结合负荷形态指标的电力负荷曲线两步聚类算法

doi:10.3969/j.issn.1000-7229.2016.06.014

电力建设 ›› 2016, Vol. 37 ›› Issue (6): 96-102.doi: 10.3969/j.issn.1000-7229.2016.06.014

结合负荷形态指标的电力负荷曲线两步聚类算法

彭勃1，张逸2，熊军3，董树锋1，李永杰1

1.浙江大学电气工程学院，杭州市 310027;2.国网福建省电力有限公司电力科学研究院，福州市 350007;3.国网厦门供电公司，福建省厦门市 361000

出版日期:2016-06-01
作者简介:彭勃（1991），男，硕士研究生，主要研究方向为电力需求侧管理，电力系统数据挖掘以及负荷预测; 张逸（1984），男，博士，高级工程师，主要研究方向为电能质量，分布式能源以及主动配电网; 熊军（1979），男，博士，高级工程师，主要研究方向为配电自动化以及智能电网; 董树锋（1982），男，博士，副教授，主要研究方向为电力系统状态估计及优化运行; 李永杰（1989），男，博士研究生，主要研究方向为电力系统小干扰稳定分析。
基金资助:
国家高技术研究发展计划项目（863计划）（2014AA051901）

A Two-Step Clustering Algorithm Combined with Load Shape Index for Power Load Curve

PENG Bo1， ZHANG Yi2，XIONG Jun3，DONG Shufeng1，LI Yongjie1

1. College of Electrical Engineering， Zhejiang University， Hangzhou 310027， China;2. Electric Power Research Institute， State Grid Fujian Electric Power Company， Fuzhou 350007， China;3.State Grid Xiamen Electric Power Supply Company，Xiamen 361000，Fujian Province， China

Online:2016-06-01
Supported by:
Project supported by the National High Technology Research and Development of China（863 Program）（2014AA051901）

摘要/Abstract

摘要：

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足，提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果，并通过负荷聚类评价指标选取一次聚类算法和聚类数目；第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果，最后给出了聚类结果的应用建议。算例结果表明，所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足，在二次分类方法中，支持向量机（support vector machine，SVM）算法表现较好，所提出的方法具有实际应用意义。

关键词: 负荷聚类, 电力数据挖掘, 负荷形态, 监督学习算法

Abstract:

To make up for the drawback that clustering method based on Euclidean Distance considering all dimensions of load curves is weak in load shape similarity， this paper proposes a two-step clustering algorithm combined with load shape characteristic index for power load curve. First， this algorithm obtains the preliminary clustering result by using clustering method based on the Euclidean Distance of load curves and selects the clustering method and number through cluster evaluation index. Second， this algorithm uses supervised learning algorithm to reclassify load based on load shape characteristic index. Then， different clustering algorithms are compared. At last， we propose the suggestions for the application of the clustering results. The example results show that the proposed two-step clustering algorithm can make up for the weakness of traditional clustering algorithm in load shape similarity. Support vector machine （SVM） algorithm has better performance in the second-step classification. The proposed algorithm has practical significance.

Key words: load clustering, data mining for power system, load shape, supervised learning algorithm

中图分类号:

TM 714

彭勃，张逸，熊军，董树锋，李永杰. 结合负荷形态指标的电力负荷曲线两步聚类算法[J]. 电力建设, 2016, 37(6): 96-102.

PENG Bo， ZHANG Yi，XIONG Jun，DONG Shufeng，LI Yongjie. A Two-Step Clustering Algorithm Combined with Load Shape Index for Power Load Curve[J]. Electric Power Construction, 2016, 37(6): 96-102.

