智能小區(qū)居民用電負(fù)荷特征權(quán)重分析

傅軍棟，楊 姚，羅善江

(華東交通大學(xué)電氣與電子工程學(xué)院，江西 南昌 330013)

智能小區(qū)居民用電負(fù)荷特征權(quán)重分析

傅軍棟，楊 姚，羅善江

(華東交通大學(xué)電氣與電子工程學(xué)院，江西 南昌 330013)

以往對(duì)智能小區(qū)居民用電行為聚類(lèi)分析時(shí)，存在著負(fù)荷特征選擇與權(quán)重計(jì)算描述不足的問(wèn)題。為了提高居民用電行為聚類(lèi)分析的準(zhǔn)確率，降低聚類(lèi)分析運(yùn)行時(shí)間，提出一種基于 ReliefF 算法建立的以峰時(shí)耗電率、日負(fù)荷峰值時(shí)刻、谷時(shí)耗電率、日負(fù)荷周期數(shù)、日最小負(fù)荷率等特征的數(shù)據(jù)模型。該模型可以對(duì)海量居民用電行為數(shù)據(jù)進(jìn)行處理，并通過(guò) k-means算法對(duì)其進(jìn)行聚類(lèi)分析。實(shí)驗(yàn)數(shù)據(jù)來(lái)源為已建成的智能小區(qū)，結(jié)果準(zhǔn)確率達(dá) 94.61%，證明了基于 ReliefF 算法建立的特征數(shù)據(jù)模型在居民用電行為類(lèi)分析中是有效的。

用電行為；聚類(lèi)分析；負(fù)荷特征；數(shù)據(jù)模型

0 引言

隨著我國(guó)智能小區(qū)的不斷建設(shè)和發(fā)展，人們積累了大量居民用電數(shù)據(jù)[1]。雖然用電數(shù)據(jù)看似十分雜亂，但實(shí)際上卻隱藏著居民用電行為方式，且數(shù)據(jù)之間還存在一定的關(guān)聯(lián)性。若對(duì)散亂的海量數(shù)據(jù)進(jìn)行挖掘并研究居民用電行為類(lèi)型，將同類(lèi)居民用電負(fù)荷平均分配給 A、B、C 三相，則可以使低壓配電網(wǎng)三相電流接近，從而降低三相不平衡產(chǎn)生的零序電流對(duì)線路、變壓器等造成的不利影響[2]。同時(shí)，也可以簡(jiǎn)單、有效地針對(duì)不同類(lèi)型用戶(hù)制定不同服務(wù)[3]，幫助電網(wǎng)削峰填谷[4]、節(jié)能減排。

聚類(lèi)分析憑借處理數(shù)據(jù)在全局范圍內(nèi)分布特征的高效能力，正逐漸應(yīng)用在電力用戶(hù)分類(lèi)領(lǐng)域[5]。文獻(xiàn)[6]以電力用戶(hù)負(fù)荷、行業(yè)及現(xiàn)行電價(jià)為基礎(chǔ)，對(duì)用戶(hù)進(jìn)行聚類(lèi)分析。文獻(xiàn)[7]根據(jù)工業(yè)、農(nóng)業(yè)、市政的用電行業(yè)特征進(jìn)行聚類(lèi)分析。上述文獻(xiàn)以及其他用電行為分類(lèi)的文獻(xiàn)[8-11]均未涉及居民用電行為分類(lèi)。文獻(xiàn)[12]基于聚類(lèi)算法首次對(duì)智能小區(qū)用戶(hù)用電行為進(jìn)行研究，直接選擇了峰時(shí)耗電率、負(fù)荷率、谷電系數(shù)、平段的用電量百分比等4個(gè)負(fù)荷特征進(jìn)行聚類(lèi)分析，得出5類(lèi)典型用戶(hù)類(lèi)型，但作者沒(méi)有對(duì)各種負(fù)荷特征進(jìn)行分析選擇及權(quán)重計(jì)算，忽略了不同負(fù)荷特征對(duì)聚類(lèi)產(chǎn)生的影響。

