一种居民降温负荷识别的评价方法和系统与流程

1.本发明属于居民降温负荷识别技术领域，具体涉及一种居民降温负荷识别的评价方法和系统。


背景技术：

2.随着空调等降温设备拥有率和使用率增高，加持夏季频频出现的持续性晴热高温天气，居民用电负荷占比具有逐年上升趋势。传统降温负荷识别的方法多停留对省级、市级等总体用电负荷上，没有考虑工业用电与居民用电结构及水平的较大差异。以某中部省份为例，2022年夏季晴热高温愈加频见。该省夏季最高气象42.9℃，较上年增长5.9％，平均气象28.2℃，较上年增长4.8％，平均温度大于30℃的天数较上年增加23天，全省酷暑效应明显。全网降温设备拥有率特别是农村居民空调拥有量快速增加。2021年，该省城镇居民平均每百户空调拥有量202.3台，农村居民平均每百户空调拥有量135.1台，分别较去年增长10.2％、25.7％。今夏6月中旬以来，该省持续高温天气，部分地区最高气象超过40摄氏度，全省及10个地市最大用电负荷均刷新历史最高纪录，降温负荷已经成为夏季电网负荷屡创新高的主要原因。考虑日益重要的降温负荷对电力系统日负荷特性及电网运行调度带来的影响，为强化电网调度应急管理，确保电网安全稳定，需合理测算高温日降温负荷以便更好的服务电网规划和建设。
3.公开号为cn104636822a的中国发明专利申请公开了一种基于elman神经网络的居民负荷预测方法，该专利通过构建基于季节指数的elman神经网络算法，结合地区居民历史用电负荷和天气参数的历史数据，可以对居民用电负荷进行预测，不考虑外部噪声影响，具有较高精度。而且此方法增加季节指数特征，具有减少居民用电负荷季节波动性影响的能力，可以有效提高预测的稳定性和准确性。季节对居民用电负荷的影响主要体现在温度方面，该专利虽考虑到季节的温度因素，但未将居民负荷做有效分解，探寻温度与居民用电负荷水平之间的变化关系，因此存在一定的局限性。
4.公开号为cn103310284a的中国发明专利申请公开了经济负荷和降温负荷的确定方法及负荷确定装置，依据地区经济发展趋势和历史日最大负荷曲线来确定非降温负荷随时间变化的关系式，计算出历史日的非降温负荷值，然后用历史日最大负荷减去非降温负荷得到降温负荷，再根据降温负荷变化曲线采用回归分析法确定参数，进而得到降温负荷与气象的变化关系，最后能够通过此变化关系预测每年最大降温负荷，为制定电网运行计划提供科学依据。此方法可以系统分析降温负荷在电网中的大小、占比，以及对于温度变化的敏感度，能够有效结合不同地区发展水平有针对性地分析，进一步提高电能利用效率。但是该专利使用经济发展趋势来测度历史日的基准负荷，这使得基准负荷依赖于经济水平，受经济新常态、去产能等政策影响，该方法具有局限性。
5.公开号为cn109871997a的中国发明专利申请公开了一种适应复杂环境的降温负荷组合测算系统，它为了解决现有适应复杂环境的降温负荷测算系统因基准负荷月间差异较大而导致模型精度较低问题，采取两次降温负荷测算的方法，消除月度经济数据等与温
度变化明显无关因素的影响，获得降温负荷曲线，这能够提高负荷的预测精度并优化电网运行。但是该专利未考虑居民用电和工业用电水平之间的差异，只针对区域总体用电情况分析降温负荷变化，因此该模型无法分别对居民和工业降温用电负荷水平做有效分析，在电力需求侧管理方面存在弊端。


技术实现要素：

6.本发明的目的是为了克服现有技术的不足，而提供一种居民降温负荷识别的评价方法和系统，通过夏季高温日典型台区96点负载率曲线结合气象、台区容量、报装日期、台区区域属性等数据，测算夏季高温日的居民降温负载率，能够有效识别居民降温负荷，抓捕降温负荷特性。
7.本发明的目的是这样实现的：一种居民降温负荷识别的评价方法，它包括以下步骤：
8.步骤1、数据预处理：对气象、台区96点负荷、居民用户日用电量、台区档案四类指标进行数据清洗；
9.步骤2、分析样本选取：确定分析维度、分析指标、分析用户样本和样本期；
10.步骤3、制定台区选取规则：根据数据可获得性、台区居民户数和样本数制定台区选取规则；
11.步骤4、居民降温负荷识别：利用改进的k-means聚类算法构建居民降温负荷识别模型，对典型居民台区的基准负载率、夏季高温日降温负载率曲线开展聚类分析；
12.步骤5、居民降温负荷结果校验：开展典型居民台区夏季大负荷日降温负载率曲线分类分析，验证降温负荷识别模型结果。
13.所述步骤1中的数据清洗即利用大数据技术对负荷、气象、日电量等高频数据进行数据质量分析，制定数据清洗规则，编写和执行清洗算法，复查清洗后的数据并迭代清洗，最终输出符合条件的干净数据；所述数据清洗包括：
14.1)数据质量分析：对原始数据进行数据质量统计分析，了解数据整体情况；所述的数据质量从居民用户数量、台区负荷的唯一性、完整性方面进行统计分析；
15.2)制定清洗规则与方案：根据数据质量分析结果，制定相应的数据清洗规则，编写数据清洗算法并执行，具体清洗规则如下：
16.①
缺失面检验；根据数据质量分析结果，对于缺失率大于10％的用户或台区视为缺失严重的用户或台区，数据质量难以满足分析要求，予以剔除；
17.②
逻辑检验；电力数据：将日电量、负荷数据为负值的数据置为空；气象数据：将气象数据小于-20℃和大于45℃的数据均置为空；
18.③
冗余检验；同一用户同一天的电量数据、同一台区同一时刻的负荷数据可能出现多条，若居民档案信息、台区信息、电量或负荷数据均重复，直接去重保留一条数据即可；若数据不尽相同，则保留与近一月日均电量差的绝对值最小的数据；
19.④
数值检验；将短期用电量发生急增判定为异常行为，当日用电量大于前后m天用电量均值a倍以上，则认为当天用电量异常，将其剔除置为空；
[0020][0021]
其中，x
it
为第i个居民第t天的日电量，m为第t天的前m天，n为第t天的后n天，a为设定的倍数；x
it-j
、x
it+j
分别为第i个居民第t-j、t+j天的日电量；
[0022]
同理，考虑到一天中昼夜的因素，负荷本身可能存在较大差异，依据台区每天同一时刻的负荷水平进行估计；96点负荷数值异常的判定方法是对于大于排在α分位处的负荷数值b倍以上的数值予以剔除并置为空，公式为：
[0023]yti
＝if(y
ti
》＝b*y
ti,α
,
″
,y
ti
)
[0024]
其中，y
ti
为某台区第t天i时刻的负荷，i＝0,1,2,
……
96，0表示00:00，1表示00:15，2表示：00:30，......23:45，即时间间隔为15min；y
ti,α
为排在α分位处的负荷；b为设定的倍数；
[0025]
⑤
空值插补；使用拟合函数插补法补充缺失值，拟合函数插补法根据历史期的数据规律拟合一种函数模型，根据模型预测缺失数据进行插补；
[0026]
3)数据复查：对于清洗之后的电力和气象数据进行判断，如果仍然存在2)中的数据情况，则标记为异常数据，再次迭代清洗直至不再出现；
