CN109272058A - 一种集成电力负荷曲线聚类方法 - Google Patents

Abstract

本发明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***运行经济调度的大背景下，本发明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。

Description

一种集成电力负荷曲线聚类方法

技术领域

本发明属于大数据技术领域，具体涉及一种集成电力负荷曲线聚类方法。

背景技术

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***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。

发明内容

本发明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。

本发明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：

w_ij＝rand(0,1),1≤i≤m,1≤j≤n (1)

其中，W_i为输出层第i个神经元的权值向量，W_i＝[w_i1,w_i2,...,w_in]；w_ij为W_i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X_k和SOM输出层神经元的权值向量W_i：

其中，X_k＝[x_k1,x_k2,...,x_kn]为第k个输入向量，n＝9为输入层节点数；W_i为输出层第i个神经元的权值向量，W_i＝[w_i1,w_i2,...,w_in]，其中1≤i≤m；||X_k||为输入向量X_k的欧几里得范数；||W_i||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X_k和输出层神经元的权值向量W_i的欧氏距离，获得获胜神经元：

其中，d(X_k,W_i)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(X_k,W_i)取得最小值的神经元i即为输入向量X_k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：

W_t+1＝W_t+η(t,N_t)·(X_k-W_t) (5)

其中W_t为输入向量X_k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：

η_t+1＝η_t-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：

N_t+1＝N_t-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<η_min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η_min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c_i：

其中，X_i,X_j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(X_i,X_j)为X_i,X_j的欧氏距离；类中心c_i集合用R表示；

S8、计算S7中的聚类结果C₁的类中心c_i集合R的K-距离集合D：

对于数据集合R＝{c₁,c₂,c₃,...,c_m}，计算元素c_i到R的子集S＝{c₁,c₂,c₃,...,c_i-1,c_i+1,...,c_m}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,...,d_k,d_k+1,...,d_m}，d_k即为K-距离，对集合R中每一个元素c_i都计算K-距离，得到所有点的K-距离集合D＝{d_k1,d_k2,...,d_km}；

S9、初始化DBSCAN算法的领域半径E_ps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E_ps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E_ps的值；

S10、使用DBSCAN算法对聚类结果C₁的类中心c_i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M_i；

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c_i，c_j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，X_i,X_j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(X_i,X_j)为X_i,X_j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M_i，进一步包括：

其中，X_i,X_j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(X_i,X_j)为X_i,X_j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X_i到类中心c′_i的欧氏距离大于λ倍的平均距离，则X_i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，η_min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，本发明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发明做进一步详细说明；

图1是本发明的集成电力负荷曲线聚类方法流程图；

图2(a)是本发明的实施案例第一类负荷数据的聚类结果图；

图2(b)为本发明的实施案例第二类负荷数据的聚类结果图。

具体实施方式

结合附图来说明本发明的具体实施方式，为了证明本发明的优越性，下面将本发明采用某公司的电力负荷数据进行验证，对本发明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发明一部分实施例，而不是全部的实施例。

本发明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96个点电力负荷数据组成当天的电力负荷曲线。

S2、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：

w_ij＝rand(0,1),1≤i≤m,1≤j≤n (1)

其中，W_i为输出层第i个神经元的权值向量，W_i＝[w_i1,w_i2,...,w_in]；w_ij为W_i的第j个分量的值；n＝9为输入层节点的个数，m＝16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＝8。

S3、归一化输入向量X_k和SOM输出层神经元的权值向量W_i：

其中，X_k＝[x_k1,x_k2,...,x_kn]为第k个输入向量，n＝9为输入层节点数；W_i为输出层第i个神经元的权值向量，W_i＝[w_i1,w_i2,...,w_in]，其中1≤i≤m，m＝16；||X_k||为输入向量X_k的欧几里得范数；||W_i||为第i个神经元的权值向量的欧几里得范数。

S4、计算输入向量X_k和输出层神经元的权值向量W_i的欧氏距离，获得获胜神经元：

其中，d(X_k,W_i)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(X_k,W_i)取得最小值的神经元i即为输入向量X_k的获胜神经元。

S5、更新获胜神经元拓扑领域内的神经元的权值向量：

W_t+1＝W_t+η(t,N_t)·(X_k-W_t) (5)

其中W_t为输入向量X_k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：

(本发明实施案例中初始学习率η为0.006)

S6、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：

η_t+1＝η_t-αt (7)

其中α为大于0的常数(本发明实施案例为0.0002)。

获胜神经元拓扑领域N的更新方式为：

N_t+1＝N_t-βt (8)

其中β为大于0的常数(本发明实施案例为0.0005)。

S7、判断SOM神经网络是否收敛：

若学习率η<η_min或者达到最大的迭代次数T，则输出聚类结果C₁并转S8；否则转S4。其中η_min和T为用户预先设定的值(本发明实施案例η_min取值为0.000002，最大迭代次数T取值为2000)。

