基于OCHNN-Kmeans算法的负荷聚类方法技术

本发明专利技术涉及一种基于OCHNN‑Kmeans算法的负荷聚类方法，包括以下步骤：步骤S1:采集负荷数据，并进行预处理；步骤S2:采用Elbow Method和交叉验证获得最佳的聚类个数；步骤S3:通过OCHNN方法获得初始类中心C；步骤S4:将得到的初始类中心C作为K‑means的初始类中心，并利用K‑means聚类方法对预处理后的负荷数据进行划分，得到负荷曲线划分结构。本发明专利技术能够自适应调整聚类个数和聚类中心，类别划分更精确，适合大规模电力负荷数据划分。

【技术实现步骤摘要】
基于OCHNN-Kmeans算法的负荷聚类方法
本专利技术涉及智能电网领域，一种基于OCHNN-Kmeans算法的负荷聚类方法。
技术介绍
随着我国各方面的蓬勃发展，人们对电力系统的要求不仅仅只是一个可靠的能源系统，还要求其具有相当的智能水平。智能电表作为新一代电表，不仅可以实时提供海量的用户负荷数据，并且能为需求侧管理的实现提供物理基础。通过大数据技术对用户数据进行分析，可以得到相应的负荷模板，从而便于有针对性地制定需求侧响应策略，指导智能电网规划和运行，加强用户和电力市场的互动。而得到用户负荷模板的主要方式就是聚类分析，如何有效准确的对用户负荷进行聚类划分尤为重要。同时，电力系统的结构变得越来越复杂，导致了电力负荷规模愈加庞大。如何提升电网的安全性、稳定性已成为电力企业关注的问题。在电力系统稳定性设计中，对电力系统负荷数据有效划分是重中之重的工作环节，也是基本工作环节之一。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于OCHNN-Kmeans算法的负荷聚类方法，能够对电力系统负荷数据有效划分。为实现上述目的，本专利技术采用如下技术方案：一种基于OCHNN-Kmeans算法的负荷聚类方法，包括以下步骤：步骤S1:采集负荷数据，并进行预处理；步骤S2:采用ElbowMethod和交叉验证获得最佳的聚类个数；步骤S3:通过OCHNN方法获得初始类中心C；步骤S4:将得到的初始类中心C作为K-means的初始类中心，并利用K-means聚类方法对预处理后的负荷数据进行划分，得到负荷曲线划分结构。进一步的，所述步骤S2具体为：步骤S21:ElbowMethod通过遍历不同的k值而得到每个k值所对应的平均类内平方和；步骤S22:根据得到的每个k值所对应的平均类内平方和，获取K-error曲线，得到最佳的聚类个数。进一步的，所述步骤S3具体为：步骤S31:设OCHNN由n个互不相连的神经元组组成，每个组里面包含m个神经元；第i个神经元在第x组的输出表示为vxi(t)∈{0，1}，输入为uxi(t)，偏差表示为θxi(x＝1，...，n；i＝1，...，m)，其中t表示为离散的时间，神经元之间的连接权重表示ωxi，yj(x，y＝1，...，n；i，j＝1，...，m)，并且有ωxi，yj＝ωyj，xi；步骤S32:OCHNN的能量函数定义为：步骤S33:通过改变能量函数，将OCHNN网络应用到聚类分割问题上，设定样本的个数为n，维度为d，目的是将样本聚为k类；步骤S33:根据OCHNN的网络为n×k个神经元，其中n个样本点代表n个神经元组，每一组由k个神经元组成，每个神经元有一个输入值uik和输出值vik，其中vik表示为:类中心表示为：能量函数表示为：神经元的输入更新过程表示为：神经元的输出更新过程表示为：进一步的，所述OCHNN网络中为了避免某一类的样本为0，引入一个爬山函数h(k)，则得到神经元的输入更新过程表示为：其中T是给定参数。一种基于OCHNN-Kmeans算法的负荷聚类系统，包括存储器、处理器，所述存储器上存储有计算机程序，处理器在运行该计算机程序时，能够实现如上所述的方法步骤。本专利技术与现有技术相比具有以下有益效果：本专利技术能够自适应调整聚类个数和聚类中心，类别划分更精确，适合大规模电力负荷数据划分，对电力系统负荷数据有效划分。附图说明图1是本专利技术方法流程图；图2是本专利技术一实施例中ElbowMethod图；图3是本专利技术一实施例中OCHNN网络构建图；图4是本专利技术一实施例中OCHNN分类机制；图5是本专利技术一实施例中聚类个数的确定；图6是本专利技术一实施例中第一类聚类结果；图7是本专利技术一实施例中第二类聚类结果；图8是本专利技术一实施例中第三类聚类结果；图9是本专利技术一实施例中第四类聚类结果。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。请参照图1，本专利技术提供一种基于OCHNN-Kmeans算法的负荷聚类方法，包括以下步骤：步骤S1:采集负荷数据，并进行预处理；步骤S2:采用ElbowMethod和交叉验证获得最佳的聚类个数；步骤S3:通过OCHNN方法获得初始类中心C；步骤S4:将得到的初始类中心C作为K-means的初始类中心，并利用K-means聚类方法对预处理后的负荷数据进行划分，得到负荷曲线划分结构。在本实施例中，参考图2，ElbowMethod通过遍历不同的k值而得到每个k值所对应的平均类内平方和(error)。图2中k代表遍历的类个数，K_best为最佳的类个数。由类在欧氏空间中的性质可知，对于同一组数据，随着k值的增大，类内平方和一定会下降，即平均畸变程度会减小；这是因为每个类包含的样本数越少，样本点就会更接近其所在类的中心。但随着k值继续增大，平均畸变程度的改善效果会不断降低。在k值增大过程中，畸变程度的改善效果下降幅度最大的位置对应的K值就是肘部，所对应的值就是最佳的聚类个数。在本实施例中，参考图3，OCHNN由n个互不相连的神经元组组成，每个组里面包含m个神经元。第i个神经元在第x组的输出表示为vxi(t)∈{0，1}，输入为uxi(t)，偏差表示为θxi(x＝1，...，n；i＝1，...，m)，其中t表示为离散的时间，神经元之间的连接权重表示ωxi，yj(x，y＝1，...，n；i，j＝1，...，m)，并且有ωxi，yj＝ωyj，xi。OCHNN的能量函数定义为：在OCHNN中，每一个神经元组中在t时刻仅仅有一个神经元被激活取值为1，其它的神经元取值为0，也就是说神经元在相同的组里面是同步更新的，在不同的组是依次更新的。一次更新状态意味着所有组均完成一次更新。通过改变能量函数，将OCHNN网络应用到聚类分割问题上，其方式如图4所示。假定样本的个数为n，维度为d，目的是将样本聚为k类。则根据OCHNN的网络结构可理解为可为n×k个神经元，其中n个样本点代表n个神经元组，每一组由k个神经元组成。每个神经元有一个输入值uik和输出值vik，其中vik表示为：类中心表示为：能量函数表示为：其中，xid表示第i个样本点(神经元组)在维度d的取值，ckd表示第k个类中心(神经元)在维度d的取值。神经元的输入更新过程表示为：需要注意的是，在聚类问题中神经元的自连接权重ωik，ik＝0,同一组里的神经元之间的连接权重ωik，il＝0，因此Kik，il＝0。因此神经元输出更新方式为：为了避免某一类的样本为0，引入一个爬山函数h(k)这里T是一个较大的参本文档来自技高网...