[0027]
4)清洗结果输出：将清洗后的数据输出并分类存放到数据库中。
[0028]
所述步骤2中的分析样本选取包括：
[0029]
首先，分析维度为居民类型维度和地市维度，居民类型分为城镇和乡村，涉及全省所有地市；其次，分析指标包括气象、负荷、日电量三类，气象类包括台区所在气象观测站的平均气象，负荷类包括典型居民台区96点负荷曲线，电量类包括全省所有居民日用电量；最后，综合考虑所处区域、居民类型、开户时间、数据可得性因素，选取分析用户样本和样本期；
[0030]
气象数据集：
[0031]
tp＝u{p
111
,p
112
,
…
,p
11d
,p
121
,p
122
,
…
,p
12d
,
……
,p
ij1
,p
ij2
,
…
,p
ijd
}
[0032]
p
ijd
＝u(p
ijd0
,p
ijd1
,p
ijd2
,
……
,p
ijdn
)
[0033]
其中，p
ijd
表示第i个台区在第j年的第d个气象指标数据集，p
ijdn
表示第i个台区在第j年的第d个气象指标第n个数；
[0034]
0表示：00:00，1表示01:00，2表示：02:00，......，即样本期时间间隔为1h；台区负荷集：
[0035]
l＝u{l
111
,l
112
,
…
l
11m
,l
121
,l
122
,
…
,l
12m
,
……
,l
ij1
,l
ij2
,
…
,l
ijm
}
[0036]
l
ijm
＝u(l
ijm0
,l
ijm1
,l
ijm2
,
……
,l
ijmn
)
[0037]
其中，l
ijm
表示第i个台区在第j年的第m个高温日的离散负荷集，l
ijmn
表示第i个台区在第j年第m个高温日的第n个时刻的负荷；
[0038]
0表示：00:00，1表示00:15，2表示：00:30，......，即样本期时间间隔为15min；台区居民日电量数据集：
[0039]
e＝u(e
111
,e
112
,
…
,e
11m
,e
121
,e
122
,
…e12m
,
……
,e
ij1
,e
ij2
,
…
,e
ijm
)
[0040]eijm
＝u(e
ijm0
,e
ijm1
,e
ijm2
,
……
,e
ijmn
)
[0041]
其中，e
ijm
表示第i个台区在第j年的第m个居民的日电量数据集，e
ijmn
表示第i个台
区在第j年的第m个按时间顺序的第n个日电量。
[0042]
所述步骤3中的制定台区选取规则包括：
[0043]
1)依据样本可得性和台区性质，台区内居民用户数与台区总用户数比例高于δ；
[0044]
2)同样的，为保持普适性居民住房空置率低于σ，首先，根据居民用户日用电量、台区居民户数制定空置户规则，最后，计算住房空置率；
[0045]
住房空置率数据集：
[0046]
r＝u(r
111
,r
112
,
…
,r
11tr121
,r
122
,
…r12t
,
……
,r
ij1
,
…
,r
ijt
)
[0047]rijt
＝u(r
ij0
,r
ij1
,
…
,r
ijt
)
[0048]
其中，r
ijt
表示第第i个台区在第j年的第t月的住房空置率；
[0049]
3)度夏期间平均空调安装使用率高于θ；首先，基于住房空置率结果，选定常住居民用户；其次，基于居民用电的周末效应，计算工作日和非工作日基准日日均电量，判定：
[0050]wijnt-w
ijn0
》＝φ时居民使用空调，
[0051]
其中，w
ijnt
表示第i个台区在j分类下第n年第t个高温日的电量，w
ijn0
第i个台区在j分类下第n年基准日的日均电量，j取值为0(代表非工作日)、1(代表工作日)，为参数日电量；
[0052]
最后，分工作日和非工作日计算空调安装使用率；
[0053]
空调安装使用率数据集：
[0054]
ar＝u(ar
1111
,ar
1112
,
…
,ar
111t
,ar
1211
,ar
1212
,
[0055]
…
,ar
121t
,
……
,ar
ijn1
,ar
ijn2
,
…
,ar
ijnt
)
[0056]
其中，ar
ijnt
为第i个台区在j分类下第n年第t个高温日平均空调安装使用率，j取值为0(代表非工作日)、1(代表工作日)；
[0057]
4)为更精确分析台区降温负荷，根据生活水平结合供电单位，对台区设置城镇和乡村属性。
[0058]
所述步骤4中的居民降温负荷识别包括：
[0059]
首先，通过改进的k-means聚类算法对居民台区的基准负载率开展聚类分析；其次，根据聚类结果，分类计算台区居民负载率；
[0060]
得出台区居民降温负荷负载率数据集：
[0061]
cl＝u(cl
11k1
,cl
11k2
,
…
,cl
11km
,cl
12k1
,cl
12k2
,
…
,
[0062]
cl
12km
,
……
,cl
ijk1
,cl
ijk2
,
…
,cl
ijkm
)
[0063]
cl
ijkm
＝u(cl
ijkm0
,cl
ijkm1
,cl
ijkm2
,
……
,cl
ijkmn
)
[0064]
其中，cl
ijm
表示第i个台区在第j年的第k个类型的第m个高温日的离散降温负载率集，cl
ijkmn
＝l
ijmn-lb
ij0n
表示第i个台区在第j年第k个类型的第m个高温日的第n个时刻的降温负载率，l
ijmn
为第i个台区在第j年第m个高温日的第n个时刻的负荷，lb
ij0n
表示第i个台区在第j年基准日的第n个时刻的负荷；
[0065]
0表示：00:00，1表示00:15，2表示：00:30，......，即样本期时间间隔为15min。
[0066]
所述步骤5中的居民降温负荷结果校验以样本居民台区典型日降温负载率进行验证性分析；首先，选择台区所在区域典型负荷日和该日台区所在地气象数据；其次，根据步骤4进行样本台区降温负载率测算；再次，通过回归分析计算降温负载率对温度的敏感性；最后，根据降温负载率与温度的敏感性判断对居民降温负荷识别模型的一致性与合理性。
[0067]
一种居民降温负荷识别的评价系统，它包括：计算机客户终端、ethernet网络、应用服务器和数据库服务器，所述计算机客户终端通过所述ethernet网络分别与所述应用服务器、所述数据库服务器连接实现数据交换；
[0068]
所述计算机客户终端用于与所述应用服务器的互动模块进行交互操作、设定相关参数；所述ethernet网络提供所述计算机客户终端与所述应用服务器、所述计算机客户终端与所述数据库服务器之间的物理连接，用于各项数据的交换、传输和共享；所述数据库服务器包含用于基础数据、参数数据、结果数据的存储和调取，与所述应用服务器的交互操作，进行数据、结果展示。
[0069]
