一种集成电力负荷曲线聚类方法技术

技术编号:20222295 阅读:13 留言:0更新日期:2019-01-28 20:38
本发明专利技术公开了一种集成电力负荷曲线聚类方法。在我国电网公司加大需求侧改革力度、更加有效进行电力系统运行经济调度的大背景下,本发明专利技术专利提出一种快速有效的电力负荷聚类算法。首先使用SOM神经网络对原始电力负荷数据进行粗聚类,获得聚类后的类中心;然后利用DBSCAN算法对粗聚类后的类中心进行聚类,将同类的类中心对应的类簇进行合并;最后将类簇中的偏离元素剔除并放入最相似类中,获得最优聚类结果。

【技术实现步骤摘要】
一种集成电力负荷曲线聚类方法
本专利技术属于大数据
,具体涉及一种集成电力负荷曲线聚类方法。
技术介绍
在大数据时代,通过对历史电力负荷数据曲线进行聚类分析,获得用户的用电规律和特性,是电力系统经济调度和需求侧管理的一项重要的内容。传统的K-Mean算法、SOM神经网络、FCM算法等聚类算法对电力负荷曲线进行聚类的效果并不好。K-Mean算法和FCM算法都需要在聚类之前指定聚类数目,这使得算法难以准确表示用户自身的用电规律;SOM神经网络对数据进行聚类的时候虽然不用指定聚类数目,但其存在着不一定收敛的缺陷。
技术实现思路
本专利技术的目的是为了解决上述现有技术的缺陷,提供了一种集成SOM神经网络与DBSCAN算法的电力负荷聚类算法。首先获取原始电力负荷数据,使用SOM神经网络对原始电力负荷数据进行粗聚类,获得聚类结果C1;然后使用DBSCAN算法对聚类结果C1的类中心进行聚类,将同类的类中心对应的类簇合并;最后提出修正偏离元素规则对聚类结果进行调整,更好地对电力负荷曲线数据进行聚类,获得最优聚类结果。本专利技术的目的可以通过采取如下技术方案达到:一种集成电力负荷曲线聚类方法,包括以下步骤:S1、初始化SOM神经网络神经元的权值向量和获胜神经元领域半径N0:wij=rand(0,1),1≤i≤m,1≤j≤n(1)其中,Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win];wij为Wi的第j个分量的值;n为输入层节点的个数,m为输出层神经元的个数;初始获胜神经元领域半径N是一个较大的值N0;S2、归一化输入向量Xk和SOM输出层神经元的权值向量Wi:其中,Xk=[xk1,xk2,...,xkn]为第k个输入向量,n=9为输入层节点数;Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win],其中1≤i≤m;||Xk||为输入向量Xk的欧几里得范数;||Wi||为第i个神经元的权值向量的欧几里得范数;S3、计算输入向量Xk和输出层神经元的权值向量Wi的欧氏距离,获得获胜神经元:其中,d(Xk,Wi)表示第k个输入向量和第i个神经元的权值向量的欧氏距离。使得d(Xk,Wi)取得最小值的神经元i即为输入向量Xk的获胜神经元;S4、更新获胜神经元拓扑领域内的神经元的权值向量:Wt+1=Wt+η(t,Nt)·(Xk-Wt)(5)其中Wt为输入向量Xk的获胜神经元在t时刻的权值向量;η(t,N)为学习率函数,其表达式为:S5、更新学习率η和获胜神经元拓扑领域N:学习率η的更新方式为:ηt+1=ηt-αt(7)其中α为大于0的常数;获胜神经元拓扑领域N的更新方式为:Nt+1=Nt-βt(8)其中β为大于0的常数;S6、判断SOM神经网络是否收敛:若学习率η<ηmin或者达到最大的迭代次数T,则输出聚类结果C1并转S7;否则转S3;其中ηmin和T为用户预先设定的值;S7、计算SOM神经网络聚类结果C1的类中心ci:其中,Xi,Xj均为聚类结果C1的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离;类中心ci集合用R表示;S8、计算S7中的聚类结果C1的类中心ci集合R的K-距离集合D:对于数据集合R={c1,c2,c3,...,cm},计算元素ci到R的子集S={c1,c2,c3,...,ci-1,ci+1,...,cm}中所有元素的距离,距离按照从小到大排序,获得排序后的距离集合D′={d1,d2,d3,...,dk,dk+1,...,dm},dk即为K-距离,对集合R中每一个元素ci都计算K-距离,得到所有点的K-距离集合D={dk1,dk2,...,dkm};S9、初始化DBSCAN算法的领域半径Eps和最小密度MinPts:MinPts的值由用户指定,其值即为S8中的K-距离的K值;领域半径Eps为S8中计算的K-距离曲线D中斜率最大的点所对应的值,若存在多个点均为斜率最大点,则取这些点的平均值作为领域半径Eps的值;S10、使用DBSCAN算法对聚类结果C1的类中心ci集合R进行聚类:根据S8和S9所确定的DBSCAN算法的参数,对R进行聚类,获得聚类结果C2;S11、对聚类结果C1进行并类获得聚类结果C3;S12、计算聚类结果C3的类中心c′i;S13、计算聚类结果C3中第i类簇的平均距离Mi;S14、计算聚类结果C3中第i类簇的偏离元素X′i;S15、将S14中的偏离元素X′i归入其相似类中,获得电力负荷数据的最终聚类结果C4。进一步地,所述的步骤S11对聚类结果C1进行并类获得聚类结果C3,进一步包括:将聚类结果C2中为同一类簇的类中心ci,cj所对应聚类结果C1中的第i类簇和第j类簇的数据进行合并,获得聚类结果C3。进一步地,所述的步骤S12计算聚类结果C3的类中心c′i,进一步包括:其中,Xi,Xj均为聚类结果C3的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离。进一步地,所述的步骤S13计算聚类结果C3中第i类簇的平均距离Mi,进一步包括:其中,Xi,Xj均为聚类结果C3的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离。进一步地,所述的步骤S14计算聚类结果C3中第i类簇的偏离元素X′i,进一步包括:若C3中第i类簇中的元素Xi到类中心c′i的欧氏距离大于λ倍的平均距离,则Xi即为C3中第i类簇的一个偏离元素X′i,即:其中λ为偏离因子,为一大于1的常数;将偏离元素从该类簇中剔除出去。进一步地,所述的步骤S15将S14中的偏离元素X′i归入其相似类中,获得最终聚类结果C4,进一步包括:计算从第i类簇中剔除出来的偏离元素X′i与其他类簇的类中心c′j的欧氏距离,将X′i并入使得距离d(X′i,c′j)取最小值的c′j所对应的类簇中;获得最终聚类结果C4。进一步地,在所述的步骤S1之前,进一步包括:获取电力负荷数据。优选的,α取值为0.0002,β取值为0.0005。优选的,ηmin取值为0.000002,最大迭代次数T取值为2000。优选的,λ取值为1.5。与现有技术相比,本专利技术提供的集成电力负荷曲线聚类方法至少具有下述的有益效果或优点:计算速度快、聚类效果好;较好地满足电网公司对电力负荷聚类分析的需要。附图说明以下将结合附图对本专利技术做进一步详细说明;图1是本专利技术的集成电力负荷曲线聚类方法流程图;图2(a)是本专利技术的实施案例第一类负荷数据的聚类结果图;图2(b)为本专利技术的实施案例第二类负荷数据的聚类结果图。具体实施方式结合附图来说明本专利技术的具体实施方式,为了证明本专利技术的优越性,下面将本专利技术采用某公司的电力负荷数据进行验证,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本专利技术一部分实施例,而不是全部的实施例。本专利技术的一种集成电力负荷曲线聚类方法,如图1所示,其具体实施案例实施步骤如下,:S1、获取电力负荷数据。从某工厂获取电力负荷数据并选取2018年1月1日至2018年8月15日的电力负荷数据作为实验用数据。其中电力负荷数据的格式为从当天0.00开始到当天23.45每隔15分钟对负荷采样一次,一天共9本文档来自技高网...

