[发明专利]一种基于形状距离的负荷曲线层次聚类方法

说明书

本发明公开了一种基于形状距离的负荷曲线层次聚类方法，涉及电力系统数据处理领域。现有方案计算复杂，聚类效率低下。本发明包括以下步骤：采用抽样上下界法从用户负荷曲线中抽取负荷曲线的包络，形成上下包络序列曲线；根据包络序列曲线的幅值和样本数进行包络序列曲线的横纵伸缩对齐；应用一阶导差分计算样本上下包络序列曲线的相似度和曲线距离；应用梯度下降法确定曲线聚类中心和曲线聚类；对于同类曲线，根据聚类中心还原部分负荷曲线；采用互相关系数对曲线进行层次聚类微调。本技术方案补全缺失值、抽样出聚类中心，消除了异常噪声对计算的影响，聚类准确度高，计算简单，聚类计算效率高。

技术领域

本发明涉及电力系统数据处理领域，尤其涉及一种基于形状距离的负荷曲线层次聚类方法。

背景技术

智能电网中用电负荷采集和挖掘是电网规划、运行调控、检修计划、用电行为、需求响应和综合能源服务等的基础，其中用电负荷聚类是大数据预处理的关键一环。针对负荷曲线的不同场景和特点，业内提出了大量研究思路和解决方案。

用电负荷曲线聚类最常用的方法就是利用K均值方法，根据负荷曲线之间的欧式距离作为聚类依据，同一聚类内样本间的欧式距离小于不同聚类间样本的欧式距离。考虑到用电负荷曲线形状聚类与幅值无关，一些方案在计算距离前对样本数据进行归一化或z-score标准化以消除负荷值对欧式距离的影响；另一方面也有方案采用弗雷歇距离代替欧式距离评估曲线相似性以屏蔽用电负荷波动的影响，采用动态时间归整距离(DynamicTime Warping)和互相关性则可剔除用户负荷相位的影响，为解决k均值需指定k值的问题，有方案采用Self-Organizing Map(SOM)，利用神经网络和梯度下降来迭代逼近获得最优聚类。但SOM需要样本数据的每个维度都有值。

考虑到用电负荷聚类时样本存在计量遗漏、异常噪声和相位偏移等问题，现有方案增加了计算复杂度，聚类效率低下，且无法利用用电负荷的日周期性、周周期性、月周期性和季节周期性，导致聚类准确性欠缺。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于形状距离的负荷曲线层次聚类方法，以提高聚类准确性和效率的目的。为此，本发明采取以下技术方案。

一种基于形状距离的负荷曲线层次聚类方法，包括以下步骤：

1)采用抽样上下界法从用户负荷曲线中抽取负荷曲线的包络，形成上下包络序列曲线；

2)根据包络序列曲线的幅值和样本数进行包络序列曲线的横纵伸缩对齐；

3)应用一阶导差分计算样本上下包络序列曲线的相似度和曲线距离；

4)应用梯度下降法确定曲线聚类中心和曲线聚类；

5)对于同类曲线，根据聚类中心还原部分负荷曲线；

6)采用互相关系数对步骤4)所得曲线进行层次聚类微调。

作为优选技术手段：在步骤1)中，以每15分钟采集形成的用电负荷时间序列Y＝{y_n}；以日为单位进行分组抽样形成上下包络序列，上下包络序列曲线的表达式为：

上包络序列Y′_0k＝max({y_n})，n＝(k*96，(k+1)*96)

下包络序列Y′_1k＝min({y_n})，n＝(k*96，(k+1)*96)

式中，k为第k天，k可取{1，2，3...}。

作为优选技术手段：步骤2)包括以下步骤：

201)幅度归一化，计算式为：