所述ethernet网络包括交换机和若干通信单元，所述通信单元包括两个ethernet网络接头和一个非屏蔽双绞线，所述非屏蔽双绞线的两端分别与一个ethernet网络接头连接；所述计算机客户终端、所述应用服务器和所述数据库服务器分别通过相应的通信单元连接在所述交换机上。
[0070]
所述数据库服务器包含若干个数据存储模块，所述数据存储模块包含基础数据单元、参数数据单元和结果数据单元；
[0071]
所述基础数据单元，用于获取和存储日气象、典型居民台区96点负荷曲线、居民日用电量、居民档案等；所述参数数据单元，用于获取和存储计算机客户终端通过互动模块设定的地市、居民类型、台区选取规则设定、聚类数k值等参数数据；所述结果数据单元，用于获取和存储应用服务器计算模块的各项结果数据，包括：数据清洗后的基础数据、不同地市的气象数据、降温负荷、基准负载率曲线、降温负载率曲线。
[0072]
所述应用服务器包括互动模块、计算模块、展示模块，所述互动模块包括第一交互操作单元、第二交互操作单元、第三交互操作单元和第四交互操作单元，所述计算模块包括第一计算单元、第二计算单元、第三计算单元；
[0073]
所述互动模块，包括：接收基于地市设定的第一交互操作，接收基于居民类型设定的第二交互操作，接收基于台区选取规则设定的第三交互操作，接收基于聚类中心个数参数设定的第四交互操作，按照交互操作更新对应展示的分析样本、基准负荷率曲线和降温负荷率曲线；互动模块还用于：点击保存触发交互操作，保存人为配置地市、居民类型、台区选取规则和聚类中心个数数据；点击图标的切换，触发展示对应的表格数据和图形；
[0074]
所述计算模块，包括：第一计算单元，用于根据互动模块第一交互操作设定的地市和第二交互操作设定的居民类型，对气象、负荷和居民日电量数据进行数据清洗，并进行数据统计，计算指定地市所属居民类型的气象、负荷和居民日电量数据；第二计算单元，用于根据互动模块第三交互操作设定的台区选取规则，选取符合规则的典型台区数据集；第三计算单元，根据典型台区数据集和平均温度，以及互动模块第四交互操作设定的聚类数k值进行聚类分析，计算典型台区基准负载率曲线、典型台区夏季高温日降温负载率曲线和典型台区夏季大负荷日降温负载率曲线。
[0075]
所述展示模块，按照确定的所述属性维度，展示居民日电量和平均气象的散点图、台区选取规则、典型台区基准负载率聚类结果曲线、典型台区夏季高温日降温负载率聚类结果曲线、夏季大负荷日典型台区降温负载率曲线。
[0076]
本发明的有益效果：本发明的一种居民降温负荷识别的评价方法和系统，包括步骤1、数据预处理：对气象、台区96点负荷、居民用户日用电量、台区档案四类指标进行数据
清洗；步骤2、分析样本选取：确定分析维度、分析指标、分析用户样本和样本期；步骤3、制定台区选取规则：根据数据可获得性、台区居民户数和样本数制定台区选取规则；步骤4、居民降温负荷识别：利用改进的k-means聚类算法构建居民降温负荷识别模型，对典型居民台区的基准负载率、夏季高温日降温负载率曲线开展聚类分析；步骤5、居民降温负荷结果校验：开展典型居民台区夏季大负荷日降温负载率曲线分类分析，验证降温负荷识别模型结果；通过夏季高温日典型台区96点负载率曲线结合气象、台区容量、报装日期、台区区域属性等数据，测算夏季高温日的居民降温负载率，能够有效识别居民降温负荷，抓捕降温负荷特性。
[0077]
随着居民生活水平提高，降温负荷在夏季居民用电负荷中所占比例越来越大，夏季最高负荷持续上升，电网峰谷差增大，对电网运行的调峰能力带来巨大考验。本发明从台区负载率角度构建降温负荷识别模型，测算降温负载率，通过对典型降温负荷率的负荷特性分析，可提高电网科学调度，合理安排供电保障工作，支撑电网稳定性。
[0078]
本发明一种居民降温负荷识别的评价方法和系统，基于台区气象、报装日期、台区容量等因素，通过方便、快捷、人机交互的界面，构建居民降温负荷识别模型，测算降温负载率，进行降温负载率特性分析，一方面可提高工作人员效率，为居民降温负荷测算提供数据支撑，助力个性化、定制化的电网运行分析。另一方面，通过省-市-县-所四级样本权限的分配，辅助电网公司网格化的保供和精细化的管理。
附图说明
[0079]
图1为本发明居民降温负荷识别的评价方法的流程示意图；
[0080]
图2为本发明居民降温负荷识别的评价系统的框图；
[0081]
图3为本发明实施例2022年样本居民台区基准负载率聚类结果；
[0082]
图4为本发明实施例2022年样本居民台区夏季高温日降温负载率聚类结果。
[0083]
图5为本发明实施例2021年以来某省平均气象与居民日电量散点图；
[0084]
图6为本发明实施例2022年某省大负荷日样本台区降温负载率曲线。
具体实施方式
[0085]
下面结合附图对本发明做进一步的说明。
[0086]
应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0087]
一种居民降温负荷识别的评价方法，如附图1所示，它包括以下步骤：
[0088]
步骤1、数据预处理：对气象、台区96点负荷、居民用户日用电量、台区档案四类指标进行数据清洗；
[0089]
步骤2、分析样本选取：确定分析维度、分析指标、分析用户样本和样本期；
[0090]
步骤3、制定台区选取规则：根据数据可获得性、台区居民户数和样本数制定台区选取规则；
[0091]
步骤4、居民降温负荷识别：利用改进的k-means聚类算法构建居民降温负荷识别模型，对典型居民台区的基准负载率、夏季高温日降温负载率曲线开展聚类分析；
[0092]
步骤5、居民降温负荷结果校验：开展典型居民台区夏季大负荷日降温负载率曲线分类分析，验证降温负荷识别模型结果。
[0093]
进一步的，所述步骤1中的数据清洗即利用大数据技术对负荷、气象、日电量等高频数据进行数据质量分析，制定数据清洗规则，编写和执行清洗算法，复查清洗后的数据并迭代清洗，最终输出符合条件的干净数据；所述数据清洗包括：
[0094]
1)数据质量分析：低压居民用户的负荷数据海量且复杂，常因设备故障、线路检修等原因造成采集的数据异常，气象数据也常常出现此问题，因此对原始数据进行数据质量统计分析，了解数据整体情况；所述的数据质量从居民用户数量、台区负荷的唯一性、完整性方面进行统计分析；
[0095]
2)制定清洗规则与方案：数据清洗过程的难点是如何甄别异常数据，根据数据质量分析结果，制定相应的数据清洗规则，编写数据清洗算法并执行，具体清洗规则如下：
[0096]
①
缺失面检验；根据数据质量分析结果，对于缺失率大于10％的用户或台区视为缺失严重的用户或台区，数据质量难以满足分析要求，予以剔除；
[0097]
②
逻辑检验；电力数据：根据数据实际采集情况，日电量、负荷数据均应为0或正值；将日电量、负荷数据为负值的数据置为空；气象数据：考虑到区域属性，最低气象一般很难低至-30℃，最高气象很难高于45℃，因此将气象数据小于-20℃和大于45℃的数据均置为空；
