【技术实现步骤摘要】
本专利技术属于电力系统负荷分析，具体涉及一种基于评分体系的电网负荷特征画像方法、系统、设备及介质。
技术介绍
1、随着生活水平的提高与电动汽车等的普及，配-微电网用电水平呈现出灵活多变、日趋复杂的发展态势，针对配-微电网负荷特征分析的重要性逐渐增加。对配电网节点的负荷数据进行科学合理的分类与分析，可以帮助配电运营商更好地掌握和分析微电网的用电特征及其相关特点，从而为制定微电网负荷水平精细化管理提供依据，最终针对性地对配电网的负荷波动等情况进行优化和改进。
2、中国专利技术专利申请cn116226699a公开了一种多类型配电网电力负荷数据聚类融合方法，包括：(1)收集变电站母线负荷的历史数据，进行坏数据清理和标幺化；清理后的数据进行重构，将历史电力负荷曲线以24小时为单位分解为n个样本，每个样本有96维数据；(2)使用拉普拉斯特征映射降维算法将96维数据进行降维；(3)利用分类适确性指标dbi、方差比准则chi和间隔统计量gap statistic对聚类算法进行评估并搜索最优类别数目；(4)找到最优的聚类数目后，采用kmeans++无监督学习算法对降维后的数据进行聚类，利用聚类后的每个电力负荷样本序列，将原始负荷数据曲线按照类别进行可视化。
3、前述专利技术专利申请可挖掘电力负荷数据在长时间尺度的规律，能够对不同类型负荷进行自动聚类，进而分析负荷特性。但是，还存在以下一些不足：1、聚类时采用流行的kmeans++算法，kmeans++是针对kmeans的一种改进型方法，其主要的改进点是对kmeans随机初始
技术实现思路
1、本专利技术针对现有微电网负荷分析方法不够精细化的不足，提供一种基于ls-ap-dbi评分体系的电网负荷特征画像方法，对微电网负荷进行更科学精细的分析。本专利技术同时提供一种基于ls-ap-dbi评分体系的电网负荷特征画像系统、设备及介质。
2、为实现上述目的，本专利技术采用如下技术方案：一种基于ls-ap-dbi评分体系的电网负荷特征画像方法，所述基于ls-ap-dbi评分体系的电网负荷特征画像方法包括：
3、获取微电网年内日用电负荷曲线，对年内日用电负荷曲线的不同特征进行归一化并采用拉普拉斯分数评分法评分，分别选取评分最低的r项特征构建多个聚类特征集，2≤r≤总特征数；
4、将各聚类特征集作为偏好值分别输入近邻传播算法进行聚类计算，得到多个聚类结果；
5、使用戴维森堡丁指数评估不同偏好值结果下的近邻传播算法的区分效果，将区分效果最好的邻近传播聚类算法结果作为最优聚类结果；
6、平均化最优聚类结果中的各类曲线得到多条聚类平均曲线，平均化所有年内日用电负荷曲线得到年平均曲线，比较聚类平均曲线和年平均曲线，对最优聚类结果中的各类曲线贴上与特征相对应的类标签；
7、获取电网负荷整体标签，整合类标签和整体标签，生成微电网负荷用电画像。
8、作为改进，拉普拉斯分数(laplacian score，ls)评分法构建特征集的过程包括：
9、获取画像所需的相关特征；
10、对画像所需的相关特征进行归一化；
11、构建权重矩阵z，对归一化后的每个特征分别构建m×m的邻接矩阵z，z中各元素取值如下：
12、
13、式中：xi、xj分别为该特征第i个和第j个样本的取值，t为适当常量；
14、根据所得邻接矩阵计算ls评分，公式如下：
15、
16、式中：lsr为第r个特征的ls评分，fri表示第r个特征的第i个样本的相量(i＝1,2,…,m)，var(fr)表示的是相量fr的方差，fr＝[fr1,fr2,...,frm]t，t表示相量的转置。
17、按照评分结果由小到大将特征依次排序，各特征重要性优先级依次减小。
18、作为改进，特征包括最大负荷、最小负荷、平均负荷、峰谷差、峰荷时段、日夜用电特性、峰谷差率、负荷率、波动度、冲击度中的至少两个。
19、作为改进，近邻传播算法(affinity propagation，ap)的聚类过程包括：
20、构建相似度矩阵s：s(i,j)表示点j作为点i的聚类中心的能力，表示为：
21、s(i,j)＝-||xi-xj||2 (3)
22、将非对角线元素定义为相似度，对角线元素定义为参考度，参考度指点i作为聚类中心的参考度，取值越大，作为聚类中心的可能性就越大；各元素取值相等，为全体s(i,j)的中位数；
23、计算吸引度，计算公式为：
24、rt+1(i,k)＝(1-λ)r′t+1(i,k)+λrt(i,k) (4)
25、
26、式中：r(i,k)为吸引度，定义为点k适合作为数据点i的聚类中心的程度；a(i,k)为归属度，定义为点i选择点k作为其聚类中心的适合程度；t为迭代次数；λ为阻尼系数，0.5<λ<1；
