CN113159106A - 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备 - Google Patents

Abstract

本发明公开了一种基于形态趋势特征的负荷曲线聚类方法、介质及设备，提取典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，对不同用户的用电负荷曲线进行分类，划分出不同用电模式用户。本发明能兼顾曲线的分布特征、形态特征与趋势特征，能够更合理有效地分辨曲线之间差异性。

Description

一种基于形态趋势特征的负荷曲线聚类方法、介质及设备

技术领域

本发明属于电力系统分析技术领域，具体涉及一种基于形态趋势特征的负荷曲线聚类方法、介质及设备。

背景技术

随着智能电网的发展，大量智能电表被用来收集用户用电数据，这为更加深入分析个人和客户群体的用电行为特征提供了机会。用户用电模式分析可以为电价策略制定、电力营销计划制定以及用电负荷预测等提供参考，具有极大的研究价值。

目前，用电负荷曲线的聚类常使用基于划分的方法，通常结合计算曲线之间的欧式距离作为分类的依据，这类方法结构简单，运行速度快，然而常见的K-均值、模糊C-均值等算法均存在着需要设定聚类数目、聚类结果对初始聚类中心的依赖性高并且容易陷入局部最优解等问题。同时，欧氏距离是一种点对点的度量方案只能从整体上度量曲线之间的差异，不能捕捉形态与趋势特征，而形态与趋势特征更能反应用户用电模式的差别，对于用户的分类更加有序可靠；为了改进相似性度量问题，有文献采用双层结构结合差分余弦距离以及欧氏距离度量曲线相似性进行用户归类，也有文献引入动态弯曲距离结合熵权法提出多尺度相似性度量方式等。然而差分余弦距离对噪声敏感，而动态弯曲距离计算时间复杂度高、且存在一定的局限性。

同时用电采样数据通常存在一定的噪声和相位偏移等问题，现有方案增加了计算复杂度，算法有效性不高并不能很好地解决负荷曲线聚类问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于形态趋势特征的负荷曲线聚类方法、介质及设备，能忽略曲线之间存在的数值量级差异、减少噪声干扰，尽可能挖掘形态特征之间的相似性，有效度量曲线相似性；同时构造了兼顾曲线分布特征、形态特征与趋势变化特征的多尺度相似度量方式，提高了负荷曲线聚类的准确度，同时相对于动态弯曲距离方案具有更高的时间效率。

本发明采用以下技术方案：

一种基于形态趋势特征的负荷曲线聚类方法，提取电网的典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，对不同用户的用电负荷曲线进行分类，划分出不同用电模式用户。

具体的，提取典型用电负荷曲线具体为：

选择一定周期内的用户日负荷用电曲线；去除非工作日和全零数据，并剔除缺失值超过10％的用户，得到n位用户在T个工作日的用电数据，第i位用户在第t日的用电曲线为

为第k个时段的用电数据，m为一天的采集数据数；对每一用户的在对应周期内的用电负荷取均值，并进行极差归一化处理，得到典型用电负荷曲线组成的数据集X＝{X₁,X₂,…,X_n}^T。

具体的，提取形态特征与趋势特征具体为：

计算每一典型负荷曲线的X_i均值，并将每一时间点t的数值x_it与均值做差，得到均值差分矩阵D_md＝{d_md1,d_md2,…,d_mdi…,d_mdn}^T；采用分位数刻画负荷数据相对于负荷均值的变化量，将原始数值数据转换成统一性描述形态变化的离散型特征数据，分位数采用3分位数，分别取0.05，0.5，0.95，计算形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征x_mdit；对形态特征矩阵X_md进行一阶差分运算，得到趋势特征矩阵X′_md。

进一步的，形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征x_mdit为：

其中，d_mdit为第i条均值差分曲线d_mdi在t时刻的值。

具体的，使用LCSS算法计算形态距离和趋势距离，结合欧氏距离构造多尺度相似度量方式具体为：

计算负荷曲线X_i和X_j之间的欧氏距离，度量整体分布特征；使用LCSS算法寻找两条形态特征曲线X_mdi和X_mdj的最长公共子序列，以此度量负荷曲线之间X_i和X_j之间的形态相似度，进而得到形态相似度距离D_md；使用LCSS算法提取出两条趋势特征曲线X′_mdi和X′_mdj的最长公共子序列，计算负荷曲线之间的趋势距离，度量局部趋势特征，计算趋势距离D_td。