智能小區(qū)居民用電數(shù)據(jù)集中負(fù)荷特征向量多，存在冗余特征，冗余特征會(huì)增加特征模型的復(fù)雜度，影響算法的運(yùn)算效率[13]，如果先通過(guò)特征分析選擇及權(quán)重計(jì)算，便可以降低特征維度，從而提高模型的精確度和降低算法運(yùn)行時(shí)間。本文首次基于ReliefF 算法對(duì)居民用電負(fù)荷進(jìn)行特征選擇及權(quán)重計(jì)算，建立以峰時(shí)耗電率、日負(fù)荷峰值時(shí)刻、谷時(shí)耗電率、日負(fù)荷周期數(shù)[14]、日最小負(fù)荷率等 5 種特征為特征的數(shù)據(jù)模型，并結(jié)合 k-means 算法結(jié)果的準(zhǔn)確率來(lái)反應(yīng)模型的有效性。

本文的主要貢獻(xiàn)為：第一，提出在多種負(fù)荷特征情況下，對(duì)居民用電行為進(jìn)行聚類(lèi)分析時(shí)需對(duì)負(fù)荷特征進(jìn)行分析選擇及權(quán)重計(jì)算；第二，首次將ReliefF 算法應(yīng)用到居民用電行為聚類(lèi)分析中；第三，建立了峰時(shí)耗電率、日負(fù)荷峰值時(shí)刻、谷時(shí)耗電率、日負(fù)荷周期數(shù)、日最小負(fù)荷率等5種特征為特征的負(fù)荷特征數(shù)據(jù)模型，并對(duì)每一種特征進(jìn)行分類(lèi)準(zhǔn)確率測(cè)試。

1 負(fù)荷特征

智能小區(qū)用智能電表及智能插座采集小區(qū)居民用電數(shù)據(jù)[15]，數(shù)據(jù)既可存放在家庭智能網(wǎng)關(guān)給家庭用電進(jìn)行自我調(diào)整，又可通過(guò)智能網(wǎng)關(guān)傳送到小區(qū)主站供值班人員分析決策?；谟秒姅?shù)據(jù)集，提出以下可能影響聚類(lèi)分析的特征：

(1) 日最小負(fù)荷率，最小負(fù)荷/日最大負(fù)荷。

(2) 日峰谷差，日最大負(fù)荷-日最小負(fù)荷。

(3) 日峰谷差率，(日最大負(fù)荷-日最小負(fù)荷)/日最大負(fù)荷。

(4) 日負(fù)荷率，用戶(hù)平均負(fù)荷/最大負(fù)荷。

(5) 峰時(shí)耗電率，高峰時(shí)段用電量/總的用電量。

(6) 谷時(shí)耗電率，低谷時(shí)段用電量/總的用電量。

(7) 平段的用電量百分比，平段用電量/總的用電量。

(8) 日負(fù)荷峰值時(shí)刻 Tmax[14]。

2 模型建立與模型評(píng)價(jià)

2.1 基于 ReliefF 算法建立模型

本文基于 ReliefF 算法建立負(fù)荷特征數(shù)據(jù)模型。ReliefF 算法是通過(guò)對(duì) Kira 提出的 Relief算法改進(jìn)而來(lái)。Relief算法運(yùn)行效率高，對(duì)數(shù)據(jù)類(lèi)型沒(méi)有要求，對(duì)特征間的關(guān)系不敏感，但只局限于兩類(lèi)數(shù)據(jù)的分類(lèi)問(wèn)題，而 ReliefF 算法是可以處理多類(lèi)問(wèn)題和回歸問(wèn)題，并補(bǔ)充了數(shù)據(jù)缺失情況下的處理辦法，是公認(rèn)的效果最好的 fillter 特征評(píng)估算法[13]。因此本文選用 ReliefF 算法建立特征數(shù)據(jù)模型，具體步驟如下。

輸入：從實(shí)驗(yàn)數(shù)據(jù)源中隨機(jī)選取4類(lèi)典型特征的家庭用戶(hù)的正常用電數(shù)據(jù)共 4 800 條作為輸入數(shù)據(jù)集 D，根據(jù)樣本數(shù)量和特征數(shù)設(shè)定迭代次數(shù) m=80和最近鄰近樣本個(gè)數(shù) k=8，特征的類(lèi)別數(shù) s=9。

步驟 1 置用電數(shù)據(jù)集 D 所有樣本的各個(gè)特征權(quán)重為 0，即：W(a)=0，a=1, 2,L , s。

步驟 2 從用電數(shù)據(jù)集D 中隨機(jī)選擇一個(gè)樣本R。

步驟 3 利用編寫(xiě)的 GetRandSamples 函數(shù)從 D中找出與 R 同類(lèi)的 k=8 個(gè)最鄰近從 R 不同類(lèi)樣本集中找出 k=8 個(gè)最鄰近

