一種基于高維矩陣特征根的配電網(wǎng)負(fù)荷曲線聚類方法
【專利摘要】本發(fā)明提出及一種基于高維矩陣特征根的配電網(wǎng)負(fù)荷曲線聚類方法,其包括:構(gòu)建負(fù)荷矩陣,定義所述負(fù)荷矩陣的樣本協(xié)方差矩陣;獲取樣本協(xié)方差矩陣的特征根,確定負(fù)荷聚類數(shù);采用K?means聚類算法對多個負(fù)荷變化曲線進(jìn)行聚類,獲取負(fù)荷聚類結(jié)果。該方法能夠快速地確定聚類數(shù),提升了負(fù)荷聚類結(jié)果的準(zhǔn)確率,其算法簡單且計算量小。
【專利說明】
-種基于高維矩陣特征根的配電網(wǎng)負(fù)荷曲線聚類方法
技術(shù)領(lǐng)域:
[0001] 本發(fā)明屬于電力系統(tǒng)負(fù)荷分析技術(shù)領(lǐng)域,具體設(shè)及一種基于高維矩陣特征根的配 電網(wǎng)負(fù)荷曲線聚類方法。
【背景技術(shù)】
[0002] 負(fù)荷聚類是電力系統(tǒng)規(guī)劃、錯峰管理、電價制定和負(fù)荷預(yù)測的基礎(chǔ),好的負(fù)荷聚類 方法可W給系統(tǒng)規(guī)劃與運行管理等提供正確的依據(jù)和指導(dǎo)。由于電力系統(tǒng)用戶類型繁多, 各種類型的用戶呈現(xiàn)不同的負(fù)荷特性,如何根據(jù)其特性對負(fù)荷進(jìn)行聚類是一個具有重要意 義的研究課題。
[0003] 負(fù)荷聚類的本質(zhì)是對不同的負(fù)荷曲線進(jìn)行聚類,目前常見的負(fù)荷聚類方法主要分 為兩類,一類是K-means聚類法、模糊聚類法等算法,但是此類算法需要預(yù)先給定聚類數(shù),有 一定的局限性;另外一類是層次聚類法等算法,此類算法可自動確定聚類數(shù),但是當(dāng)聚類數(shù) 據(jù)較多時計算量冗雜,不適用于用戶較多的負(fù)荷曲線聚類。
[0004] 矩陣的特征根可W表示矩陣在對應(yīng)特征向量方向上的投影長度,特征根越大,說 明該方向上的投影長度越長。應(yīng)用到數(shù)據(jù)挖掘中,較大的特征根對應(yīng)特征向量方向上包含 較多的信息量,如果某幾個特征值很小,說明運幾個方向信息量很小,可W用來降維,也就 是刪除小特征值對應(yīng)方向的數(shù)據(jù),只保留大特征值方向?qū)?yīng)的數(shù)據(jù),運樣做可使數(shù)據(jù)處理 量減小,但有用信息量影響不大。
【發(fā)明內(nèi)容】
[0005] 為了克服上述不足,本發(fā)明提供一種基于高維矩陣特征根的配電網(wǎng)負(fù)荷曲線聚類 方法,將矩陣特征根的相關(guān)分析應(yīng)用到負(fù)荷聚類方法中,從而確定聚類數(shù)并采用聚類算法 求出聚類結(jié)果。適用于用戶較多的負(fù)荷曲線聚類,有效解決了計算量大、計算結(jié)果不準(zhǔn)確的 缺陷。
[0006] 本發(fā)明的目的是采用下述技術(shù)方案實現(xiàn)的:
[0007] -種基于高維矩陣特征根的配電網(wǎng)負(fù)荷曲線聚類方法,所述方法包括下述步驟: [000引(1)構(gòu)建負(fù)荷矩陣,定義所述負(fù)荷矩陣的樣本協(xié)方差矩陣;
[0009] (2)獲取樣本協(xié)方差矩陣的特征根,確定負(fù)荷聚類數(shù);
[0010] (3)采用K-means聚類算法對多個負(fù)荷變化曲線進(jìn)行聚類,獲取負(fù)荷聚類結(jié)果。
[0011] 優(yōu)選的,所述步驟(1)中,構(gòu)建負(fù)荷矩陣包括:
[001^ 讀取配電網(wǎng)拓?fù)湫畔?,確定負(fù)荷節(jié)點數(shù)n,獲取η個節(jié)點的典型日負(fù)荷曲線,構(gòu)建負(fù) 荷矩陣Ρ如下式:
[001 引
口)
[0014]式(1)中,Pi表示第i個節(jié)點的典型日負(fù)荷曲線,且Pi=[Pil,Pi2,…Pij,'''Pim],口^表 示第i個節(jié)點的第j個采樣點負(fù)荷,m表示典型日負(fù)荷曲線中采樣點負(fù)荷個數(shù)。
[0015] 優(yōu)選的,所述步驟(1)中,定義所述負(fù)荷矩陣的樣本協(xié)方差矩陣包括:通過式(2)構(gòu) 建負(fù)荷矩陣P的樣本協(xié)方差矩陣S,其表達(dá)式為:
[0016]
劇
[0017] 式(2)中,P'為負(fù)荷矩陣P的估計值,S為η維方陣。
[0018] 優(yōu)選的,所述步驟(2)中,所述樣本協(xié)方差矩陣S的特征根通過式(3)對樣本協(xié)方差 矩陣S進(jìn)行特征分解獲得:
[0019] S = RAR' (3)
[0020] 式(3)中,八=diagai,. . .,λη)為η階對角陣,由S的特征根從大到小排序組成;R為 由特征向量組成的η階矩陣,R'為R的估計值。
[0021] 進(jìn)一步地,所述步驟(2)確定負(fù)荷聚類數(shù)包括:通過式(4)判定特征根是否為較大 特征根,所述較大特征根的個數(shù)即為負(fù)荷曲線的聚類數(shù)k;
[0022]
(4)
[0023] 式(4)中,ε為闊值;Ak為η階對角陣中第k個較大特征根,Ak+i為η階對角陣中第k+1 個較大特征根。
[0024] 優(yōu)選的,所述步驟(3)采用K-means聚類算法對多個負(fù)荷變化曲線進(jìn)行聚類,獲取 負(fù)荷聚類結(jié)果,具體過程如下:
[0025] 3-1)通過式(5)對負(fù)荷矩陣P第i列歸一化:
[0026]
閣
[0027] 式(5)中,i = l,…,n,n為節(jié)點個數(shù);馬表示歸一化后的負(fù)荷,表示第i個節(jié) 點典型日負(fù)荷曲線上的最大負(fù)荷值,馬E [0,1];
[0028] 根據(jù)式(5)對負(fù)荷矩陣P歸一化處理,獲得歸一化后的負(fù)荷矩陣P;
[0029]
[0030] 式(6)中,耗表示歸一化后第i個節(jié)點的典型日負(fù)荷曲線,斯隸示歸一化后第i個 節(jié)點的第j個采樣時刻的負(fù)荷;
[0031] 3-2)設(shè)聚類數(shù)為N,迭代次數(shù)h = 0,從η個列向量Λ,...,托中隨機(jī)選取N個類作為K- MEANS聚類的初始聚類中也
[0032] 根據(jù)式(7)確定每個列向量到相應(yīng)聚類中屯、的歐氏距離;
[0033]
巧
[0034] 式(7)中,表示第i個列向量Λ到第j個聚類中屯、為的歐氏距離;
[0035] 3 - 3 )將所有列向量分別劃歸到歐氏距離最近的類中,生成N個類 5 = {聲路...,媒},按照式(8)重新計算N個類的聚類中屯、
;其中,
[0037] 式(8)中,至表示第j個聚類中所有列向量多的集合,巧表示第j個聚類中列向量 個數(shù),且
[0038] 設(shè)迭代次數(shù)為h = h+l,重復(fù)步驟3-2)和3-3),直到滿足如下收斂條件:
[0039]
巧
[0040] 此時,S = {《,馬',...,媒}為最終的負(fù)荷聚類結(jié)果,表示由相同類型負(fù)荷組成的集 合;
[0041] ε為闊值;パΓ1,パ?i\…,;《Γ為最終的聚類中屯、,表示該類負(fù)荷典型日負(fù)荷曲線的 變化趨勢。
[0042] 與最接近的現(xiàn)有技術(shù)相比,本發(fā)明的有益效果為:
[0043] 本發(fā)明將矩陣的特征根的分析引入負(fù)荷聚類中,提出一種基于高維矩陣特征根分 析的配電網(wǎng)負(fù)荷曲線聚類方法,該方法根據(jù)矩陣較大特征根的個數(shù)確定負(fù)荷曲線的聚類 數(shù),然后采用K-means聚類算法進(jìn)行聚類,最終得出聚類結(jié)果;由此快速地確定聚類數(shù)。
[0044] 本發(fā)明方法簡單,計算量小,有效地提升了計算速度。
【附圖說明】
[0045] 圖1為本發(fā)明提供的配電網(wǎng)負(fù)荷曲線聚類方法流程圖;
【具體實施方式】:
[0046] 鑒于現(xiàn)有負(fù)荷曲線聚類方法在確定聚類數(shù)和計算量大且算法復(fù)雜等多方面不足, 本發(fā)明將矩陣的特征根的分析應(yīng)用到負(fù)荷聚類中,提出一種基于高維矩陣特征根的配電網(wǎng) 負(fù)荷曲線聚類方法,該方法首先根據(jù)負(fù)荷曲線形成負(fù)荷矩陣,對該矩陣進(jìn)行特征根分析,根 據(jù)較大特征根的個數(shù)確定聚類數(shù),并采用K-means聚類算法進(jìn)行聚類,得出最終的負(fù)荷聚類 結(jié)果。與現(xiàn)有方法相比,本方法能夠快速地確定聚類數(shù),方法簡單,計算量小。
[0047] 如圖1所示,所述方法包括下述步驟:
[0048] (1)構(gòu)建負(fù)荷矩陣,定義所述負(fù)荷矩陣的樣本協(xié)方差矩陣;
[0049] 步驟(1)中,構(gòu)建負(fù)荷矩陣包括:
[0050] 讀取配電網(wǎng)拓?fù)湫畔?,確定負(fù)荷節(jié)點數(shù)n,獲取η個節(jié)點的典型日(典型荷計算日) 負(fù)荷曲線,構(gòu)建負(fù)荷矩陣Ρ如下式:
[0051]
供
[0052] 式(1)中,Ρ康示第i個節(jié)點的典型日負(fù)荷曲線,且口1=[口11,口12,。郵,。'口1"],口1康 示第i個節(jié)點的第j個采樣點負(fù)荷,m表示典型日負(fù)荷曲線中采樣點負(fù)荷個數(shù);一般取24或 48,對應(yīng)采樣間隔分別為1小時或者30分鐘。
[0053] 定義所述負(fù)荷矩陣的樣本協(xié)方差矩陣包括:通過式(2)構(gòu)建負(fù)荷矩陣P的樣本協(xié)方 差矩陣S,其表達(dá)式為:
[0054]
(2)
[0055] 式(2)中,P'為負(fù)荷矩陣P的估計值,S為η維方陣。
[0056] (2)獲取樣本協(xié)方差矩陣的特征根,確定負(fù)荷聚類數(shù);
[0057] 步驟(2)中,所述樣本協(xié)方差矩陣S的特征根通過式(3)對樣本協(xié)方差矩陣S進(jìn)行特 征分解獲得:
[0化引 S = RAR' (3)
[0059] 式(3)中,八=diagai,. . .,λη)為η階對角陣,由S的特征根從大到小排序組成;R為 由特征向量組成的η階矩陣,R'為R的估計值。
[0060] 確定負(fù)荷聚類數(shù)包括:通過式(4)判定特征根是否為較大特征根,所述較大特征根 的個數(shù)即為負(fù)荷曲線的聚類數(shù)k;
[0061 ]
(4)
[0062] 式(4)中,ε為闊值;Ak為η階對角陣中第k個較大特征根,Ak+i為η階對角陣中第k+1 個較大特征根。
[0063] (3)采用K-means聚類算法對多個負(fù)荷變化曲線進(jìn)行聚類,獲取負(fù)荷聚類結(jié)果。
[0064] 具體過程如下:
[0065] 3-1)通過式(5)對負(fù)荷矩陣P第i列歸一化:
[0066]
(茍
[0067] 式(5)中,i = l,…,n,n為節(jié)點個數(shù);知表示歸一化后的負(fù)荷,inf (如表示第i個 節(jié)點典型日負(fù)荷曲線上的最大負(fù)荷值,武:討0, U;
