[发明专利]一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法

说明书

一种融合稀疏降噪自编码网络(Sparse De‑noising Auto‑encoder，SDAE)降维和聚类的配电网台区分类方法，属于配电网台区分类技术领域。该方法首先对配电网台区变压器负载率序列数据进行处理，然后在样本中加入一定噪声比例，输入三层全连接编码层(encode),每层隐藏层部分神经元加入稀疏性约束，逐层训练提取特征值降维，再通过三层全连接解码层(decode)重构降维序列，将提取的特征序列作为K‑means聚类算法输入，得到分类结果。本发明克服了PCA主成分分析线性降维等传统降维方法可能会丢失部分原始特征的缺点，降维模型对原始序列抗噪能力更强，泛化性能更高，再融合聚类方法降低了聚类复杂度，能够有效分类出不同类型配电网台区，从而为电网规划改造提供支持。

技术领域

本发明涉及一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法，属于配电网台区分类领域。

背景技术

近年来，政府开展“煤改电”工程，将用清洁的电能消耗代替大量的燃煤燃气消耗，煤改电地区则大力推行用户接入电采暖设备减缓燃煤环境污染。伴随着电力用户各种电采暖设备的大量接入，台区负荷类型日益增多，设备接入变化速度加快，对台区变压器运行产生较大影响，产生日趋复杂、庞大、属性繁杂的配电网台区变压器运行数据，电力部门需要对数据处理分析，制定详细改造策略，从而改造升级变压器，与此同时，不同电力部门数据信息共享困难，各机构不能及时同步管理电采暖设备信息，台区主要负荷信息无从得知，即通过变压器采集的运行数据是无标签的，但是台区变压器运行过程中负载率数据序列能够在曲线变化趋势中反映出该台区主要负荷运行特性和规律，因此从负载率数据中挖掘台区负荷特性，提取有效特征，从而指导电网节能改造等工作，支持智能化业务分析与决策。

负荷辨识分类是配电网关键数据分析应用中的一个重要板块，采用传统电网物理机理的分析方法对日趋复杂的电力用户负荷数据难以建模分析，且受计算资源限制，制定不同电网规划策略会耗费大量人力。如何有效快速地从配电网多源大数据中提取知识，并以数据为驱动制定决策方案以优化电网运行，已成为当前国内外的一个研究热点。

随着计算机科学与通信等相关学科的快速发展，涌现出了一些新兴的数据处理与分析技术，这些新技术克服了目前存在的信息与资源分散、异构性严重、横向不能共享、上下级间纵向贯通困难等缺陷，因而有着广阔的应用前景。

面向需求侧的电力负荷用户分类算法研究较多，有使用K-means算法、改进K-means算法、模糊K-means、层次聚类等算法进行用户分类，也有使用基于密度的DBSCAN算法对实际负荷曲线直接聚类，直接聚类不对原始序列做处理而直接进行聚类，间接聚类是在对原始序列进行特征提取后，即降低数据维度，对特征序列进行聚类。也有建立了多维度用电特征评价指标，采用优选策略提取负荷曲线的最佳特征集，实现了用户用电行为的聚类优选。用户用电负荷数据随时间不断增长，大大增加数据分析的时间和空间复杂度，为了避免电力数据维度灾难，采用sammon映射、自组织映射、主成分分析等降维算法对原始负荷序列降维，再对降维数据集进行集成聚类，得到了有效的聚类结果。