[0098]
③
冗余检验；同一用户同一天的电量数据、同一台区同一时刻的负荷数据可能出现多条，若居民档案信息、台区信息、电量或负荷数据均重复，直接去重保留一条数据即可；若数据不尽相同，则保留与近一月日均电量差的绝对值最小的数据；
[0099]
④
数值检验；因为居民用户的家庭用电行为一般具有连续性，将短期用电量发生急增判定为异常行为，当日用电量大于前后m天用电量均值a倍以上，则认为当天用电量异常，将其剔除置为空；
[0100][0101]
其中，x
it
为第i个居民第t天的日电量，m为第t天的前m天，n为第t天的后n天，a为设定的倍数；x
it-j
、x
it+j
分别为第i个居民第t-j、t+j天的日电量；
[0102]
同理，考虑到一天中昼夜的因素，负荷本身可能存在较大差异，依据台区每天同一时刻的负荷水平进行估计；96点负荷数值异常的判定方法是对于大于排在α分位处的负荷数值b倍以上的数值予以剔除并置为空，公式为：
[0103]yti
＝if(y
ti
》＝b*y
ti,α
,”,y
ti
)
[0104]
其中，y
ti
为某台区第t天i时刻的负荷，i＝0,1,2,
……
96，0表示00:00，1表示00:15，2表示：00:30，......23:45，即时间间隔为15min；y
ti,α
为排在α分位处的负荷；b为设定的倍数；
[0105]
⑤
空值插补；使用拟合函数插补法补充缺失值，拟合函数插补法根据历史期的数据规律拟合一种函数模型，根据模型预测缺失数据进行插补，比如根据日电量与平均温度之间的多项式函数关系估计出日电量的缺失值；
[0106]
3)数据复查：对于清洗之后的电力和气象数据进行判断，如果仍然存在2)中的数
据情况，则标记为异常数据，再次迭代清洗直至不再出现；
[0107]
4)清洗结果输出：将清洗后的数据输出并分类存放到数据库中。
[0108]
进一步的，所述步骤2中的分析样本选取包括：
[0109]
首先，分析维度为居民类型维度和地市维度，居民类型分为城镇和乡村，涉及全省所有地市；其次，分析指标包括气象、负荷、日电量三类，气象类包括台区所在气象观测站的平均气象，负荷类包括典型居民台区96点负荷曲线，电量类包括全省所有居民日用电量；最后，综合考虑所处区域、居民类型、开户时间、数据可得性因素，选取分析用户样本和样本期；
[0110]
气象数据集：
[0111]
tp＝u{p
111
,p
112
,
…
,p
11d
,p
121
,p
122
,
…
,p
12d
,
……
,p
ij1
,p
ij2
,
…
,p
ijd
}
[0112]
p
ijd
＝u(p
ijd0
,p
ijd1
,p
ijd2
,
……
,p
ijdn
)
[0113]
其中，p
ijd
表示第i个台区在第j年的第d个气象指标数据集，p
ijdn
表示第i个台区在第j年的第d个气象指标第n个数；
[0114]
0表示：00:00，1表示01:00，2表示：02:00，......，即样本期时间间隔为1h；台区负荷集：
[0115]
l＝u{l
111
,l
112
,
…
l
11m
,l
121
,l
122
,
……
,l
12m
,
……
,l
ij1
,l
ij2
,
…
,l
ijm
}
[0116]
l
ijm
＝u(l
ijm0
,l
ijm1
,l
ijm2
,
……
,l
ijmn
)
[0117]
其中，l
ijm
表示第i个台区在第j年的第m个高温日的离散负荷集，l
ijmn
表示第i个台区在第j年第m个高温日的第n个时刻的负荷；
[0118]
0表示：00:00，1表示00:15，2表示：00:30，......，即样本期时间间隔为15min；台区居民日电量数据集：
[0119]
e＝u(e
111
,e
112
,
…
,e
11m
,e
121
,e
122
,
…e12m
,
……
,e
ij1
,e
ij2
,
…
,e
ijm
)
[0120]eijm
＝u(e
ijm0
,e
ijm1
,e
ijm2
,
……
,e
ijmn
)
[0121]
其中，e
ijm
表示第i个台区在第j年的第m个居民的日电量数据集，e
ijmn
表示第i个台区在第j年的第m个按时间顺序的第n个日电量。
[0122]
进一步的，所述步骤3中的制定台区选取规则包括：
[0123]
1)依据样本可得性和台区性质，结合居民负荷占台区负荷比重，台区内居民用户数与台区总用户数比例高于δ，设置为0.8；
[0124]
2)同样的，为保持普适性居民住房空置率低于σ，设置0.3，首先，根据居民用户日用电量、月电量、台区居民户数，并排除因采集不到电量信息的用户数，制定空置户规则，最后，计算住房空置率；
[0125]
住房空置率数据集：
[0126]
r＝u(r
111
,r
112
,
…
,r
11tr121
,r
122
,
…r12t
,
……
,r
ij1
,
…
,r
ijt
)
[0127]rijt
＝u(r
ij0
,r
ij1
,
…
,r
ijt
)
[0128]rijt
＝(nr
ijt
)/(c-nu
ijt
)
[0129]
其中，r
ijt
表示第第i个台区在第j年的第t月的住房空置率；nr
ijt
表示第i个台区在第j年的第t月的空置户，nu
ijt
表示第i个台区在第j年的第t月的采集不到的电量户数。
[0130]
3)度夏期间平均空调安装使用率高于θ，此处取0.2；首先，基于住房空置率结果，选定常住居民用户；其次，基于居民用电的周末效应，计算工作日和非工作日基准日日均电
量，判定：
[0131]wijnt-w
ijn0
》＝φ时居民使用空调，
[0132]
其中，w
ijnt
表示第i个台区在j分类下第n年第t个高温日的电量，w
ijn0
第i个台区在j分类下第n年基准日的日均电量，j取值为0(代表非工作日)、1(代表工作日)，为参数日电量，根据居民日电量、空调制冷功率和日均空调使用时间，此处取0.5；
[0133]
最后，分工作日和非工作日计算空调安装使用率；
[0134]
空调安装使用率数据集：
[0135]
ar＝u(ar
1111
,ar
1112
,
…
,ar
111t
,ar
1211
,ar
1212
,
…
,ar
121t
,
……
,ar
ijn1
,ar
ijn2
,
…
,ar
ijnt
)
[0136]
其中，ar
ijnt
为第i个台区在j分类下第n年第t个高温日平均空调安装使用率，j取值为0(代表非工作日)、1(代表工作日)；
[0137]
4)为更精确分析台区降温负荷，根据生活水平结合供电单位，对台区设置城镇和乡村属性。
[0138]
进一步的，所述步骤4中的居民降温负荷识别包括：
[0139]
首先，通过改进的k-means聚类算法对居民台区的基准负载率、城乡属性、居民户数占比、地市属性、报装时间、台区容量等开展聚类分析；其次，根据聚类结果，分类计算台区居民负载率；
