[发明专利]一种基于自适应k-means++算法的负荷特性分析方法

说明书

本发明公开了一种基于自适应k‑means++算法的负荷特性分析方法，其包括如下步骤：步骤S10、采集电网需求侧用户的日负荷曲线；步骤S12、对数据进行预处理，筛选出有效的数据记录并进行归一化处理；步骤S14、设定不同聚类数，采用k‑means++算法对日负荷曲线进行聚类，综合不同聚类数时的聚类结果，构建判断矩阵；步骤S16、对判断矩阵对应的加权邻接图迭代进行图切分，获得日负荷曲线数据集的最佳聚类数；步骤S18、以步骤S16所获得的最佳聚类数，采用k‑means++算法对日负荷曲线进行聚类。实施本发明，可以，可以确定最佳聚类数，并获得较优的聚类结果。

技术领域

本发明涉及供电网的负荷特性分析领域，尤其是涉及一种基于自适应k-means++算法的负荷特性分析方法。

背景技术

目前，在供电网的负荷特性分析中，在实际应用中往往根据用户的行业对电力负荷进行分类，如划分为工业负荷、商业负荷、农业负荷、居民负荷以及其他负荷。但研究表明：有些用户尽管属于同一行业，但其负荷特性差异较大；有些用户虽然所属行业不同，但其负荷特性却存在一定的相似性，甚至极为接近。因此以行业为分类依据的负荷特性分析结果是不准确的。

在现有技术中，有学者提出采用聚类算法来对电力用户负荷曲线进行聚类，将数量众多的电力负荷曲线归类，提炼出不同类中众多电力负荷曲线的共性特征，以辨识不同类电力负荷曲线的差异特征，帮助掌握电力用户用电的规律。但是，聚类分析结果的准确性依赖于聚类数的设定，若聚类数不恰当，将会引起较大的偏差。

发明内容

本发明所要解决的技术问题在于，提供一种基于自适应k-means++算法的负荷特性分析方法，可以确定最佳聚类数，并获得较优的聚类结果。

为了解决上述技术问题，本发明所采用的技术方案为，提供一种基于自适应k-means++算法的负荷特性分析方法，包括如下步骤：

步骤S10、采集电网需求侧用户的日负荷曲线；

步骤S12、对数据进行预处理，筛选出有效的数据记录并进行归一化处理；

步骤S14、设定不同聚类数，采用k-means++算法对日负荷曲线进行聚类，综合不同聚类数时的聚类结果，构建判断矩阵；

步骤S16、对判断矩阵对应的加权邻接图迭代进行图切分，求日负荷曲线数据集的最佳聚类数；

步骤S18、以步骤S16所求最佳聚类数，采用k-means++算法对日负荷曲线进行聚类。

优选地，步骤S10具体包括，周期性对终端用户的负荷数据进行采样获得日负荷曲线，所述周期性为每15min采样一次。

优选地，步骤S12中有效的数据记录为排除存在缺失值、负值、暴增及骤降情况的日负荷曲线之后的日负荷曲线。

优选地，步骤S12中进行归一化处理具体为采用最大值归一化方法进行处理。

优选地，步骤S14中综合不同聚类数时的聚类结果构建判断矩阵的步骤具体包括：

步骤S141、给定一个最大聚类数k，取[2，k]的范围内每个整数作为聚类数C，分别进行一次聚类；

步骤S142、从每次聚类的结果中可以得到一维向量L＝[l₁ l₂…l_k…l_N]，其中，N为数据集的样本个数，l_k(1≤k≤N)表示第k个样本所属的聚类类别；

步骤S143、根据一维向量L，定义一个邻接矩阵O_C＝[o_ij]_N×N，其中，Oij定义如下：