[发明专利]一种基于Sparse Autoencoder的电力系统运行方式聚类方法

权利要求书

1.一种基于Sparse Autoencoder的电力系统运行方式聚类方法，其特征在于，获取电力系统中的相关数据，然后设置训练参数，隐藏层层数和神经元个数，对相关数据进行Autoencoder模型训练，同时提取出模型的拓扑结构和权值矩阵，进行聚类分析，得出典型场景数目，解码得出各场景中心的原始数据，对相关数据进行Autoencoder模型训练步骤具体如下：

S201、以相关数据形成n行m列的输入矩阵作为输入，n为向量，m为样本数量；

S202、输入可接受的误差e以及训练时间t进行可视化训练，观察误差和训练过程；

S203、提取最底层特征向量features_l，并对features_l进行聚类分析，选取K-means方法进行聚类，设聚类中心个数为k，设置初始值为k＝1，计算轮廓值给k＝k+1，计算轮廓值当k＝h时，退出循环；得出最大的轮廓值得出典型场景个数k，若最大轮廓值小于0.85，当h_l＜h_l-1返回设置神经元个数，h_l＝h_l+1，重新训练模型；否则，返回设置隐藏层层数，l＝l+1，重新训练模型；

S204、找出k类场景中心，进行解码还原得出典型场景原始数据中心，同时还原出全部原始数据计算矩阵与的欧氏距离Φ_d，若Φ_d≤ε则接受，若Φ_d＞ε，若l＞1，返回l＝l-1，重新训练模型；否则，返回h＝h-1，重新训练模型；

S205、得出所需结果，循环结束。

2.根据权利要求1所述的基于Sparse Autoencoder的电力系统运行方式聚类方法，其特征在于，相关数据包括电力系统内各个节点电压、电压幅值、各个节点的发电机有功功率和无功功率的数据以及电力系统在研究时间范围内的时序负荷数据。

3.根据权利要求1所述的基于Sparse Autoencoder的电力系统运行方式聚类方法，其特征在于，设置训练参数，隐藏层层数和神经元个数如下：

设置相关参数为α，η与最大迭代次数为初始化训练参数，α是L2正则化方法的系数，η是稀疏正则化的系数；设置隐藏层层数为单层，即l＝1；设置第l隐藏层神经元个数，即最终特征向量维数h_l＝2。

4.根据权利要求1所述的基于Sparse Autoencoder的电力系统运行方式聚类方法，其特征在于，步骤S202中，若还原输入数据后与原始输入数据的欧氏距离大于e，增加迭代次数，重新训练模型；若训练模型时间大于t，即在迭代早期误差达到范围，减小迭代次数，重新训练模型。