本發(fā)明涉及一種負(fù)荷用電模式識(shí)別方法，屬于智能電網(wǎng)用戶用電分析
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：隨著智能電網(wǎng)的不斷發(fā)展，智能電表的普及率越來越高。作為智能電網(wǎng)高級(jí)量測體系的重要組成部分，智能電表是連接居民和電網(wǎng)的關(guān)鍵設(shè)備，是了解居民用電情況的重要接口。如何利用智能電表采集得到的大量居民用電數(shù)據(jù)，對其進(jìn)行數(shù)據(jù)挖掘以獲得有助于提高運(yùn)行可靠性與經(jīng)濟(jì)社會(huì)效益的有效信息是傳統(tǒng)電力公司向綜合能源服務(wù)商轉(zhuǎn)型過程中迫切需要解決的重要問題之一。居民的用電數(shù)據(jù)可以反映居民的用電行為習(xí)慣，基于居民用電數(shù)據(jù)的用電模式識(shí)別是研究居民用電行為習(xí)慣的重要手段，其可為電力公司制定需求側(cè)響應(yīng)政策以及高精度負(fù)荷預(yù)測提供支撐，對于提升電力公司服務(wù)水平，改善電網(wǎng)資產(chǎn)利用效率、提高企業(yè)經(jīng)濟(jì)效益、節(jié)能增效具有重要意義。當(dāng)前研究居民負(fù)荷用電模式識(shí)別的主要研究方法是對居民負(fù)荷曲線進(jìn)行聚類分析。聚類分析方法能較好地“理解”用電負(fù)荷內(nèi)部構(gòu)成的特點(diǎn)，從統(tǒng)計(jì)的角度給出哪些客戶用電負(fù)荷曲線特征具有很高的共性或反映出同種規(guī)律性，以此將這些用電客戶識(shí)別為同類型用戶。在現(xiàn)有的研究中，K-means算法因其原理簡單、容易編程實(shí)現(xiàn)、運(yùn)行速度較快等優(yōu)點(diǎn)而被廣泛采用。近年來居民負(fù)荷用電模式識(shí)別的研究中引入了智能群體算法，并取得了不錯(cuò)的應(yīng)用效果。然而無論是經(jīng)典的K-means算法，還是如粒子群算法(ParticleSwarmOptimization,PSO)等智能優(yōu)化算法，都存在對初始聚類中心敏感，易陷入局部最優(yōu)的缺點(diǎn)，導(dǎo)致聚類質(zhì)量不高，聚類結(jié)果穩(wěn)定性差等問題。技術(shù)實(shí)現(xiàn)要素：針對現(xiàn)有技術(shù)所存在的上述弊端，本發(fā)明提出一種基于引力搜索算法的負(fù)荷用電模式識(shí)別方法，該方法在識(shí)別效果上優(yōu)于傳統(tǒng)聚類方法，能夠有效實(shí)現(xiàn)負(fù)荷用電模式的識(shí)別，為需求側(cè)響應(yīng)方案設(shè)計(jì)、負(fù)荷特性分析及其高精度預(yù)測提供支撐。根據(jù)本發(fā)明，提供一種負(fù)荷用電模式識(shí)別方法，包括如下步驟：S1：以采樣時(shí)間間隔T對用電負(fù)荷進(jìn)行采集，得到L天時(shí)間內(nèi)對應(yīng)的L條日負(fù)荷曲線；S2：對得到的日負(fù)荷曲線進(jìn)行基于密度的空間聚類，得到典型負(fù)荷用電模式；S3：提取描述在不同時(shí)間尺度下用電行為的特征；S4：利用引力搜索算法對提取得到的用電特征進(jìn)行聚類；S5：重復(fù)步驟S4，利用聚類評價(jià)指標(biāo)對聚類結(jié)果進(jìn)行評價(jià)，并選出最優(yōu)聚類結(jié)果即負(fù)荷用電模式的識(shí)別結(jié)果。