一种基于形态趋势特征的负荷曲线聚类方法、介质及设备技术

本发明专利技术公开了一种基于形态趋势特征的负荷曲线聚类方法、介质及设备，提取典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，对不同用户的用电负荷曲线进行分类，划分出不同用电模式用户。本发明专利技术能兼顾曲线的分布特征、形态特征与趋势特征，能够更合理有效地分辨曲线之间差异性。

【技术实现步骤摘要】
一种基于形态趋势特征的负荷曲线聚类方法、介质及设备
本专利技术属于电力系统分析
，具体涉及一种基于形态趋势特征的负荷曲线聚类方法、介质及设备。
技术介绍
随着智能电网的发展，大量智能电表被用来收集用户用电数据，这为更加深入分析个人和客户群体的用电行为特征提供了机会。用户用电模式分析可以为电价策略制定、电力营销计划制定以及用电负荷预测等提供参考，具有极大的研究价值。目前，用电负荷曲线的聚类常使用基于划分的方法，通常结合计算曲线之间的欧式距离作为分类的依据，这类方法结构简单，运行速度快，然而常见的K-均值、模糊C-均值等算法均存在着需要设定聚类数目、聚类结果对初始聚类中心的依赖性高并且容易陷入局部最优解等问题。同时，欧氏距离是一种点对点的度量方案只能从整体上度量曲线之间的差异，不能捕捉形态与趋势特征，而形态与趋势特征更能反应用户用电模式的差别，对于用户的分类更加有序可靠；为了改进相似性度量问题，有文献采用双层结构结合差分余弦距离以及欧氏距离度量曲线相似性进行用户归类，也有文献引入动态弯曲距离结合熵权法提出多尺度相似性度量方式等。然而差分余弦距离对噪声敏感，而动态弯曲距离计算时间复杂度高、且存在一定的局限性。同时用电采样数据通常存在一定的噪声和相位偏移等问题，现有方案增加了计算复杂度，算法有效性不高并不能很好地解决负荷曲线聚类问题。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于形态趋势特征的负荷曲线聚类方法、介质及设备，能忽略曲线之间存在的数值量级差异、减少噪声干扰，尽可能挖掘形态特征之间的相似性，有效度量曲线相似性；同时构造了兼顾曲线分布特征、形态特征与趋势变化特征的多尺度相似度量方式，提高了负荷曲线聚类的准确度，同时相对于动态弯曲距离方案具有更高的时间效率。本专利技术采用以下技术方案：一种基于形态趋势特征的负荷曲线聚类方法，提取电网的典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，对不同用户的用电负荷曲线进行分类，划分出不同用电模式用户。具体的，提取典型用电负荷曲线具体为：选择一定周期内的用户日负荷用电曲线；去除非工作日和全零数据，并剔除缺失值超过10％的用户，得到n位用户在T个工作日的用电数据，第i位用户在第t日的用电曲线为为第k个时段的用电数据，m为一天的采集数据数；对每一用户的在对应周期内的用电负荷取均值，并进行极差归一化处理，得到典型用电负荷曲线组成的数据集X＝{X1,X2,…,Xn}T。具体的，提取形态特征与趋势特征具体为：计算每一典型负荷曲线的Xi均值，并将每一时间点t的数值xit与均值做差，得到均值差分矩阵Dmd＝{dmd1,dmd2,…,dmdi…,dmdn}T；采用分位数刻画负荷数据相对于负荷均值的变化量，将原始数值数据转换成统一性描述形态变化的离散型特征数据，分位数采用3分位数，分别取0.05，0.5，0.95，计算形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征xmdit；对形态特征矩阵Xmd进行一阶差分运算，得到趋势特征矩阵X′md。进一步的，形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征xmdit为：其中，dmdit为第i条均值差分曲线dmdi在t时刻的值。具体的，使用LCSS算法计算形态距离和趋势距离，结合欧氏距离构造多尺度相似度量方式具体为：计算负荷曲线Xi和Xj之间的欧氏距离，度量整体分布特征；使用LCSS算法寻找两条形态特征曲线Xmdi和Xmdj的最长公共子序列，以此度量负荷曲线之间Xi和Xj之间的形态相似度，进而得到形态相似度距离Dmd；使用LCSS算法提取出两条趋势特征曲线X′mdi和X′mdj的最长公共子序列，计算负荷曲线之间的趋势距离，度量局部趋势特征，计算趋势距离Dtd。进一步的，使用形态距离和趋势距离结合欧氏距离构造多尺度相似度量方式具体为：构造兼顾日负荷曲线分布特征、形态特征及局部趋势特征的相似性度量方式，包括三个部分：Dall(Xi,Xj)＝αDed(Xi,Xj)+βre,mDmd(Xi,Xj)+γre,tDtd(X′i,X′j)，其中，Dall(Xi,Xj)表示负荷曲线Xi和Xj之间的总体距离，α、β、γ分别为相似度矩阵Ded(Xi,Xj)、Dmd(Xi,Xj)以及Dtd(X′i,X′j)的权重系数。更进一步的，确定相似度矩阵权重参数α、β、γ具体为：分别将α和γ设为0，将β按照步长0.1找出β分别与α和γ的最佳比例组合α0+β0＝1以及β1+γ1＝1，固定β的范围[β0,β1]，若β0<β1，进一步微调确定最佳的参数组合，分别使用比例系数re,m和re,t实现三个方案取值范围的统一性，具体计算如下：其中，max(Ded(Xi,Xj))、max(Dmd(Xi,Xj))和max(Dtd(X′i,X′j))分别为负荷曲线欧式距离的最大值、形态距离的最大值和趋势距离的最大值。具体的，将多尺度相似度量方式作为算法输入进行AP聚类具体为：初始化相似度矩阵S、吸引度矩阵R和归属度矩阵A；确定相似度矩阵权重参数α、β和γ，计算n条用电负荷曲线的相似度矩阵S＝[s(i,j)]n×n,s(i,j)为第i条曲线与第j条曲线的相似度；设置参考度p参数；吸引度矩阵R和归属度矩阵A更新；引入阻尼系数λ，维持归属度矩阵和吸引度矩阵的收敛速度和稳定性；若迭代次数超过设定的最大值或在多次迭代后满足目标时终止计算，确定聚类中心及各簇；如果聚类数目是否达到结束，根据聚类结果计算DB指标和SSE指标寻找最优结果，最终得到z个用户用电模式，用电模式集合为W＝[w1,w2,…,wz]。本专利技术的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。本专利技术的另一个技术方案是，一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术提出一种基于形态趋势特征的负荷曲线聚类方法，首先对原始数据进行数据预处理并排除异常值；然后提取负荷曲线的形态特征，并通过分位数进行形态特征的统一性重表达，同时结合差分求导公式得到统一性趋势特征；结合LCSS算法度量不同曲线之间的形态、趋势相似度，同时加入欧氏距离度量曲线之间的分布特征，构造一个兼顾曲线分布特征、形态特征与趋势特征的多尺度相似性度量方式；将所提方案引入AP聚类算法中，对用户用电模式进行聚类分析，提取用户典型用电模式；基于均值差本文档来自技高网...