27、计算归属度，计算公式为：
28、at+1(i,k)＝(1-λ)at+1(i,k)+λat(i,k) (6)
29、
30、迭代更新计算吸引度r(i,k)及归属度a(i,k)，直至连续数次迭代后聚类中心不再变化或达到最大迭代次数，聚类终止。
31、作为改进，使用戴维森堡丁指数(davies-bouldin index，dbi)对每次聚类后的结果进行评分，选取最低的dbi指数对应的特征数作为ap聚类算法的最终偏好值，其评分步骤如下：
32、计算数据点分散程度：
33、
34、式中：si为第i簇中数据点的分散程度；ti为该簇数据的总数；xj为第i簇中第j个数据点；ai为第i类的中心数据点；当q＝1时，表示各点到中心距离的均值，当q＝2时，表示各点到中心距离的标准差；
35、计算簇间距离：
36、
37、式中：mij表示第i簇与第j簇的距离；aki表示第i簇的中心点的第k个属性的值，akj表示第i簇的中心点的第j个属性的值。当p＝1时，表示各点到中心距离的均值，当p＝2时，表示各点到中心距离的标准差；
38、计算簇间相似度：
39、
40、式中：rij为第i簇和第j簇的相似度；
41、计算簇与其他簇的最大相似值：
42、ri＝max(ri1,ri2,...,rij本文档来自技高网...
【技术保护点】
1.一种基于评分体系的电网负荷特征画像方法，其特征在于：包括：
2.根据权利要求1所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：拉普拉斯分数评分法构建特征集的过程包括：
3.根据权利要求2所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：画像所需的相关特征包括最大负荷、最小负荷、平均负荷、峰谷差、峰荷时段、日夜用电特性、峰谷差率、负荷率、波动度、冲击度中的至少两个。
4.根据权利要求1所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：近邻传播算法的聚类过程包括：
5.根据权利要求1所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：使用戴维森堡丁指数对每次聚类后的结果进行评分，选取最低的戴维森堡丁指数对应的特征数作为近邻传播算法的最终偏好值，其评分步骤如下：
6.根据权利要求1所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：对各类曲线贴上与特征相对应的类标签的过程包括：
7.根据权利要求1所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：获取电网负荷整体标签
8.一种基于评分体系的电网负荷特征画像系统，其特征在于：所述基于评分体系的电网负荷特征画像系统包括：
9.计算机设备，包括处理器和存储介质，存储介质中存储有计算机程序，其特征在于：计算机程序被处理器执行时实现如权利要求1至7任一所述的基于评分体系的电网负荷特征画像方法。
10.计算机可读存储介质，其特征在于：其上存储有计算机程序，当计算机程序被执行时，实现如权利要求1至7任一所述的基于评分体系的电网负荷特征画像方法。
...【技术特征摘要】
1.一种基于评分体系的电网负荷特征画像方法，其特征在于：包括：
2.根据权利要求1所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：拉普拉斯分数评分法构建特征集的过程包括：
3.根据权利要求2所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：画像所需的相关特征包括最大负荷、最小负荷、平均负荷、峰谷差、峰荷时段、日夜用电特性、峰谷差率、负荷率、波动度、冲击度中的至少两个。
4.根据权利要求1所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：近邻传播算法的聚类过程包括：
5.根据权利要求1所述的一种基于评分体系的电网负荷特征画像方法，其特征在于：使用戴维森堡丁指数对每次聚类后的结果进行评分，选取最低的戴维森堡丁指数对应的特征数作为近邻传播算法的最终偏好值，...
【专利技术属性】
技术研发人员：张雪松，赵波，陈哲，李志浩，葛晓慧，汪湘晋，项燊鹏，林墨涵，曾平良，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。