[0068] 根據(jù)式(5)對負(fù)荷矩陣P歸一化處理,獲得歸一化后的負(fù)荷矩陣秦;
[0069]
狗
[0070] 式(6)中,武表示歸一化后第i個節(jié)點的典型日負(fù)荷曲線,民:,表示歸一化后第i個 節(jié)點的第j個采樣時刻的負(fù)荷;
[0071] 3-2)設(shè)聚類數(shù)為N,迭代次數(shù)h = 0,從η個列向量貨,…,反中隨機(jī)選取N個類作為K- ΜΕΑΝ課類的初始聚類中屯、仍*,...,片:,...,/4巧中,;《;=[冷,4,...,/4];
[0072] 根據(jù)式(7)確定每個列向量到相應(yīng)聚類中屯、的歐氏距離;
[0073]
C)
[0074] 式(7)中,表示第i個列向量發(fā)到第j個聚類中屯、Α&的歐氏距離;
[0075] 3 - 3 )將所有列向量分別劃歸到歐氏距離最近的類中,生成N個類 礦=扭,《,…成},按照式(8)重新計算N個類的聚類中屯、興+1,-..,如",…,媒1;其中,
[0077] 式(8)中,5^J表示第j個聚類中所有列向量i^,·的集合,(6表示第j個聚類中列向量 個數(shù),衛(wèi)
[0078] 設(shè)迭代次數(shù)為h = h+l,重復(fù)步驟3-2)和3-3),直到滿足如下收斂條件:
[0079]
(9)
[0080] 此時,s = ·(碎,皆…,城}為最終的負(fù)荷聚類結(jié)果,表示由相同類型負(fù)荷組成的集 合;
[0081] ε為闊值,從"|>;'||,··、,從'為最終的聚類中屯、,表示該類負(fù)荷典型日負(fù)荷曲線的變 化趨勢。
[0082]最后應(yīng)當(dāng)說明的是:W上實施例僅用W說明本發(fā)明的技術(shù)方案而非對其限制,盡 管參照上述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明,所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:依然 可W對本發(fā)明的【具體實施方式】進(jìn)行修改或者等同替換,而未脫離本發(fā)明精神和范圍的任何 修改或者等同替換,其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。
【主權(quán)項】
1. 一種基于高維矩陣特征根的配電網(wǎng)負(fù)荷曲線聚類方法,其特征在于,所述方法包括 下述步驟: (1) 構(gòu)建負(fù)荷矩陣,定義所述負(fù)荷矩陣的樣本協(xié)方差矩陣; (2) 獲取樣本協(xié)方差矩陣的特征根,確定負(fù)荷聚類數(shù); (3) 采用K-means聚類算法對多個負(fù)荷變化曲線進(jìn)行聚類,獲取負(fù)荷聚類結(jié)果。2. 如權(quán)利要求1所述的方法,其特征在于,所述步驟(1)中,構(gòu)建負(fù)荷矩陣包括: 讀取配電網(wǎng)拓?fù)湫畔ⅲ_定負(fù)荷節(jié)點數(shù)η,獲取η個節(jié)點的典型日負(fù)荷曲線,構(gòu)建負(fù)荷矩 陣Ρ如下式:式(1)中,Pi表示第i個節(jié)點的典型日負(fù)荷曲線,且Pi = [Pil,Pi2,…Pij,Pim],pij表示第i 個節(jié)點的第j個采樣點負(fù)荷,m表示典型日負(fù)荷曲線中采樣點負(fù)荷個數(shù)。3. 如權(quán)利要求1或2所述的方法,其特征在于,所述步驟(1)中,定義所述負(fù)荷矩陣的樣 本協(xié)方差矩陣包括:通過式(2)構(gòu)建負(fù)荷矩陣P的樣本協(xié)方差矩陣S,其表達(dá)式為:(2) 式(2)中,P '為負(fù)荷矩陣P的估計值,S為η維方陣。4. 