一种基于热力图的用户电力负荷时间特性分类识别方法

技术领域

本发明属于电力电网技术领域，尤其涉及一种基于热力图的用户电力负荷时间特性分类识别方法。

背景技术

负荷特性是指电力负荷从电力系统的电源吸取的有功功率和无功功率随负荷端点的电压及系统频率变化而改变的规律。负荷功率随时间变化的规律，称负荷的时间特性，也称为负荷曲线。电力负荷是电力系统的重要组成部分，它作为电能的消耗者对电力系统的分析、设计与控制有着重要影响。

传统的电力用户分类通常通过统计指标进行分类，包括月最大负荷、月最小负荷、月平均负荷、月平均日负荷率、月负荷率、月最小负荷率、月最大峰谷差、月最大峰谷差率、月平均日峰谷差、月平均日峰谷差率等。这些分类方法没有体现出用户用电行为特征，无法提取用户用电行为模式，难以实现精细化的需求侧管理，也有一些方法采用聚类算法对用户用电行为进行分类，提取用户的负荷特征曲线，由于电力负荷具有瞬时波动的特点，对聚类算法形成干扰，影响聚类结果的准确性。公开号为CN109117872A的专利申请提供了一种基于自动最优聚类算法的用户用电行为分析方法，通过将用户用电数据进行自动最优聚类，形成具有同类特征的用户集，对各类用户，分别进行负荷分解，构建各类用户用电行为时序，采用关联关系以及强关联规则提取方法，挖掘各类用户的用电行为特征，构建不同类用户的用电行为规律。此专利申请仍采用的是聚类算法对用户用电行为进行分类，同样会导致分类结果准确性不高的问题。

因此，如何提供一种分类结果准确性高的电力用户分类方法是本技术领域人员亟待解决的问题。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于热力图的用户电力负荷时间特性分类识别方法，以解决传统的电力用户分类结果准确性不高的问题。

为了解决上述技术问题，本发明采用了如下的技术方案：

本发明提供了一种基于热力图的用户电力负荷时间特性分类识别方法，包括以下步骤：

S10、数据抽取与清洗；

S20、绘制用户全年电力负载率热力图；

S30、采用负荷CNN神经网络算法基于用户全年电力负载率热力图进行用户电力负荷时间特性识别分类；

所述步骤S30的具体步骤包括：

S301、将一天24小时划分为多个时段，并设定对应时段的时间特性值；

S302、选取若干用电用户的全年负载率数据，被选取的用电用户在全年四季节分别满足负载率的峰值发生时段与谷值发生时段在所述步骤S301的时段范围内；

S303、将所述步骤S302中选取的负载率数据按用电用户分别生成负载率热力图，并设定负荷的时间特性值；

S304、将所述步骤S303中负载率热力图作为样本输入至CNN神经网络进行模型训练；

S305、将待分类用电用户的负载率热力图输入到已训练完成的CNN网络模型中，完成用电负荷时间特性的分类。

进一步的，所述步骤S10具体是从源端系统中抽取特定时间密度的电力负载率数据或归一化处理后的电流数据，并剔除非法值，对缺失的数据进行估算补缺。

进一步的，所述步骤S20中，将所述步骤S10中的数据以365天为纵轴、24小时为横轴绘制热力图，即纵轴从上到下为一年中的1月1日至12月31日，横轴从左到右为一天中的0点至24点。

进一步的，热力图的配色包括燕麦色、淡粉色、粉色、淡红色、红色、深红色、红紫色和灰色。

进一步的，在应用场景为三相表用户的情况下，燕麦色代表的负载率范围为0～10%，淡粉色代表的负载率范围为10%～20%，粉色代表的负载率范围为20%～30%，淡红色代表的负载率范围为30%～50%，红色代表的负载率范围为50%～80%，深红色代表的负载率范围为80%～100%，红紫色代表的负载率范围为100%及以上，灰色代表缺数；在应用场景为单相表用户的情况下，燕麦色代表的负载率范围为0～2%，淡粉色代表的负载率范围为2%～8%，粉色代表的负载率范围为8%～15%，淡红色代表的负载率范围为15%～30%，红色代表的负载率范围为30%～70%，深红色代表的负载率范围为70%～100%，红紫色代表的负载率范围为100%及以上，灰色代表缺数。

