本發(fā)明屬于電力負荷數據分析，具體涉及一種基于模擬退火模糊c均值及貝葉斯的電力時段劃分方法。

背景技術：

1、隨著智能電網技術的不斷發(fā)展，對電力負荷進行精確的峰平谷時段劃分變得尤為重要。電力峰平谷時段劃分不僅關系到電網的穩(wěn)定運行，還直接影響到電力市場的定價策略和用戶的用電成本。傳統的電力峰平谷時段劃分方法主要基于歷史負荷數據和專家經驗，這些方法往往存在主觀性強、精度不高、適應性差等問題。

2、當前，已有一些先進的聚類算法被應用于電力峰平谷時段劃分中，如模糊c均值聚類算法。然而，這些算法在處理復雜電力負荷數據時仍面臨一些挑戰(zhàn)。首先，由于電力負荷數據具有高度的非線性和不確定性，傳統的模糊c均值聚類算法難以準確捕捉數據的內在結構。其次，聚類中心的選擇和聚類數目的確定往往依賴于經驗或試錯法，缺乏客觀性和有效性。最后，聚類結果的驗證和評估也是一個重要的問題，當前的方法往往缺乏系統的評估機制。

技術實現思路

1、本發(fā)明的目的在于克服現有技術的不足，提供一種基于模擬退火模糊c均值及貝葉斯的電力時段劃分方法，能夠準確、高效地劃分電力峰平谷時段，以便提高電力峰平谷時段劃分的精度和效率，有助于電力系統更好地適應電力市場的變化和用戶需求的變化，實現電力資源的優(yōu)化配置和高效利用，從而提升電力系統的整體性能和競爭力。

2、為實現上述目的，本發(fā)明的技術方案是：一種基于模擬退火模糊c均值及貝葉斯的電力時段劃分方法，包括：

3、收集所需地區(qū)的用戶歷史負荷數據，并預處理；

4、采用遺傳模擬退火模糊c均值聚類方法，對預處理后的歷史負荷數據進行時段劃分，得到時段聚類結果；

5、利用貝葉斯評估模型對時段聚類結果進行評估，基于歷史數據和先驗概率，對時段聚類結果進行后驗概率的估計；若在相同的評估參數下，連續(xù)三次以上評判時段聚類結果出現錯誤，則對貝葉斯評估模型的參數進行調整，重新對時段聚類結果進行評估；

6、根據貝葉斯評估模型的輸出結果，計算貝葉斯評估模型的樣本判別正確率；若正確率高于或等于正確率閾值，則時段聚類結果可靠，并輸出最終時段聚類結果；若正確率低于正確率閾值，則根據貝葉斯評估模型的樣本判別正確率與歷史經驗，調整遺傳模擬退火模糊c均值聚類方法中聚類中心點的隸屬度，直至滿足正確率要求。

7、在本發(fā)明一實施例中，用戶歷史負荷數據包括用戶在不同時間段內的電力使用情況、用戶的用電習慣和電力需求模式；對用戶歷史負荷數據進行預處理的方式包括去除異常值和噪聲數據，并對缺失數據進行插補，同時對經過去除異常值和噪聲數據，以及缺失數據插補的用戶歷史負荷數據進行時間分辨率和時間段劃分方式的選擇。

8、在本發(fā)明一實施例中，所述采用遺傳模擬退火模糊c均值聚類方法，對預處理后的歷史負荷數據進行時段劃分的具體實現方式如下：

9、在確定電力系統和用戶典型日負荷曲線上各時點的峰、平、谷時段歸屬時，根據用戶典型日負荷曲線的變化趨勢，選用不同的隸屬度函數來計算各時點的隸屬度；對于用戶典型日負荷曲線上的低點即負荷值較低的區(qū)域選擇偏小型半梯形隸屬函數來評估這些點處于谷時段的可能性，并將其定義為谷隸屬度；對于負荷曲線上的高點即負荷值較高的區(qū)域選擇偏大型半梯形隸屬函數來評估這些點處于峰時段的可能性，稱之為峰隸屬度；

10、令時點集合代表用戶典型日負荷曲線上的所有時刻，負荷值集合代表相對應的負荷值；將集合m中的時點劃分為三個子集：代表峰時段的時點集合，代表平時段的時點集合，代表谷時段的時點集合；采用偏大型半梯形隸屬度函數來計算各時點屬于峰時段的可能性即峰隸屬度，采用偏小型半梯形隸屬度函數來計算各時點屬于谷時段的可能性即谷隸屬度，公式如下：

