一種基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，該方法包括：獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，對(duì)電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，構(gòu)建數(shù)據(jù)集。通過(guò)相關(guān)系數(shù)從數(shù)據(jù)集中選取與負(fù)荷值相關(guān)度超過(guò)第一閾值的提取特征，采用主成分分析基于提取特征構(gòu)建原始特征矩陣，基于原始特征矩陣計(jì)算協(xié)方差矩陣，得到降維后的特征矩陣。計(jì)算不同聚類(lèi)數(shù)目的總平方誤差，并通過(guò)肘部法則確定最優(yōu)聚類(lèi)數(shù)目，采用聚類(lèi)算法初始化聚類(lèi)中心。基于選定的聚類(lèi)數(shù)目和初始聚類(lèi)中心對(duì)降維后的特征矩陣進(jìn)行聚類(lèi)，更新迭代聚類(lèi)中心直至收斂。將未來(lái)特征矩陣投影至降維后的特征空間中，計(jì)算特征空間中每個(gè)未來(lái)特征到各簇質(zhì)心的距離，分配得到最近簇，以輸出負(fù)荷預(yù)測(cè)結(jié)果。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)屬于電力調(diào)度，更具體的，涉及一種基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法。
技術(shù)介紹
1、電力需求響應(yīng)是調(diào)節(jié)電力供需的重要手段。針對(duì)終端用戶(hù)等虛擬電廠(chǎng)實(shí)施需求響應(yīng)，一方面可以緩解電網(wǎng)高峰時(shí)期的壓力，減小對(duì)電網(wǎng)安全運(yùn)營(yíng)的影響；另一方面可以提高電力系統(tǒng)的運(yùn)行效率，減少不必要的資源浪費(fèi)，以達(dá)到整體利益最大化，使發(fā)電系統(tǒng)能夠高效、穩(wěn)定、安全運(yùn)行。
2、目前，傳統(tǒng)的電力需求響應(yīng)方法在用電需求響應(yīng)調(diào)度的過(guò)程中，主要根據(jù)工序的用電需求按照特定的負(fù)荷模式來(lái)對(duì)工序進(jìn)行電力調(diào)度，這在未來(lái)多變的可能用電需求較難進(jìn)行預(yù)測(cè)，進(jìn)而導(dǎo)致其在遇到較多工序以及用電需求多變的情況下難以兼顧最優(yōu)的電力分配策略，在一定程度上影響了工序或工序在特殊時(shí)段的用電需求。
技術(shù)實(shí)現(xiàn)思路
1、為解決現(xiàn)有技術(shù)中存在的不足，本專(zhuān)利技術(shù)的目的在于解決上述缺陷，進(jìn)而提出一種基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法。
2、本專(zhuān)利技術(shù)采用如下的技術(shù)方案。
3、本專(zhuān)利技術(shù)第一方面公開(kāi)了一種基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，所述方法包括：
4、獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，并對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，以構(gòu)建數(shù)據(jù)集，所述預(yù)處理包括缺失值填補(bǔ)、異常值檢測(cè)以及時(shí)間特征和滾動(dòng)統(tǒng)計(jì)特征的構(gòu)建；
5、通過(guò)相關(guān)系數(shù)從所述數(shù)據(jù)集中選取與負(fù)荷值相關(guān)度超過(guò)第一閾值的提取特征，并采用主成分分析算法基于所述提取特征構(gòu)建原始特征矩陣，以基于所述原始特征矩陣計(jì)算協(xié)方差矩陣，得到降維后的特征矩陣；</p>6、計(jì)算不同聚類(lèi)數(shù)目的總平方誤差，并通過(guò)肘部法則確定最優(yōu)聚類(lèi)數(shù)目，以及采用k-means聚類(lèi)算法初始化聚類(lèi)中心，得到選定的最優(yōu)聚類(lèi)數(shù)目和初始聚類(lèi)中心；
7、基于所述選定的聚類(lèi)數(shù)目和初始聚類(lèi)中心對(duì)所述降維后的特征矩陣進(jìn)行k-means聚類(lèi)，以更新迭代所述聚類(lèi)中心直至收斂，生成聚類(lèi)結(jié)果；
8、構(gòu)建未來(lái)特征矩陣，并將所述未來(lái)特征矩陣投影至降維后的特征空間中，并計(jì)算所述特征空間中每個(gè)未來(lái)特征到各簇質(zhì)心的距離，分配得到最近簇，以輸出負(fù)荷預(yù)測(cè)結(jié)果；
9、其中，所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)包括時(shí)間戳、負(fù)荷值、溫度、濕度以及日期特征，所述滾動(dòng)統(tǒng)計(jì)特征為通過(guò)計(jì)算歷史第一時(shí)間段內(nèi)的所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)的平均負(fù)荷和標(biāo)準(zhǔn)差得到的，所述未來(lái)特征矩陣為基于提取的未來(lái)第二時(shí)間段內(nèi)的溫度、濕度和日期特征進(jìn)行構(gòu)建得到的。
10、進(jìn)一步的，所述獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，并對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，以構(gòu)建數(shù)據(jù)集，包括：