参考文献

［1］郑海雁，金农，季聪，等，电力用户用电数据分析技术及典型场景应用［J］.电网技术，2015，39（11）：3147-3152.
ZHENG Haiyan， JIN Nong，JI Cong，et al.Analysis technology and typical scenario application of electricity big data of power consumers［J］.Power System Technology，2015，39（11）：3147-3152.
［2］ZHONG S，TAM K S.Hierarchical classification of load profiles based on their characteristic attributes in frequency domain［J］.IEEE Transactions on Power Systems，2015，30（5）：2434-2441.
［3］CHICCO G，NAPOLI R，POSTOLACHE P，et al. Customer characterization options for improving the tariff offer［J］.IEEE Transactions on Power Systems，2003，18 （1）：381-387.
［4］CHEN C S，HWANG J C，HUANG C W.Application of load survey to proper tariff design［J］.IEEE Transactions on Power Systems，1997，12（4）： 1746-1751.
［5］NIZAR A H，DONG Z Y，WANG Y.Power utility nontechnical loss analysis with extreme learning machine method［J］. IEEE Transactions on Power Systems，2008，23 （3）：946-955.
［6］YANG H T，CHEN S C，PENG P C. Genetic k-means-algorithm-based classification of direct load-control curves ［J］.IET Proceedings of Generation， Transmission and Distribution，2005，152 （4）：489-495.
［7］MUTANEN A，RUSKA M，REPO S，et al.Customer classification and load profiling method for distribution systems［J］.IEEE Transactions on Power Delivery，2011，26 （3）： 1755-1763.
［8］宗柳，李扬，王蓓蓓.计及需求响应的多维度用电特征精细挖掘［J］.电力系统自动化，2012，36（20）：54-58.
ZONG Liu，LI Yang，WANG Beibei.Fine-mining of multi-dimension electrical characteristics considering demand response［J］.Automation of Electric Power Systems，2012，36 （20）：54-58.
［9］CHICCO G，NAPOLI R，PIGLIONE F.Comparisons among clustering techniques for electricity customer classification［J］.IEEE Transactions on Power Systems，2006，21 （2）：933-940.
［10］徐衍会，张蓝宇，宋歌.基于核的模糊C均值逐层聚类算法在负荷分类中的应用［J］.电力建设，2015，36（4）：46-51.XU Yanhui， ZHANG Lanyu，SONG Ge.Application of clustering hierarchy algorithm based on kernel fuzzy C-means in power load classification ［J］.Electric Power Construction，2015，36（4）：46-51.
［11］郭昆亚，熊雄，金鹏，等.基于模糊聚类-量子粒子群算法的用电特性识别［J］.电力建设，2015，36（8）：84-88.
GUO Kunya， XIONG Xiong，JIN Peng，et al.Electricity characteristic recognition study based on fuzzy clustering-quantum particle swarm algorithm ［J］.Electric Power Construction，2015，36 （8）：84-88.
［12］TSEKOURAS G J，HATZIARGYRIOU N D，DIALYNAS E N，et al.Two-stage pattern recognition of load curves for classification of electricity customers［J］.IEEE Transactions on Power Systems，2007，22 （3）：1120-1128.
［13］黄宇腾，侯芳，周勤，等.一种面向需求侧管理的用户负荷形态组合分析方法［J］.电力系统保护与控制，2013，41（13）：20-25.
HUANG Yuteng，HOU Fang，ZHOU Qin，et al.A new combinational electrical load analysis method for demand side management［J］.Power System Protection and Control，2013，41（13）：20-25.
［14］贾慧敏，何光宇，方朝雄，等.用于负荷预测的层次聚类和双向夹逼结合的多层次聚类法［J］.电网技术，2007，31（23）：33-36.
JIA Huimin，HE Guangyu，FANG Chaoxiong，et al.Load forecasting by multi-hierarchy clustering combining hierarchy clustering with approaching algorithm in two directions［J］.Power System Technology，2007，31（23）：33-36.
［15］李欣然，姜学皎，钱军，等.基于用户日负荷曲线的用电行业分类与综合方法［J］.电力系统自动化，2010，34（10）：56-61.
LI Xinran，JIANG Xuejiao，QIAN Jun，et al.A classifying and synthesizing method of power consumer industry based on the daily load profile［J］.Automation of Electric Power Systems，2010，34（10）：56-61.
［16］FIGUEIREDO V，RODRIGUES F，VALE Z，et al.An electric energy consumer characterization framework based on data mining techniques［J］.IEEE Transactions on Power Systems，2005，20（2）：596-602.
［17］刘友波，刘俊勇，赵岩，等.基于多目标聚类的用电集群特征属性计算［J］.电力系统自动化，2009，33（19）：46-51.
LIU Youbo，LIU Junyong，ZHAO Yan，et al.Calculation of characteristic attributes of consumer aggregations based on multi-objective clustering［J］.Automation of Electric Power Sytems，2009，33（19）：46-51.
［18］张斌，庄池杰，胡军，等.结合降维技术的电力负荷曲线集成聚类算法［J］.中国电机工程学报，2015， 35（15）：3741-3749.
ZHANG Bin，ZHUANG Chijie，HU Jun，et al.Ensemble clustering algorithm combined with dimension reduction techniques for power load profiles［J］.Proceedings of the CSEE，2015，35（15）：3741-3749.
［19］CHICCO G，NAPOLI R，PIGLIONE F，et al.Emergent electricity customer classification［J］.IEE Proceedings-Generation， Transmission and Distribution，2005，152（2）：164-172.
［20］TRENDOWICZ A，JEFFERY R.Software project effort estimation ［M］. Berlin， Germany: Springer International Publishing， 2014:1174–1176.
［21］BREIMAN L.Random forests［J］.Machine Learning，2001，45（1）：5-32.
［22］方瑞明.支持向量机理论及其应用分析［M］.北京：中国电力出版社，2007：1-19.
［23］COVER T M，HART P E.Nearest neighbor pattern classification［J］.IEEE Transactions on Information Theory，1967，13（1）：21-27.

