[发明专利]一种电力负荷SOM-FCM分层聚类方法

权利要求书

1.一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法，其特征在于，包括下述步骤：

S1、读取某一区域内n个电力负荷日出力数据作为输入，对每个负荷进行预处理，包括归一化、求波动量、计算波动量高阶矩参数，作为负荷的波动性特征向量p＝[σ,Skew,Kurtosis]；

S2、对步骤S1得到的波动性特征向量采用自组织映射神经网络聚类算法进行第一层粗分聚类，获取聚类结果和权值矩阵；

S3、将步骤S2中粗分的结果作为自适应模糊C均值算法的输入，并加入有效函数判断，最终得到聚类数目最优的聚类结果。

2.根据权利要求1所述的一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法，其特征在于，所述步骤S1中，数据获取与预处理的具体方法为：

S11.读取电力负荷日用电数据(15分钟时间尺度，一天96个数据点)x₁,x₂,…,x₉₆，并做归一化处理，将出力数据化为[0,1]之间的数值；本发明采用最小的最小法归一化处理，函数形式为：

x_k＝(x_k-x_mean)/(x_max-x_min) (1)

其中x_mean为数据序列的均值，x_max和x_min为数据序列最大值和0，经归一化处理后，消除了电力负荷之间的数量级的差别；用归一化后的出力数据依次相减，得到每个负荷95个波动量X₁,X₂,…,X₉₅；

S12.对负荷有功数据及S11求得的波动量数据分别求取标准差、偏度、峰度参数，形成波动性特征向量P＝[σ_x,Skew_x,Kurtosis_x,σ_Δ,Skew_Δ,Kurtosis_Δ]，参数计算公式为：

标准差：

偏度：

峰度：

式中m₁,m₂,m₃,m₄分别表示样本1～4阶距，N表示样本总数，X_i表示按时间序列的数据点，为样本均值；对负荷出力时序数据和出力波动序列分别求取以上3个指标值，得到6参数组成的特征向量P＝[σ_x,Skew_x,Kurtosis_x,σ_Δ,Skew_Δ,Kurtosis_Δ]，通过此特征向量可以确定曲线形态。

3.根据权利要求1所述的一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法，其特征在于，所述步骤S2中，对电力负荷采用SOM神经网络进行第一层粗分聚类网络参数确定的具体方法为：

S21.确定网络参数：

(a)SOM网络包含输入层和输出层2层神经元，输入层神经元个数为6，输入向量为P＝[σ_x,Skew_x,Kurtosis_x,σ_Δ,Skew_Δ,Kurtosis_Δ]，输出层为q×q二维结构，其中输出层节点个数略大于输入样本个数；

(b)用较小的随机数初始化第一层权值，并将输入向量和初始权值做归一化处理；设定权值学习率η、输出层神经元邻域半径d和迭代次数k；

S22迭代计算：

(a)随机抽取样本p_r输入网络；样本与权值做内积，内积值最大的神经元便为欧式距离最小的神经元，即获胜神经元；

(b)采用Kohonen规则更新获胜神经元及其邻域神经元权值：

(c)更新学习率及拓扑邻域，并对学习后的权值进行重新归一化；

S23.判断敛散性：

判断结果是否收敛或是否达到最大迭代次数，若没有，则继续迭代，否则结束算法，输出聚类结果。

4.根据权利要求1所述的一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法，其特征在于，所述步骤S3中，自适应最优聚类数目，加入有效函数判断具体为：较好的FCM聚类结果应满足聚类结果类间的可能性尽可能大而类内聚类小，在电力负荷波动性聚类时，负荷之间的相似性用特征向量之间的欧氏距离表示，有效性函数为：

式中D₁表示各类内部距离，D₂表示类间距离，c表示聚类数，n为样本数，p_i为样本特征向量，m为模糊权重，按经验取值为[1.1,2.5]之间，u_ij为第i个样本关于第j类的隶属度，lnc为收敛因子，为样本均值，即特征空间中心向量；本发明在FCM聚类计算时，加入有效性函数，聚类数从2开始依次迭代，每次加1，并求得有效性函数值，当取到函数值最小时，停止迭代，输出聚类结果，此时聚类结果为第二层聚类，即自适应FCM聚类得到的最优聚类数目下的聚类结果。