步驟4 根據(jù)式(2)更新每一個(gè)特征a 的權(quán)值W(a)。

步驟 6 步驟 2~步驟 5 重復(fù) m=80 次，輸出每個(gè)特征的平均權(quán)重 W(a)。

2.2 模型評(píng)價(jià)

k-means 算法是最常用且最著名的聚類(lèi)算法之一，最主要的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單、聚類(lèi)結(jié)果穩(wěn)定，因此本文基于 k-means 聚類(lèi)分析結(jié)果的準(zhǔn)確率判斷模型的有效性。具體步驟如下所述。

步驟1 對(duì)數(shù)據(jù)集D中4類(lèi)典型用戶(hù)的實(shí)際用戶(hù)類(lèi)型進(jìn)行編號(hào)：A 類(lèi)型編號(hào)為 1，B 類(lèi)型編號(hào)為 2，C 類(lèi)型編號(hào)為 3，D 類(lèi)型編號(hào)為 4。

步驟2 從用電數(shù)據(jù)集D中選擇需要聚類(lèi)分析的特征向量構(gòu)成數(shù)據(jù)集 X，如單獨(dú)對(duì)特征 2聚類(lèi)分析，數(shù)據(jù)集D 中特征2的列向量就構(gòu)成了數(shù)據(jù)集X，再隨機(jī)從數(shù)據(jù)集X中選擇k個(gè)樣本點(diǎn)作為初始的聚類(lèi)中心，由于本文選取的是 4 類(lèi)典型用戶(hù)，因此 k=4。

步驟3 調(diào)用 Matlab 中 k-means 函數(shù)聚類(lèi)分析。數(shù)據(jù)類(lèi)為 4 類(lèi)，距離計(jì)算方式“Distance”選擇“city”，“Options”選項(xiàng)選擇“Opts”，聚類(lèi)分析得出居民用電行為類(lèi)型。

步驟4 將步驟3聚類(lèi)分析得出的居民用電行為類(lèi)型與步驟1居民用電實(shí)際類(lèi)型比較判斷，得出對(duì)數(shù)據(jù)集X的特征進(jìn)行聚類(lèi)分析結(jié)果的準(zhǔn)確率。

步驟 5 輸出每次聚類(lèi)分析結(jié)果的準(zhǔn)確率，并通過(guò)準(zhǔn)確率來(lái)評(píng)價(jià)模型是否有效。

3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

3.1 數(shù)據(jù)來(lái)源

數(shù)據(jù)來(lái)源于南昌市某智能小區(qū) 2013 年 4~6 月份用戶(hù)每天的用電數(shù)據(jù)。每個(gè)家庭用戶(hù)每天的數(shù)據(jù)包括日最小負(fù)荷率、日峰谷差、日峰谷差率、日負(fù)荷率、峰時(shí)耗電率、谷時(shí)耗電率、平段用電百分比、日負(fù)荷峰值時(shí)刻、日負(fù)荷周期數(shù)等9個(gè)負(fù)荷特征列向量并將列向量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化處理，以及 24個(gè)(由于現(xiàn)場(chǎng)原因每 1 h 采集一次)行向量，以此建立最初用電特征數(shù)據(jù)維度模型。

建立初始特征數(shù)據(jù)維度模型，特征名稱(chēng)及簡(jiǎn)要說(shuō)明如表1。

表1 特征說(shuō)明Table 1 feature instruction

從實(shí)驗(yàn)數(shù)據(jù)源中隨機(jī)選取 4 類(lèi)典型特征[16]的家庭用戶(hù)用電數(shù)據(jù)作為測(cè)試數(shù)據(jù)源，4類(lèi)典型特征的家庭為：A類(lèi)：空置房用戶(hù)；B類(lèi)：老人家庭用戶(hù)；C類(lèi)：上班族家庭用戶(hù)；D類(lèi)：老人+上班族家庭用戶(hù)。將4類(lèi)用戶(hù)的日負(fù)荷曲線標(biāo)準(zhǔn)化后的日負(fù)荷曲線如圖1。

圖1 4 類(lèi)典型特征家庭用戶(hù)日負(fù)荷曲線Fig. 1 Four kinds of typical characteristics of home users daily load curve

