负荷曲线聚类及其在需求响应中的应用研究综述

知识点：负荷曲线

1研究背景

为什么要做负荷曲线聚类分析？

智能电表的不断普及使更广泛更细粒度地采集用户用电数据成为可能。用电数据与淘宝购物等消费数据一样，可以根据其用电（消费）行为挖掘用户更多的信息，比如家庭组成、家用电器等，将在需求响应、负荷预测、商业推广等方面实现价值创造。那么，我们如何对如此庞大且不断增长的纷繁复杂的用电数据展开分析呢？聚类技术作为机器学习中具有代表性的无监督学习方法，能够对负荷曲线进行整理归类，把具有相似特点的曲线聚类一类，把差异较大的曲线进行分离，从而识别典型的用电模式，为后期的分析与应用提供基础。

2论文重点内容

目前针对负荷曲线都有哪些技术？

如图1所示，目前对负荷曲线的聚类研究主要分为两大类：直接聚类和间接聚类。直接聚类是指聚类的对象是负荷曲线本身，聚类的方法则包括k-means，模糊聚类，层次聚类，SOM等。间接聚类则是指先提取负荷曲线的特征，然后根据其特征进行聚类分析。进一步地，负荷曲线的特征提取方法包括降维分析和时间序列分析，常见的降维方法包括主成分分析、Sammon映射、深度学习等，而时间序列方法则包括离散傅里叶分析、小波分析、符号近似聚合、隐马尔科夫链等。

图1 负荷曲线聚类技术分类

负荷曲线聚类的评价标准是怎样的？

对具有不同分布特点的负荷曲线，不同的方法聚类方法会有不同的效果，对于无监督式学习的聚类，其主要目的是将相似的捏合在一起，把有差异的尽量分离开来，所以产生了很多基于聚类本身的评价指标，比如Intra-cluster Index (IAI)， Modified Dunn Index (MDI)， Variance Ratio Criterion (VRC)， Inter-cluster Index (IEI)等。如果能够知道除负荷曲线之外的信息，如用电设备、用户类型等，就可以利用基于分类的评价指标来判断聚类效果，即能否将具有相同属性的负荷曲线聚为一类。这些指标包括准确率（Accuracy），精度（Precision），召回率（Recall）、F1指数等。

负荷曲线聚类在需求响应中有何用武之地？

电力市场环境下，需求响应大致可以分为基于价格和基于激励两种，如图2所示。基于价格的需求响应是直接发电价信号给用户，根据需求弹性即可参与需求响应，通过聚类分析，获取典型的用电曲线，通过建立不同的优化模型，设计不同的电价套餐。基于激励的需求响应则需要提前选择具有需求响应潜力大的用户进行项目开展，通过用电模式的变化规律，进行熵分析等可以作为潜力分析的基础。

图2 基于价格和基于激励的需求响应

负荷曲线聚类分析该走向何处？

目前对于负荷曲线的聚类分析主要有两个方面。一个是大数据时代下的聚类技术，需要克服数据量大、数据分散等带来的通信、计算时间开销、计算内存开销等问题。另一个则是负荷曲线聚类分析的更深一步挖掘，比如获取典型用电曲线之后能否开展的人物肖像描绘、需求响应基荷辨识、高精度细粒度负荷预测等方面的研究。

相关推荐链接：

1、某电梯负荷运行试验曲线图

2、电梯负荷运行试验曲线图