一种基于聚类的云端负荷库建立方法与流程

本发明涉及电力系统，尤其涉及一种基于聚类的云端负荷库建立方法。

背景技术：

1、在配电网中，配电变压器常指电压等级在10-35kv，直接面向终端用户供电的电力变压器，在电力供应上有重要作用。由于各配变负责供电的电力用户成分、用电需求不同导致其负荷特性各不相同，缺少准确高效的方法进行分析和管理。配变云端负荷库是指从海量配变负荷数据中提取的能代表其典型用电特性的负荷曲线组成的数据库，建立配变云端负荷库是对其进行负荷预测、需求侧管理等研究的基础。

2、有资料显示，随着智能量测设备的普及，配变云端负荷数据维度也逐渐变大，传统聚类方法在面对高维数据时效果不好，难以建立精确的配变云端负荷库。因此提出一种基于聚类的云端负荷库建立方法。

3、中国专利文献cn103533011a公开了一种“基于云端的智能终端数据配置方法及系统”。采用了系统架构主要由ap设备和云端射频优化模块共同组成；所述ap设备由无线扫描模块、数据收集模块、数据发送模块、数据接收模块、射频配置生效模块组成，所述云端射频优化模块由云端数据接收模块、云端数据缓存模块、云端数据加载模块、云端数据计算模块、云端数据下发模块、云端定时模块、日志保存模块组成。上述技术方案难以解决配电变压器负荷特性多样，建立配变负荷库困难的技术问题。

技术实现思路

1、本发明主要解决原有的技术方案难以解决配电变压器负荷特性多样，建立配变负荷库困难的技术问题，提供一种基于聚类的云端负荷库建立方法，选取海量含不同比例分布式光储充和工农商的配变负荷数据作为样本，利用基于配变特征集的双尺度距离度量聚类算法，实现配变负荷库的建立；对原始数据进行预处理后，建立各配变光储充、工农商特性指标并采用深度卷积自动编码器对负荷数据降维处理，得到低维用电特征向量；再用基于配变特征集的双尺度距离度量聚类算法进行聚类；最后结合聚类结果和配变信息对各聚类中心进行成分分析，并将各簇中心作为典型配变类型，形成典型配变云端负荷库。

2、本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

3、s1获取配变负荷数据作为聚类样本；

4、s2对配变负荷数据进行预处理；

5、s3建立各配变光储充、工农商特性指标；

6、s4对负荷数据降维处理得到低维用电特征向量；

7、s5对各配变特征向量进行聚类；

8、s6分析各类簇配变组成成分并建立典型配变云端负荷库。

9、选取海量含不同比例分布式光储充和工农商的配变负荷数据作为样本，利用基于配变特征集的双尺度距离度量聚类算法，实现配变负荷库的建立；对原始数据进行预处理后，建立各配变光储充、工农商特性指标并采用深度卷积自动编码器对负荷数据降维处理，得到低维用电特征向量；再用基于配变特征集的双尺度距离度量聚类算法进行聚类；最后结合聚类结果和配变信息对各聚类中心进行成分分析，并将各簇中心作为典型配变类型，形成典型配变云端负荷库。

10、作为优选，所述的配变负荷数据包括含不同比例分布式光储充和工农商的配变负荷数据。

11、作为优选，所述的步骤s2中预处理具体包括，对数据进行清洗，完成缺失值填充和异常数据检验和修正，将预处理完成后的数据形成配变负荷矩阵p。

12、作为优选，所述的步骤s3具体包括，区分配变类型，对包含光储充类型配变制定光储充特性指标，对包含工农商类型配变制定工农商特性指标。

13、作为优选，所述的步骤s4具体包括，建立卷积自动编码器，将配变负荷数据作为输入进行数据重构获取各配变隐藏层中降维的向量h为提取的特征，与配变特性指标结合得到配变特征集u。

14、作为优选，所述的步骤s5对各配变特征向量进行聚类具体包括，对配变光储充、工农商特性指标与低维用电特征向量采用基于配变特征集的双尺度距离度量聚类算法对各配变特征向量进行聚类，

15、s3.1计算配变特征集u中各点的密度ρ，将密度值最大点作为第一个聚类中心c1，去除c1附近数据；

16、s3.2采用配变特征集u剩余数据重复步骤s3.1获取其他聚类中心，直至不再有剩余数据，将聚类中心c作为k-means算法的初始聚类中心；

17、s3.3引入双尺度距离度量计算k-means算法中各样本间的距离；

18、s3.4基于双尺度距离度量对数据集u进行聚类，得到聚类结果。

19、作为优选，所述的步骤s3.1具体包括，设配变特征集u中样本数量为n，第i个数据为ui，ui为m维向量，即ui＝[ui,1,…,ui,m]，计算u中各点的密度ρi：

20、

21、

22、其中dwd(ui,uj)为样本点ui和uj之间的加权欧式距离；wk为第k个特征的权值；meandis(u)为数据集u中所有样本元素的平均加权距离，其表达式为：