3.2 實(shí)驗(yàn)結(jié)果驗(yàn)證與分析

實(shí)驗(yàn)一：基于 ReliefF 算法對(duì)初始負(fù)荷特征權(quán)重計(jì)算。

由于算法在運(yùn)行過(guò)程中會(huì)選擇隨機(jī)樣本 R，隨機(jī)數(shù)的不同將導(dǎo)致結(jié)果權(quán)重有一定的出入，因此，本實(shí)驗(yàn)采用平均方法，將主程序運(yùn)行 40次，然后將結(jié)果匯總求出每種權(quán)重的平均值。9個(gè)特征權(quán)重的大小分布如圖2所示。

圖2 各個(gè)特征權(quán)重分布圖Fig. 2 Each feature weight distribution

每個(gè)特征權(quán)重的平均值從大到小排序如表2。

表2 特征權(quán)重平均值Table 2 Feature of average weight

由表2 得：特征 5 >特征 8 >特征 6 >特征 9 >特征 1 >特征 4 >特征 3 >特征 7 >特征 2。

從上面的特征權(quán)重可以看出，特征5是最主要的特征，說(shuō)明峰時(shí)耗電率是影響不同居民用電日負(fù)荷曲線相似度的關(guān)鍵特征，其次是負(fù)荷峰值時(shí)刻、谷時(shí)耗電率、日負(fù)荷周期數(shù)、日最小負(fù)荷率，以下特征日負(fù)荷率、日峰谷差率、平段用電百分比、日峰谷差權(quán)重大小接近。

實(shí)驗(yàn)二：基于 k-means 算法測(cè)試每一個(gè)特征聚類(lèi)結(jié)果的準(zhǔn)確率。

聚類(lèi) k值選 4，反復(fù)聚類(lèi) 5次，取 5次聚類(lèi)結(jié)果的平均準(zhǔn)確率作為評(píng)價(jià) k-means 算法的準(zhǔn)確率。分析的結(jié)果如表3。

實(shí)驗(yàn)三：基于 ReliefF 和 k-means 對(duì)特征權(quán)重分析。

單從分類(lèi)正確率來(lái)看，k-means 算法已經(jīng)可以對(duì)居民用電行為進(jìn)行分類(lèi)做出較高準(zhǔn)確的判斷，但考 慮 ReliefF 算 法對(duì) 權(quán) 重 的 影 響 及 海 量 數(shù) 據(jù) 對(duì)k-means 算法運(yùn)行時(shí)間的影響，故實(shí)驗(yàn)三將結(jié)合ReliefF 算法和 k-means 算法對(duì)數(shù)據(jù)集進(jìn)行分析。

表3 k-means聚類(lèi)結(jié)果Table 3 k-means clustering results

(1) 單獨(dú)對(duì)各個(gè)特征的數(shù)據(jù)進(jìn)行聚類(lèi)分析，詳細(xì)結(jié)果如表4。

表4 單獨(dú)對(duì)各個(gè)特征分析結(jié)果Table 4 Analysis result of each feature

將表4用柱狀圖3的形式顯示出來(lái)，更直觀。

由圖3可直觀地得出：各類(lèi)準(zhǔn)確率中，特征5最高，特征 2 最低，這與 ReliefF 權(quán)重分析的結(jié)果一致，但由于 ReliefF 算法有部分特征權(quán)重接近，所以也區(qū)分不明顯，這說(shuō)明特征權(quán)重對(duì)分類(lèi)是有影響的，并且從表4可以看出，單獨(dú)從一個(gè)特征判定其類(lèi)型是不可靠的。

圖3 各個(gè)特征分析結(jié)果Fig. 3 Each feature analysis results

(2) 將特征種類(lèi)按照權(quán)重從大到小的順序排列并結(jié)合相應(yīng)特征聚類(lèi)分析，記錄每次運(yùn)行的時(shí)間，結(jié)果如表5。