作為優(yōu)選，在所述步驟S2中，所述的典型負(fù)荷用電模式為剔除L條日負(fù)荷曲線中的所有異常日負(fù)荷曲線后剩余日負(fù)荷曲線的平均值。作為優(yōu)選，所述步驟S2中，得到典型負(fù)荷用電模式所使用的方法是具有噪聲的基于密度的空間聚類(DBSCAN)。作為優(yōu)選，具有噪聲的基于密度的空間聚類(DBSCAN)中涉及到的參數(shù)搜索半徑ε的計(jì)算公式如下：其中，Pmax是L天內(nèi)的最大負(fù)荷，S為一天內(nèi)負(fù)荷數(shù)據(jù)的采樣點(diǎn)個(gè)數(shù)。作為優(yōu)選，確定具有噪聲的基于密度的空間聚類(DBSCAN)中涉及到的參數(shù)最小對象數(shù)目MinPts的標(biāo)準(zhǔn)為，異常用電曲線個(gè)數(shù)不超過L條日負(fù)荷曲線的20％，其中MinPts按下式計(jì)算：MintPts＝L/5。作為優(yōu)選，所述步驟S3中，不同時(shí)間尺度為：按照北半球的標(biāo)準(zhǔn)將全年分為四個(gè)季節(jié)，分別是：春季、夏季、秋季、和冬季；此外，將一天分為四個(gè)階段，分別是：階段1：00:00-06:30,22:00-24:00，深夜，階段2：06:30-9:00，早晨，階段3：9:00-17:00，白天，階段4：17:00-22:00，夜晚；所述在不同時(shí)間尺度下的用電行為的特征為：a、四個(gè)階段全年相對平均功率其中，表示第q階段全年相對平均功率，Pq,q＝1,2,3,4為一天第q階段的全年平均功率，為全年的平均功率；b、全年相對平均功率標(biāo)準(zhǔn)差其中，表示全年相對平均功率標(biāo)準(zhǔn)差，σq,q＝1,2,3,4為一天第q階段的平均標(biāo)準(zhǔn)差；c、典型負(fù)荷用電模式的四季平均相關(guān)系數(shù)其中，為典型負(fù)荷用電模式的四季平均相關(guān)系數(shù)，分別為p季節(jié)和h季節(jié)的典型負(fù)荷用電模式，分別是p季節(jié)和h季節(jié)典型負(fù)荷用電模式的平均值，ρp,h表示p季節(jié)與h季節(jié)典型負(fù)荷用電模式的相關(guān)系數(shù)；對于每個(gè)采樣對象n，提取六個(gè)特征：四個(gè)階段全年相對平均功率全年相對平均功率標(biāo)準(zhǔn)差典型負(fù)荷用電模式的四季平均相關(guān)系數(shù)，組成一個(gè)六維的特征向量fn＝[f1,f2,f3,f4,f5,f6]，N戶采樣對象的特征向量形成特征矩陣F。作為優(yōu)選，所述步驟S4中，利用引力搜索算法對提取得到的用電特征進(jìn)行聚類，其過程包括以下三個(gè)階段：a、初始化首先設(shè)定聚類數(shù)目K、粒子數(shù)目A、最大迭代次數(shù)iterNum、萬有引力常數(shù)G0以及衰減系數(shù)α，將每個(gè)樣本隨機(jī)指定為某一類，作為粒子i,i＝1,2,...,A的初始聚類劃分，通過計(jì)算每類樣本的平均值，獲取初始聚類中心Ci(0)，并將其作為粒子i的位置編碼xi，所有的粒子組成位置矩陣X(0)，同時(shí)隨機(jī)初始化相同大小的速度矩陣V(0)，b、迭代更新利用適應(yīng)度函數(shù)來評價(jià)每個(gè)粒子的好壞，適應(yīng)度函數(shù)如下所示：式中t為迭代次數(shù)，fiti(t)為第i個(gè)粒子在第t次迭代時(shí)的適應(yīng)度值