【技术实现步骤摘要】
本专利技术涉及负荷聚类，特别涉及一种电力负荷的聚类方法、装置及计算机设备。
技术介绍
1、电力系统中电气设备所需的电功率称为电力负荷，电力负荷是电力系统所有用电设备的总耗电量。电力公司使用电力信息采集系统，收集用电客户每天96点的用电负荷和用电量数据，在对这些数据的分析和使用过程中保证电力的稳定与充分供应。近年来，电网数据呈现规模大、种类多、价值密度低等大数据特征。在智能电网数据环境下，通过数据挖掘算法准确有效地提取用电用户的用电行为，可以充分改善用户的用电行为。
2、现有技术中，对电网用户进行分类最重要的方法是聚类分析，聚类分析是通过测量样本对象之间的差异，将相似对象分类为同一类别的方法。负荷聚类是配电数据挖掘的基础，在电力用户负荷聚类问题中，不同的聚类算法也存在着不同的适用范畴，现有聚类方法采用核主成分分析方法对负荷数据进行降维，采用核k-means算法对用户负荷进行分类处理，得到了核函数集合的准确性，但需要提高其分类的稳定性。综合调试算法对传统模糊c均值算法进行了改进，对实现初始聚类的中心灵敏度和全局搜索能力不足问题进行了改进，但多次迭代增加了算法的时间和复杂性，这样就导致负荷聚类的计算过程效率很低。
技术实现思路
1、本申请实施例提供了一种电力负荷的聚类方法、装置及计算机设备，用于解决负荷聚类的计算过程效率很低的问题。
2、本申请实施例第一方面提供了一种电力负荷的聚类方法，包括：
3、采集用户的电力负荷数据；
4、对所述电力负
5、利用改进k-modes算法对所述数据集进行m次负荷聚类，并根据每次所述负荷聚类的聚类结果确定类中心集合，m为类数目；
6、对所述类中心集合进行层次聚类，将所述层次聚类所得的每个类的中心作为所述改进k-modes算法的初始聚类中心代入所述改进k-modes算法进行聚类从而生成聚类结果。
7、更进一步地，所述对所述电力负荷数据进行预处理，包括：
8、对所述电力负荷数据进行核平滑处理，表达式如下：
9、
10、式中：hλ为核半径，相当于通过参数λ加权的时刻点距离；yi表示ti时刻的采样值；p为采样数量。
11、更进一步地，所述将所述数据预处理后的电力负荷数据的形态特征提取为离散属性的数据集，包括：
12、对所述数据预处理后的电力负荷数据进行差分处理，得到差分值；
13、利用多级斜率分档方式将所述差分值按正负以及绝对值的大小划分成不同的档位级别，使得将连续数据转化为离散化数据集。
14、更进一步地，所述对所述数据预处理后的电力负荷数据进行差分处理，得到差分值，表达式如下：
15、ydif＝yt―yt―n＝(yn+1―y1,yn+2―y2,…,y96―y96―n)＝(df1,df2,…,df96―n)；
16、式中：n为n阶差分处理；ydif为n阶差分向量；
17、所述将连续数据转化为离散化数据集表达式如下：
18、f＝d(ydif)＝(d(df1),d(df2),…,d(dfi),…,d(df96―n))＝(f1,f2,…,fi,…,f96―n)；
19、其中：
20、
21、式中：d为离散化函数，max(ydif)为n阶差分向量的最大取值；min(ydif)为n阶差分向量的最小取值；0表示平缓，1表示上升，-1表示下降。
22、更进一步地，所述利用改改进k-modes算法对所述数据集进行负荷聚类，并根据每次所述负荷聚类的聚类结果确定类中心集合，包括：
23、利用k-modes算法对所述数据集进行m次负荷聚类后标记每一次聚类结果的类中心，m为类数目；
24、根据所述每一次聚类结果的类中心确定m次负荷聚类的聚类结果的类中心集合。
25、更进一步地，在确定负荷聚类的聚类结果的类中心集合之前，所述方法还包括：
26、判断类数目是否大于实际类数目，若否，则重新利用改进k-modes算法对所述数据集进行负荷聚类。
27、更进一步地，所述对所述类中心集合进行层次聚类，包括：
28、将所述类中心集合的每个中心点作为一个样本对象，将所有的中心点进行层次聚类。
29、更进一步地，所述将所述层次聚类所得的每个类的中心作为所述改进k-modes算法的初始聚类中心代入所述改进k-modes算法进行聚类从而生成聚类结果，包括：
30、根据所述层次聚类生成聚类关系谱树；
