下形成的一个负荷曲线类簇。
[0154]
用户历史负荷曲线聚类模块：用于基于k-means算法得到数据清洗后的用户历史负荷曲线的聚类结果，根据聚类结果计算calinski-harabasz(ch)指标，获取(ch)指标最大值对应的聚类数目为最佳聚类数目c、类簇为ci(i＝1，2，...,c)、第i个类簇的中心μi。其中，用户用电模式个数与最佳聚类数目c一一对应，即第i种用户用电模式的日负荷曲线集合mi对应类簇为ci(i＝1，2，...,c)。
[0155]
调控日负荷基线预测模块：用于给定调控日并计算调控日负荷基线，基于隶属度判别调控日负荷基线所属用户用电模式的类别。进一步的，一个实施例，调控日负荷基线由响应日前五天负荷平均值计算而得。
[0156]
可调潜力计算模块：用于根据不同用电模式切换下的可调潜力量化计算模型和调控日负荷基线所属的用户用电模式，进行调控日用户负荷柔性可调潜力的量化计算，获得最可能调节量、最大可调节量。
[0157]
进一步的，异常数据检测的方法，具体如下：
[0158]
用户负荷数据检测包括：空数据检测、超限数据检测、错误数据检测、重复数据检测、数据填补或删除。使用光滑技术对异常负荷数据进行检测，若满足公式(1)的条件，则数据为异常数据。
[0159][0160][0161][0162]
式中：p
i,t
为第i日t时刻用户历史负荷(kw)；n为总观测天数(天)；为用户负荷平均值(kw)；σ
t
为用户负荷方差(kw2)。ε为弹性系数，一般取1。
[0163]
针对上述数据补偿问题，考虑到k最近邻(k nearest neighbor，knn)具有精度高、对异常值不敏感、无数据输入假定等优点，采用knn算法进行补缺。
[0164]
进一步的，一个实施例，假设用户96点负荷数据中第个i个数据点存在缺失，针对该情况的填补修正步骤为：
[0165]
步骤2.1：设定knn模型参数值，即k＇值，建立knn模型。
[0166]
步骤2.2：将正确数据集的95个点负荷值作为输入、正确数据集的第i个点作为输出训练knn模型；
[0167]
步骤2.3：将待修正数据中前95个点负荷值作为输入，用训练好的knn模型预测待修正数据中的第i个点值。
[0168]
步骤2.4：将预测值替换原值，生成新的96点负荷曲线。
[0169][0170]
式中，mi表示用户用电模式i的负荷曲线类簇；表示用户用电模式i类簇中第j条
负荷曲线采样点k时刻的功率值(kw)，n为用户用电模式i所包含的负荷曲线的数量。
[0171]
进一步的，一个实施例，以一年365天96点历史负荷曲线集为例，历史负荷曲线集是由各种用户用电模式的历史负荷曲线组合而成的。
[0172][0173]
式中：d
year
为近一年365天96点日负荷曲线集合(kw)；mn为第n种用电模式的日负荷曲线集合(kw)；j，l，
…
，m为不同用电模式内日负荷曲线个数(个)，总和为365。
[0174]
当对用户接收电力系统负荷调节信号时，用户将会针对信号进行反应，在约束条件下改变用电行为实现用电模式切换，实现对负荷的调节。因此，通过用户历史负荷曲线辨识用户用电模式，通过用电模式切换可行性分析判断可以进行用户负荷整体可调潜力评估。
[0175]
进一步的，一个实施例，具体计算方法如下：
[0176]
步骤5.1：判断调控日是工作日还是节假日，根据调控日的预测的平均温度、最高温度、最低温度构建温度向量temp
t
＝(t
tave
,t
tmax
,t
tmin
)
t
，计算与控制日相同类型的近14日(如调控日是工作日，则选取14日工作日，如调控日是节假日，则选取14日节假日)的平均温度、最高温度、最低温度构成的温度向量tempi＝(t
iave
,t
imax
,t
imin
)
t
，并计算相似度likedayi,i＝1,2,....,14，按照从小到大顺序对相似度进行排序，将排序后的序列作为参考日集合。
[0177]
likedayi＝||temp
t-tempi||,i＝1,2,...,14
ꢀꢀꢀꢀ
(5-1)
