基于Kernel K-means的负荷曲线聚类
2016-05-22赵文清龚亚强
电力自动化设备 2016年6期
关键词:方法
赵文清,龚亚强
(华北电力大学 控制与计算机工程学院,河北 保定 071003)
0 引言
电力负荷曲线聚类是配用电大数据挖掘的基础[1]。负荷曲线聚类一直是电力负荷预测、分时电价、错峰管理、系统规划的基础,通过负荷分类和负荷特性分析,对于掌握电力负荷的变化规律和发展趋势具有重大意义。高效的负荷聚类方法能为电力规划、错峰管理等提供可靠的依据和准确的指导[2]。因此,研究准确的负荷曲线聚类具有重要意义。
电力负荷曲线的聚类分析,实际上就是衡量不同负荷曲线的相似性,以及把负荷曲线分类到不同的簇中。这就需要根据负荷特性进行准确、科学分类,以确保在同一类中的负荷曲线具有相同或相似的负荷特性,进而合理地确定典型负荷曲线的归类。在良好分类的基础上,可以进一步提高负荷预测精度、降低负荷管理的难度。聚类的结果要满足类内具有较高的紧密性,类间具有较高的分离性,体现出不同类型用户之间的负荷特性差异[3]。
目前的电力负荷曲线聚类的方法很多,比较流行的有 K-means 聚类[4]、小波分析[5]、模糊 C 均值聚类算法(FCM)[6]、集成聚类算法[1]、自组织特征映射神经网络(SOM)[7]、极端学习机(ELM)[8]、云模型[9]等,同时还有一些在这些算法的基础上进行改进的算法。
由于智能电网技术的快速发展,各种先进的检测装置和计量设备在配电网中取得了广泛的应用。对负荷的检测的时间越来越短,导致负荷数据的维数大幅提高,加大了负荷曲线聚类的难度。……
登录APP查看全文