從表5可以看出：第一，選擇權(quán)重排名前5的特征聚類(lèi)分析，其分析結(jié)果準(zhǔn)確率幾乎達(dá)到選擇所有特征的準(zhǔn)確率；第二，選擇權(quán)重排名前8特征聚類(lèi)分析，雖然其分析結(jié)果準(zhǔn)確率比選擇權(quán)重排名前5的高，但對(duì)聚類(lèi)算法而言，選擇5個(gè)特征向量時(shí)的運(yùn)算速率比選擇8個(gè)特征向量運(yùn)行速率快。當(dāng)面對(duì)海量數(shù)據(jù)時(shí)，上述優(yōu)勢(shì)會(huì)更明顯。第三：當(dāng)選擇所有特征時(shí)，準(zhǔn)確率卻低于選擇 8種特征的準(zhǔn)確值，說(shuō)明基于數(shù)據(jù)集的所有特征聚類(lèi)分析通常得不到最優(yōu)結(jié)果。因此可以得出結(jié)論：居民用電行為聚類(lèi)分析時(shí)，選擇以峰時(shí)耗電率、日負(fù)荷峰值時(shí)刻、谷時(shí)耗電率、日負(fù)荷周期數(shù)、日最小負(fù)荷率等5個(gè)特征建立的最終特征模型更有效。

表5 ReliefF 和 k-means結(jié)合分析結(jié)果Table 5 Result of the analysis of ReliefF and k-means

4 結(jié)論

本文首先基于 ReliefF 算法對(duì)居民用電負(fù)荷特征進(jìn)行特征選擇和權(quán)重分析，再結(jié)合 k-means 算法對(duì)居民用電行為進(jìn)行聚類(lèi)分析，同時(shí)以峰時(shí)耗電率、日負(fù)荷峰值時(shí)刻、谷時(shí)耗電率、日負(fù)荷周期數(shù)、日最小負(fù)荷率為特征建立特征模型。實(shí)驗(yàn)結(jié)果表明，模型的建立在居民用電行為聚類(lèi)分析時(shí)是有效的。

[1]林弘宇, 田世明. 智能電網(wǎng)條件下的智能小區(qū)關(guān)鍵技術(shù)[J]. 電網(wǎng)技術(shù), 2011, 35(12): 1-7. LIN Hongyu, TIAN Shiming. Research on key technologies for smart residential community[J]. Power System Technology, 2011, 35(12): 1-7.

[2]傅軍棟, 喻勇, 黃來(lái)福. 不平衡負(fù)載的一種更加經(jīng)濟(jì)的 補(bǔ)償 方法 [J]. 電 力系 統(tǒng)保 護(hù)與 控制, 2015, 43(2): 126-132. FU Jundong, YU Yong, HUANG Laifu. A more economical compensation method for unbalanced load[J]. Power System Protection and Control, 2015, 43(2): 126-132.

[3]張素香. 智能小區(qū)的商業(yè)智能[J]. 北京郵電大學(xué)學(xué)報(bào), 2012, 35(5): 94-97. ZHANG Suxiang. Business intelligence in the smart community[J]. Journal of Beijing University of Posts and Telecommunications, 2012, 35(5): 94-97.

[4]湯慶峰, 劉念, 張建華. 計(jì)及廣義需求側(cè)資源的用戶(hù)側(cè)自動(dòng)響應(yīng)機(jī)理與關(guān)鍵問(wèn)題[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(24): 138-147. TANG Qingfeng, LIU Nian, ZHANG Jianhua. Theory and key problems for automated demand response of userside considering generalized demand side resources[J]. Power System Protection and Control, 2014, 42(24): 138-147.

[5]張東霞, 苗新, 劉麗平, 等. 智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(1): 2-12. ZHANG Dongxia, MIAO Xin, LIU Liping, et al. Research on development strategy for smart grid big data[J]. Proceedings of the CSEE, 2015, 35(1): 2-12.

[6]馮曉蒲, 張鐵峰. 基于實(shí)際負(fù)荷曲線的電力用戶(hù)分類(lèi)技術(shù)研究[J]. 電力科學(xué)與工程, 2010, 26(9): 18-22. FENG Xiaopu, ZHANG Tiefeng. Research on electricity users classification technology based on actual load curve[J]. Electric Power Science and Engineering, 2010, 26(9): 18-22.

[7]李培強(qiáng), 李欣然, 陳輝華, 等. 基于模糊聚類(lèi)的電力負(fù)荷特性的分類(lèi)與綜合 [J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2005, 25(24): 73-78. LI Peiqiang, LI Xinran, CHEN Huihua, et al. The characteristics classification and synthesis of power load based on fuzzy clustering[J]. Proceedings of the CSEE, 2005, 25(24): 73-78.

