[发明专利]一种电力负荷SOM-FCM分层聚类方法

说明书

本发明公开了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，包括下述步骤：S1、将电力负荷有功时序数据作为输入，对负荷数据预处理后，求取波动性特征向量；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(SOM)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(FCM)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。本发明通过提取负荷波动性特征参数对电力负荷自适应聚类，解决了电力负荷组成复杂，数目繁多情况下的聚类难题，从负荷曲线波动性本身对负荷进行聚类，分析数据易于获取，计算简便且易于移植。

技术领域

本发明涉及电力系统负荷分析技术领域，具体地，涉及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。

背景技术

对于高比例新能源接入电网，负荷参与调频、调压是提高能源消纳能力的重要途径。但随着我国经济的快速发展，电网负荷日趋复杂，呈现出各异的波动性。因此在将电力负荷纳入需求侧响应体系中的同时，也应充分考虑到不同种类负荷依据波动特性进行聚合，一方面可以有利于针对负荷波动性进行有功无功协调控制，另一方面，也可以从负荷的波动性中进一步挖掘负荷参与需求侧响应的调节潜力。

电力负荷聚类的本质是对不同的负荷曲线进行聚类，理论上来说，在阶数足够高的情况下，高阶矩可以完全表征采样数据的波动特性。用负荷波动量的高阶矩数据作为波动特征向量可以是数据处理量减小，计算简单且有效。

目前常见的聚类方法主要分为两类，一类是K-means、模糊C均值这一类谱系聚类中的距离法，其分类特征可以归纳为单样本辨识基础上各模型对标准激励的响应空间距离，适用于样本较少且分类数已明确的情形，对于多样本的电力负荷分类则十分困难。另一类是层次聚类等算法，该类算法可以自动确定聚类数，但当聚类数目较多时，不适用于用户较多的电力负荷聚类。

发明内容

为了克服以上现有的技术问题，本发明提供一种电力负荷的两层聚类算法，将SOM神经网络与FCM算法的优点结合起来。本发明对不同负荷的波动量采用SOM神经网络进行第一层粗分，降低了输入空间的维度，减小了FCM算法的输入规模，加快了收敛速度，同时加入有效函数判断，自适应找出最合适的聚类数目，有效解决了电力负荷聚类时样本数较多、分类数目不明确的问题、计算量大、计算结果不准确等问题。

本发明的技术方案如下：

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，包括如下步骤：

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_x,Skew_x,Kurtosis_x,σ_Δ,Skew_Δ,Kurtosis_Δ]；

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。

进一步地，步骤S1中所述的电力负荷日出力数据是指一天内15min时间尺度采样点，等时间间隔的按时间先后顺序排列的96个负荷有功数据。并做归一化处理，将出力数据化为[0,1]之间的数值。本发明采用最大最小法归一化处理，函数形式为：

x_k＝(x_k-x_mean)/(x_max-x_min) (1)