[发明专利]一种基于小波变换的负荷聚类和模式识别方法

说明书

本发明公开了一种基于小波变换的负荷聚类和模式识别方法，包括获取n维的日负荷曲线；降低日负荷曲线的维度，生成逼近信号X_aL和细节信号X_aH；分别对标准化处理后的逼近信号X′_aL和细节信号X_aH进行聚类，获得簇A和簇D；将簇A和簇D聚合，获得最终的簇C，其聚类中心就是负荷模式中心C_center。本发明采用小波变换来减少维数，提高了曲线聚类的有效性，与其他现有的算法相比，聚类的效果要优于其他几种算法。

技术领域

本发明涉及一种基于小波变换的负荷聚类和模式识别方法，属于需求响应中负荷聚类和负荷模式识别领域。

背景技术

智能电网是电力能源管理领域的一个现代化应用系统。它利用自动控制和现代通信技术，提高能源消耗的效率、可靠性和安全性。随着智能电网的发展，海量数据资源日益积累。原因之一就是数据记录频率的提高。智能电网中使用的智能电表可以定期记录用户的电力负荷数据，通常是1小时、30分钟、15分钟甚至1分钟。对于电力消费者来说，这些负荷数据有助于获得他们的消费行为模式，也被称为负荷模式。这种负荷模式可以用于消费者分类。近年来，需求响应得到了实质性的发展，电力供应商可以根据负荷模式和消费类别实现有效的能源控制、灵活的定价和需求管理。另一方面，电力终端消费者可以通过对电价波动的响应来了解他们的负荷模式，以减少他们的电费支出。然而，电力负荷数据一般都是高维。以15分钟的间隔为例。当一个智能电表记录每15分钟从0:00到23:45的一个用户的用电负荷数据，它每天就记录了96个值，根据这些值就可以画出一个日负荷曲线。在这种情况下，一年内的日负荷曲线包含365组96值曲线，曲线聚类时可能会将这些曲线分类到不同的集群中，提取负荷模式的困难。解决这一问题的传统方法通常是统计方法。例如，用日负荷值之和代替96个值，或者选择日负荷曲线上的代表时段，如峰值时间、波谷时间。虽然这些方法显著地减少了数据的数量，但它们也会导致信息丢失，导致负荷模式提取的准确性降低。

发明内容

为了解决上述技术问题，本发明提供了一种基于小波变换的负荷聚类和模式识别方法。

为了达到上述目的，本发明所采用的技术方案是：

一种基于小波变换的负荷聚类和模式识别方法，包括以下步骤，

获取n维的日负荷曲线；

降低日负荷曲线的维度，生成逼近信号X_aL和细节信号X_aH；

分别对标准化处理后的逼近信号X′_aL和细节信号X_aH进行聚类，获得簇A和簇D；

将簇A和簇D聚合，获得最终的簇C，其聚类中心就是负荷模式中心C_center。

采用多级一维离散沃尔什变换降低日负荷曲线的维度。

逼近信号X_aL和细节信号X_aH为，

X_aL＝{x_1,αL,x_2,αL,…x_n,αL}

X_aH＝{x_1,αH,x_2,αH,…x_n,αH}