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。     

基于非参数核密度估计和改进谱多流形聚类的负荷曲线分类研究

针对高维负荷曲线的聚类问题,提出一种基于改进谱多流形聚类的负荷曲线聚类方法,该方法包括典型日负荷曲线提取、负荷曲线聚类和聚类效果评价3个步骤。首先提取用户负荷特性指标,结合非参数核密度估计方法计算提取用户典型日负荷曲线。在改进谱多流形聚类算法中,引入时间翘曲距离度量曲线相似性,并用高斯核函数计算局部相似性,基于此构建相似性矩阵并聚类。聚类后采用多种聚类有效性指标,从聚类效果、算法稳定性和运算时间3个角度对聚类结果和算法性能进行评价。采用某地区若干用户的负荷数据作为算例样本进行聚类分析,验证了所提出的典型日负荷曲线提取方法和改进谱多流形聚类算法的合理性和优越性。     

基于形态距离的日负荷数据自适应稳健聚类算法

为克服传统划分式聚类算法的聚类数k值难以确定以及聚类结果稳定性较差的问题,提出一种基于日负荷曲线形态距离的自适应稳健聚类方法。利用差分算法和分位数对原始日负荷曲线进行特征提取,将其转化为描述负荷曲线形态特征的离散类属性数据,用曲线形态差异度量替代对负荷数据的欧氏距离度量,避免数据标幺化可能带来的信息缺失;进一步引入特征属性加权和隶属度惩罚,根据样本形态特征,提出基于动态层次Fuzzy U-K-modes的自适应聚类算法,通过多阶段聚类和构建聚类系谱,自适应地确定聚类中心和k值,在不过多损失效率的前提下,使聚类结果的稳定性大幅提升;最后以某地区4869个用户的日负荷数据为研究对象,验证了所提算法的有效性。     

大数据技术在电力大用户用电特征分类中的应用

随着电力行业市场化改革的深入,对用电客户进行细分并提供差异化服务已经成为必然趋势。针对电力用户的用电负荷数据特点,提出了一种基于大数据技术的用电特征相似性挖掘方法。采用DTW算法对负荷曲线相似度进行度量,并利用K-means算法对DTW距离矩阵进行聚类分析,实现用户负荷曲线的聚类和负荷特性分析。最后,以纺织印染业大工业用户的负荷数据为例进行验证,结果表明,该算法组合能够较好地反映负荷曲线的相似度,负荷曲线特征呈现显著差异。     

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。     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

考虑簇间重叠关系的负荷曲线多重聚类集成算法

负荷聚类用于对负荷种类进行划分,从而制定节能策略,有助于实现“碳达峰、碳中和”。基于现有算法的不足,该文提出一种考虑簇间重叠关系的负荷曲线多重聚类集成算法。首先利用人工定义的层次聚类划分中心构造标签可信空间,以评判层次聚类算法的标签可信度,进而形成多重可信簇;其次基于潜在簇和潜在聚类中心的概念,利用同时考虑负荷曲线数值和形态特性的相似度度量函数构建可信簇的簇间相似矩阵,最后使用谱聚类作为最终集成手段完成标签的对齐,得到最终聚类结果。该文算法与层次聚类和谱聚类算法的结果对比表明,该文在轮廓系数S,戴维森堡丁指标D和Calinski-Harabaz指标H上均有较好表现,且拥有更为合理的曲线聚类图像,从而验证了算法的有效性。     

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。     

用于负荷预测的层次聚类和双向夹逼结合的多层次聚类法

针对传统聚类方法对负荷曲线形状的相似性重视不足的问题,提出了一种基于相似性原理的新的聚类方法——层次聚类和双向夹逼相结合的多层次聚类方法,该方法可以同时衡量负荷曲线形状的趋势相似性和形状相似性。分别采用该方法与传统的基于欧氏距离的层次聚类方法以某省2005年负荷数据为历史数据进行预测,结果表明本文提出方法对负荷曲线形态细节以及气候因素与负荷之间的复杂相关性具有较强的识别能力。     