11、采用線(xiàn)性插值法進(jìn)行缺失值填補(bǔ)，以填補(bǔ)缺失的負(fù)荷值，所述缺失值填補(bǔ)的表達(dá)式為：
12、
13、式中，和分別為前后時(shí)刻的負(fù)荷值，為缺失的負(fù)荷值；
14、采用z-score算法檢測(cè)異常值，并獲取設(shè)定的第二閾值，在z-score算法結(jié)果超過(guò)所述第二閾值時(shí)，將所述z-score算法結(jié)果對(duì)應(yīng)的負(fù)荷值替換為相鄰時(shí)刻的負(fù)荷值均值，所述z-score算法檢測(cè)異常值的表達(dá)式為。
15、進(jìn)一步的，所述獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，并對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，以構(gòu)建數(shù)據(jù)集，還包括：
16、從所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)中提取時(shí)間特征，所述時(shí)間特征包括小時(shí)、星期和節(jié)假日，并計(jì)算歷史第一時(shí)間段內(nèi)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)的的平均負(fù)荷和標(biāo)準(zhǔn)差，得到所述滾動(dòng)統(tǒng)計(jì)特征；
17、通過(guò)z-score算法對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)中的數(shù)值特征進(jìn)行標(biāo)準(zhǔn)化處理，所述z-score算法標(biāo)準(zhǔn)化處理的表達(dá)式為：
18、
19、式中，為原數(shù)值特征，為標(biāo)準(zhǔn)化后的數(shù)值特征，和分別為數(shù)值特征的均值和標(biāo)準(zhǔn)差。
20、進(jìn)一步的，所述通過(guò)相關(guān)系數(shù)從所述數(shù)據(jù)集中選取與負(fù)荷值相關(guān)度超過(guò)第一閾值的提取特征，并采用主成分分析算法基于所述提取特征構(gòu)建原始特征矩陣，以基于所述原始特征矩陣計(jì)算協(xié)方差矩陣，得到降維后的特征矩陣，包括：
21、采用相關(guān)系數(shù)算法選取與負(fù)荷值相關(guān)度超過(guò)第一閾值的提取特征，所述相關(guān)系數(shù)算法的表達(dá)式為：
22、
23、式中，為負(fù)荷值與所述提取特征的相關(guān)系數(shù)，為協(xié)方差，和分別為負(fù)荷值和提取特征的標(biāo)準(zhǔn)差；
24、通過(guò)主成分分析算法基于所述提取特征構(gòu)建原始特征矩陣，并計(jì)算所述原始特征矩陣對(duì)應(yīng)的協(xié)方差矩陣；
25、求解所述協(xié)方差矩陣的特征值和特征向量，按照特征值大小進(jìn)行排序，以確定主成分空間，并將所述原始特征矩陣投影至所述主成分空間，得到降維后的特征矩陣。
26、進(jìn)一步的，所述計(jì)算不同聚類(lèi)數(shù)目的總平方誤差，并通過(guò)肘部法則確定最優(yōu)聚類(lèi)數(shù)目，以及采用k-means聚類(lèi)算法初始化聚類(lèi)中心，得到選定的最優(yōu)聚類(lèi)數(shù)目和初始聚類(lèi)中心，包括：
27、計(jì)算不同聚類(lèi)數(shù)目下的總平方誤差，以繪制所述聚類(lèi)數(shù)目與所述總平方誤差之間的關(guān)系圖，并選取肘部所在的聚類(lèi)數(shù)目作為所述最優(yōu)聚類(lèi)數(shù)目；
28、通過(guò)k-means聚類(lèi)算法對(duì)所述聚類(lèi)中心進(jìn)行初始化，以提升聚類(lèi)效果和收斂速度，并輸出所述最優(yōu)聚類(lèi)數(shù)目和初始聚類(lèi)中心；
29、其中，所述總平方誤差的計(jì)算表達(dá)式為：
30、
31、式中，為總平方誤差，為聚類(lèi)數(shù)目，為第i個(gè)樣本，為第k個(gè)簇，為第k個(gè)簇的質(zhì)心。
32、進(jìn)一步的，所述基于所述選定的聚類(lèi)數(shù)目和初始聚類(lèi)中心對(duì)所述降維后的特征矩陣進(jìn)行k-means聚類(lèi)，以更新迭代所述聚類(lèi)中心直至收斂，生成聚類(lèi)結(jié)果，包括：
33、計(jì)算每個(gè)樣本到各簇質(zhì)心的歐式距離，以分配到所述最近簇，并重新計(jì)算每個(gè)簇的質(zhì)心，若重新計(jì)算后質(zhì)心變化量小于預(yù)設(shè)的收斂閾值，則停止迭代，得到訓(xùn)練后的聚類(lèi)模型；
34、計(jì)算每個(gè)樣本的輪廓系數(shù)，以評(píng)估聚類(lèi)過(guò)程的分散度和緊密度，并基于每個(gè)樣本的輪廓系數(shù)計(jì)算所有樣本輪廓系數(shù)的平均值，得到平均輪廓系數(shù)，所述平均輪廓系數(shù)用于評(píng)估聚類(lèi)效果；
35、其中，所述訓(xùn)練后的聚類(lèi)模型用于預(yù)測(cè)并輸出所述負(fù)荷預(yù)測(cè)結(jié)果。
36、進(jìn)一步的，所述負(fù)荷預(yù)測(cè)結(jié)果包括電網(wǎng)在未來(lái)第三時(shí)間段內(nèi)的電網(wǎng)負(fù)荷情況以及各工序的用電需求，所述方法還包括：
37、基于預(yù)測(cè)的所述電網(wǎng)負(fù)荷情況以及各工序的電量需求，通過(guò)深度學(xué)習(xí)算法對(duì)多個(gè)工序進(jìn)行拓?fù)渑判颍垣@取多個(gè)用于表征不同工序之間依賴(lài)關(guān)系和用電需求的工序拓?fù)渑判蚪Y(jié)果；