进一步的，在所述步骤S304之后，还包括选取若干用地按用户的负载率热力图作为测试集，用于评估模型效果，并根据模型效果判断是否返回所述步骤S304进行模型优化。

进一步的，所述步骤S301中，多个时段包括凌晨、早晨、上午、午间、下午、夜间。

进一步的，凌晨时段范围为3点至6点30分，早晨时段范围为6点30分至9点，上午时段范围为9点至11点30分，午间时段范围为11点30分至13点，下午时段范围为14点至17点，夜间时段范围为19点至23点。

进一步的，所述特定时间密度为15分钟。

本发明提供的基于热力图的用户电力负荷时间特性分类识别方法与现有技术相比，至少具有如下有益效果：

现有技术当中对用户用电行为分类采用的方法难以适应用户负荷波动性较大的这一特点，如采用聚类算法对用户用电行为进行分类，提取用户的负荷特征曲线，而电力负荷具有的瞬时波动会对聚类算法形成干扰，影响聚类结果的准确性，从而导致用户用电分类结果存在偏差。本发明过程简单、结果准确，通过绘制热力图，以热力图的形式呈现用电用户全年电力负荷的时间特性，并采用负荷CNN神经网络算法基于负载率热力图进行负荷特性分类，从全年的角度反应一年中不同月份和季节中每天的负荷时间特性，即反应了两个时间维度的电路负荷时间特性，较现有技术的负荷分类方法更为细致精确。

附图说明

为了更清楚地说明本发明的方案，下面将对实施例描述中所需要使用的图作一个简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于热力图的用户电力负荷时间特性分类识别方法的流程图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

本发明提供了一种基于热力图的用户电力负荷时间特性分类识别方法，应用于用户用电行为的分类过程中，基于热力图的用户电力负荷时间特性分类识别方法，包括以下步骤：

S10、数据抽取与清洗；

S20、绘制用户全年电力负载率热力图；

S30、采用负荷CNN神经网络算法基于用户全年电力负载率热力图进行用户电力负荷时间特性识别分类；

所述步骤S30的具体步骤包括：

S301、将一天24小时划分为多个时段，并设定对应时段的时间特性值；

S302、选取若干用电用户的全年负载率数据，被选取的用电用户在全年四季节分别满足负载率的峰值发生时段与谷值发生时段在所述步骤S301的时段范围内；

S303、将所述步骤S302中选取的负载率数据按用电用户分别生成负载率热力图，并设定负荷的时间特性值；

S304、将所述步骤S303中负载率热力图作为样本输入至CNN神经网络进行模型训练；

S305、将待分类用电用户的负载率热力图输入到已训练完成的CNN网络模型中，完成用电负荷时间特性的分类。

本发明过程简单、结果准确，通过绘制热力图，以热力图的形式呈现用电用户全年电力负荷的时间特性，并采用负荷CNN神经网络算法基于负载率热力图进行负荷特性分类，从全年的角度反应一年中不同月份和季节中每天的负荷时间特性，即反应了两个时间维度的电路负荷时间特性，较现有技术的负荷分类方法更为细致精确。为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种基于热力图的用户电力负荷时间特性分类识别方法，应用于用户用电行为的分类过程中，如图1所示，本实施例中，基于热力图的用户电力负荷时间特性分类识别方法，包括以下步骤：

S10、数据抽取与清洗；

具体地，从源端系统中抽取时间密度为15分钟的电力负载率数据或归一化处理后的电流数据，校验数据的合理性、正确性、完整性，剔除非法值，对缺失的数据进行估算补缺。

S20、绘制用户全年电力负载率热力图；

具体地，每天有96个电力负载率数据，一年365天有365*96即35040个负载率数据，将这些数据以365天为纵轴、24小时为横轴绘制负载率热力图，纵轴从上到下为一年中的1月1日至12月31日，横坐标从左至右为一天的0点至24点，热力图可以清晰的呈现出不同的月份、不同的季节，以及一天中不同时段的负荷特性。

进一步的，本实施例中，负载率热力图中每个数据项用一个颜色表示，根据负载率数据的特点，不同的负载率范围选择不同的颜色，负载率值越大，颜色越深，表示负荷越重，反之负载率值越小，颜色越浅，表示负荷越轻。根据应用场景的不同，为三相表与单相表用户设置不同的颜色取值范围，热力图的配色方案可以有多种，采用蓝黄红、绿黄红或者使用红色通过设置不同的明度来呈现负载率值的大小，基本原则是红色及深红色表示负载较重的情况。