，Cik為第i個(gè)粒子的第k個(gè)聚類中心，fn為第n戶采樣對象的特征向量；計(jì)算每個(gè)粒子的質(zhì)量，并對其進(jìn)行歸一化，其中mi(t)是粒子i第t次迭代時(shí)的質(zhì)量，Mi(t)是mi(t)歸一后的質(zhì)量，best(t)和worst(t)分別表示第t次迭代時(shí)適應(yīng)度函數(shù)的最小值和最大值，計(jì)算公式如下：每個(gè)粒子受到其他粒子對其的萬有引力以及每個(gè)粒子的加速度可按下式計(jì)算：式中，表示第i個(gè)粒子在第t次迭代時(shí)在第d維上受到的引力大小，randj為一個(gè)介于[0,1]之間的隨機(jī)數(shù)，G(t)是第t次迭代時(shí)的引力常數(shù)，具體如下式所示：G(t)＝G0×e-αt/iterNum其中G0為萬有引力常數(shù)初始值，α為衰減系數(shù)；Rij(t)是第t次迭代時(shí)粒子i和粒子j之間的歐氏距離，其中，Pmax是L天內(nèi)的最大負(fù)荷，S為一天內(nèi)負(fù)荷數(shù)據(jù)的采樣點(diǎn)個(gè)數(shù)，是第t次迭代時(shí)粒子i在d維上的加速度；每一個(gè)粒子在每次迭代過程中按下式更新速度和位置：其中分別表示第i個(gè)粒子在第d維上的速度和位置；按照最近距離歸類原則，將每個(gè)樣本重新分配到當(dāng)前距離該樣本最近的聚類中心，分配完成后重新計(jì)算聚類中心，更新粒子的適應(yīng)度值；c、停止當(dāng)適應(yīng)度函數(shù)值不再下降或者當(dāng)?shù)螖?shù)達(dá)到預(yù)設(shè)定的最大迭代次數(shù)iterNum時(shí)即停止迭代，獲得聚類最優(yōu)解。作為優(yōu)選，所述步驟S5中，采用聚類離散度(CDI)作為聚類評價(jià)指標(biāo)，其計(jì)算公式如下：式中表示各個(gè)聚類中心間的平均距離，表示第k類內(nèi)的平均距離，這里的距離均為歐式距離，CDI值越小，聚類效果越好；重復(fù)步驟S4，且每次隨機(jī)選取GSA的初始聚類中心，從中選取聚類結(jié)果中CDI指標(biāo)最小的一次聚類結(jié)果作為居民典型負(fù)荷用電模式識(shí)別的最終結(jié)果。本發(fā)明的有益效果在于：引力搜索算法搜索能力強(qiáng)，收斂速度快，不易陷入局部最優(yōu)解；本發(fā)明在聚類質(zhì)量及聚類結(jié)果的穩(wěn)定性上都優(yōu)于傳統(tǒng)的聚類算法，能夠有效實(shí)現(xiàn)居民負(fù)荷用電模式的識(shí)別，可為需求側(cè)響應(yīng)方案設(shè)計(jì)、負(fù)荷特性分析及其高精度預(yù)測提供有力指導(dǎo)。附圖說明圖1是本發(fā)明的步驟流程示意圖；圖2是引力搜索算法流程示意圖；圖3是某戶居民夏季的典型負(fù)荷用電模式提取結(jié)果；圖4是居民四個(gè)階段全年相對平均功率分布直方圖；圖5是居民全年相對平均功率標(biāo)準(zhǔn)差分布直方圖；圖6是兩戶居民(分別是#50用戶和#203用戶)各個(gè)季節(jié)的典型負(fù)荷用電模式；圖7是居民負(fù)荷用電模式的識(shí)別結(jié)果。具體實(shí)施方式下面結(jié)合具體實(shí)例及附圖對本發(fā)明進(jìn)行進(jìn)一步說明，但本發(fā)明的保護(hù)范圍并不僅限于此。本申請中，為了便于說明，以居民的負(fù)荷用電模式識(shí)別為例進(jìn)行詳細(xì)說明。