38、基于所述工序拓?fù)渑判蚪Y(jié)果，并結(jié)合預(yù)測(cè)的所述電網(wǎng)負(fù)荷情況以及各工序的用電需求，調(diào)用深度學(xué)習(xí)算法從多個(gè)所述工序拓?fù)渑判蚪Y(jié)果中選取最優(yōu)拓?fù)渑判颍詫㈦娏ω?fù)荷最優(yōu)分配至各工序。
39、本專(zhuān)利技術(shù)第二方面公開(kāi)了一種用電需求自動(dòng)響應(yīng)裝置，所述裝置包括：
40、數(shù)據(jù)預(yù)處理模塊，用于獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，并對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，以構(gòu)建數(shù)據(jù)集，所述預(yù)處理包括缺失值填補(bǔ)、異常值檢測(cè)以及時(shí)間特征和滾動(dòng)統(tǒng)計(jì)特征的構(gòu)建；
41、特征處理模塊，用于通過(guò)相關(guān)系數(shù)從所述數(shù)據(jù)集中選取與負(fù)荷值相關(guān)度本文檔來(lái)自技高網(wǎng)
...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，并對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，以構(gòu)建數(shù)據(jù)集，包括：
3.根據(jù)權(quán)利要求2所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，并對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，以構(gòu)建數(shù)據(jù)集，還包括：
4.根據(jù)權(quán)利要求3所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述通過(guò)相關(guān)系數(shù)從所述數(shù)據(jù)集中選取與負(fù)荷值相關(guān)度超過(guò)第一閾值的提取特征，并采用主成分分析算法基于所述提取特征構(gòu)建原始特征矩陣，以基于所述原始特征矩陣計(jì)算協(xié)方差矩陣，得到降維后的特征矩陣，包括：
5.根據(jù)權(quán)利要求4所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述計(jì)算不同聚類(lèi)數(shù)目的總平方誤差，并通過(guò)肘部法則確定最優(yōu)聚類(lèi)數(shù)目，以及采用K-means聚類(lèi)算法初始化聚類(lèi)中心，得到選定的最優(yōu)聚類(lèi)數(shù)目和初始聚類(lèi)中心，包括：
6.根據(jù)權(quán)利要求5所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述基于所述選定的聚類(lèi)數(shù)目和初始聚類(lèi)中心對(duì)所述降維后的特征矩陣進(jìn)行K-means聚類(lèi)，以更新迭代所述聚類(lèi)中心直至收斂，生成聚類(lèi)結(jié)果，包括：
7.根據(jù)權(quán)利要求1至6任一項(xiàng)所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述負(fù)荷預(yù)測(cè)結(jié)果包括電網(wǎng)在未來(lái)第三時(shí)間段內(nèi)的電網(wǎng)負(fù)荷情況以及各工序的用電需求，所述方法還包括：
8.一種用電需求自動(dòng)響應(yīng)裝置，其特征在于，所述裝置包括：
9.一種終端，包括處理器及存儲(chǔ)介質(zhì)；其特征在于：
10.計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-7任一項(xiàng)所述方法的步驟。
...
【技術(shù)特征摘要】
1.一種基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，并對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，以構(gòu)建數(shù)據(jù)集，包括：
3.根據(jù)權(quán)利要求2所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述獲取電網(wǎng)歷史負(fù)荷數(shù)據(jù)，并對(duì)所述電網(wǎng)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，以構(gòu)建數(shù)據(jù)集，還包括：
4.根據(jù)權(quán)利要求3所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述通過(guò)相關(guān)系數(shù)從所述數(shù)據(jù)集中選取與負(fù)荷值相關(guān)度超過(guò)第一閾值的提取特征，并采用主成分分析算法基于所述提取特征構(gòu)建原始特征矩陣，以基于所述原始特征矩陣計(jì)算協(xié)方差矩陣，得到降維后的特征矩陣，包括：
5.根據(jù)權(quán)利要求4所述的基于能耗分項(xiàng)計(jì)量的用電需求自動(dòng)響應(yīng)方法，其特征在于，所述計(jì)算不同聚類(lèi)數(shù)...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：李輝，常曉敏，偶洋，張國(guó)慶，
申請(qǐng)(專(zhuān)利權(quán))人：南京深度智控科技有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。