用電行為模式識別步驟如圖6-1所示。

圖6-1用電行為模式識別步驟

(1)數據選擇

通過自動抄表系統、智能家居系統等可以獲取電力用戶的電力消費數據即負荷數據。常用采集間隔為15min、30min或1h。用戶負荷數據的初步選擇可以按時間(月、季、年)、地理區域和電壓等級(高、中、低)等條件進行。此外，數據選擇還與應用目的有關。

(2)數據清理

檢查每個用戶的負荷曲線數據是否正常，修改或刪除有明顯錯誤(不完整、有噪聲或不一致)的數據。

(3)數據預處理

由于用戶的行業性質及負荷大小不同，原始負荷數據值之間可能會存在巨大差異，有時甚至相差多個數量級，不經處理聚類會影響聚類質量，使得聚類結果不可靠。因此在對數據進行聚類前必須對數據集進行規范化，把樣本數據限制到一定范內。這樣不僅便于數據的后續處理，還可以提高收斂速度以縮短聚類的運行時間。

(4)負荷曲線聚類

即用聚類算法對規范化后的負荷曲線在給定聚類數下進行聚類。聚類分析結果易受到多種因素的影響，如規范化方式、聚類結果對數據集的依賴性、算法的穩定性、算法對數據輸入順序的敏感性等。負荷曲線聚類首先要確定負荷特性指標、選擇合適的聚類算法和確定其橢應的參數。

(5)聚類結果評價與反饋

對前述步驟中獲得的聚類結果進行分析和評價。對于聚類數目，可以依據用戶涉及的電價類別或國民經濟活動行業分關給定，這樣便于分析找到電價類別和行業類別與負荷模式的對應關系以及負荷曲線的負荷模式分布，也可確定每個客戶的典型負荷模式。反饋過程可檢查所涉及用戶的數量和包含在所有各負荷模式的負荷曲線數目，確定移除客戶的非典型負荷曲線(聚類中表現為離群數據)。并利用聚類有效性指標評價聚類結果的質量。

(6)用戶分類與典型負荷分布的生成

通過聚類結果評價和反饋后可確定合適的聚類數，實現依據負荷模式的用戶分類并獲得用戶典型負荷模式的對應分布。用戶分類和典型負荷模式提取的最終目標是為了支持電力系統運營決策，優化運行，降低損耗，提高經濟效益。