[0178]
步骤5.2：根据参考日集合计算调控日负荷基线，选择参考日集合前5个日期组成基线参考日集合，计算每一个基线参考日的平均负荷p
iave
，以及5个参考日的平均负荷p
ave
，若某个基线参考日的p
iave
＜0.75p
ave
，则将该基线参考日从基线参考日集合中剔除，同时从参考日集合中依次另选，直到满足符合要求的5个基线参考日，若不能选满5天，则选择4天作为基线参考日，得到基线参考日集合q，集合元素个数为n，将基线参考日对应的负荷平均后得到调控日负荷基线x
t
[0179][0180]
步骤5.3：根据聚类结果计算调控日负荷基线所属的调控日负荷基线所属聚类类别l，并根据所属聚类类别l得到对应的用户用电模式。
[0181]
进一步的，调控日负荷基线所属类簇l计算公式如下：
[0182][0183]
式中：c为聚类的数目(个)，μi为第i个类簇的中心，μk为除了第i个类簇外的第k个类簇的中心，ξ
it
为x
t
对于第i个类簇的中心的隶属度。
[0184]
进一步的，所述步骤6，具体步骤如下：
[0185]
步骤6.1：根据调控日负荷基线所属聚类类别l，将调控日负荷基线纳入聚类类别l对应的类簇c
l
中，c
l
的类簇中心为μ
l
，c
l
类簇中的负荷曲线数量为θ，td＝[t
start
，t
end
]调节时段的负荷曲线为x
t
，定义调控日td时段的该用户用电模式下负荷柔性最可能调节量为p
il
。
[0186]
p
il
＝x
t-μ
lmin
＞0
ꢀꢀꢀꢀ
(6-1)
[0187]
式中，μ
lmin
为类簇c
l
中最小的用电负荷曲线。
[0188]
步骤6.2：定义调控日td时段的其它用户用电模式下负荷柔性最大可调节量为p
im
。
[0189]
p
im
＝x
t-μm＞0
ꢀꢀꢀꢀ
(6-1)
[0190]
式中，μm为除了聚类类别l外的聚类类别m对应的类簇的类簇中心，m∈[1,c]。
[0191]
实施例3：
[0192]
与实施例1基于相同的发明构思，本实施例介绍一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如实施例1中任一所述的一种用户多用电模式下负荷调节潜力计算方法。
[0193]
实施例4：
[0194]
与实施例1基于相同的发明构思，本实施例介绍一种计算机设备，包括：
[0195]
存储器，用于存储指令。
[0196]
处理器，用于执行所述指令，使得所述计算机设备执行如实施例1中任一所述的一种负荷调节潜力计算方法的操作。
[0197]
实施例5：
[0198]
本发明一种负荷调节潜力定量评估方法，具体步骤如下：
[0199]
以某省7户电力用户2021年1月-2021年8月连续224天的实际用电负荷数据为研究数据集，设置了用户负荷可调潜力评估算例内容。仿真采用matlab软件工具。
[0200]
(1)7户电力用户数据集
[0201]
用户实际用电负荷数据集中涵盖了用户在正常工作日、节假日、周末等典型日的用电负荷情况，7个用户的基本用电档案如表1-1所示，数据集部分数据如表1-2所示。
[0202]
表1-1 7户用户用电档案
[0203][0204][0205]
表1-2展示数据是用户一级计费计量点表计采集到的用电负荷部分数据，每隔15分钟进行一次数据采集，每日采集96次。通过采集数据，可以得到用户在采样时间点的用电
功率和一天的用电负荷曲线。每日表计数据是一个数据样本，224个样本组成历史数据集。每个样本是一个96维数据，包含96个采样点。
[0206]
表1-2用户1部分功率数值示例单位：kw
[0207][0208]
(2)典型用电模式识别
[0209]
令样本集d＝{x1，x2，
…
，xm}代表某一用户在第m天的用电情况，其中i≤m，xi是一个样本，它代表该用户在一天内的用电功率变化。每个样本xi＝{x
i1
，x
i2
，
…
，x
in
}是一个n维的特征向量。
[0210]
表1-3用户1-7聚类最佳数目
[0211][0212][0213]
