采用自适应分段聚合近似的典型负荷曲线形态聚类算法

对海量负荷数据进行降维聚类处理是提取负荷关键信息,深度挖掘其内在规律的前提。根据负荷曲线的形态特征,文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先,根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势,采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构,进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理,该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据,并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。     

考虑双尺度相似性的负荷曲线集成谱聚类算法

负荷聚类可以依据形态特性差异对负荷曲线进行归类,实现用户用能行为规律分析,为需求侧响应、电网客户服务等提供重要的决策信息。文中提出一种考虑双尺度相似性的负荷曲线集成谱聚类算法。首先,为了克服欧氏距离在负荷特性相似程度度量上的局限,基于负荷差分向量的余弦距离实现负荷形态变化的相似性度量,提出一种双尺度相似性度量方式;然后,基于双尺度相似性与谱聚类算法,建立差异化基聚类模型;最后,依据聚类评价指标自适应计算基聚类模型权重,以加权一致性矩阵与谱聚类实现聚类集成。算例结果证明,所提方法可有效挖掘负荷形态特性差异,在不同数据集中性能表现稳定,具有显著的聚类有效性和鲁棒性。     

基于高斯核密度估计的典型负荷曲线形态聚类算法

在电力现货市场结算过程中,获取市场化用户的实时电量至关重要。本文聚焦现货市场中非分时计量用户的电量分解,设计了一种利用典型负荷曲线获取分时电量的方法和流程。首先,选取样本用户,对样本用户计量数据进行预处理后得到完整样本典型负荷曲线。然后,文中提出一种基于核密度估计聚类中心的负荷曲线聚类方法,将kmeans算法原有的均值获取聚类中心升级为高斯核密度估计获取最大概率的聚类中心进行迭代计算,并将聚类中心曲线作为典型负荷曲线对不具备分时计量的用户进行日电量划分,划分至以15min为颗粒度的电量进行结算。最后,运用云南省样本用户计量数据,采用传统峰平谷比例分解、传统聚类算法以及本文改进聚类算法获取的典型负荷曲线进行电量的实时分解算例分析,结果显示,本文所提的改进kmeans算法具备更好的分类性能和较好的效率,同时所分解电量具备更高的准确性。     

一种基于时间序列数据挖掘的用户负荷曲线分析方法

针对目前用户负荷曲线分析方法研究中传统方法在单一用户典型负荷曲线提取以及负荷曲线特征提取的不足,提出了一种基于时间序列数据挖掘的用户负荷曲线分析方法。该方法首先基于分段聚合近似方法对单一用户的负荷曲线降维,并基于符号聚合近似方法对该用户一段时期内的负荷曲线重表达,用符号化序列表示该用户的负荷曲线,提取该用户的典型负荷曲线。然后结合不同用户典型负荷曲线的负荷特性、指标特征和时间序列特征,基于k-means算法对不同用户的典型负荷曲线聚类分析,分析不同类型用户的用电特征。以UCI一个测试数据集进行算例分析,结果表明所提方法能够挖掘出用户的典型用电行为特征,并提升用户负荷曲线分析效率与聚类质量。     

改进的电力负荷曲线集成K-medoids聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。针对常规K-medoids聚类算法的不足,利用CH指标和启发式方法对常规K-medoids聚类算法进行了改进,实验结果表明,改进的K-medoids聚类算法具有更高的聚类有效性,克服了传统K-medoids聚类算法由用户指定簇族数和随机选取初始质心的问题。为方便分析对22个典型用户年负荷曲线进行归一化处理,并分别采用行业性质、常规K-medoids聚类算法和改进K-medoids聚类算法对经过归一化处理的22个典型用户年负荷曲线进行分类,实验结果表明,根据年负荷曲线特性对负荷曲线进行分类相较于按行业性质对负荷曲线进行分类有更好的效果,而且改进K-medoids聚类算法相较于常规K-medoids聚类算法,能够更客观、准确地对负荷曲线进行有效分类,改进K-medoids聚类算法在电力负荷大数据挖掘具有良好的应用前景。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

基于改进蚁群算法的电力负荷半监督聚类

计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。     

基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识

辨识不同行业的典型负荷曲线对于配售电公司的运行调度、售电决策和风险管理均有重要意义。鉴于此,提出了一种基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识方法。首先,提出了衡量负荷曲线位移变化后相似性程度的快速动态时间扭曲(FDTW)距离指标,进而提出了一种搜索FDTW距离的剪枝策略,以实现对负荷曲线间形态差异的精准高效量度。接着,提出了基于加权密度峰值快速搜索聚类算法的行业负荷用电类型划分方法以及用户行业信息错误识别方法。然后,以最小化负荷曲线簇内FDTW距离为目标,提出了基于重心平均算法的行业典型负荷曲线辨识方法。最后,以浙江省某市工商业用户为例进行验证分析,算例结果表明所提方法可以准确量度负荷曲线形态相似性,快速划分行业用电类型并有效辨识具有共同形态特征的典型负荷曲线。     

