陈 烨, 吴 浩, 史俊祎, 商佳宜, 孙维真

(1. 浙江大学电气工程学院, 浙江省杭州市 310027; 2. 国网浙江省电力公司杭州供电公司, 浙江省杭州市 310011; 3. 国网浙江省电力公司电力调度控制中心, 浙江省杭州市 310007)

0 引言

近年来,随着智能电表在电力系统中的广泛应用,电力公司积累了海量的负荷用电历史数据[1]。利用负荷曲线聚类算法从海量负荷数据中挖掘用电信息,分析用户用电行为,能够为电网规划、用电客户精细分类和制定用电计划等应用提供有力支撑[2-4]。因此,研究适用于负荷曲线的聚类算法及相关技术具有重要的应用价值。

负荷曲线聚类算法大致可分为直接聚类和间接聚类[5]。直接聚类方法通常选择负荷曲线上每个采集点的负荷数据进行聚类,包括K-means[6]、模糊C均值[7-8]、自组织神经网络[9]等。然而随着负荷数据规模不断增长,这种方法面临着计算效率的挑战。因此,有必要对负荷数据进行降维处理,以提升聚类效率。

间接聚类方法通过提取负荷曲线的特征作为降维指标,以此为输入进行聚类。文献[10]利用主成分分析方法提取出少量主成分作为降维指标,并采用K-means算法进行聚类。文献[11]选取了6种反映用户负荷特征的日负荷特性指标进行聚类。文献[12]利用Sammon映射将原始负荷曲线映射到低维空间中,然后利用低维空间中的映射值进行聚类。文献[13]认为低维负荷数据经深度学习反馈后可用来反映原始负荷数据。文献[14]采用离散傅里叶变换在频域中提取负荷特征作为降维指标,对负荷曲线进行分类。……