[发明专利]一种日负荷曲线聚类方法及其应用

说明书

本发明公开了一种日负荷曲线聚类方法及其应用，所述日负荷曲线聚类方法首先对用户日负荷曲线数据集合进行插值、平滑、归一化等预处理；然后基于自然最近邻算法得到k值；分别计算样本的局部密度ρ'、最小距离δ和决策值γ；然后通过类簇中心自动选择方法，选出类簇中心；最后根据基于加权KNN图的样本分配策略对剩余样本点进行分配。本发明解决了传统算法在负荷聚类分析中不能适用于任意类簇分布情况、缺乏自适应能力的缺陷。

技术领域

本发明涉及数据处理技术领域，具体涉及一种日负荷曲线聚类方法及其应用。

背景技术

随着电力体制改革朝着市场化的方向不断迈进，售电公司越来越重视用户的用电体验。面对竞争愈加激烈的市场环境，为提升客户服务水平、争夺市场份额，售电公司需要从海量、多样的用电数据中挖掘用户的用电特征，充分掌握用户的用电偏好，从而辅助售电公司进行负荷预测、参与需求侧响应、制定电价等营销策略。对用户日负荷曲线进行聚类分析，科学合理地划分用户群体是售电公司分析用户用电特性的重要手段。

然而，随着电力市场的逐步开放以及大量可再生能源的接入，令用户拥有了更大的用电自由，增大了负荷的随机性、波动性以及用户间负荷特性的差异，导致所采集负荷数据的样本分布情况愈加复杂，产生了类簇形状差异大、分布不均衡的负荷数据集，而传统聚类算法在这种数据集上的聚类效果不佳。此外，面对不同的负荷数据集，若每一次聚类分析都需要人为调整某些参数，显然是不利于实际应用的。

传统的聚类方法采用DPC算法，具体步骤如下：

(1)计算局部密度：样本点的局部密度ρ_i分为截断核和高斯核两种计算方式，分别如公式(1)、(2)所示。

截断核计算方式：

高斯核计算方式：

其中，若x＜0则χ(x)＝1，否则χ(x)＝0；d_i,j为样本点x_i和x_j之间的欧氏距离；d_c为截断距离(d_c0)，通常是选取所有样本点之间距离的前2％处的值。

(2)计算最小距离：最小距离δ_i为样本点和高于其密度且相距最近样本点之间的距离。

(3)绘制决策图并确定类簇中心：DPC算法认为同时拥有较高的局部密度ρ_i和较大最小距离δ_i的样本点为密度峰值点，即类簇中心。通过计算决策值γ_i可以直接确定密度峰值点，决策值γ_i定义如下：

γ_i＝ρ_i·δ_i (4)

将γ值按降序排列，以降序后的γ值为纵坐标、排列顺序为横坐标形成决策图，然后根据决策图选出前c个γ值远大于剩余样本的点作为类簇中心。

(4)样本分配：按局部密度下降的顺序，将剩余样本点依次分配到比其局部密度更高且距离最近的样本点所属类簇之中。