[0140]
由于传统k-means聚类算法的初始聚类数k较大依赖于个人经验，极大增加了随机性，不同的k值导致不同的聚类结果，聚类效果较差。因此k值的如何选取尤为重要，为了确定最佳聚类数k值，选取davies-bouldin指标(dbi)作为评价指标进行聚类有效性评价。dbi的计算公式为：
[0141][0142]
式中，分别为第k类、第h类中数据对象到对应所属类中心的平均距离；d
k,h
为第k类和第h类的类中心的欧氏距离。当dbi越小，则聚类效果越好，取对应的聚类数k作为最终聚类数k。
[0143]
聚类数k值确定的步骤为：1)结合台区负荷特性、地市属性、气象、城乡数据，设置k的范围：k
min-k
max
；2)给定k值的离散数据集[k
min
,k
max
]，令初始聚类数k＝kmin；3)输入初始k值开始聚类，计算出对应的dbi；4)对k值依次增加1，重复2)、3)步骤；5)当k等于kmax，聚类结束后不再迭代，选取最小dbi对应的k值，此k值为最优聚类数。
[0144]
得出台区居民降温负荷负载率数据集：
[0145]
cl＝u(cl
11k1
,cl
11k2
,
…
,cl
11km
,cl
12k1
,cl
12k2
,
…
,cl
12km
,
……
,cl
ijk1
,cl
ijk2
,
…
,cl
ijkm
)
[0146]
cl
ijkm
＝u(cl
ijkm0
,cl
ijkm1
,cl
ijkm2
,
……
,cl
ijkmn
)
[0147]
其中，cl
ijm
表示第i个台区在第j年的第k个类型的第m个高温日的离散降温负载率
集，cl
ijkmn
＝l
ijmn-lb
ij0n
表示第i个台区在第j年第k个类型的第m个高温日的第n个时刻的降温负载率，l
ijmn
为第i个台区在第j年第m个高温日的第n个时刻的负荷，lb
ij0n
表示第i个台区在第j年基准日的第n个时刻的负荷；为上述聚类结果，此处结果k＝3；0表示：00:00，1表示00:15，2表示：00:30，......，即样本期时间间隔为15min。
[0148]
进一步的，所述步骤5中的居民降温负荷结果校验以样本居民台区典型日降温负载率进行验证性分析；首先，选择台区所在区域典型负荷日降温负载率和该日台区所在地平均温度数据；其次，根据步骤4进行样本台区降温负载率测算；
[0149]
典型负荷日台区降温负载率数据集：
[0150]
cl＝u(cl
11k1
,cl
11k2
,
…
,cl
11kt
,cl
12k1
,cl
12k2
,
…
,cl
12kt
,
……
,cl
ijk1
,cl
ijk2
,
…
,cl
ijkt
)
[0151]
cl
ijkt
＝u(cl
ijkt0
,cl
ijkt1
,cl
ijkt2
,
……
,cl
ijktn
)
[0152]
其中，cl
ijkt
表示第i个台区在第j年的第k个类型t日(即典型负荷日)的离散降温负载率集，cl
ijktn
表示第i个台区在第j年第k个类型t日(即典型负荷日)的第n个时刻的降温负载率；0表示：00:00，1表示01:00，2表示：02:00，......，即样本期时间间隔为1h。
[0153]
台区所在地平均温度数据集：
[0154]
tp
avg
＝u{p
1111
,p
1112
,
…
,p
111t
,p
1211
,p
1212
,
…
,p
121t
,
……
,p
ijk1
,p
ijk2
,
…
,p
ijkt
}
[0155]
p
ijkt
＝u(p
ijkt0
,p
ijkt1
,p
ijkt2
,
……
,p
ijktn
)
[0156]
其中，p
ijkt
表示第i个台区在第j年的第k个类型t日(即典型负荷日)的离散平均温度，p
ijktn
表示第i个台区在第j年第k个类型t日(即典型负荷日)第n个时刻的平均温度；0表示：00:00，1表示01:00，2表示：02:00，......，即样本期时间间隔为1h。
[0157]
再次，通过回归分析计算降温负载率对温度的敏感性；
[0158]
1)对某区域典型负荷日的所有台区的平均温度升序排列，形成平均温度分析数据集：
[0159]
tp
avg
＝u{p
jk1
,p
jk2
,
……
,p
jkn
}
[0160]
其中，p
jkn
为第j年典型负荷日第k个类型第n大的平均温度，p
jk1
为第j年典型负荷日第k个类型最低平均温度。
[0161]
2)根据温度-降温负载率相关性分析，构建回归方程：
[0162]
cl
jkt
＝a0+β*(p
jkn-p
jkn-1
)
[0163]
其中，cl
jkt
为第j年典型负荷日第k个类型t日(即典型负荷日)台区的平均降温负载率。根据上述回归方程计算不同温度变化条件下降温负载率的变化即降温负载率对温度的敏感性。
[0164]
最后，根据降温负载率与温度的敏感性判断对居民降温负荷识别模型的一致性与合理性。
[0165]
一种居民降温负荷识别的评价系统，它包括：计算机客户终端、ethernet网络、应用服务器和数据库服务器，所述计算机客户终端通过所述ethernet网络分别与所述应用服务器、所述数据库服务器连接实现数据交换；
[0166]
所述计算机客户终端用于与所述应用服务器的互动模块进行交互操作、设定相关参数；所述ethernet网络提供所述计算机客户终端与所述应用服务器、所述计算机客户终端与所述数据库服务器之间的物理连接，用于各项数据的交换、传输和共享；所述数据库服
务器包含用于基础数据、参数数据、结果数据的存储和调取，与所述应用服务器的交互操作，进行数据、结果展示。
[0167]
所述ethernet网络包括交换机和若干通信单元，所述通信单元包括两个ethernet网络接头和一个非屏蔽双绞线，所述非屏蔽双绞线的两端分别与一个ethernet网络接头连接；所述计算机客户终端、所述应用服务器和所述数据库服务器分别通过相应的通信单元连接在所述交换机上。
[0168]
所述数据库服务器包含若干个数据存储模块，所述数据存储模块包含基础数据单元、参数数据单元和结果数据单元；
[0169]
所述基础数据单元，用于获取和存储日气象、典型居民台区96点负荷曲线、居民日用电量、居民档案等；所述参数数据单元，用于获取和存储计算机客户终端通过互动模块设定的地市、居民类型、台区选取规则设定、聚类数k值等参数数据；所述结果数据单元，用于获取和存储应用服务器计算模块的各项结果数据，包括：数据清洗后的基础数据、不同地市的气象数据、降温负荷、基准负载率曲线、降温负载率曲线。
[0170]
所述应用服务器包括互动模块、计算模块、展示模块，所述互动模块包括第一交互操作单元、第二交互操作单元、第三交互操作单元和第四交互操作单元，所述计算模块包括第一计算单元、第二计算单元、第三计算单元；
[0171]
