用电行为模式识别步骤

用电行为模式识别步骤如图6-1所示。

图6-1用电行为模式识别步骤

(1)数据选择

通过自动抄表系统、智能家居系统等可以获取电力用户的电力消费数据即负荷数据。常用采集间隔为15min、30min或1h。用户负荷数据的初步选择可以按时间(月、季、年)、地理区域和电压等级(高、中、低)等条件进行。此外，数据选择还与应用目的有关。

(2)数据清理

检查每个用户的负荷曲线数据是否正常，修改或删除有明显错误(不完整、有噪声或不一致)的数据。

(3)数据预处理

由于用户的行业性质及负荷大小不同，原始负荷数据值之间可能会存在巨大差异，有时甚至相差多个数量级，不经处理聚类会影响聚类质量，使得聚类结果不可靠。因此在对数据进行聚类前必须对数据集进行规范化，把样本数据限制到一定范内。这样不仅便于数据的后续处理，还可以提高收敛速度以缩短聚类的运行时间。

(4)负荷曲线聚类

即用聚类算法对规范化后的负荷曲线在给定聚类数下进行聚类。聚类分析结果易受到多种因素的影响，如规范化方式、聚类结果对数据集的依赖性、算法的稳定性、算法对数据输入顺序的敏感性等。负荷曲线聚类首先要确定负荷特性指标、选择合适的聚类算法和确定其椭应的参数。

(5)聚类结果评价与反馈

对前述步骤中获得的聚类结果进行分析和评价。对于聚类数目，可以依据用户涉及的电价类别或国民经济活动行业分关给定，这样便于分析找到电价类别和行业类别与负荷模式的对应关系以及负荷曲线的负荷模式分布，也可确定每个客户的典型负荷模式。反馈过程可检查所涉及用户的数量和包含在所有各负荷模式的负荷曲线数目，确定移除客户的非典型负荷曲线(聚类中表现为离群数据)。并利用聚类有效性指标评价聚类结果的质量。

(6)用户分类与典型负荷分布的生成

通过聚类结果评价和反馈后可确定合适的聚类数，实现依据负荷模式的用户分类并获得用户典型负荷模式的对应分布。用户分类和典型负荷模式提取的最终目标是为了支持电力系统运营决策，优化运行，降低损耗，提高经济效益。