基于改进快速密度峰值算法的电力负荷曲线聚类分析

为解决传统聚类算法对大数据背景下高维海量、类簇形状差异巨大的电力负荷曲线进行聚类分析时存在的聚类结果不稳定、聚类效果较差、聚类速度慢和内存消耗过大等问题,提出一种改进的快速密度峰值聚类算法。首先应用主成分分析法对归一化后的负荷曲线集进行降维处理,以减少样本向量间欧式距离的计算量和加快后续操作。然后利用kd树算法对降维后的数据进行快速K近邻搜索生成KNN矩阵。最后以KNN矩阵代替原算法的距离矩阵作为输入数据。在基于KNN改进的样本局部密度和距离计算准则的基础上,运用快速密度峰值算法对负荷曲线进行聚类分析。通过实验和算例分析验证了所提改进算法的实用性和有效性。     

基于欧氏动态时间弯曲距离与熵权法的负荷曲线聚类方法

为了改善目前负荷建模中聚类方法相似度衡量不准确及聚类结果质量较差的问题,综合运用k-means及熵权法原理,提出一种基于欧氏距离与动态时间弯曲距离的日负荷曲线聚类方法。首先,采用欧氏距离与动态时间弯曲距离分别衡量日负荷曲线的整体分布特性、局部动态特性与整体动态特性。然后,引入熵权法自适应配置3种特性的权重系数。最后,采用k-means聚类算法,以所提相似度衡量方法为依据,对用电日负荷曲线进行聚类。算例对某省区电网典型用户的日负荷曲线展开聚类分析,结果表明所提方法相似度衡量指标合理,且在聚类质量、鲁棒性等方面具有一定的优越性,可以真实反映该地区的用户用电特性,满足在线负荷建模的应用需求。     

一种有效的视频镜头检索方法研究

镜头检索是基于内容的视频检索的重要内容.本文首先尝试将组合相似性用于镜头检索.与现有方法相比,本文提出的方法强调把镜头看作一个整体,全面客观地度量两个镜头的相似度.把两个镜头的相似度度量建立在组合相似性上:镜头看成由帧序列作为样本的组合,通过核方法,在高维空间假设特征向量表示的帧序列服从高斯分布,利用概率距离公式计算出两分布之间的距离,以此作为两个镜头的相似度.考虑到检索速度问题,给出了Chernoff距离和KL散度两种概率距离的改进算法.实验对比结果证实了本文所提方法在镜头检索中的优异表现.     

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...     

基于局部形相似的超短期负荷预测方法

在对电力负荷局部特性分析的基础上,定义了一个描述负荷序列形状相似程度的指标--负荷曲线形系数,提出了一种基于局部形相似的超短期负荷预测方法.该方法将预测时刻前一段负荷序列与各相似日同一时段负荷序列的形系数引入到超短期负荷预测中,强调基于形相似基础进行值预测,克服了现有预测方法中对各相似日采用相同权重所导致的平滑效应对拐点负荷预测的影响.研究结果表明,该方法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性.该改进方法可用于对现有多种超短期负荷预测方法的改进.     

基于聚类融合算法的高维数据聚类的研究

本文对基于聚类融合算法的高维数据聚类方法进行了研究。首先介绍了聚类融合方法,然后提出改进的随机投影算法,并将其运用到聚类融合算法中。实验证明,该方法比传统的主成分高维数据约减方法得到的聚类结果更好,具有更好的鲁棒性。对于聚类融合中的关键问题——如何合并多个聚类才能最终得到最优的聚类结果问题,本文将其转换为图分割问题,这种方法在形成最终的聚类结果时允许同时考虑数据点之间的相似性及簇之间的相似性。实验表明这种方法能获得更好的效果。     

基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测

提出了一种联合使用硬C均值(hard C-mean,HCM) 聚类算法和支持向量机(support vector machine,SVM)的电力系统短期负荷预测方法。与目前采用单一SVM的负荷预测方法相比,考虑了电力负荷变化的周期性特征,依据输入样本的相似度选取训练样本,即通过对学习样本的聚类选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。实际应用证明了该方法的有效性,该方法不仅提高了负荷预测精度,还缩短了预测执行时间。