所述互动模块，包括：接收基于地市设定的第一交互操作，接收基于居民类型设定的第二交互操作，接收基于台区选取规则设定的第三交互操作，接收基于聚类中心个数参数设定的第四交互操作，按照交互操作更新对应展示的分析样本、基准负荷率曲线和降温负荷率曲线；互动模块还用于：点击保存触发交互操作，保存人为配置地市、居民类型、台区选取规则和聚类中心个数数据；点击图标的切换，触发展示对应的表格数据和图形；
[0172]
所述计算模块，包括：第一计算单元，用于根据互动模块第一交互操作设定的地市和第二交互操作设定的居民类型，对气象、负荷和居民日电量数据进行数据清洗，并进行数据统计，计算指定地市所属居民类型的气象、负荷和居民日电量数据；第二计算单元，用于根据互动模块第三交互操作设定的台区选取规则，选取符合规则的典型台区数据集；第三计算单元，根据典型台区数据集和平均温度，以及互动模块第四交互操作设定的聚类数k值进行聚类分析，计算典型台区基准负载率曲线、典型台区夏季高温日降温负载率曲线和典型台区夏季大负荷日降温负载率曲线。
[0173]
所述展示模块，按照确定的所述属性维度，展示居民日电量和平均气象的散点图、台区选取规则、典型台区基准负载率聚类结果曲线、典型台区夏季高温日降温负载率聚类结果曲线、夏季大负荷日典型台区降温负载率曲线。
[0174]
以2022年度夏期间某省电网居民降温负荷识别的评价方法和系统为例。
[0175]
本实施例中，所述的交换机为ciscosf100d-08型交换机，所述ethernet网络接头为rj45型ethernet网络接头，所述非屏蔽双绞线为cat5e型非屏蔽双绞线。
[0176]
计算机客户终端的最低配置要求如下：操作系统windows7及以上、处理器2.4ghz、内存8gb、硬盘空间500g、配备ethernet网络接口、谷歌浏览器版本72以上；应用服务器2台，配置：8核cpu、16g内存、100g硬盘；数据库服务器2台，配置：4核cpu、64g内存、5t硬盘。
[0177]
一种居民降温负荷识别的评价方法，包括以下步骤：
[0178]
(1)读取省内35.2万户居民用户2021年1月1日到2022年8月31日的居民日电量数
据以及平均温度等气象数据、居民档案信息、2022年度夏期间的典型台区96点负荷曲线，通过互动模块第一交互操作、第二交互操作设置地市和居民类型，调用计算模块第一计算单元，对气象、负荷和居民日电量数据进行数据清洗和数据处理，并进行数据统计，计算指定地市所属居民类型的气象、负荷和居民日电量数据；
[0179]
(2)通过互动模块第三交互操作，设置：台区内居民用户数与台区总用户数比例高于80％，居民住房空置率低于30％，空调安装使用率高于20％，具备96点负荷采集条件居民用户中城镇类型和乡村类型占比分别为52.5％、47.5％，调用计算模块第二计算单元制定典型台区选取规则，确定1039个典型台区样本。
[0180]
(3)通过互动模块第四交互操作设置聚类数k范围为[2,6]，调用计算模块第三计算单元，确定k＝3，这里分为高、中、低三类，并进行聚类分析，计算典型台区基准负载率曲线、典型台区夏季高温日降温负载率曲线，结果见图3和图4，具体分析结果如下：
[0181]
1)台区基准负载率曲线
[0182]
居民台区的基准负荷可分为长期居家、中期居家、短期居家三类，数量占比分别为16.9％、44.6％、38.4％。长期居家型负载率高，短期居家型午间负载率低，城镇居民占比53.9％。
[0183]
长期居家型负载率较高，在9.2％-28.1％之间，其中48.7％为城镇居民。早间(6:15-8:30)、午间(10：30-13:45)、晚间(18:15-21:15)负载率出现峰值，早间低于午间，午间低于晚间。全天峰值出现在晚间，持续时间约3小时，晚间峰值较午间峰值高7.2％。
[0184]
中期居家型负载率中等，在5.6％-16.9％之间，其中49.6％为城镇居民。负载率峰值时段与长期居家型类似，早间低于午间，午间低于晚间，晚间峰值较午间峰值高13.4％。
[0185]
短期居家型负载率较低，在1.2％-8.5％之间，其中53.9％为城镇居民。负载率峰值时段与长期居家型类似，午间低于早间，早间低于晚间，晚间峰值是午间峰值的2.5倍。；
[0186]
2)台区夏季高温日降温负载率曲线
[0187]
居民台区的夏季高温日负荷可分为温度较高、温度中等、温度较低三类，对应的平均温度分别为31.4℃、29.7℃、27.2℃，数量占比分别为13.6％、34.3％、52.0％。温度较高型城镇居民占比51.1％，降温负载率高，呈现明显的“午晚双峰”特征；温度较低型降温负载率曲线平缓。
[0188]
温度较高型降温负载率较高，在14.8％-50.0％之间，其中51.1％为城镇居民。午间(12:15-15:45)，晚间(20:45-23:45)负载率出现峰值，晚间峰值较午间峰值高6.4％。
[0189]
温度中等型降温负载率中等，在6.1％-26.1％之间，其中50.7％为城镇居民。午间(12:15-15:30)，晚间(21:00-23:45)负载率出现峰值，晚间峰值较午间峰值高8.7％。
[0190]
温度较低型降温负载率较低，在0.8％-8.4％之间，其中49.0％为城镇居民。
[0191]
6:00-11:00降温负载率均低于3％。
[0192]
(4)通过互动模块第四交互操作绘制居民日电量与平均温度散点图，计算典型台区夏季大负荷日降温负载率曲线，发现2022年夏季大负荷日(8月5日)典型台区所在区域的平均温度在30.2-33.7℃之间，从30℃开始，随着平均温度的升高，降温负载率增高，平均温度在32℃附近时，降温负载率的增速变缓，典型台区负载率呈现“午晚双峰”的特性，平均温度高于32℃时，晚峰值高于午峰值；平均温度低于32℃时，午峰值高于晚峰值，结果见图5和图6。
[0193]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
[0194]
综述，本发明的一种居民降温负荷识别的评价方法和系统，包括步骤1、数据预处理：对气象、台区96点负荷、居民用户日用电量、台区档案四类指标进行数据清洗；步骤2、分析样本选取：确定分析维度、分析指标、分析用户样本和样本期；步骤3、制定台区选取规则：根据数据可获得性、台区居民户数和样本数制定台区选取规则；步骤4、居民降温负荷识别：利用改进的k-means聚类算法构建居民降温负荷识别模型，对典型居民台区的基准负载率、夏季高温日降温负载率曲线开展聚类分析；步骤5、居民降温负荷结果校验：开展典型居民台区夏季大负荷日降温负载率曲线分类分析，验证降温负荷识别模型结果；通过夏季高温日典型台区96点负载率曲线结合气象、台区容量、报装日期、台区区域属性等数据，测算夏季高温日的居民降温负载率，能够有效识别居民降温负荷，抓捕降温负荷特性。
[0195]