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征，聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题，提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征，并配合K-means进行负荷聚类任务，最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证，结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index, DBI)相较于传统聚类方法 K-means、PCA+K-means等下降明显，说明类内更加紧密，类间更加远离，提高了聚类质量。然后利用高斯距离加权改进了聚类中心，提取到更加典型日负荷曲线，使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。     

基于特性指标降维的日负荷曲线聚类分析

运用数据挖掘中的聚类技术对电力系统日负荷曲线进行分析,提出一种基于特性指标降维的日负荷曲线聚类方法——特性指标聚类(pattern index clustering,PIC),通过负荷率、日峰谷差率等6个日负荷特性指标对日负荷曲线进行降维处理,利用基于聚类有效性修正的德尔菲方法配置各指标权重,以加权欧式距离作为相似性判据,对日负荷曲线进行聚类。算例结果表明所提方法运行时间短,鲁棒性好,提高了负荷曲线聚类质量,能直观反映典型负荷曲线的特点。     

基于信息熵分段聚合近似和谱聚类的负荷分类方法

居民和商业负荷参与需求响应项目时,负荷数据日趋多维化和海量化,需要对其进行降维分类处理。提出一种基于信息熵分段聚合近似(information entropy piecewise aggregate approximation,IEPAA)和谱聚类的负荷分类方法。首先采用IEPAA对典型日负荷数据集进行可变时间分辨率重表达,进一步采用基于距离和曲线形态的双尺度相似性度量谱聚类算法进行聚类处理,从而获得合理的负荷分类结果。利用商业办公楼宇中央空调机组的典型日负荷数据对所提方法进行了验证,表明该方法在数据降维、负荷分类有效性、稳定性和降低运算量等方面均具有优势。     

基于调节潜力指标的用户用电行为聚类分析算法研究

摘 要：针对柔性负荷不断接入背景下,用户参与电网调节潜力能力的持续提升,基于负荷用户的调节潜力大小对用户的用电行为进行聚类分析。在峰谷分时电价背景下,基于用户心理学原理构建基于峰谷分时电价的负荷转移率模型,以该模型为基础构建基于峰谷分时电价的用户调节潜力指标,并利用该指标对负荷用户的用电行为进行聚类分析,通过与传统基于日负荷曲线以及典型负荷特性指标的聚类算法进行结果对比,证明了该算法聚类结果的有效性与正确性,同时通过对大规模用户的用电行为进行聚类分析,证明基于调节潜力指标的聚类分析算法的聚类效果更佳。     

一种基于反一致自适应聚类的典型日选取方法

研究典型日负荷曲线对分析用户用电规律、辅助用电决策具有重要意义。目前典型日负荷曲线的选取方法具有不确定性和局限性,而采用聚类方法拟合日负荷曲线与实际情况存在一定误差,由此提出一种基于反一致自适应聚类的典型日选取方法。通过反一致自适应可能性C均值聚类算法求取典型日负荷曲线,然后利用样条插值修正典型日负荷曲线。由实验数据可得,该方法可相对准确的模拟典型日负荷曲线,为用户用电情况分析及预测提供依据。     

基于haar小波编码和改进K-medoids算法聚合的用户负荷典型区间场景挖掘

针对单一典型曲线无法满足负荷不确定性分析需求的问题,提出一种基于haar小波编码和改进K-medoids算法聚合的用户负荷典型区间场景挖掘方法。将原始负荷曲线经haar小波变换得到低维负荷近似序列;对负荷近似序列每个维度的特征集分别进行聚类,提取类簇所包含特征的边界值,得到数值区间并进行编码;根据特征占比剔除非显著数值区间,并组合不同维度的显著数值区间得到字符串表征的负荷区间序列;定义字符串差异度衡量负荷区间序列的相似性,利用改进K-medoids算法聚合得到负荷区间序列类簇,并提取类簇所包含的负荷近似序列的边界值以得到典型区间场景;设置差异度阈值实现典型区间场景的粒度调节。使用爱尔兰地区某用户实测负荷数据进行验证,实验结果表明所提方法可以实现不同粒度负荷典型区间场景的挖掘。     

基于改进模糊聚类的典型日负荷曲线选取方法

典型日负荷曲线对负荷调度计划以及运行控制有着重要意义,针对常用的传统典型日负荷曲线选取方法不满足目前电力市场需求的问题,提出了基于自适应因子与概率统计法相结合的改进模糊聚类算法典型日负荷曲线选取新方法,应用日负荷率、日负荷波动率等描述性特征指标,确定最优聚类数;引入模糊-离散系数,辨识样本数据中的畸变日,并予以剔除;计算日负荷与月平均负荷之间的相关系数,依据相关系数选取典型日负荷曲线。以新疆电网2015年1月份负荷数据进行实例仿真,结果表明所提方法能够准确选出典型日负荷曲线,验证了方法的可行性和有效性。     

