[发明专利]一种基于递归图与卷积自编码器的高维负荷聚类方法

说明书

本发明涉及一种基于递归图与卷积自编码器的高维负荷聚类方法，包括如下步骤：S1、获取高维负荷功率特征，S2、构建基于递归图理论的高维负荷特征增强模型；S3、构建基于卷积自编码器的高维负荷特征提取模型；S4、构建基于谱聚类的高维负荷聚类模型，得到高维负荷的聚类结果。本发明能够将一维负荷特征转换为二维递归图特征，实现特征增强，并结合卷积自编码器实现特征提取，利用该特征达到了更好的聚类效果。

技术领域

本发明属于电力负荷聚类分析技术领域，涉及高维负荷聚类方法，尤其是一种基于递归图与卷积自编码器的高维负荷聚类方法。

背景技术

推进电力系统的信息化与数字化转型是智能电网建设的重要任务。在此背景下，近年来信息技术与智能量测技术在配用电领域中得到迅速发展，智能电表功能不断更新，可获得的负荷数据呈指数增长。在时间维度方面，新型智能电表的采样周期由1天逐渐缩减为1小时、半小时及15分钟，可获得的日负荷数据扩展至1天24、48、96个点，为用户用电行为聚类分析提供了重要的数据基础。智能电网营配调贯通和电力营销服务业务的开展与应用，给配用电大数据价值挖掘带来了新机遇供电企业希望全面掌握用户的用能信息，进而制定分时电价和需求响应计划，让用户能够主动参与电网调度，提升电网运行的经济性与可靠性，同时为用户提供节能指导，促进节能减排。为实现上述目标，需要基于配用电大数据算法深入挖掘用户用能规律，感知用户的用电习惯，并准确把握未来的用电态势。

用户用电行为聚类分析是利用聚类算法从海量负荷曲线中挖掘用户的用电特性，并获得典型用电模式的过程，是实施负荷管理的基础。通过聚类将用电模式相似的用户划分为一组，有助于供电企业把握用户的用能需求，进而开展更高效的需求响应管理。供电企业还可以在分析用户用电模式的基础上创新服务模式，如制定阶梯电价政策以提高能源利用效率，根据分析结果指导用户改善不合理的用能习惯，降低电费开支，以及进行异常用电检测、电能质量优化、削峰填谷等，从而实现智能、友好、互动的配用电模式。

然而，随着智能电表数据采集频率的不断增高，采样周期不断缩短，数据维度迅速增长，传统聚类方法一般采用欧式距离作为相似性度量函数，面对高维负荷数据无法准确衡量用户用电行为间的相似性与差异性，在实际应用过程中常会发生聚类的错分和漏分现象，因此在面对高维负荷曲线时表现乏力。基于特征降维的负荷聚类方法先提取高维负荷数据中的关键信息，进而对关键信息进行聚类，在聚类效果和运算效率方法具有优势，但目前已有研究主要集中在对原始一维负荷数据的降维，特征提取难度较高，容易造成过多的信息损失，因此，如何对高维负荷特征进行有效的特征提取，并利用该特征达到了更好的聚类效果是本领域技术人员亟待解决的技术难题。

经检索，未发现与本发明相同或相近似的现有技术的文献。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于递归图与卷积自编码器的高维负荷聚类方法，能够将一维负荷特征转换为二维递归图特征，实现特征增强，并结合卷积自编码器实现特征提取，利用该特征达到了更好的聚类效果。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于递归图与卷积自编码器的高维负荷聚类方法，包括如下步骤：

S1、获取高维负荷功率特征，该特征包含N个用户的日负荷数据，每个日负荷数据包含M个数据点，形成大小为N×M的负荷功率特征库；

S2、构建基于递归图理论的高维负荷特征增强模型：以日为单位，将负荷功率特征库中的一维日负荷特征转换为二维递归图特征，共形成N个负荷递归图特征；

S3、构建基于卷积自编码器的高维负荷特征提取模型，将步骤S2中得到的N个负荷递归图特征输入到卷积自编码器中，对卷积自编码器进行训练，其中，卷积自编码器中的特征提取维度设置为T，训练完成后，再将N个负荷递归图特征输入到卷积自编码器的编码器中，得到高维负荷特征提取结果，即负荷关键特征；