随着居民生活水平提高，降温负荷在夏季居民用电负荷中所占比例越来越大，夏季最高负荷持续上升，电网峰谷差增大，对电网运行的调峰能力带来巨大考验。本发明从台区负载率角度构建降温负荷识别模型，测算降温负载率，通过对典型降温负荷率的负荷特性分析，可提高电网科学调度，合理安排供电保障工作，支撑电网稳定性。
[0196]
本发明一种居民降温负荷识别的评价方法和系统，基于台区气象、报装日期、台区容量等因素，通过方便、快捷、人机交互的界面，构建居民降温负荷识别模型，测算降温负载率，进行降温负载率特性分析，一方面可提高工作人员效率，为居民降温负荷测算提供数据支撑，助力个性化、定制化的电网运行分析。另一方面，通过省-市-县-所四级样本权限的分配，辅助电网公司网格化的保供和精细化的管理。

技术特征：
1.一种居民降温负荷识别的评价方法，其特征在于，它包括以下步骤：步骤1、数据预处理：对气象、台区96点负荷、居民用户日用电量、台区档案四类指标进行数据清洗；步骤2、分析样本选取：确定分析维度、分析指标、分析用户样本和样本期；步骤3、制定台区选取规则：根据数据可获得性、台区居民户数和样本数制定台区选取规则；步骤4、居民降温负荷识别：利用改进的k-means聚类算法构建居民降温负荷识别模型，对典型居民台区的基准负载率、夏季高温日降温负载率曲线开展聚类分析；步骤5、居民降温负荷结果校验：开展典型居民台区夏季大负荷日降温负载率曲线分类分析，验证降温负荷识别模型结果。2.如权利要求1所述的一种居民降温负荷识别的评价方法，其特征在于，所述步骤1中的数据清洗即利用大数据技术对负荷、气象、日电量等高频数据进行数据质量分析，制定数据清洗规则，编写和执行清洗算法，复查清洗后的数据并迭代清洗，最终输出符合条件的干净数据；所述数据清洗包括：1)数据质量分析：对原始数据进行数据质量统计分析，了解数据整体情况；所述的数据质量从居民用户数量、台区负荷的唯一性、完整性方面进行统计分析；2)制定清洗规则与方案：根据数据质量分析结果，制定相应的数据清洗规则，编写数据清洗算法并执行，具体清洗规则如下：
①
缺失面检验；根据数据质量分析结果，对于缺失率大于10％的用户或台区视为缺失严重的用户或台区，数据质量难以满足分析要求，予以剔除；
②
逻辑检验；电力数据：将日电量、负荷数据为负值的数据置为空；气象数据：将气象数据小于-20℃和大于45℃的数据均置为空；
③
冗余检验；同一用户同一天的电量数据、同一台区同一时刻的负荷数据可能出现多条，若居民档案信息、台区信息、电量或负荷数据均重复，直接去重保留一条数据即可；若数据不尽相同，则保留与近一月日均电量差的绝对值最小的数据；
④
数值检验；将短期用电量发生急增判定为异常行为，当日用电量大于前后m天用电量均值a倍以上，则认为当天用电量异常，将其剔除置为空；其中，x
it
为第i个居民第t天的日电量，m为第t天的前m天，n为第t天的后n天，a为设定的倍数；x
it-j
、x
it+j
分别为第i个居民第t-j、t+j天的日电量；同理，考虑到一天中昼夜的因素，负荷本身可能存在较大差异，依据台区每天同一时刻的负荷水平进行估计；96点负荷数值异常的判定方法是对于大于排在α分位处的负荷数值b倍以上的数值予以剔除并置为空，公式为：y
ti
＝if(y
ti
>＝b*y
ti,α
,”,y
ti
)其中，y
ti
为某台区第t天i时刻的负荷，i＝0,1,2,
……
96，0表示00:00，1表示00:15，2表示：00:30，......23:45，即时间间隔为15min；y
ti,α
为排在α分位处的负荷；b为设定的倍数；
⑤
空值插补；使用拟合函数插补法补充缺失值，拟合函数插补法根据历史期的数据规
律拟合一种函数模型，根据模型预测缺失数据进行插补；3)数据复查：对于清洗之后的电力和气象数据进行判断，如果仍然存在2)中的数据情况，则标记为异常数据，再次迭代清洗直至不再出现；4)清洗结果输出：将清洗后的数据输出并分类存放到数据库中。3.如权利要求1所述的一种居民降温负荷识别的评价方法，其特征在于，所述步骤2中的分析样本选取包括：首先，分析维度为居民类型维度和地市维度，居民类型分为城镇和乡村，涉及全省所有地市；其次，分析指标包括气象、负荷、日电量三类，气象类包括台区所在气象观测站的平均气象，负荷类包括典型居民台区96点负荷曲线，电量类包括全省所有居民日用电量；最后，综合考虑所处区域、居民类型、开户时间、数据可得性因素，选取分析用户样本和样本期；气象数据集：tp＝u{p
111
,p
112
,
…
,p
11d
,p
121
,p
122
,
…
,p
12d
,
……
,p
ij1
,p
ij2
,
…
,p
ijd
}p
ijd
＝u(p
ijd0
,p
ijd1
,p
ijd2
,
…
,p
ijdn
)其中，p
ijd
表示第i个台区在第j年的第d个气象指标数据集，p
ijdn
表示第i个台区在第j年的第d个气象指标第n个数；0表示：00:00，1表示01:00，2表示：02:00，......，即样本期时间间隔为1h；台区负荷集：l＝u{l
111
,l
112
,
…
l
11m
,l
121
,l
122
,
…
,l
12m
,
……
,l
ij1
,l
ij2
,
…
,l
ijm
}l
ijm
＝u(l
ijm0
,l
ijm1
,l
ijm2
,
……
,l
ijmn
)其中，l
ijm
表示第i个台区在第j年的第m个高温日的离散负荷集，l
ijmn
表示第i个台区在第j年第m个高温日的第n个时刻的负荷；0表示：00:00，1表示00:15，2表示：00:30，......，即样本期时间间隔为15min；台区居民日电量数据集：e＝u(e
111
,e
112
,
…
,e
11m
,e
121
,e
122
,
…
e
12m
,
……
,e
ij1
,e
ij2
,
…
,e
ijm
)e
ijm
＝u(e
ijm0
,e
ijm1
,e
ijm2
,
……
,e
ijmn
)其中，e
ijm
表示第i个台区在第j年的第m个居民的日电量数据集，e
ijmn
表示第i个台区在第j年的第m个按时间顺序的第n个日电量。4.如权利要求1所述的一种居民降温负荷识别的评价方法，其特征在于，所述步骤3中的制定台区选取规则包括：1)依据样本可得性和台区性质，台区内居民用户数与台区总用户数比例高于δ；2)同样的，为保持普适性居民住房空置率低于σ，首先，根据居民用户日用电量、台区居民户数制定空置户规则，最后，计算住房空置率；住房空置率数据集：r＝u(r
111
,r
112
,
…
,r
11t
r
121
,r
122
,
…
r
12t
,
……
,r
ij1
,
…
,r
ijt
)r
ijt
＝u(r
ij0
,r
ij1
,
…
,r
ijt
)其中，r
ijt
表示第第i个台区在第j年的第t月的住房空置率；3)度夏期间平均空调安装使用率高于θ；首先，基于住房空置率结果，选定常住居民用户；其次，基于居民用电的周末效应，计算工作日和非工作日基准日日均电量，判定：时居民使用空调，
