基于自组织中心K-means算法的用户互动用电行为聚类分析

doi:10.3969/j.issn.1000-7229.2019.01.009

电力建设 ›› 2019, Vol. 40 ›› Issue (1): 68-76.doi: 10.3969/j.issn.1000-7229.2019.01.009

基于自组织中心K-means算法的用户互动用电行为聚类分析

周冰钰1，2，刘博1，王丹1，2，兰宇1，马喜然1，2，孙冬冬1，2，霍秋屹1，2

1.天津大学智能电网教育部重点实验室，天津市 300072；2.天津大学青岛海洋技术研究院，山东省青岛市 266235

出版日期:2019-01-01
作者简介:周冰钰（1994），女，硕士研究生，主要研究方向为电力负荷聚类算法研究；刘博（1996），男，硕士研究生，主要研究方向为微电网端对端电能管理；王丹（1981），男，博士，副教授，博士生导师，主要从事综合能源电力系统、分布式发电系统建模与仿真、智能用电等方面的研究工作；兰宇（1994），男，硕士研究生，主要研究方向为智能配用电与需求响应；马喜然（1994），男，硕士研究生，主要研究方向为分布式发电与微电网；孙冬冬（1994），男，硕士研究生，主要研究方向为智能配用电与需求响应；霍秋屹（1994），男，硕士研究生，主要研究方向为负荷需求响应技术。
基金资助:
国家重点研发计划资助项目（2018YFB0905000）；青岛市海洋工程装备与技术智库联合项目（201707071003）

Clustering Analysis of User Power Interaction Behavior Based on Self-organizing Center K-means Algorithm

ZHOU Bingyu 1，2， LIU Bo1，WANG Dan1，2， LAN Yu1， MA Xiran1，2， SUN Dongdong1，2， HUO Qiuyi1，2

1.Key Laboratory of Smart Grid of Ministry of Education， Tianjin University， Tianjin 300072，China；2.Qingdao Institute for Ocean Technology of Tianjin University， Qingdao 266235， Shandong Province， China

Online:2019-01-01
Supported by:
his work is supported by National Key R & D Program of China （No. 2018YFB0905000） and Project Qingdao Ocean Engineering Equipment and Technology Think Tank Joint Project （No. 201707071003）.

摘要/Abstract

摘要： 电力用户参与电网侧互动用电和辅助服务已成为国内外关注热点，用户互动用电行为分析是其中一项核心工作。结合自组织映射SOM神经网络和K-means聚类算法，采用一种自组织中心K-means算法用于用户互动用电行为聚类分析，能够实现更加精准识别和快速聚类。首先，对自组织中心K-means算法原理进行分析，说明其与传统聚类算法相比在用电行为聚类分析中的优势；然后，构建峰谷分时电价背景下，基于用户心理学的调节潜力指标，并分析基于负荷数据和调节潜力指标的用户互动用电行为；最后，以某电力公司管辖区域用户的日常负荷数据为研究对象，将基于自组织中心K-means算法的聚类结果与其他传统聚类方法进行对比，证明基于调节潜力指标的自组织中心K-means算法在用户互动用电行为上的精准识别和准确聚类优势。

关键词: 用户互动, 自组织中心K-means算法, 负荷数据, 调节潜力指标, 聚类分析

Abstract: The participation of power users in grid-side interactive power and auxiliary services has become a hot topic. Analysis of users interaction power behavior is a core task. Combining self-organizing map SOM neural network and K-means clustering algorithm， this paper uses a self-organizing center K-means algorithm for cluster analysis of users interaction electricity behavior and it can achieve more accurate recognition and fast clustering. Firstly， the principle of K-means algorithm in self-organizing center is analyzed， which shows its advantages in clustering analysis of electricity usage compared with traditional clustering algorithm. Then， under the background of peak-to-valley time-of-use electricity price， the adjustment potential index based on user psychology is constructed， and the cluster analysis of users electricity consumption behavior based on load data and adjustment potential index is analyzed. Finally， the daily load data of users in a jurisdiction of a power company is studied and the two-stage clustering results based on self-organizing center K-means algorithm are compared with the clustering results based on K-means algorithm， which proves the advantages of self-organizing center K-means algorithm based on adjustment potential index in the users accurate recognition and accurate clustering.

Key words: user interaction, self-organizing center K-means algorithm, load data, adjustment potential indicator, clustering analysis

中图分类号:

TM 714

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.

ZHOU Bingyu,LIU Bo，WANG Dan， LAN Yu， MA Xiran， SUN Dongdong， HUO Qiuyi. Clustering Analysis of User Power Interaction Behavior Based on Self-organizing Center K-means Algorithm[J]. Electric Power Construction, 2019, 40(1): 68-76.

