[发明专利]计及小波熵降维的电力负荷曲线双层谱聚类方法

说明书

本发明公开了计及小波熵降维的电力负荷曲线双层谱聚类方法，包括：获取电力负荷的日负荷数据并形成数据集；对数据集中的电力负荷数据进行分段分为q个区间并计算区间q内原始数据集的小波熵S_q，根据计算的小波熵值与小波熵阈值进行比较衡量数据的波动程度，大于指定阈值的波动程度大；相反，波动程度就相对较小；统计区间q内小波熵值大于小波熵阈值的负荷数目并计算所述负荷数据占电力负荷的总负荷的比重；将比重大于阈值的区间分为两段，再次计算区间内小波熵值并比较衡量数据的波动程度，直至区间内波动程度大的负荷占所有负荷的比例小于阈值或者区间内的点数不可以平分，获得可变时间分辨率的负荷曲线数据；双层谱聚类获得形态相似和精细化的负荷类簇。

技术领域

本发明涉及电力系统技术领域，特别是涉及计及小波熵降维的电力负荷曲线双层谱聚类方法。

背景技术

能源互联网的建设促进了配用电大数据的发展，这些用能端数据的不断积累，给需求响应的实施带来了一定的困难，电网的海量数据导致针对负荷特性进行简单统计分析意义不大，对每个负荷采用不同的控制策略更加的不现实，有必要对参与需求响应的负荷进行分类处理，传统的分类方法是按照典型行业进行划分，然而相同行业的电力用户负荷曲线差别可能很大，不同行业的电力负荷的负荷曲线也可能很相似，因此按照实际的负荷特性曲线对电力用户进行分类对电力需求响应措施的制定是必要的。

负荷聚类作为提取用电行为的一种有效手段而被广泛使用。通过对用电数据的挖掘和用电行为的分析，能够有效的识别用户的用电模式，指导电价的制定，评估用户的需求响应潜力，为其提供个性化的服务。传统的负荷聚类算法主要有基于划分、基于层次、基于模型、基于密度以及基于人工神经网络的算法，多采用距离判据作为聚类的依据。在需求响应中，需要更多关注不同用户用电特征在变化趋势上的相似性；当负荷几何平均距离相近但形态存在差异时，基于欧式距离的相似度并不能很好地反应负荷之间的相似程度，存在一定局限性，因此要在考虑负荷大小的同时考虑负荷曲线形态的相似性，适应不同需求响应的需求。

智能电表的普及造成负荷数据呈现出过高的时间分辨率，然而时间序列的高维数据给负荷的分类处理造成了一定的难度。首先高维的时间序列易受气候、收入、电价政策等的影响，维数越高，距离测距的意义就越小；其次，对高维数据的分类使运算效率明显下降。为了提高分类效率，需要对高维的负荷数据进行降维。

综上所述，现有技术中对于电力负荷的分类问题，尚缺乏有效的解决方案。

发明内容

为了解决现有技术的不足，本发明提供了计及小波熵降维的电力负荷曲线双层谱聚类方法，本发明克服现有算法不能适应不同需求响应的要求以及数据维度过高的问题，实现面向需求响应的用户负荷数据的有效聚类，运算速度快，聚类有效性高，算法稳定性好。

计及小波熵降维的电力负荷曲线双层谱聚类方法，包括：

数据采集：获取电力负荷的日负荷数据并形成数据集；

小波熵降维：对数据集中的电力负荷数据进行分段分为q个区间并计算区间q内原始数据集的小波熵S_q；

根据计算的小波熵值与小波熵阈值进行比较衡量数据的波动程度，大于指定阈值的波动程度大；相反，波动程度就相对较小；

统计区间q内小波熵值大于小波熵阈值的负荷数目并计算所述负荷数据占电力负荷的总负荷的比重；

将比重大于阈值的区间分为两段，再次计算区间内小波熵值并比较衡量数据的波动程度，直至区间内波动程度大的负荷占所有负荷的比例小于阈值或者区间内的点数不可以平分，获得可变时间分辨率的负荷曲线数据；

双层谱聚类：确定初始化聚类中心和聚类数目，采用谱聚类算法对降维以后的数据进行聚类，得到外层聚类的结果，即形态相似性的负荷类簇，并在外层聚类的基础上对每一外层采用谱聚类算法进行聚类获得精细化的负荷类簇。