按照聚类最佳数目，对用户历史用电负荷曲线1-7进行聚类，聚类结果如图4中(a)-(g)所示。
[0214]
根据最可能调节量、最大可调节量的计算公式，计算用户1-7调控日对应的最可能调节量、最大可调节量，如表1-5所示：
[0215]
表1-5用户1-7最可能调节量、最大可调节量与实际调节负荷量对比
[0216][0217]
如图5中(a)-(g)所示，根据所提计算方法，计算用户1-7的某运行日19：00至23：00时间段的最可能调节量、最大可调节量曲线，用户1-7某运行日19：00至23：00时间段的最可能调节量、最大可调节量与实际调节量情况对比情况。表1-5进一步给出用户1-7在19：00至23：00时间段实际调节平均负荷、最可能调节平均负荷、最大可调节平均负荷量化对比分析结果。用户1-7总计实际调节负荷值与最可能调节量值误差为16.78％，用户1-7总计实际调节负荷值与最大可调节量值误差为84.19％。综上，针对多个用户总体进行可调潜力评估时，利用最可能调节量指标与实际调节结果更接近，最大可调节量是用户的最大调节能力，通常需要用户进行生产计划的较大调整，因此，该值是理论的最大潜力值，通常在实际调控中无法达到。
[0218]
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种负荷调节潜力计算方法，其特征在于：包括如下步骤：对用户历史负荷进行聚类处理，得到聚类数目c、各类簇c
i
，及各类簇c
i
的中心μ
i
；将类簇c
i
作为第i种用户用电模式的日负荷曲线集合；计算当前用户的调控日负荷基线，并根据调控日负荷基线、各类簇c
i
的中心μ
i
，计算调控日负荷基线属于各类簇c
i
的隶属度；根据调控日负荷基线属于各类簇c
i
的隶属度，从各类簇c
i
中确定当前用户的调控日负荷基线所属的目标类簇，将目标类簇对应的用户用电模式确定为当前用户的目标用户用电模式；根据不同用电模式切换下的可调潜力量化计算模型、调控日负荷基线、目标类簇以及目标用户用电模式，计算最可能调节量和最大可调节量。2.根据权利要求1所述的一种负荷调节潜力计算方法，其特征在于：所述对用户历史负荷进行聚类处理，之前还包括：对用户历史负荷中异常数据进行检测，并将检测出用户历史负荷中异常数据进行删除，得到删除后的用户历史负荷；对删除后的用户历史负荷进行数据补偿，得到预处理后的用户历史负荷，对预处理后的用户历史负荷进行聚类处理。3.根据权利要求2所述的一种负荷调节潜力计算方法，其特征在于：通过光滑技术检测方法对所述用户历史负荷中异常数据进行检测；采用knn模型补偿方法对所述删除后的用户历史负荷进行数据补偿。4.根据权利要求1所述的一种负荷调节潜力计算方法，其特征在于：所述计算当前用户的调控日负荷基线，并根据调控日负荷基线、各类簇c
i
的中心μ
i
，计算调控日负荷基线属于各类簇c
i
的隶属度，根据调控日负荷基线属于各类簇c
i
的隶属度，从各类簇c
i
中确定当前用户的调控日负荷基线所属的目标类簇，将目标类簇对应的用户用电模式确定为当前用户的目标用户用电模式，具体包括：获取当前用户的调控日，根据调控日是否为工作日，确定用户历史负荷中与调控日类型相同的近ψ日；计算调控日的温度向量temp
t
，计算近ψ日的温度向量temp
i
，根据温度向量temp
t
和温度向量temp
i
计算相似度likeday
i
，其中；按照相似度likeday
i
的大小，将各近ψ日进行排序，排序后的各近ψ日的序列作为参考日集合；选择参考日集合中前个日期组成基线参考日集合，计算基线参考日集合中每一个基线参考日的平均负荷p
iave
，以及个参考日的平均负荷p
ave
，若某个基线参考日的p
iave
＜τp
ave
，则将该基线参考日从基线参考日集合中剔除，同时从参考日集合中依次另选，直到满足符合要求的个基线参考日，得到基线参考日集合q，其中，根据基线参考日集合q中各基线参考日的平均负荷计算调控日负荷基线x
t
；根据调控日负荷基线x
t
、各类簇c
i
的中心μ
i