如權(quán)利要求1或3所述的方法,其特征在于,所述步驟(2)中,所述樣本協(xié)方差矩陣S的 特征根通過式(3)對樣本協(xié)方差矩陣S進(jìn)行特征分解獲得: S = RAR' (3) 式(3)中,Λ idiagGi, . . .,λη)為η階對角陣,由S的特征根從大到小排序組成;R為由特 征向量組成的η階矩陣,R '為R的估計值。5. 如權(quán)利要求1或4所述的方法,其特征在于,所述步驟(2)確定負(fù)荷聚類數(shù)包括:通過 式(4)判定特征根是否為較大特征根,所述較大特征根的個數(shù)即為負(fù)荷曲線的聚類數(shù)k;(4) 式(4)中,ε為閾值;為η階對角陣中第k個較大特征根,Ak+1為η階對角陣中第k+1個較大 特征根。6. 如權(quán)利要求1所述的方法,其特征在于,所述步驟(3)采用K-means聚類算法對多個負(fù) 荷變化曲線進(jìn)行聚類,獲取負(fù)荷聚類結(jié)果,具體過程如下: 3-1)通過式(5)對負(fù)荷矩陣P第i列歸一化:(5) 式(5)中,i = l,…,n,n為節(jié)點個數(shù);&表示歸一化后的負(fù)荷,表示第i個節(jié)點典 型日負(fù)荷曲線上的最大負(fù)荷值,馬e[0,l]:; 根據(jù)式(5)對負(fù)荷矩陣P歸一化處理,獲得歸一化后的負(fù)荷矩陣# : Pll '· Pii "· Pn\ p = [Px'--Pi'-'h]= P\,…P.u ··· Pn, , i=h…,β; ./ = 1,···,/" (6) ·. ·. ? ? .· ? .·- ? ? .? _Pim " Pim Pnm._ 式(6)中,具表示歸一化后第i個節(jié)點的典型日負(fù)荷曲線,為表示歸一化后第i個節(jié)點的 第j個采樣時刻的負(fù)荷; 3-2)設(shè)聚類數(shù)為N,迭代次數(shù)h = 0,從η個列向量Λ,…,A中隨機(jī)選取N個類作為K-MEANS 聚類的初始聚類中心Μ,;其中,/4 = DK,…,< 根據(jù)式(7)確定每個列向量到相應(yīng)聚類中心的歐氏距離;(7) 式⑴中,表示第i個列向量爲(wèi)到第j個聚類中心垮的歐氏距離; 3-3)將所有列向量分別劃歸到歐氏距離最近的類中,生成N個類$ = ·[允,劣,…,匁丨,按 照式(8)重新計算 N 個類的聚類中心/ιΤ,···,/#Γ,···,/#Γ^Φ,/?;+1={><?1,"·,>< 1];(8) 式(8)中表示第j個聚類中所有列向量^的集合,g表示第j個聚類中列向量個數(shù), /=1 設(shè)迭代次數(shù)為h = h+l,重復(fù)步驟3-2)和3-3),直到滿足如下收斂條件: //;) 1 -μL <?:, k = \,---,/71-, / = 1,···,Ν:Ιι>0 (9) 此時J = pt,劣,…,?}為最終的負(fù)荷聚類結(jié)果,表示由相同類型負(fù)荷組成的集合;ε為 閾值;/〇2A+1,…,為最終的聚類中心,表示該類負(fù)荷典型日負(fù)荷曲線的變化趨勢。
【文檔編號】G06K9/62GK106067034SQ201610364750
【公開日】2016年11月2日
【申請日】2016年5月27日 公開號201610364750.6, CN 106067034 A, CN 106067034A, CN 201610364750, CN-A-106067034, CN106067034 A, CN106067034A, CN201610364750, CN201610364750.6
【發(fā)明人】盛萬興, 劉科研, 孟曉麗, 賈東梨, 胡麗娟, 何開元, 葉學(xué)順, 刁贏龍, 唐建崗, 李雅潔, 董偉潔
【申請人】中國電力科學(xué)研究院, 國家電網(wǎng)公司, 國網(wǎng)江蘇省電力公司