[发明专利]电网数据的分类方法、分类设备及存储介质

说明书

本发明公开了一种电网数据的分类方法、分类设备及存储介质。本发明的分类设备获取多个电力用户的日负荷曲线，对所述日负荷曲线进行组合，获得由所述日负荷曲线组成的初始矩阵，对所述初始矩阵进行KL变换，获得降维后的目标矩阵，基于所述目标矩阵，利用K‑means聚类算法对所述日负荷曲线进行聚类分析以完成对所述日负荷曲线的分类，通过对日负荷曲线组成的初始矩阵进行KL变换，大大减小了矩阵的维度，使得在对海量负荷曲线进行聚类算法时，有效地提高了负荷曲线聚类的速度。

技术领域

本发明涉及电力领域，尤其涉及一种电网数据的分类方法、分类设备及存储介质。

背景技术

近年来，在信息化、自动化、互动化的技术革新下，智能电网和能源互联网得到了快速的发展。电网用户在售电平台上购电和用电的行为愈发普遍，从专线专变大客户，覆盖到一般工商业户、市政部门、智能小区等多种电力现场。同时，随着电能计量技术的发展，集线器、集中抄表、智能电表各类电能采集终端及表计的规模也随之增加，每日采集及处理的用电数据量呈指数级增长。电力大数据时代已然来临，随着智能电网的不断发展以及电力改革的纵深推进，针对用户行为特征的分析将成为日后供电公司开展售电业务拓展的关键，但如何驾驭如此海量的数据信息，从中获取有用的信息，挖掘潜在的价值，是电力系统面临的挑战和机遇。

电力系统负荷建模是电力系统仿真分析的重要基础，负荷建模的准确性直接关系到仿真计算的可信度和精确性。负荷建模需要建立在电力负荷特性充分分析的基础之上，而面对用电采集系统中海量的负荷数据，对每一个用户的负荷特性进行分析是不可能的，因此有必要对用户进行负荷聚类，根据聚类结果分析不同用户群的负荷特性。

针对电力负荷曲线分类的研究在国内已展开，传统的分类方法的K-means聚类算法简单易行，操作简便，是目前使用最为广泛的聚类方法之一。它首先选定一组初始聚类中心，通过迭代使得类间保持独立、类内保持紧密，迭代期间将聚类子集中所有数据样本的均值作为类的中心。目前K-means聚类算法在图形分割、客户分类、负荷聚类等领域得到了广泛的应用。

但在用电信息大数据的背景下，数以万亿的日负荷曲线需要进行聚类分析，传统的K-means聚类算法计算难以应付。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种电网数据的分类方法、分类设备及存储介质，旨在解决现有技术中在对海量的负荷曲线进行聚类分析时，传统的聚类算法难以应付的技术问题。

为实现上述目的，本发明提供一种电网数据的分类方法，所述方法包括以下步骤：

获取多个电力用户的日负荷曲线；

对所述日负荷曲线进行组合，获得由所述日负荷曲线组成的初始矩阵；

对所述初始矩阵进行KL变换，获得降维后的目标矩阵；

基于所述目标矩阵，利用K-means聚类算法对所述日负荷曲线进行聚类分析以完成对所述日负荷曲线的分类。

优选地，所述基于所述目标矩阵，利用K-means聚类算法对所述日负荷曲线进行聚类分析以完成对所述日负荷曲线的分类，具体包括：

基于所述目标矩阵，分别计算所述日负荷曲线之间的KL散度；

根据所述KL散度确定所述日负荷曲线的初始聚类中心；

基于所述初始聚类中心，利用K-means聚类算法对所述日负荷曲线进行聚类分析以完成对所述日负荷曲线的分类。

优选地，所述根据所述KL散度确定所述日负荷曲线的初始聚类中心，具体包括：

对所述日负荷曲线之间的KL散度进行组合，得到所述日负荷曲线的差异矩阵；