，计算调控日负荷基线属于各类簇c
i
的隶属度，从调控日负荷基线属于各类簇c
i
的隶属度中选取隶属度最大值；将各类簇c
i
中与隶属度最大值对应的类簇作为当前用户的调控日负荷基线所属的的目
标类簇，以及目标类簇对应的用户用电模式确定为当前用户的目标用户用电模式。5.根据权利要求4所述的一种负荷调节潜力计算方法，其特征在于：所述likeday
i
的计算公式如下：likeday
i
＝||temp
t-temp
i
||其中，temp
t
＝(t
tave
,t
tmax
,t
tmin
)
t
t
tave
,t
tmax
,t
tmin
分别代表调控日预测的平均温度、最高温度、最低温度；temp
i
＝(t
iave
,t
imax
,t
imin
)
t
t
iave
,t
imax
,t
imin
分别代表近ψ日中i日的平均温度、最高温度、最低温度；所述调控日负荷基线x
t
计算公式如下：其中，x
j
代表第j个基线参考日的的平均负荷，n代表基线参考日集合q的元素个数。6.根据权利要求4所述的一种负荷调节潜力计算方法，其特征在于：所述隶属度最大值计算公式如下：其中，c为聚类的数目，μ
ν
为第ν个类簇的中心，x
t
为调控日负荷基线，μ
k
为除了第ν个类簇外的第k个类簇的中心，ξ
vt
为x
t
对于第ν个类簇的中心的隶属度。7.根据权利要求1所述的一种负荷调节潜力计算方法，其特征在于：所述根据不同用电模式切换下的可调潜力量化计算模型、调控日负荷基线以及所属的用户用电模式，计算最可能调节量和最大可调节量，具体包括：不同用电模式切换下的可调潜力量化计算模型，计算公式如下：p
il
＝x
t-μ
lmin
＞0p
im
＝x
t-μ
m
＞0式中，p
il
为最可能调节量，μ
lmin
为类簇c
l
中最小的用电负荷曲线；p
im
为最大可调节量，μ
m
为所有类簇中除了目标类簇l外的类簇m对应的类簇的类簇中心负荷曲线，m∈[1,c]；将当前用户的调控日负荷基线所属的聚类类别为l，类簇c
l
，以及类簇c
l
对应的用户用电模式l输入至不同用电模式切换下的可调潜力量化计算模型；根据p
il
的计算公式，计算当前用户的在调控日的t
d
时段的用户用电模式l下负荷最可能调节量p
il
；根据p
im
的计算公式，计算当前用户的在调控日的t
d
时段的其它用户用电模式m下负荷最大可调节量。8.一种用户多用电模式下负荷调节潜力计算装置，其特征在于：包括如下步骤：用户历史负荷曲线聚类模块：用于用户历史负荷进行聚类处理，得到聚类数目c、各类簇c
i
，及各类簇c
i
的中心μ
i
；用户用电模式定义模块：用于将类簇c
i
作为第i种用户用电模式的日负荷曲线集合；调控日负荷基线预测模块：用于计算当前用户的调控日负荷基线，并根据调控日负荷
基线、各类簇c
i
的中心μ
i
，计算调控日负荷基线属于各类簇c
i
的隶属度，根据根据调控日负荷基线属于各类簇c
i
的隶属度，从各类簇c
i
中确定当前用户的调控日负荷基线所属的目标类簇，将目标类簇对应的用户用电模式确定为当前用户的目标用户用电模式；可调潜力计算模块：用于根据不同用电模式切换下的可调潜力量化计算模型、调控日负荷基线、目标类簇以及目标用户用电模式，计算最可能调节量和最大可调节量。9.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1至7中任一所述的一种负荷调节潜力计算方法。10.一种计算机设备，其特征在于：包括：存储器，用于存储指令；处理器，用于执行所述指令，使得所述计算机设备执行如权利要求1至7中任一所述的一种负荷调节潜力计算方法的操作。

技术总结
本发明公开了一种负荷调节潜力计算方法、装置、设备及介质，对预处理后的用户历史负荷进行聚类处理，得到聚类数目c，类簇C


技术研发人员：石杰 赵晨阳 张华鲁 邓博雅 张春平 程宝华 郝爽
受保护的技术使用者：南京南瑞信息通信科技有限公司 国网电力科学研究院有限公司
技术研发日：2023.07.05
技术公布日：2023/9/19