23、

24、将u中的密度值最大点作为第一个聚类中心c1，聚类中心的集合c变为c＝{c1}，同时将u中距c1小于meandis(u)的点去除。

25、作为优选，所述的步骤s3.2具体包括，计算样本u中剩余数据的密度ρ(i)选取ρ(i)最大的样本点作为第二个聚类中心c2，聚类中心的集合c变为c＝{c1,c2}，同时将u中距c2小于meandis(u)的点去除，重复以上步骤直至数据集u中不再有剩余数据后，选取上述获得的聚类中心c作为k-means算法的初始聚类中心。

26、作为优选，所述的步骤s3.3具体包括，引入双尺度距离度量计算k-means算法中各样本间的距离，基于双尺度距离度量的距离计算公式如下：

27、dtsd(ui,uj)＝αdwd(ui,uj)+βdfd(ui,uj)

28、其中，ui和uj为待计算距离的样本；dwd(ui,uj)为ui和uj间的加权欧式距离；α，β为两种距离度量的权重系数；dfd(ui,uj)为ui和uj间的弗雷歇距离，其计算公式如下：

29、

30、其中，为γ和η单位区间的重参数化函数趋于无限时对应的数值；d()为度量函数；k代表计算到样本的第k个特征。

31、作为优选，所述的步骤s6具体包括，结合聚类结果和获取的配变信息，对各簇中心进行成分分析，分析聚类中心分布式光储充和工农商组成成分，并将各簇中心作为典型配变类型，形成典型配变云端负荷库。

32、本发明的有益效果是：选取海量含不同比例分布式光储充和工农商的配变负荷数据作为样本，利用基于配变特征集的双尺度距离度量聚类算法，实现配变负荷库的建立；对原始数据进行预处理后，建立各配变光储充、工农商特性指标并采用深度卷积自动编码器对负荷数据降维处理，得到低维用电特征向量；再用基于配变特征集的双尺度距离度量聚类算法进行聚类；最后结合聚类结果和配变信息对各聚类中心进行成分分析，并将各簇中心作为典型配变类型，形成典型配变云端负荷库。

技术特征：

1.一种基于聚类的云端负荷库建立方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s1中配变负荷数据包括含不同比例分布式光储充和工农商的配变负荷数据。

3.根据权利要求1所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s2中预处理具体包括，对数据进行清洗，完成缺失值填充和异常数据检验和修正，将预处理完成后的数据形成配变负荷矩阵p。

4.根据权利要求1所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s3具体包括，区分配变类型，对包含光储充类型配变制定光储充特性指标，对包含工农商类型配变制定工农商特性指标。

5.根据权利要求1所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s4具体包括，建立卷积自动编码器，将配变负荷数据作为输入进行数据重构获取各配变隐藏层中降维的向量h为提取的特征，与配变特性指标结合得到配变特征集u。

6.根据权利要求5所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s5对各配变特征向量进行聚类具体包括，对配变光储充、工农商特性指标与低维用电特征向量采用基于配变特征集的双尺度距离度量聚类算法对各配变特征向量进行聚类，

7.根据权利要求6所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s3.1具体包括，设配变特征集u中样本数量为n，第i个数据为ui，ui为m维向量，即ui＝[ui,1,…,ui,m]，计算u中各点的密度ρi：

8.根据权利要求1所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s3.2具体包括，计算样本u中剩余数据的密度ρ(i)选取ρ(i)最大的样本点作为第二个聚类中心c2，聚类中心的集合c变为c＝{c1,c2}，同时将u中距c2小于meandis(u)的点去除，重复以上步骤直至数据集u中不再有剩余数据后，选取上述获得的聚类中心c作为k-means算法的初始聚类中心。

9.根据权利要求7所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s3.3具体包括，引入双尺度距离度量计算k-means算法中各样本间的距离，基于双尺度距离度量的距离计算公式如下：

10.根据权利要求1所述的一种基于聚类的云端负荷库建立方法，其特征在于，所述步骤s6具体包括，结合聚类结果和获取的配变信息，对各簇中心进行成分分析，分析聚类中心分布式光储充和工农商组成成分，并将各簇中心作为典型配变类型，形成典型配变云端负荷库。

技术总结
本发明公开了一种基于聚类的云端负荷库建立方法，包括以下步骤：获取配变负荷数据作为聚类样本；对配变负荷数据进行预处理；建立各配变光储充、工农商特性指标；对负荷数据降维处理得到低维用电特征向量；对各配变特征向量进行聚类；分析各类簇配变组成成分并建立典型配变云端负荷库。上述技术方案选取海量含不同比例分布式光储充和工农商的配变负荷数据作为样本，利用基于配变特征集的双尺度距离度量聚类算法，实现配变负荷库的建立；用基于配变特征集的双尺度距离度量聚类算法进行聚类；最后结合聚类结果和配变信息对各聚类中心进行成分分析，并将各簇中心作为典型配变类型，形成典型配变云端负荷库。

技术研发人员：陆洋,高久国,徐峰,钱卫杰,刘承宗,杨超,赵健,陈子靖,徐斌,鲍雨
受保护的技术使用者：国网浙江省电力有限公司湖州供电公司
技术研发日：
技术公布日：2024/1/22