[发明专利]一种电力负荷聚类方法及系统

说明书

本发明公开了一种电力负荷聚类方法及系统，包括：获取各用户的负荷时间序列，并且给每位用户的负荷时间序列插入相移，得到嵌入序列；对嵌入序列采用线性神经回归的方法来生成映射函数参数；利用各用户的映射函数参数的相似性对用户进行聚类,得到典型负荷曲线。本发明可以处理采集时间不同步、时间长度不相等和含有噪声的负荷时间序列数据。

技术领域

本发明涉及电力系统自动化领域，具体涉及一种电力负荷聚类方法及系统。

背景技术

基于负荷数据的电力用户聚类能够解决公平的市场划分问题，例如：负荷聚类能够探索建筑能源模式，或者给分时电价策略提供参考。某类用户的典型负荷曲线通常是由同一个聚类簇内的所有测量负荷曲线求平均值得到的，因此基于负荷数据的对电力用户进行有效聚类是关键。

目前国内外常用的数据聚类方法主要有三类：一类是基于原始数据的方法；一类是基于特征提取的方法；另一类是基于模型的方法。基于原始数据的方法是对数据直接进行聚类，该种方法简单但有较多的局限性：如要求时间序列采样时间间隔相等，对噪声的处理效果不好，会因为数据的维数灾难而降低计算效率、性能。基于特征提取的方法，从数据样本的角度来说，如果要区分两类样本，则这两类样本间一定有一些根本的区别，这些区别就是特征。该类方法主要应用于高维数据空间，特别是对采样时间间隔较短的数据，经过特征提取后可以有效的对高维数据进行降维。基于模型的方法认为相似的时间序列应该产生于相似的数据模型，其通过比较模型之间的相似性以达到聚类时间序列的目的。

现在还不存在一种通用的聚类方法来处理所有聚类问题，每种聚类算法都有其较为合适的应用场景。现实世界中的数据，或是具有复杂的分布，或是具有多种数据类型，或是数据量巨大，或是含有噪声，或是含有孤立点等，需要根据不同的应用场景选用不同的聚类算法。

基于模型的聚类方法由于考虑到“噪声”或异常数据，成为聚类领域研究的一个热点，其也是近年来数据挖掘中聚类分析的一种重要方法。基于模型的聚类方法，其基本思想是：首先为每个聚类假设一个模型，然后再去发现负荷模型的数据对象，试图将给定数据与某个数学模型达成最佳拟合。

在采集用户负荷数据的过程中，首先，在单一用户负荷数据的采集会面临数据缺失、时间段不完整等情形，而现有负荷聚类算法的鲁棒性不满足要求；其次，多个用户负荷数据的采集时间不同步、时间长度不相等，而常用的基于特征的聚类方法，会限制用户群的负荷必须在同一时段内。除此之外，由于时序数据本身或出于加密目的会带有一些噪声，导致现有负荷聚类方法得到的聚类结果不唯一

发明内容

为了解决现有技术中所存在的上述不足，本发明提出了一种电力负荷聚类方法，其可以处理采集时间不同步、时间长度不相等和含有噪声的负荷时间序列数据，与传统的基于特征的负荷聚类方法相比，可以表现出更有效率的计算性能和对各种噪声的高度鲁棒性。

本发明提供的一种电力负荷聚类方法，包括：

获取各用户的负荷时间序列，并且给每位用户的负荷时间序列插入相移，得到嵌入序列；

对嵌入序列采用线性神经回归的方法来生成映射函数参数；

利用各用户的映射函数参数的相似性对用户进行聚类,得到典型负荷曲线。

优选的，所述给每位用户的负荷时间序列插入相移，得到嵌入序列，包括：

基于嵌入维数、延迟量将每位用户在设定时段内的时间序列值嵌入相空间中，得到嵌入序列。

优选的，所述嵌入序列，如下式所示：