如圖1所示，一種基于引力搜索算法的居民負(fù)荷用電模式識(shí)別方法，包括如下步驟：S1：以采樣時(shí)間間隔T對居民的用電負(fù)荷進(jìn)行采集，得到居民L天時(shí)間內(nèi)對應(yīng)的L條日負(fù)荷曲線；S2：對得到的居民日負(fù)荷曲線進(jìn)行基于密度的空間聚類，得到居民典型負(fù)荷用電模式；S3：提取描述居民在不同時(shí)間尺度下用電行為的特征；S4：利用引力搜索算法對提取得到的居民用電特征進(jìn)行聚類；S5：重復(fù)步驟S4，利用聚類評價(jià)指標(biāo)對聚類結(jié)果進(jìn)行評價(jià)，并選出最優(yōu)聚類結(jié)果即居民負(fù)荷用電模式的識(shí)別結(jié)果。所述步驟S1中：對于某戶居民n,n＝1,2...,N，通過智能電表采集得到其L天的負(fù)荷數(shù)據(jù)，記為其中代表第n戶居民第l天中第s個(gè)采樣點(diǎn)的用電負(fù)荷，S為一天總的采樣點(diǎn)個(gè)數(shù)，N為用戶總數(shù)。則第n戶居民第l天的日負(fù)荷曲線可表示為：所述步驟S2中：所述的居民典型負(fù)荷用電模式為剔除L個(gè)日負(fù)荷曲線中的所有異常日負(fù)荷曲線后剩余日負(fù)荷曲線的平均值，它是一個(gè)維數(shù)為S的向量。其中，異常負(fù)荷曲線是指受到極端天氣、節(jié)假日等因素的影響，用戶在某些天的用電曲線在負(fù)荷高峰的峰值以及出現(xiàn)的時(shí)間段與平常相比存在較大差別的負(fù)荷曲線。作為優(yōu)選，所述步驟S2中，得到居民典型負(fù)荷用電模式所使用的方法是DBSCAN(具有噪聲的基于密度的空間聚類(Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN)。作為優(yōu)選，DBSCAN中涉及到的參數(shù)搜索半徑ε的計(jì)算公式如下：其中，S為一天總的采樣點(diǎn)個(gè)數(shù)，Pmax是L天內(nèi)的最大負(fù)荷。作為優(yōu)選，確定DBSCAN中涉及到的參數(shù)最小對象數(shù)目MinPts的標(biāo)準(zhǔn)為，異常用電曲線個(gè)數(shù)不超過L條日負(fù)荷曲線的20％，因此MinPts可按下式計(jì)算：MintPts＝L/5作為優(yōu)選，所述步驟S3中：按照北半球的標(biāo)準(zhǔn)將全年分為四個(gè)季節(jié)，分別是：春季(3月～5月)，夏季(6月～8月)，秋季(9月～11月)，冬季(12月～2月)。此外，將一天分為四個(gè)階段，分別是：階段1(00:00-06:30,22:00-24:00，深夜)，階段2(06:30-9:00，早晨)，階段3(9:00-17:00，白天)，階段4(17:00-22:00，夜晚)。提取如下特征參數(shù)描述用戶在不同時(shí)間尺度下的用電行為：a、居民四個(gè)階段全年相對平均功率其中，表示居民第q階段全年相對平均功率，Pq,q＝1,2,3,4為居民一天第q階段的全年平均功率，為居民全年的平均功率。b、居民全年相對平均功率標(biāo)準(zhǔn)差其中，表示居民全年相對平均功率標(biāo)準(zhǔn)差，σq,q＝1,2,3,4為居民全年第q階段的平均標(biāo)準(zhǔn)差。首先對每天第q階段的負(fù)荷序列取標(biāo)準(zhǔn)差，這樣對于某個(gè)特定的用戶一天第q階段就有一個(gè)標(biāo)準(zhǔn)差，然后對全年第q階段的所有標(biāo)準(zhǔn)差取平均即為所述的全年第q階段平均標(biāo)準(zhǔn)差。