[1]	刘赛, 刘宇, 高山, 郭昊旻, 宋天成, 蒋伟毅, 李正, 王俊成, 徐逸民. 基于多特征目标函数PCA-ILP的非侵入式负荷分解方法[J]. 电力建设, 2020, 41(8): 1-8.
[2]	庄卫金, 张鸿, 方国权, 陈中. 基于设备运行状态挖掘的非侵入式负荷分解方法[J]. 电力建设, 2020, 41(8): 9-16.
[3]	程江洲，谢诗雨，张赟宁，王劲峰，熊双菊. 预算限制下考虑综合舒适度的智能用电优化模型[J]. 电力建设, 2020, 41(1): 88-96.
[4]	曹昉，李赛，张姚. 基于前景理论量化充电效用的浮动充电服务费优化[J]. 电力建设, 2019, 40(9): 107-115.
[5]	刘志谱，李欣然，冷华，刘小龙，黄珂琪，孙瑞. 考虑非计划脱网重要负荷独立供能的综合能源系统优化调度[J]. 电力建设, 2019, 40(8): 112-120.
[6]	杨懿男，齐林海，王红，苏林萍. 基于生成对抗网络的小样本数据生成技术研究[J]. 电力建设, 2019, 40(5): 71-77.
[7]	明煦，陈艳，刘源，邹芹，李玮，胡文博，王宣，杨军. 适应于光伏接入与商圈通勤需求的电动汽车充换电能量管理策略[J]. 电力建设, 2019, 40(1): 49-59.
[8]	蔡鹏飞，杨秀，李泰杰，方陈，张勇. 基于改进聚类融合的办公型建筑用电行为分析[J]. 电力建设, 2019, 40(1): 60-67.
[9]	周冰钰，刘博，王丹，兰宇，马喜然，孙冬冬，霍秋屹. 基于自组织中心K-means算法的用户互动用电行为聚类分析[J]. 电力建设, 2019, 40(1): 68-76.
[10]	刘源，杨军，杨丙权，朱旭，陈艳，王宣. 考虑"风-光-荷-储"联合运行的配电网双层规划方法[J]. 电力建设, 2017, 38(11): 87-.
[11]	杜蜻蜓,刘继春,王冬,杨常. 计入柔性负荷的售电公司参与市场竞价两阶段优化模型 [J]. 电力建设, 2017, 38(6): 142-.
[12]	赵会茹，赵名锐，王玉玮 . 售电侧开放下日前电力市场动态博弈模型[J]. 电力建设, 2017, 38(4): 144-.
[13]	和敬涵，卢育梓，陆金耀，胡波，杨方，何博. 基于“进化”主成分分析法的用户分类及其应用[J]. 电力建设, 2017, 38(3): 101-.
[14]	雷景生,郝珈玮,朱国康. 基于“分层-汇集”模型的短期电力负荷预测[J]. 电力建设, 2017, 38(1): 68-.
[15]	张强，王毅，李鼎睿，朱文俊. 基于X-12-ARIMA季节分解与年度电量校正的月度电量预测[J]. 电力建设, 2017, 38(1): 76-.

结合负荷形态指标的电力负荷曲线两步聚类算法

A Two-Step Clustering Algorithm Combined with Load Shape Index for Power Load Curve

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价