一种基于语义聚类的典型日负荷曲线选取方法

2013-09-13孟令奎段红伟黄长青

华北电力大学学报(自然科学版) 2013年1期

关键词：模型

孟令奎，段红伟，黄长青，孙琤

(1.武汉大学遥感信息工程学院，湖北武汉 430079;2.中兵勘察设计研究院，北京 100053)

0 引言

典型日对于电力负荷特性的研究具有重要的意义，通过典型日负荷曲线可以分析地区用电特点和影响因素，预估负荷特性变化趋势。目前，典型日负荷曲线的选取方法没有统一的规定，主要是从简单实用的角度出发或选取某一特定日，或基于简单的加权平均，在时段代表性和区域通用性上效果不太理想［1］。有学者利用数据挖掘和人工智能技术来解决上述不足，文献［2］基于最短距离聚类与关联度分析来优化典型日负荷曲线的选取，文献［3］利用K均值聚类算法，在相关指数基础上提取日负荷特征曲线。还有学者［4～6］采用了其他鲁棒性更好的算法来提高聚类的精度，进而优化典型日负荷曲线的提取。由于在时段和区域关联分析上缺少潜在性语义分析，上述方法在时段和区域的通用性上灵活性不够。

概率潜在语义分析模型 (Probabilistic Latent Semantic Analysis，PLSA)是一种自然语言处理(NLP)技术，最初用于提取文档的语义信息来实现文档主题提取和分类，目前已经广泛用于图像聚类［7～9］、场景标注和分类［10］等方面。

本文将典型日负荷曲线的选取问题转化为基于统计学习的多元分类问题，利用PLSA模型将其他典型日负荷曲线提取结果作为初始特征输入，然后对电力负荷数据进行语义潜在分析，通过概率学习来优化典型日负荷曲线的选取。