c、居民典型負(fù)荷用電模式的四季平均相關(guān)系數(shù)其中，為居民典型負(fù)荷用電模式的四季平均相關(guān)系數(shù)，分別為p季節(jié)和h季節(jié)的居民典型負(fù)荷用電模式，分別是p季節(jié)和h季節(jié)居民典型負(fù)荷用電模式的平均值，其中，P季節(jié)、h季節(jié)的典型負(fù)荷用電模式平均值為剔除該季節(jié)所有日負(fù)荷曲線中的所有異常日負(fù)荷曲線后剩余日負(fù)荷曲線的平均值，ρp,h表示p季節(jié)與h季節(jié)居民典型負(fù)荷用電模式的相關(guān)系數(shù)。對于每戶居民n，可提取如上六個(gè)特征：居民四個(gè)階段全年相對平均功率居民全年相對平均功率標(biāo)準(zhǔn)差居民典型負(fù)荷用電模式的四季平均相關(guān)系數(shù)，組成一個(gè)六維的特征向量fn＝[f1,f2,f3,f4,f5,f6]，N戶居民的特征向量形成特征矩陣F。作為優(yōu)選，所述步驟S4中：利用引力搜索算法GSA(gravitationalsearchalgorithm)對提取得到的用戶用電特征進(jìn)行聚類，其過程主要分為以下三個(gè)階段：a、初始化首先設(shè)定聚類數(shù)目K、粒子數(shù)目A、最大迭代次數(shù)iterNum、萬有引力常數(shù)G0以及衰減系數(shù)α。其中粒子數(shù)目和最大迭代次數(shù)影響算法最終的尋優(yōu)精度，一般地粒子數(shù)越多，最大迭代次數(shù)越大，最終得到的最優(yōu)解精度越高，但是粒子數(shù)和最大迭代次數(shù)同時(shí)也影響算法的運(yùn)算時(shí)間，因此這些數(shù)據(jù)一般是考慮兼顧運(yùn)算精度和運(yùn)算時(shí)間經(jīng)試驗(yàn)確定的。將每個(gè)樣本隨機(jī)指定為某一類，作為粒子i,i＝1,2,...,A的初始聚類劃分，通過計(jì)算每類樣本的平均值，獲取初始聚類中心Ci(0)，并將其作為粒子i的位置編碼xi，所有的粒子組成位置矩陣X(0)，同時(shí)隨機(jī)初始化相同大小的速度矩陣V(0)。b、迭代更新利用適應(yīng)度函數(shù)來評價(jià)每個(gè)粒子的好壞，適應(yīng)度函數(shù)如下所示：式中t為迭代次數(shù)，fiti(t)為第i個(gè)粒子在第t次迭代時(shí)的適應(yīng)度值，Cik為第i個(gè)粒子的第k個(gè)聚類中心，fn為第n戶居民的特征向量。計(jì)算每個(gè)粒子的質(zhì)量，并對其進(jìn)行歸一化其中mi(t)是粒子i第t次迭代時(shí)的質(zhì)量，Mi(t)是mi(t)歸一后的質(zhì)量，best(t)和worst(t)分別表示第t次迭代時(shí)適應(yīng)度函數(shù)的最小值和最大值，計(jì)算公式如下：每個(gè)粒子受到其他粒子對其的萬有引力以及每個(gè)粒子的加速度可按下式計(jì)算：式中，表示第i個(gè)粒子在第t次迭代時(shí)在第d維上受到的引力大小，randj為一個(gè)介于[0,1]之間的隨機(jī)數(shù)，G(t)是第t次迭代時(shí)的引力常數(shù)，具體如下式所示：G(t)＝G0×e-αt/iterNum其中G0為萬有引力常數(shù)初始值，α為衰減系數(shù)。萬有引力常數(shù)和衰減系數(shù)對算法的收斂性能有較大影響，現(xiàn)有算法給出了這兩個(gè)參數(shù)的參考取值，分別為100和20。