具体地，在应用场景为三相表用户的情况下，燕麦色代表的负载率范围为0～10%，淡粉色代表的负载率范围为10%～20%，粉色代表的负载率范围为20%～30%，淡红色代表的负载率范围为30%～50%，红色代表的负载率范围为50%～80%，深红色代表的负载率范围为80%～100%，红紫色代表的负载率范围为100%及以上，灰色代表缺数；在应用场景为单相表用户的情况下，燕麦色代表的负载率范围为0～2%，淡粉色代表的负载率范围为2%～8%，粉色代表的负载率范围为8%～15%，淡红色代表的负载率范围为15%～30%，红色代表的负载率范围为30%～70%，深红色代表的负载率范围为70%～100%，红紫色代表的负载率范围为100%及以上，灰色代表缺数。

S30、采用负荷CNN神经网络算法基于用户全年电力负载率热力图进行用户电力负荷时间特性识别分类。

卷积神经网络（Convolutional Neural Networks, CNN）是深度学习中非常常见的算法（模型），在图像处理中应用广泛。本发明实施例提供的基于热力图的用户电力负荷时间特性分类识别方法挑选一批已经完成时间特性分类的电力用户的负载率热力图作为CNN网络的训练集。在不同季节中，这些被选择的负载率数据的负荷峰值分别发生在一天中不同的时段，模型训练完成后，待分类的用户负载率热力图输入到CNN模型中完成负荷特性分类。

具体地，本实施例中，步骤S30具体包括：

S301、将一天24小时划分为多个时段，并设定对应时段的时间特性值；

具体地，根据人们常规的作息规律，将一天24小时划分为以下时段类型：凌晨、早晨(餐点、早高峰)、上午、午间（餐点）、午休、下午、傍晚（餐点、晚高峰）、夜间、午夜、白天、夜晚、上半夜、下半夜、全天，共14类时段分类，一年四季则总共有14*4即56个时段分类，为这些时段分类设定时间特性值。

进一步的，本实施例中，凌晨时段范围为3点至6点30分，早晨（餐点、早高峰）时段范围为6点30分至9点，上午时段范围为9点至11点30分，午间（餐点）时段范围为11点30分至13点，午休时段范围为13点至14点，下午时段范围为14点至17点，傍晚（餐点、晚高峰）时段范围为17点至19点，夜间时段范围为19点至23点，午夜时段范围为23点至3点，白天时段范围为8点至18点，夜晚时段范围为18点至8点，上半夜时段范围为18点至24点，下半夜时段范围为0点至6点，全天时段范围为0点至24点。

S302、选取若干用电用户的全年负载率数据，被选取的用电用户在全年四季节分别满足负载率的峰值发生时段与谷值发生时段在步骤S301的时段范围内；

具体地，挑选的用电用户的全年负载率数据有365*96即35040个。

S303、将步骤S302中选取的负载率数据按用电用户分别生成负载率热力图，并设定负荷的时间特性值；

具体地，若一个用户用电负荷的时间特性满足多种分类，则这个用户的负载率热力图可以设定不同的时间特性值，分别作为训练样本。

S304、将步骤S303中负载率热力图作为样本输入至CNN神经网络进行模型训练；

S305、将待分类用电用户的负载率热力图输入到已训练完成的CNN网络模型中，完成用电负荷时间特性的分类。

进一步的，本实施例中，在步骤S304之后，还包括选取若干用地按用户的负载率热力图作为测试集，用于评估模型效果，并根据模型效果判断是否返回步骤S304进行模型优化，以提高模型效果的准确性。

上述实施例所示的基于热力图的用户用电负荷时间特性分类识别方法，与现有技术相比，现有技术当中对用户用电行为分类采用的方法难以适应用户负荷波动性较大的这一特点，如采用聚类算法对用户用电行为进行分类，提取用户的负荷特征曲线，而电力负荷具有的瞬时波动会对聚类算法形成干扰，影响聚类结果的准确性，从而导致用户用电分类结果存在偏差。本发明过程简单、结果准确，通过绘制热力图，以热力图的形式呈现用电用户全年电力负荷的时间特性，并采用负荷CNN神经网络算法基于负载率热力图进行负荷特性分类，从全年的角度反应一年中不同月份和季节中每天的负荷时间特性，即反应了两个时间维度的电路负荷时间特性，较现有技术的负荷分类方法更为细致精确。

显然，以上所描述的实施例仅仅是本发明较佳实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。