【技术实现步骤摘要】
基于卷积变分自编码器的日负荷曲线聚类方法
[0001]本专利技术属于电力系统数据处理
，具体涉及基于卷积变分自编码器的日负荷曲线聚类方法。
技术介绍
[0002]随着智能电网的不断发展，大量的智能电表和智能终端安装在配电网中，监控和预测电力客户的用电行为。这些智能仪器能收集电力生产各环节的运行数据并汇总成为电力大数据，其蕴含巨大的潜在数据挖掘价值，这些大数据的基本特征可以概括为“4V”:数量大(Volume)、类型多(Variety)、速度快(Velocity)和价值高(Value)。其中收集到的不同时间间隔的变压器或电力用户日消费数据，构成了各监测点的日负荷曲线。日负荷曲线对于用户特征的分析与电力画像的构建有较强的支撑关系，日负荷曲线的聚类分析任务可以支撑电力用户的典型日负荷曲线的构建和负荷特性的提取，有利于后续针对需求侧用户制定个性化用电策略和节能方案，减少能源消耗和碳排放。
[0003]当前，用于电力负荷聚类的主要手段包含直接方式和间接方式两种。现有一种双层聚类分析方法，其改进了初始聚类中心的选取规则，解...
【技术保护点】
【技术特征摘要】
1.基于卷积变分自编码器的日负荷曲线聚类方法，其特征在于，包括以下步骤：S1、采用数据删除、异常数据检测并替换、数据归一化对原始日负荷数据实现预处理；S2、利用卷积变分自编码器对负荷数据进行降维和重构，将重构误差和分布误差一起作为损失函数，得到日负荷曲线的潜在表征；S3、将降维后的数据用K
‑
means算法得到聚类标签和聚类中心，将聚类标签分配给原始负荷数据，聚类中心再通过解码器还原，得到原始数据的聚类中心；S4、将每一类的某一个时刻的负荷功率根据与聚类中心的距离设置不同的高斯权值，从而优化典型的日负荷曲线。2.如权利要求1所述的基于卷积变分自编码器的日负荷曲线聚类方法，其特征在于，步骤S1中数据删除具体如下：针对负荷数据中存在缺失数据、存在大于20个数据点测量数据为0或整天采集数据值无变化的负荷数据采取删除操作。3.如权利要求2所述的基于卷积变分自编码器的日负荷曲线聚类方法，其特征在于，步骤S1中异常数据检测并替换具体如下：使用四分位距法对负荷数据进行检测，根据每天96个数据的上四分位数Q3和下四分位数Q1，并给予一定裕度，形成一个筛选区间，在筛选区间内的为有效数据，在筛选区间外的为异常数据，并且将异常数据用有效数据的均值替代。4.如权利要求3所述的基于卷积变分自编码器的日负荷曲线聚类方法，其特征在于，步骤S1中数据归一化具体如下：采用对每条日负荷曲线进行最大最小值归一化，将其压缩至[0,1]区间，其表达式如下：式中，p(x,t)是采集到的第x个用户负荷曲线在时间t时刻的用电量,p
′
(x,t)是经归一化后的第x个用户负荷曲线在时间t时刻的用电量,p(x)
max
和p(x)
min
是第x个用户负荷曲线的最大、最小负荷数据。5.如权利要求4所述的基于卷积变分自编码器的日负荷曲线聚类方法，其特征在于，步骤S2具体如下：卷积变分自编码器中，编码器由两个卷积层和两个最大池化层构成，最后通过一个全连接层得到降维后负荷序列的时序特征，将提取的时序特征送入解码器，解码器由重塑层、两个反卷积层及两个上采样层构成，最终得到与原始样本相近的数据；将KL散度和重构误差一起作为网络的损失函数，通过梯度下降算法以最小化损失函数训练编码器和解码器；编码器和解码器分别是带...
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。