11、

12、式中，、分別為峰、谷隸屬度函數值；為時點 i的負荷值； b為各時點負荷值中的最大值； a為各時點負荷值中的最小值。

13、在本發(fā)明一實施例中，所述采用遺傳模擬退火模糊c均值聚類方法，對預處理后的歷史負荷數據進行時段劃分的具體步驟如下：

14、（1）初始化：設置種群個體大小 gensize、最大進化次數 maxgen、交叉概率、變異概率、溫度冷卻系數、退火溫度、終止溫度；

15、（2）初始化 c個聚類中心，并生成初始種群，對每個聚類中心計算峰隸屬度、谷隸屬度，以及每個個體適應度，其中n=1,2,……, gensize；

16、（3）設置循環(huán)計數變量 gen=0；

17、（4）對群體實施包括變異、交叉、選擇、邊界處理的遺傳操作，對新產生的個體用下式計算各聚類中心、各樣本的隸屬度：

18、

19、

20、

21、式中，為聚類的目標函數； m in為負荷值集合 m l的負荷值總數；為聚類數；為用戶 k的第 i個樣本對于第 r個聚類中心的隸屬度；為歐幾里得距離，表示用戶 k的第 i個樣本與第 r個聚類中心之間的距離；為加權系數；為第 r個聚類中心；計算每個個體的適應度值，若，則以新個體替代舊個體；否則，以概率接受新個體，舍棄舊個體；

22、（5）若，則，轉至步驟（4），否則，轉至步驟（6）；

23、（6）若當前溫度，則流程結束，返回全局最優(yōu)解，否則，執(zhí)行降溫操作，轉至步驟（3）。

24、在本發(fā)明一實施例中，所述利用貝葉斯評估模型對時段聚類結果進行評估的具體實現方式如下：

25、時段聚類結果各自具有不同的分布密度函數，分別記作，同時每個時段的先驗概率分布是已知的，表示為，且；面對時點集合時，需要判斷每個時點屬于哪一個時段；在假設每個時段對應的協方差矩陣都相等的情況下，利用g個指標構建k個線性判別函數：

26、

27、式中，為第g個指標中第k個線性判別函數的判別系數；為第?g個指標的特征；

28、將每個時點視為p維歐氏空間中的一個點；根據貝葉斯判別規(guī)則，期望將樣本空間劃分為k個區(qū)域；如果一個時點m落在某個區(qū)域，，則將其歸類為時段；根據貝葉斯公式，時點m來自時段的條件概率即后驗概率表示為：

29、

30、如果時點m實際上屬于時段，但被錯誤地判斷為時段，，那么產生的損失用損失函數表示；在平均意義上，當屬于時段的時點被誤判為時段時，平均損失表示為：

31、

32、在假設各類誤判的損失相同的情況下，目標是最大化后驗概率，將判別函數表示為：

33、

34、判別規(guī)則為：當時點m落在區(qū)域時，將其歸類為時段。

35、在本發(fā)明一實施例中，評判時段聚類結果是否出現錯誤是通過設定一個評判連續(xù)性的錯誤閾值來實現。

36、在本發(fā)明一實施例中，正確率閾值設為90%。

37、在本發(fā)明一實施例中，時點數n取24。

38、本發(fā)明還提供了一種基于模擬退火模糊c均值及貝葉斯評估的電力時段劃分系統，包括存儲器、處理器以及存儲于存儲器上并能夠被處理器運行的計算機程序指令，當處理器運行該計算機程序指令時，能夠實現如上述所述的方法步驟。

39、本發(fā)明還提供了一種計算機可讀存儲介質，其上存儲有能夠被處理器運行的計算機程序指令，當處理器運行該計算機程序指令時，能夠實現如上述所述的方法步驟。

40、相較于現有技術，本發(fā)明具有以下有益效果：

41、本發(fā)明通過結合遺傳模擬退火算法和模糊c均值聚類算法，顯著提高了電力峰平谷時段劃分的準確性和效率。該方法能夠自適應地處理電力負荷數據的復雜性和不確定性，準確識別峰平谷時段特征，并通過貝葉斯評估模型對聚類結果進行精確評判，進一步確保了時段劃分的可靠性。此外，本方法靈活且自適應，能夠適應不同電力系統、負荷特性和優(yōu)化目標的需求，為電力系統的調度和優(yōu)化提供個性化解決方案。其應用不僅提升了電力系統的能源利用效率，還增強了供電可靠性，為電力系統的穩(wěn)定運行和供電安全提供了有力支持。