本發(fā)明在結(jié)合實(shí)例數(shù)據(jù)進(jìn)行試驗(yàn)的基礎(chǔ)上，最終取當(dāng)CDI平均值最小的一組參數(shù)作為最終取值(CDI值是用來評價(jià)聚類的好壞的，CDI值越小表明聚類效果越好)，具體見后面的實(shí)施例。Rij(t)是第t次迭代時(shí)粒子i和粒子j之間的歐氏距離，ε為一個(gè)值很小的常數(shù)，是第t次迭代時(shí)粒子i在d維上的加速度。每一個(gè)粒子在每次迭代過程中按下式更新速度和位置：其中分別表示第i個(gè)粒子在第d維上的速度和位置。按照最近距離歸類原則，將每個(gè)樣本重新分配到當(dāng)前距離該樣本最近的聚類中心，分配完成后重新計(jì)算聚類中心，更新粒子的適應(yīng)度值。c、停止當(dāng)適應(yīng)度函數(shù)值不再下降或者當(dāng)?shù)螖?shù)達(dá)到預(yù)設(shè)定的最大迭代次數(shù)iterNum時(shí)即停止迭代，獲得聚類最優(yōu)解。作為優(yōu)選，所述步驟S5中：采用CDI(ClusteringDispersionIndicator，聚類離散度)作為聚類評價(jià)指標(biāo)，其計(jì)算公式如下：式中表示各個(gè)聚類中心間的平均距離，表示第k類內(nèi)的平均距離，這里的距離均為歐式距離。CDI值越小，聚類效果越好。重復(fù)步驟S4多次，且每次隨機(jī)選取GSA(gravitationalsearchalgorithm引力搜索算法)的初始聚類中心，從中選取聚類結(jié)果中CDI指標(biāo)最小的一次聚類結(jié)果作為居民負(fù)荷用電模式的識(shí)別結(jié)果。現(xiàn)以某地區(qū)208戶居民一年(365天)的負(fù)荷實(shí)測數(shù)據(jù)為例，對本發(fā)明所提供的方法進(jìn)行詳細(xì)闡述。作為示例，該地區(qū)某戶居民2013年6月1日的用電負(fù)荷監(jiān)測數(shù)據(jù)如表1所示，采樣間隔為30分鐘，其余的用電負(fù)荷監(jiān)測數(shù)據(jù)省略。表1由于居民的用電負(fù)荷數(shù)據(jù)已經(jīng)獲得，因此在下面的實(shí)例中將省略步驟S1。具體地，在本實(shí)例中，本發(fā)明的方法包括如下步驟：步驟一(對應(yīng)于前述S2)：對得到的居民日負(fù)荷曲線進(jìn)行基于密度的空間聚類，得到居民典型負(fù)荷用電模式。作為示例，某戶居民夏季的典型負(fù)荷用電模式提取結(jié)果如圖3所示，其搜索半徑以及最小對象數(shù)目按照下式設(shè)置，步驟二(對應(yīng)于前述S3)：提取描述居民在不同時(shí)間尺度下用電行為的六個(gè)特征。居民四個(gè)階段全年相對平均功率分布直方圖如圖4所示。居民全年相對平均功率標(biāo)準(zhǔn)差分布直方圖如圖5所示。圖6是兩戶居民各個(gè)季節(jié)的典型負(fù)荷用電模式；。對于每戶居民n，由上述六個(gè)特征，組成一個(gè)六維的特征向量fn＝[f1,f2,f3,f4,f5,f6]。作為示例，前6戶居民的特征向量為：特征向量f1f2f3f4f5f6f11.570.590.350.570.390.66f20.740.970.961.460.730.79f30.920.960.981.410.750.80f40.711.231.191.200.780.71f50.631.041.061.460.680.71f60.860.761.031.440.690.79步驟三(對應(yīng)于前述S4，S5)：利用引力搜索算法對提取得到的用戶用電特征進(jìn)行聚類。