基于KL变换和KL散度的电网数据特征提取与分类

智能电网用户行为特征的分析在电力营销策略中扮演者重要的角色。文中结合KL变换和KL散度的方法,提取与分类用电数据信息的特征,实现不同类型的用电数据划分。同时通过综合分析所有用户的日负荷曲线,提取不同类型用户的典型日负荷曲线。研究结果表明:基于KL变换的方法,通过对原始数据的压缩和主要特征的保留,大大降低了智能电网数据提取与分类的计算量,提高了时间效率;基于KL散度的方法,通过对k-means算法中的k值和初始聚类中心的选择进行优化,提高了聚类效果的准确率;实例中电网用户正常数据为38组,可分为3类典型用户,迎峰用电型、错峰用电型、部分迎峰用电型。该研究结果可以更加有效地对电网用户用电行为进行分类,从而为售电公司进行业务拓展提供技术基础。     

基于云模型和模糊聚类的电力负荷模式提取方法

为解决应用传统模糊C均值(fuzzy C-means,FCM)算法进行电力负荷模式提取时存在的对初始聚类中心敏感、聚类数目不易确定、算法稳定性较差等问题,从负荷曲线形态出发,提出一种基于云模型和模糊聚类的电力负荷模式提取方法.该方法首先针对电力负荷数据的时间特性,对云变换方法进行了维度扩展,使其能够应用于具有时间特征的二维数据处理,将电力用户典型日负荷的频率分布分解为若干个正态云组的叠加,以各云模型中最能代表各定性概念的期望向量集合作为初始聚类中心;然后,基于云模型确定的初始聚类中心和聚类数目,应用FCM算法进行电力负荷模式提取和用户分类.最后,以某电网实际负荷数据进行算例分析,结果证明了该算法的实用性和有效性.     

基于快速动态时间弯曲和最小覆盖球的多日负荷曲线聚类方法

现有负荷曲线聚类的研究主要基于单日负荷曲线或多日同时刻的负荷分布开展,忽略了负荷在多日间的波动特性和负荷曲线的时间滞后特性,导致聚类结果的准确度和鲁棒性不足。综合考虑负荷的波动特性和时间滞后特性,提出一种快速动态时间弯曲和最小覆盖球相结合的多日负荷曲线聚类方法。在考虑负荷时间滞后特性的基础上,利用快速动态时间弯曲和多维尺度缩放对负荷曲线进行降维;为每个降维负荷迭代寻找最小覆盖球,并计算不同覆盖球的球间相似度;利用谱聚类算法得到相似度矩阵。算例结果表明,所提方法在准确度和鲁棒性上较传统方法有一定优势。     

基于无监督极限学习机的用电负荷模式提取

能源互联网的建设及发展使得用能端数据不断积累,充分利用用电信息,挖掘典型的用电负荷模式,是协调规划能源互联网并为其用户提供个性化服务的基础。用电负荷模式的提取通常以对负荷曲线进行聚类分析为基础,作为聚类算法输入的负荷曲线特征对聚类效果影响较大,高维输入容易使传统聚类算法表现不佳,对负荷曲线特征进行优化选取成为了一个重要问题。提出一种基于降维的负荷曲线聚类方法,首先用无监督极限学习机对原始负荷序列数据集进行低维嵌入,然后采用k-means算法对提取的低维特征进行聚类。给出了采用无监督极限学习机结合k-means方法进行负荷模式提取的具体流程。通过算例对比了传统k-means、其它降维算法加k-means与所提方法,实验结果证明所提方法聚类效果更好且效率较高,区分出的负荷曲线类别更能反映实际规律,得到的不同典型负荷曲线之间差异性更大。基于无监督极限学习机的聚类方法因其有效性可应用到用电负荷模式提取过程中。     

基于日负荷指标及改进分布式K-means聚类的用户用电规律研究

负荷聚类不仅能为精细化负荷预测提供高质量数据,还能结合用电规律进行用户行为分析;为应对海量负荷数据挑战,提出一种基于日负荷指标的降维及分布式K-means聚类算法。通过建立日负荷指标,将原始高维负荷数据转化为低维负荷指标;基于负荷指标,利用熵权法改进的分布式K-means算法进行聚类,挖掘出隐藏的典型负荷类型;结合算例,根据得到的典型负荷类型进行用电规律分析,与实际用户类型匹配,实现四类典型用电规律的归纳。