31、基于所述聚类关系谱树选取适当的类数目对类进行划分，并计算每个类的中心作为所述改进k-modes算法的初始聚类中心代入所述改进k-modes算法进行聚类从而生成聚类结果。
32、本申请实施例第二方面提供了一种电力负荷的聚类装置，包括：
33、电力负荷数据采集单元，用于采集用户的电力负荷数据；
34、数据集提取单元，用于对所述电力负荷数据进行预处理，并将所述数据预处理后的电力负荷数据的形态特征提取为离散属性的数据集；
35、类中心集合确定单元，用于利用改进k-modes算法对所述数据集进行m次负荷聚类，并根据每次所述负荷聚类的聚类结果确定类中心集合，m为类数目；
36、聚类结果生成单元，用于对所述类中心集合进行层次聚类，将所述层次聚类所得的每个类的中心作为所述改进k-modes算法的初始聚类中心代入所述改进k-modes算法进行聚类从而生成聚类结果。
37、本申请实施例第三方面提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如上述任意一项所述的电力负荷的聚类方法的步骤。
38、从以上技术方案可以看出，本申请实施例具有以下优点：
39、本申请首先对采集到用户的电力负荷数据进行预处理，并将处理后的电力数据的形态特征提取为离散属性数据集，然后利用改进k-modes算法对数据集进行m次负荷聚类，并根据每次负荷聚类的聚类结果确定类中心集合；再对类中心集合进行层次聚类，将层次聚类所得的每个类的中心作为改进k-modes算法的初始聚类中心代入改进k-modes算法进行聚类，最后生成聚类结果。本专利技术建立了高效的特征提取方法，在特征提取的基础上用改进k-modes算法对原k-modes算法进行简化，在提升聚类效率的同时提高聚类结果的准确性。
本文档来自技高网...【技术保护点】
1.一种电力负荷的聚类方法，其特征在于，包括：
2.根据权利要求1所述的电力负荷的聚类方法，其特征在于，所述对所述电力负荷数据进行预处理，包括：
3.根据权利要求2所述的电力负荷的聚类方法，其特征在于，所述将所述数据预处理后的电力负荷数据的形态特征提取为离散属性的数据集，包括：
4.根据权利要求3所述的电力负荷的聚类方法，其特征在于，所述对所述数据预处理后的电力负荷数据进行差分处理，得到差分值，表达式如下：
5.根据权利要求1所述的电力负荷的聚类方法，其特征在于，所述利用改改进K-modes算法对所述数据集进行负荷聚类，并根据每次所述负荷聚类的聚类结果确定类中心集合，包括：
6.根据权利要求5所述的电力负荷的聚类方法，其特征在于，在确定负荷聚类的聚类结果的类中心集合之前，所述方法还包括：
7.根据权利要求1所述的电力负荷的聚类方法，其特征在于，所述对所述类中心集合进行层次聚类，包括：
8.根据权利要求7所述的电力负荷的聚类方法，其特征在于，所述将所述层次聚类所得的每个类的中心作为所述改进K-mod
9.一种电力负荷的聚类装置，其特征在于，包括：
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至8任意一项所述的电力负荷的聚类方法的步骤。
...【技术特征摘要】
1.一种电力负荷的聚类方法，其特征在于，包括：
2.根据权利要求1所述的电力负荷的聚类方法，其特征在于，所述对所述电力负荷数据进行预处理，包括：
3.根据权利要求2所述的电力负荷的聚类方法，其特征在于，所述将所述数据预处理后的电力负荷数据的形态特征提取为离散属性的数据集，包括：
4.根据权利要求3所述的电力负荷的聚类方法，其特征在于，所述对所述数据预处理后的电力负荷数据进行差分处理，得到差分值，表达式如下：
5.根据权利要求1所述的电力负荷的聚类方法，其特征在于，所述利用改改进k-modes算法对所述数据集进行负荷聚类，并根据每次所述负荷聚类的聚类结果确定类中心集合，包括：
6.根据权利要求5所述的电力负荷的聚类...
【专利技术属性】
技术研发人员：祁乐，宋吉峰，陈明媛，张旻钰，黄馗，邹其，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：
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。