[发明专利]一种基于LTTB降维的双边斜率DTW距离负荷谱聚类方法

说明书

本发明提供一种基于LTTB降维的双边斜率DTW距离负荷谱聚类方法，其特征在于，包括如下步骤：步骤S1，采集电力负荷数据；步骤S2，对电力负荷数据进行预处理，得到预处理数据；步骤S3，利用预处理数据，通过LTTB降维得到低维度数据；步骤S4，通过每个数据点与x轴正负方向的角度θ得到低维度数据的双边斜率距离；步骤S5，将双边斜率距离作为DTW的相似性度量；步骤S6，设定聚类数目，对处理后的负荷数据集进行双边斜率DTW谱聚类算法计算，得到每个电力负荷数据对应的聚类标签并进行输出。该方法减少了数据存储空间，节约了模型训练的计算时间，提高了聚类的识别效果。

技术领域

本发明涉及一种基于LTTB降维的双边斜率DTW距离负荷谱聚类算法。

背景技术

随着社会经济发展和智能电网的不断建设，电力负荷的数据量不断增长、类型日益多样化。大量电力负荷数据中蕴含着差异化的用电信息。电力系统负荷聚类是按照负荷之间的相似度，将相似度大的负荷归为同一类，从而得到不同类别的电力使用情况和典型的用电模式，进而有效识别不同的用电规律和负荷特性。电力负荷聚类可以应用于电价划分与制定、负荷预测、负荷模型建立、电能质量检测等多种场合，对电网负荷管理水平的提高有着重要意义。

海量的电力负荷数据处理工作需要通过降维方法进行优化，减少计算量。但传统的PAA和PCA降维方法由于在降维过程中容易丢失电力负荷数据的变化信息和外形特征，因此不能更好反映电力负荷曲线的变化特征。

传统的DTW(动态时间规整)方法虽然可以保留电力负荷数据的原始变化特征，但在计算最小累计距离进行相似度识别过程中，由于电力负荷数据是高维度数据，传统的DTW方法也没有采用降维方法，因此传统的DTW方法计算量过大，且在某些数据集上聚类效果不佳。

发明内容

为解决上述问题，提供一种基于LTTB降维的双边斜率DTW距离负荷谱聚类方法，本发明采用了如下技术方案：

本发明提供了一种基于LTTB降维的双边斜率DTW距离负荷谱聚类方法，其特征在于，包括如下步骤：步骤S1，采集电力负荷数据；步骤S2，对电力负荷数据进行预处理，得到预处理数据；步骤S3，利用预处理数据，通过LTTB降维得到低维度数据；步骤S4，通过每个数据点与x轴正负方向的角度θ得到低维度数据的双边斜率距离；步骤S5，将双边斜率距离作为DTW的相似性度量；步骤S6，设定聚类数目，对双边斜率距离矩阵进行谱聚类算法计算，得到每个电力负荷数据对应的聚类标签并进行输出。

本发明提供的一种基于LTTB降维的双边斜率DTW距离负荷谱聚类方法，还可以具有这样的技术特征，其中，步骤S2包括以下步骤：步骤S2-1，对电力负荷数据中的缺失值，以多项式差值法进行补全形成补全数据；步骤S2-2，对补全数据进行归一化处理，归一化处理的公式为：

式中，x_i为所述电力负荷数据，为采用归一化处理后的第i点数据，x_imin为所述预处理的电力负荷数据序列的最小值，x_imax为所述预处理的电力负荷数据序列的最大值。