經(jīng)試驗(yàn)，引力搜索算法的參數(shù)設(shè)置如下：粒子數(shù)目A＝30，聚類數(shù)目K＝7，萬有引力常數(shù)G0＝80，衰減系數(shù)α＝30，最大迭代次數(shù)iterNum＝300。對用戶用電特征進(jìn)行50次聚類且每次所選取的初始聚類中心不同，計(jì)算每次聚類結(jié)果的CDI值，選取CDI值最小的一次聚類結(jié)果作為居民負(fù)荷用電模式的識(shí)別結(jié)果，完成基于引力搜索算法的居民負(fù)荷用電模式的識(shí)別。50次聚類結(jié)果中前6次計(jì)算得到的CDI值如下表所示：聚類次數(shù)第1次第2次第3次第4次第5次第6次CDI2.16251.92882.13192.02402.02402.0036第18次聚類時(shí)CDI值最小為1.8609，此次聚類結(jié)果即居民負(fù)荷用電模式的識(shí)別結(jié)果如圖7所示。各類的聚類中心如下表所示：類別聚類中心第1類[2.1046,0.6181,0.4256,0.3489,0.4849,0.6141]第2類[0.6358,1.7913,0.8822,1.2863,0.7726,0.5869]第3類[2.7108,0.1912,0.1347,0.3194,0.4358,0.7343]第4類[0.1301,1.6302,2.3089,0.4497,0.5661,0.8678]第5類[0.6007,0.9723,1.0729,1.4861,0.6784,0.7573]第6類[0.9248,0.9549,0.9216,1.2907,0.6891,0.6142]第7類[1.0574,0.9094,0.4262,1.8095,0.6608,0.7117]如圖7所示，圖7中橫軸表示時(shí)間，縱軸表示歸一化后的用戶用電功率，該實(shí)施例中聚類結(jié)果即居民負(fù)荷用電模式的識(shí)別結(jié)果分為7類，分別如圖7a-7g所示，其中，各細(xì)線為居民具體的負(fù)荷用電模式，粗線為聚類后的居民負(fù)荷用電模式的識(shí)別結(jié)果，對應(yīng)于表1中的聚類中心的數(shù)字化表征。通過本申請中的方法，可以將多個(gè)居民具體的負(fù)荷用電模式進(jìn)行聚類處理后歸類，方便對居民負(fù)荷用電模式的歸納整理，從而得到居民中共有的用電習(xí)慣，分析之后可以為該類用戶提供合理安排用電計(jì)劃的具體用電建議，亦可為需求側(cè)響應(yīng)方案設(shè)計(jì)、負(fù)荷特性分析及其高精度預(yù)測提供有力指導(dǎo)。本發(fā)明所使用的引力搜索算法搜索能力強(qiáng)，收斂速度快，不易陷入局部最優(yōu)解，在識(shí)別效果上優(yōu)于傳統(tǒng)的聚類算法，能夠有效實(shí)現(xiàn)居民負(fù)荷用電模式的識(shí)別，可為需求側(cè)響應(yīng)方案設(shè)計(jì)、負(fù)荷特性分析及其高精度預(yù)測提供有力指導(dǎo)。上述具體實(shí)施方案僅為本發(fā)明的優(yōu)選實(shí)施方案，并不用于限制本發(fā)明。任何熟悉本領(lǐng)域的技術(shù)人員可輕易想到的變化和替換方法，均應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3