参考文献

［1］冯云. 智能电网用户用电行为分析及有序用电决策方法研究［D］. 北京：华北电力大学（北京）， 2017.
FENG Yun. Research on smart grid user behavior analysis and orderly power consumption decision metnod［D］. Beijing： North China Electric Power University（Beijing）， 2017.
［2］陆俊，朱炎平，彭文昊，等. 计及用电行为聚类的智能小区互动化需求响应方法［J］. 电力系统自动化， 2017， 41（17）： 113-120.
LU Jun， ZHU Yanping， PENG Wenhao， et al. Interactive demand response method of smart community considering clustering of electricity consumption behavior［J］. Automation of Electric Power Systems， 2017， 41（17）： 113-120.
［3］李强，宋宁希，王剑晓，等. 基于用户互动能力的优化用电模式与方法［J］. 电网技术， 2016， 40（6）： 1818-1824.
LI Qiang， SONG Ningxi， WANG Jianxiao， et al. A pattern and method of optimized power utilization based on consumers interaction capability［J］. Power System Technology， 2016， 40（6）： 1818-1824.
［4］刘小聪，王蓓蓓，李扬，等. 智能电网下计及用户侧互动的发电日前调度计划模型［J］. 中国电机工程学报， 2013， 33（1）： 30-38.
LIU Xiaocong， WANG Beibei， LI Yang， et al. Day-ahead generation scheduling model considering demand side interaction under smart grid paradigm［J］. Proceedings of the CSEE， 2013， 33（1）： 30-38.
［5］BINH P T T， TUONG L D. Clustering the behaviour of electricity consumption［C］// IPEC， 2012 Conference on Power & Energy. IEEE，2013： 402-406.
［6］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.
［7］王玲，孟建瑶，徐培培，等. 基于多维时间序列形态特征的相似性动态聚类算法［J］. 工程科学学报， 2017， 39（7）： 1114-1122.
WANG Ling， MENG Jianyao， XU Peipei， et al. Similarity dynamical clustering algorithm based on multidimensional shape features for time series［J］. Chinese Journal of Engineering， 2017， 39（7）： 1114-1122.
［8］许元斌，李国辉，郭昆，等. 基于改进的并行K-Means算法的电力负荷聚类研究［J］. 计算机工程与应用， 2017， 53（17）： 260-265.
XU Yuanbin， LI Guohui， GUO Kun， et al. Research on parallel clustering of power load based on improved K-Means algorithm［J］. Computer Engineering & Applications， 2017， 53（17）： 260-265.
［9］陈烨，吴浩，史俊祎，等. 奇异值分解方法在日负荷曲线降维聚类分析中的应用［J］. 电力系统自动化， 2018，42（3）： 105-111.
CHEN Ye，WU Hao，SHI Junyi， et al.Application of singular value decomposition algorithm to dimension-reduced clustering analysis of daily load profiles［J］.Automation of Electric Power Systems，2018，42（3）：105-111.
［10］AL-OTAIBI R， JIN N， WILCOX T， et al. Feature construction and calibration for clustering daily load curves from smart-meter data［J］. IEEE Transactions on Industrial Informatics， 2017， 12（2）： 645-654.
［11］朱文俊，王毅，罗敏，等. 面向海量用户用电特性感知的分布式聚类算法［J］. 电力系统自动化， 2016， 40（12）： 21-27.
ZHU Wenjun， WANG Yi， LUO Min， et al.Distributed clustering algorithm for awareness of electricity consumption characteristics of massive consumers［J］.Automation of Electric Power Systems，2016，40（12）：21-27..
［12］林顺富，谢潮，李东东，等. 基于灰色关联与模糊聚类分析的负荷预处理方法［J］. 电测与仪表， 2017， 54（11）： 36-42.
LIN Shunfu， XIE Chao， LI Dongdong， et al. Load preprocessing method based on grey relational analysis and fuzzy clustering［J］. Electrical Measurement & Instrumentation， 2017， 54（11）： 36-42.
［13］ISMKHAN H. I-k-means-+： an iterative clustering algorithm based on an enhanced version of the k-means［J］. Pattern Recognition， 2018， 79.
［14］杨卫红，赖清平，兰宇，等. 基于调节潜力指标的用户用电行为聚类分析算法研究［J］. 电力建设， 2018， 39（6）： 96-104.
YANG Weihong， LAI Qingping， LAN Yu， et al . Research on clustering analysis algorithm based on adjustable potential index for user power consumption behavior［J］. Electric Power Construction， 2018， 39（6）： 96-104.
［15］郝然，艾芊，肖斐. 基于多元大数据平台的用电行为分析构架研究［J］. 电力自动化设备， 2017， 37（8）： 20-27.
HAO Ran， AI Qian， XIAO Fei. Architecture based on multivariate big data platform for analyzing electricity consumption behavior［J］. Electric Power Automation Equipment， 2017， 37（8）： 20-27.
［16］罗运虎，邢丽冬，王勤，等. 峰谷分时电价用户响应模型参数的最小二乘估计［J］. 华东电力， 2009， 37（1）： 67-69.
LUO Yunhu， XING Lidong， WANG Qin， et al. Least-squares estimation of parameters of customer response models for peak and valley time-of-use electricity price［J］. East China Electric Power， 2009， 37（1）： 67-69.
［17］任炳俐，张振高，王学军，等. 基于用电采集数据的需求响应削峰潜力评估方法［J］. 电力建设， 2016， 37（11）： 64-70.
REN Bingli， ZHANG Zhengao， WANG Xuejun， et al. Assessment method of demand response peak shaving potential based on metered load data［J］. Electric Power Construction， 2016， 37（11）： 64-70.

[1]	任炳俐，张振高，王学军，李慧，闫大威，张沛. 基于用电采集数据的需求响应削峰潜力评估方法[J]. 电力建设, 2016, 37(11): 64-.
[2]	林子钊 . 基于数据挖掘技术的电力网络参数估计方法[J]. 电力建设, 2007, 28(1): 0-0.

基于自组织中心K-means算法的用户互动用电行为聚类分析

Clustering Analysis of User Power Interaction Behavior Based on Self-organizing Center K-means Algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 2

编辑推荐

Metrics

本文评价