[8]黎祚, 周步祥, 林楠. 基于模糊聚類(lèi)與改進(jìn) BP 算法的日負(fù)荷特性曲線分類(lèi)與短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(3): 56-60. LI Zuo, ZHOU Buxiang, LIN Nan. Classification of daily load characteristics curve and forecasting of short-term load based on fuzzy clustering and improved BP algorithm[J]. Power System Protection and Control, 2012, 40(3): 56-60.

[9]劉莉, 王剛, 翟登輝. k-means 聚類(lèi)算法在負(fù)荷曲線分類(lèi)中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(23): 65-68. LIU Li, WANG Gang, ZHAI Denghui. Application of k-means clustering algorithm in load curve classification[J]. Power System Protection and Control, 2011, 39(23): 65-68.

[10]朱曉清. 電力負(fù)荷的分類(lèi)方法及其應(yīng)用[D]. 廣州: 華南理工大學(xué), 2012. ZHU Xiaoqing. Load classification method and its application[D]. Guangzhou: South China University of Technology, 2012.

[11]黃宇騰, 侯芳, 周勤, 等. 一種面向需求側(cè)管理的用戶(hù)負(fù) 荷形態(tài)組 合分析方法 [J]. 電力系統(tǒng) 保護(hù)與 控制, 2013, 41(13): 20-25. HUANG Yuteng, HOU Fang, ZHOU Qin, et al. A new combinational electrical load analysis method for demand side management[J]. Power System Protection and Control, 2013, 41(13): 20-25.

[12]張素香, 劉建明, 趙丙鎮(zhèn), 等. 基于云計(jì)算的居民用電行 為 分 析 模 型 研 究 [J]. 電 網(wǎng) 技 術(shù) , 2013, 37(6): 1542-1546. ZHANG Suxiang, LIU Jianming, ZHAO Bingzhen, et al. Cloud computing-based analysis on residential electricity consumption behavior[J]. Power System Technology, 2013, 37(6): 1542-1546.

[13]陳曉琳. 采用 ReliefF 特征加權(quán)的 NIC 算法研究[D]. 鄭州: 鄭州大學(xué), 2014. CHEN Xiaolin. A feature weighted NIC algorithm based on ReliefF[D]. Zhengzhou: Zhengzhou University, 2014.

[14]孫璞玉, 李家睿, 王承民, 等. 基于負(fù)荷特征向量的負(fù)荷 分 類(lèi) 與 預(yù) 測(cè) 方 法 研 究 及 其 應(yīng) 用 [J]. 電 氣 應(yīng) 用 , 2013(增刊 1): 234-238. SUN Puyu, LI Jiarui, WANG Chengmin, et al. Study and its application of the load classification and prediction method based on load characteristic vector[J]. Electrotechnical Application, 2013(S1): 234-238.

[15]謝江宏, 王進(jìn)平, 上官明霞. 一種智能小區(qū)用戶(hù)用電模式的探索與研究[J]. 華東電力, 2013, 41(1): 157-159. XIE Jianghong, WANG Jinping, SHANGGUAN Mingxia. The study of a power consumption model directing at the intelligent community[J]. East China Electric Power, 2013, 41(1): 157-159.

(編輯 周金梅)

Residential electricity load features weighting analysis in smart community

FU Jundong, YANG Yao, LUO Shanjiang
(School of Electrical Engineering, East China Jiaotong Uinversity, Nanchang 330013, China)

In order to solve the described insufficient problem of load feature selection and weight calculation in the past clustering analysis of residential electricity behavior, enhance the accuracy of clustering analysis in residential electricity behavior and reduce the time of clustering analysis operation, a data model based on ReliefF algorithm is proposed. The data model is characterized by electricity consumption rate during peak hour, the peak load time, the valley of the power, daily load cycles, the minimum load rate feature, and so on. The massive data of residential electricity behavior can be processed by the model, and clustering analysis of the model is made through k-means algorithm. Experimental data is obtained from a built-up smart community, and the result accuracy reaches to 94.61%, showing the proposed model based on ReliefF algorithm in clustering analysis of residential electricity behavior is effective.

electricity consumption behavior; clustering analysis; load characteristic; data model

10.7667/PSPC151714

2015-09-24

傅軍棟(1972 -)，男，副教授，研究生導(dǎo)師，主要從事電力系統(tǒng)、建筑電氣及智能化研究。E-mail: 8755915@qq.com