【技术保护点】
1.一种基于形态趋势特征的负荷曲线聚类方法，其特征在于，提取电网的典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，对不同用户的用电负荷曲线进行分类，划分出不同用电模式用户。/n

【技术特征摘要】
1.一种基于形态趋势特征的负荷曲线聚类方法，其特征在于，提取电网的典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，对不同用户的用电负荷曲线进行分类，划分出不同用电模式用户。


2.根据权利要求1所述的方法，其特征在于，提取典型用电负荷曲线具体为：
选择一定周期内的用户日负荷用电曲线；去除非工作日和全零数据，并剔除缺失值超过10％的用户，得到n位用户在T个工作日的用电数据，第i位用户在第t日的用电曲线为为第k个时段的用电数据，m为一天的采集数据数；对每一用户的在对应周期内的用电负荷取均值，并进行极差归一化处理，得到典型用电负荷曲线组成的数据集X＝{X1,X2,…,Xn}T。


3.根据权利要求1所述的方法，其特征在于，提取形态特征与趋势特征具体为：
计算每一典型负荷曲线Xi的均值，并将每一时间点t的数值xit与均值做差，得到均值差分矩阵Dmd＝{dmd1,dmd2,…,dmdi…,dmdn}T；采用分位数刻画负荷数据相对于负荷均值的变化量，将原始数值数据转换成统一性描述形态变化的离散型特征数据，分位数采用3分位数，分别取0.05，0.5，0.95，计算形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征xmdit；对形态特征矩阵Xmd进行一阶差分运算，得到趋势特征矩阵X′md。


4.根据权利要求3所述的方法，其特征在于，形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征xmdit为：



其中，dmdit为第i条均值差分曲线dmdi在t时刻的值。


5.根据权利要求1所述的方法，其特征在于，使用LCSS算法计算形态距离和趋势距离，结合欧氏距离构造多尺度相似度量方式具体为：
计算负荷曲线Xi和Xj之间的欧氏距离，度量整体分布特征；使用LCSS算法寻找两条形态特征曲线Xmdi和Xmdj的最长公共子序列，以此度量负荷曲线之间Xi和Xj之间的形态相似度，进而得到形态相似度距离Dmd；使用LCSS算法提取出两条趋势特征曲线X′mdi和X′mdj的最长公共子序列，计算负荷曲线之间的趋势距离，度量局部趋势特征，计算趋势距离Dtd。


6.根据权利要求5所述的方法，其特...

【专利技术属性】
技术研发人员：赵博，李春亮，孙碧颖，党倩，崔阿军，尚闻博，邱昱，刘晓琴，闫磊，桂小林，陈世绩，
申请(专利权)人：国网甘肃省电力公司，西安交通大学，
类型：发明
国别省市：甘肃;62