【技术保护点】
1.一种集成电力负荷曲线聚类方法,其特征在于,所述方法包括以下步骤:S1、初始化SOM神经网络神经元的权值向量和获胜神经元领域半径N0:wij=rand(0,1),1≤i≤m,1≤j≤n             (1)其中,Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win];wij为Wi的第j个分量的值;n为输入层节点的个数,m为输出层神经元的个数;初始获胜神经元领域半径N是一个较大的值N0;S2、归一化输入向量Xk和SOM输出层神经元的权值向量Wi:

【技术特征摘要】
1.一种集成电力负荷曲线聚类方法,其特征在于,所述方法包括以下步骤:S1、初始化SOM神经网络神经元的权值向量和获胜神经元领域半径N0:wij=rand(0,1),1≤i≤m,1≤j≤n(1)其中,Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win];wij为Wi的第j个分量的值;n为输入层节点的个数,m为输出层神经元的个数;初始获胜神经元领域半径N是一个较大的值N0;S2、归一化输入向量Xk和SOM输出层神经元的权值向量Wi:其中,Xk=[xk1,xk2,...,xkn]为第k个输入向量,n=9为输入层节点数;Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win],其中1≤i≤m;||Xk||为输入向量Xk的欧几里得范数;||Wi||为第i个神经元的权值向量的欧几里得范数;S3、计算输入向量Xk和输出层神经元的权值向量Wi的欧氏距离,获得获胜神经元:其中,d(Xk,Wi)表示第k个输入向量和第i个神经元的权值向量的欧氏距离;使得d(Xk,Wi)取得最小值的神经元i即为输入向量Xk的获胜神经元;S4、更新获胜神经元拓扑领域内的神经元的权值向量:Wt+1=Wt+η(t,Nt)·(Xk-Wt)(5)其中Wt为输入向量Xk的获胜神经元在t时刻的权值向量;η(t,N)为学习率函数,其表达式为:S5、更新学习率η和获胜神经元拓扑领域N:学习率η的更新方式为:ηt+1=ηt-αt(7)其中α为大于0的常数;获胜神经元拓扑领域N的更新方式为:Nt+1=Nt-βt(8)其中β为大于0的常数;S6、判断SOM神经网络是否收敛:若学习率η<ηmin或者达到最大的迭代次数T,则输出聚类结果C1并转S7;否则转S3;其中ηmin和T为用户预先设定的值;S7、计算SOM神经网络聚类结果C1的类中心ci:其中,Xi,Xj均为聚类结果C1的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离;类中心ci集合用R表示;S8、计算S7中的聚类结果C1的类中心ci集合R的K-距离集合D:对于数据集合R={c1,c2,c3,...,cm},计算元素ci到R的子集S={c1,c2,c3,...,ci-1,ci+1,...,cm}中所有元素的距离,距离按照从小到大排序,获得排序后的距离集合D′={d1,d2,d3,...,dk,dk+1,...,dm},dk即为K-距离,对集合R中每一个元素ci都计算K-距离,得到所有点的K-距离集合D={dk1,dk2,...,dkm};S9、初始化DBSCAN算法的领域半径Eps和最小密度MinPts:MinPts的值由用户指定,其值即为S8中的K-距离的K值;领域半径Eps为S8中计算的K-距离曲线D中...

【专利技术属性】
技术研发人员:戚远航蔡延光罗育辉陈厚仁王世豪
申请(专利权)人:电子科技大学中山学院
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1