[发明专利]基于自适应分段聚合近似的电力负荷曲线形态聚类方法

说明书

本发明公开了一种基于自适应分段聚合近似的电力负荷曲线形态聚类方法，其包括将原始电力负荷曲线数据序列分为若干数据段，之后通过计算固定时间窗内爬坡事件总数以及基于斜率提取的边缘点总数，并通过爬坡事件总数及边缘点总数对电力负荷曲线进行降维；当电力负荷曲线的维度达到预设维数时，根据聚类数在电力负荷曲线中选取聚类中心，并计算电力负荷曲线的负荷点到每个聚类中心的SBD距离；根据负荷点到聚类中心的SBD距离，将负荷点划分至距离其最近聚类中心所在类别，并更新每个类别的聚类中心；采用更新后的聚类中心对所有电力负荷曲线的负荷点再次聚类，直至迭代次数达到最大迭代次数或所有类别的负荷点不再发生变化时，输出聚类结果。

技术领域

本发明属于电力系统及其自动化领域，具体涉及一种基于自适应分段聚合近似的电力负荷曲线形态聚类方法。

背景技术

目前现有技术中基于电力用户用电模式提取的聚类技术主要分为以下六类及以下方法的组合算法：

(1)基于划分。指定聚类数目，设定初始分组，对于给定的负荷数据集，通过不断迭代重定位改变初始分组使达到最优，如k-means,k-modoids等。(2)层次聚类。分为凝聚的方法或是分裂的方法。凝聚的方法是从低至上，每次迭代中合并相似组，直至满足终止条件；分裂的方法是自顶向下，每次迭代中大组分裂为小组，直至满足终止条件。

(3)基于密度。若临近区域的密度超过某个阈值，就不停止聚类。(4)基于模型。通过拟合给定的数据集和数据模型。如COBWEB、神经网络方法(self-organization,SOM)等.(5)模糊聚类。样本形态和类数方面的中间性利用各个类别的隶属度来表现，如模糊均值法(fuzzy C-means,FCM)。(6)其他聚类方法。蚂蚁聚类、谱聚类、高斯聚类等。

现有成熟的时间序列降维技术有：离散小波变换、符号聚合近似、分段聚合近似、主成分分析和自组织映射等。但是各种聚类方法和降维技术皆有其不同特点，在实际应用中应根据数据的类型和具体的场景来选择不同的算法以期达到最佳的效果。

电力负荷中，曲线的形态特征尤为重要，上述聚类方法或在衡量曲线相似性时并不十分强调其形态特性，或利用传统距离度量方式进行相似性度量并在其基础上进行划分，但传统距离度量方式难以识别距离相近但形态差异较大的曲线。现有的降维技术多对原始数据序列采用等时间分辨率降维，虽可大大减少算法计算时间，但对于具有不同形态特征和波动特性的电力负荷，一味采用以上降维技术会导致大量关键信息(如极值、斜率等)的丢失，无法准确描述负荷形态。

发明内容

针对现有技术中的上述不足，本发明提供的基于自适应分段聚合近似的电力负荷曲线形态聚类方法解决了电力用户数据日趋多维化使其计算空间复杂度大大增加和时间序列曲线形态难以进行相似性度量的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于自适应分段聚合近似的电力负荷曲线形态聚类方法，其包括：

获取若干电力负荷曲线，对其进行预处理后，并将每条预处理后的电力负荷曲线划分成设定量的数据段；

当数据段的极大值与极小值的差值大于等于预设阈值时，将数据段的状态标记为爬坡事件，并累加所有电力负荷曲线在同一时间段内被标记为爬坡事件的数据段得到爬坡事件总数；

当数据段的负荷点斜率变化幅度大于幅度阈值时，将负荷点标记为边缘点，并累加所有电力负荷曲线同一时间段内数据段的所有边缘点得到总边缘点数；

根据爬坡事件总数与波动阈值及总边缘点数与边缘阈值的大小关系，对电力负荷进行降维操作；

当电力负荷曲线的维度未达到预设维数时，按设定比例扩大预设阈值和幅度阈值，直至电力负荷曲线的维度达到预设维数；