[发明专利]一种基于中心优化的差分K-means负荷聚类方法

说明书

本发明提供了一种基于中心优化的差分K‑means负荷聚类方法，包括以下步骤：步骤1，采集用户用电的负荷数据，并对负荷数据进行预处理；步骤2，根据负荷数据曲线的局部密度得到聚类初始中心；步骤3，通过计算负荷数据的差分序列的欧式距离得到差分欧氏距离，将差分欧氏距离和负荷数据的欧氏距离组合作为负荷数据的相似性度量；步骤4，对于负荷数据随机选取K个聚类初始中心作为簇的聚类中心，根据相似性度量进行聚类并更新聚类中心，在更新迭代完成后输出划分好的K个簇和每个簇的聚类标签；步骤5，根据聚类标签对每个类别的簇中的负荷数据曲线求均值，得到每个类别的用户典型负荷曲线，确定每类电力居民用户用电类型。

技术领域

本发明属于设计电力系统负荷聚类的技术领域，具体涉及一种基于中心优化的差分K-means负荷聚类方法。

背景技术

随着智能电网的不断建设，智能电表的普及率逐渐升高，将采集到海量的用户用电数据。不同于传统的每月抄表，时间粒度更细的用户用电数据中蕴含了更多的用户用电信息，也能够反映更多的用户用电规律。所以有必要对负荷进行聚类处理。

电力系统负荷聚类在于了解用户的负荷特点，掌握用户的用电习惯，并根据不同典型用户的负荷特点结合相关用电习惯来制定相应的管理措施。预测和估计未来电力需求、负荷控制、用电异常检测以及改善电价目录这些都离不开对用户的用电模式进行识别。通过对用户用电情况进行更好的聚类分析，把不同用电情况的用户进行正确划分，将对电网负荷管理水平的提高有着重要意义。

负荷曲线聚类方法常使用基于划分的聚类算法。它由于原理简单、易于实现、效率高的优点被广泛应用，但存在受初始中心的影响容易陷入局部最优，传统的欧氏距离不能反映负荷曲线的趋势变化特点等问题，所以在某些数据集上聚类效果不佳。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于中心优化的差分K-means负荷聚类方法。

本发明提供了一种基于中心优化的差分K-means负荷聚类方法，具有这样的特征，包括以下步骤：步骤1，采集用户用电的负荷数据，并对负荷数据进行预处理；步骤2，根据负荷数据曲线的局部密度得到聚类初始中心；步骤3，通过计算负荷数据的差分序列的欧式距离得到差分欧氏距离，并将差分欧氏距离和负荷数据的欧氏距离组合作为负荷数据的相似性度量；步骤4，对于负荷数据随机选取K个聚类初始中心作为簇的聚类中心，根据相似性度量进行聚类并更新聚类中心，在更新迭代完成后输出划分好的K个簇和每个簇的聚类标签；步骤5，根据聚类标签对每个类别的簇中的负荷数据曲线求均值，得到每个类别的用户典型负荷曲线，确定每类电力居民用户用电类型。

在本发明提供的基于中心优化的差分K-means负荷聚类方法中，还可以具有这样的特征：其中，步骤1中对数据进行预处理包括以下子步骤：步骤1-1，对负荷数据进行个别缺失值处理，对于数据空缺，以多项式差值法进行补全；步骤1-2，采用最大最小值对个别缺失值处理后的负荷数据进行归一化处理，具体公式如下：

公式(1)中，为极值归一化后的第i点负荷数据，x_imin为预处理前的负荷数据序列的最小值，x_imax为预处理前的负荷数据序列的最大值，通过归一化处理将负荷数据压缩在区间[0,1]中。

在本发明提供的基于中心优化的差分K-means负荷聚类方法中，还可以具有这样的特征：其中，步骤2中根据负荷数据曲线的局部密度得到聚类初始中心包括以下子步骤：步骤2-1，定义负荷数据曲线间的邻近元素平均距离：

步骤2-2，定义负荷数据曲线的密度参数，以任一负荷数据曲线x_p为中心线，与x_p的欧氏距离小于邻近平均距离的负荷数据曲线的个数定义为局部密度参数，记为density(meandist，x_p)，