S8、计算SOM神经网络聚类结果C₁的类中心c_i：

其中，X_i,X_j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(X_i,X_j)为X_i,X_j的欧氏距离；类中心c_i集合用R表示。

S9、计算S8中的聚类结果C₁的类中心c_i集合R的K-距离集合D：

对于数据集合R＝{c₁,c₂,c₃,...,c_m}，计算元素c_i到R的子集S＝{c₁,c₂,c₃,...,c_i-1,c_i+1,...,c_m}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,...,d_k,d_k+1,...,d_m}，d_k即为K-距离，对集合R中每一个元素c_i都计算K-距离，得到所有点的K-距离集合D＝{d_k1,d_k2,...,d_km}。

S10、初始化DBSCAN算法的领域半径E_ps和最小密度MinPts：

MinPts的值由用户指定，其值即为S9中的K-距离的K值；领域半径E_ps为S9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E_ps的值(本发明实施案例中MinPts为4，E_ps为1.25)。

S11、使用DBSCAN算法对聚类结果C₁的类中心c_i集合R进行聚类：

根据S9和S10所确定的DBSCAN算法的参数，对R进行聚类，获得聚类结果C₂。

S12、对聚类结果C₁进行并类：将聚类结果C₂中为同一类簇的类中心c_i，c_j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。

S13、计算聚类结果C₃的类中心c′_i：

其中，X_i,X_j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(X_i,X_j)为X_i,X_j的欧氏距离。

S14、计算聚类结果C₃中第i类簇的平均距离M_i：

其中，X_i,X_j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(X_i,X_j)为X_i,X_j的欧氏距离。

S15、计算聚类结果C₃中第i类簇的偏离元素X′_i：

若C₃中第i类簇中的元素X_i到类中心c′_i的欧氏距离大于λ倍的平均距离，则X_i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(本发明实施案例中λ为1.5)。

S16、将S15中的偏离元素X′_i归入与其欧式距离最小的类中心c′_j中：

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。第一类负荷数据和第二类负荷数据的聚类结果如图2(a)-2(b)所示。

S17、结束算法。

以上所述，仅为本发明专利优选的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

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：

w_ij＝rand(0,1),1≤i≤m,1≤j≤n (1)

其中，W_i为输出层第i个神经元的权值向量，W_i＝[w_i1,w_i2,...,w_in]；w_ij为W_i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X_k和SOM输出层神经元的权值向量W_i：

其中，X_k＝[x_k1,x_k2,...,x_kn]为第k个输入向量，n＝9为输入层节点数；W_i为输出层第i个神经元的权值向量，W_i＝[w_i1,w_i2,...,w_in]，其中1≤i≤m；||X_k||为输入向量X_k的欧几里得范数；||W_i||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X_k和输出层神经元的权值向量W_i的欧氏距离，获得获胜神经元：

其中，d(X_k,W_i)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(X_k,W_i)取得最小值的神经元i即为输入向量X_k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：

W_t+1＝W_t+η(t,N_t)·(X_k-W_t) (5)

其中W_t为输入向量X_k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：

η_t+1＝η_t-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：

N_t+1＝N_t-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<η_min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η_min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c_i：

其中，X_i,X_j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(X_i,X_j)为X_i,X_j的欧氏距离；类中心c_i集合用R表示；

S8、计算S7中的聚类结果C₁的类中心c_i集合R的K-距离集合D：

对于数据集合R＝{c₁,c₂,c₃,...,c_m}，计算元素c_i到R的子集S＝{c₁,c₂,c₃,...,c_i-1,c_i+1,...,c_m}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,...,d_k,d_k+1,...,d_m}，d_k即为K-距离，对集合R中每一个元素c_i都计算K-距离，得到所有点的K-距离集合D＝{d_k1,d_k2,...,d_km}；

S9、初始化DBSCAN算法的领域半径E_ps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E_ps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E_ps的值；

S10、使用DBSCAN算法对聚类结果C₁的类中心c_i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M_i；

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。

2.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，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c_i，c_j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。

3.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，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，X_i,X_j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(X_i,X_j)为X_i,X_j的欧氏距离。

4.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，所述的步骤S13计算聚类结果C₃中第i类簇的平均距离M_i，进一步包括：

其中，X_i,X_j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(X_i,X_j)为X_i,X_j的欧氏距离。

5.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，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X_i到类中心c′_i的欧氏距离大于λ倍的平均距离，则X_i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。

6.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，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。

7.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，在所述的步骤S1之前，进一步包括：获取电力负荷数据。

8.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，α取值为0.0002，β取值为0.0005。

9.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，η_min取值为0.000002，最大迭代次数T取值为2000。

10.根据权利要求5所述的集成电力负荷曲线聚类方法，其特征在于，λ取值为1.5。