【技术保护点】
1.一种基于OCHNN-Kmeans算法的负荷聚类方法，其特征在于，包括以下步骤：/n步骤S1:采集负荷数据，并进行预处理；/n步骤S2:采用Elbow Method或交叉验证获得最佳的聚类个数；/n步骤S3:通过OCHNN方法获得初始类中心C；/n步骤S4:将得到的初始类中心C作为K-means的初始类中心，并利用K-means聚类方法对预处理后的负荷数据进行划分，得到负荷曲线划分结构。/n

【技术特征摘要】
1.一种基于OCHNN-Kmeans算法的负荷聚类方法，其特征在于，包括以下步骤：
步骤S1:采集负荷数据，并进行预处理；
步骤S2:采用ElbowMethod或交叉验证获得最佳的聚类个数；
步骤S3:通过OCHNN方法获得初始类中心C；
步骤S4:将得到的初始类中心C作为K-means的初始类中心，并利用K-means聚类方法对预处理后的负荷数据进行划分，得到负荷曲线划分结构。


2.根据权利要求1所述的基于OCHNN-Kmeans算法的负荷聚类方法，其特征在于，所述步骤S2具体为：
步骤S21:ElbowMethod通过遍历不同的k值而得到每个k值所对应的平均类内平方和；
步骤S22:根据得到的每个k值所对应的平均类内平方和，获取K-error曲线，得到最佳的聚类个数。


3.根据权利要求1所述的基于OCHNN-Kmeans算法的负荷聚类方法，其特征在于，所述步骤S3具体为：
步骤S31:设OCHNN由n个互不相连的神经元组组成，每个组里面包含m个神经元；第i个神经元在第x组的输出表示为vxi(t)∈{0，1}，输入为uxi(t)，偏差表示为θxi(x＝1，...，n；i＝1，...，m)，其中t表示为离散的时间，神经元之间的连接权重表示ωxi，yj(x，y＝1，...，n；...

【专利技术属性】
技术研发人员：黄道姗，杜培，张慧瑜，刘智煖，林焱，蔡冰君，林芳，张伟骏，马铁丰，
申请(专利权)人：国网福建省电力有限公司，国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：福建;35