其中，w
ijnt
表示第i个台区在j分类下第n年第t个高温日的电量，w
ijn0
第i个台区在j分类下第n年基准日的日均电量，j取值为0(代表非工作日)、1(代表工作日)，为参数日电量；最后，分工作日和非工作日计算空调安装使用率；空调安装使用率数据集：ar＝u(ar
1111
,ar
1112
,
…
,ar
111t
,ar
1211
,ar
1212
,
…
,ar
121t
,
……
,ar
ijn1
,ar
ijn2
,
…
,ar
ijnt
)其中，ar
ijnt
为第i个台区在j分类下第n年第t个高温日平均空调安装使用率，j取值为0(代表非工作日)、1(代表工作日)；4)为更精确分析台区降温负荷，根据生活水平结合供电单位，对台区设置城镇和乡村属性。5.如权利要求1所述的一种居民降温负荷识别的评价方法，其特征在于，所述步骤4中的居民降温负荷识别包括：首先，通过改进的k-means聚类算法对居民台区的基准负载率开展聚类分析；其次，根据聚类结果，分类计算台区居民负载率；得出台区居民降温负荷负载率数据集：cl＝u(cl
11k1
,cl
11k2
,
…
,cl
11km
,cl
12k1
,cl
12k2
,
…
,cl
12km
,
……
,cl
ijk1
,cl
ijk2
,
…
,cl
ijkm
)cl
ijkm
＝u(cl
ijkm0
,cl
ijkm1
,cl
ijkm2
,
……
,cl
ijkmn
)其中，cl
ijm
表示第i个台区在第j年的第k个类型的第m个高温日的离散降温负载率集，cl
ijkmn
＝l
ijmn-lb
ij0n
表示第i个台区在第j年第k个类型的第m个高温日的第n个时刻的降温负载率，l
ijmm
为第i个台区在第j年第m个高温日的第n个时刻的负荷，lb
ij0n
表示第i个台区在第j年基准日的第n个时刻的负荷；0表示：00:00，1表示00:15，2表示：00:30，......，即样本期时间间隔为15min。6.如权利要求1所述的一种居民降温负荷识别的评价方法，其特征在于：所述步骤5中的居民降温负荷结果校验以样本居民台区典型日降温负载率进行验证性分析；首先，选择台区所在区域典型负荷日和该日台区所在地气象数据；其次，根据步骤4进行样本台区降温负载率测算；再次，通过回归分析计算降温负载率对温度的敏感性；最后，根据降温负载率与温度的敏感性判断对居民降温负荷识别模型的一致性与合理性。7.一种居民降温负荷识别的评价系统，其特征在于，它包括：计算机客户终端、ethernet网络、应用服务器和数据库服务器，所述计算机客户终端通过所述ethernet网络分别与所述应用服务器、所述数据库服务器连接实现数据交换；所述计算机客户终端用于与所述应用服务器的互动模块进行交互操作、设定相关参数；所述ethernet网络提供所述计算机客户终端与所述应用服务器、所述计算机客户终端与所述数据库服务器之间的物理连接，用于各项数据的交换、传输和共享；所述数据库服务器包含用于基础数据、参数数据、结果数据的存储和调取，与所述应用服务器的交互操作，进行数据、结果展示。8.如权利要求7所述的一种居民降温负荷识别的评价系统，其特征在于：所述ethernet网络包括交换机和若干通信单元，所述通信单元包括两个ethernet网络接头和一个非屏蔽双绞线，所述非屏蔽双绞线的两端分别与一个ethernet网络接头连接；所述计算机客户终端、所述应用服务器和所述数据库服务器分别通过相应的通信单元连接在所述交换机上。9.如权利要求7所述的一种居民降温负荷识别的评价系统，其特征在于：所述数据库服
务器包含若干个数据存储模块，所述数据存储模块包含基础数据单元、参数数据单元和结果数据单元；所述基础数据单元，用于获取和存储日气象、典型居民台区96点负荷曲线、居民日用电量、居民档案等；所述参数数据单元，用于获取和存储计算机客户终端通过互动模块设定的地市、居民类型、台区选取规则设定、聚类数k值等参数数据；所述结果数据单元，用于获取和存储应用服务器计算模块的各项结果数据，包括：数据清洗后的基础数据、不同地市的气象数据、降温负荷、基准负载率曲线、降温负载率曲线。10.如权利要求7所述的一种居民降温负荷识别的评价系统，其特征在于：所述应用服务器包括互动模块、计算模块、展示模块，所述互动模块包括第一交互操作单元、第二交互操作单元、第三交互操作单元和第四交互操作单元，所述计算模块包括第一计算单元、第二计算单元、第三计算单元；所述互动模块，包括：接收基于地市设定的第一交互操作，接收基于居民类型设定的第二交互操作，接收基于台区选取规则设定的第三交互操作，接收基于聚类中心个数参数设定的第四交互操作，按照交互操作更新对应展示的分析样本、基准负荷率曲线和降温负荷率曲线；互动模块还用于：点击保存触发交互操作，保存人为配置地市、居民类型、台区选取规则和聚类中心个数数据；点击图标的切换，触发展示对应的表格数据和图形；所述计算模块，包括：第一计算单元，用于根据互动模块第一交互操作设定的地市和第二交互操作设定的居民类型，对气象、负荷和居民日电量数据进行数据清洗，并进行数据统计，计算指定地市所属居民类型的气象、负荷和居民日电量数据；第二计算单元，用于根据互动模块第三交互操作设定的台区选取规则，选取符合规则的典型台区数据集；第三计算单元，根据典型台区数据集和平均温度，以及互动模块第四交互操作设定的聚类数k值进行聚类分析，计算典型台区基准负载率曲线、典型台区夏季高温日降温负载率曲线和典型台区夏季大负荷日降温负载率曲线。所述展示模块，按照确定的所述属性维度，展示居民日电量和平均气象的散点图、台区选取规则、典型台区基准负载率聚类结果曲线、典型台区夏季高温日降温负载率聚类结果曲线、夏季大负荷日典型台区降温负载率曲线。

技术总结
本发明属于居民降温负荷识别技术领域，具体涉及一种居民降温负荷识别的评价方法和系统；它包括步骤1、数据预处理：对气象、台区96点负荷、居民用户日用电量、台区档案四类指标进行数据清洗；步骤2、分析样本选取：确定分析维度、分析指标、分析用户样本和样本期；步骤3、制定台区选取规则；步骤4、居民降温负荷识别：利用改进的K-Means聚类算法构建居民降温负荷识别模型；步骤5、居民降温负荷结果校验：开展典型居民台区夏季大负荷日降温负载率曲线分类分析；本发明通过夏季高温日典型台区96点负载率曲线结合气象、台区容量、报装日期、台区区域属性等数据，测算夏季高温日的居民降温负载率，能够有效识别居民降温负荷，抓捕降温负荷特性。特性。特性。


技术研发人员：柴喆 张艺涵 刘军会 杨萌 陈兴 路尧 金曼 李虎军 邓方钊 杨钦臣 尹硕 邓振立 司佳楠 赵文杰 于泊宁
受保护的技术使用者：国网河南省电力公司经济技术研究院
技术研发日：2023.04.27
技术公布日：2023/7/25