进一步的，使用形态距离和趋势距离结合欧氏距离构造多尺度相似度量方式具体为：构造兼顾日负荷曲线分布特征、形态特征及局部趋势特征的相似性度量方式，包括三个部分：D_all(X_i,X_j)＝αD_ed(X_i,X_j)+βr_e,mD_md(X_i,X_j)+γr_e,tD_td(X′_i,X′_j)，其中，D_all(X_i,X_j)表示负荷曲线X_i和X_j之间的总体距离，α、β、γ分别为相似度矩阵D_ed(X_i,X_j)、D_md(X_i,X_j)以及D_td(X′_i,X′_j)的权重系数。

更进一步的，确定相似度矩阵权重参数α、β、γ具体为：分别将α和γ设为0，将β按照步长0.1找出β分别与α和γ的最佳比例组合α₀+β₀＝1以及β₁+γ₁＝1，固定β的范围[β₀,β₁]，若β₀<β₁，进一步微调确定最佳的参数组合，分别使用比例系数r_e,m和r_e,t实现三个方案取值范围的统一性，具体计算如下：

其中，max(D_ed(X_i,X_j))、max(D_md(X_i,X_j))和max(D_td(X′_i,X′_j))分别为负荷曲线欧式距离的最大值、形态距离的最大值和趋势距离的最大值。

具体的，将多尺度相似度量方式作为算法输入进行AP聚类具体为：

初始化相似度矩阵S、吸引度矩阵R和归属度矩阵A；确定相似度矩阵权重参数α、β和γ，计算n条用电负荷曲线的相似度矩阵S＝[s(i,j)]_n×n,s(i,j)为第i条曲线与第j条曲线的相似度；设置参考度p参数；吸引度矩阵R和归属度矩阵A更新；引入阻尼系数λ，维持归属度矩阵和吸引度矩阵的收敛速度和稳定性；若迭代次数超过设定的最大值或在多次迭代后满足目标时终止计算，确定聚类中心及各簇；如果聚类数目是否达到

结束，根据聚类结果计算DB指标和SSE指标寻找最优结果，最终得到z个用户用电模式，用电模式集合为W＝[w₁,w₂,…,w_z]。

本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

本发明的另一个技术方案是，一种计算设备，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

与现有技术相比，本发明至少具有以下有益效果：

本发明提出一种基于形态趋势特征的负荷曲线聚类方法，首先对原始数据进行数据预处理并排除异常值；然后提取负荷曲线的形态特征，并通过分位数进行形态特征的统一性重表达，同时结合差分求导公式得到统一性趋势特征；结合LCSS算法度量不同曲线之间的形态、趋势相似度，同时加入欧氏距离度量曲线之间的分布特征，构造一个兼顾曲线分布特征、形态特征与趋势特征的多尺度相似性度量方式；将所提方案引入AP聚类算法中，对用户用电模式进行聚类分析，提取用户典型用电模式；基于均值差分算法和分位数提出了一种全新的形态特征提取与重表达的方法，结合LCSS度量曲线之间的相似度，忽略了数据本身量值的影响，并且减小了噪声的干扰；提出了一种兼顾局部分布特征、曲线形态特征和曲线趋势特征的相似度量方案，能全面地关注于曲线之间整体的差别；本发明在聚类有效性和效率上均有优势，同时本发明提出的形态距离方法也具有较高的精度，能识别曲线形态特征，具有实际应用价值。

进一步的，提取典型用电负荷曲线的目的在于初步筛选出异常数据，剔除对用电模式分析研究意义较小的全零数据及缺失数据，进而计算出一条能反映用户用电一般性特征的典型用电负荷曲线。

进一步的，通过均值差分的方案提取出用电负荷曲线相对于曲线均值的变化量，进而用分位数衡量变化程度，能够有效减少噪音对曲线变化特征提取的干扰，在此基础上对形态特征矩阵进行一阶差分求导运算能反映出相邻时间点之间曲线的变化趋势衡量趋势特征。

进一步的，通过设定分位数的方式，对用户用电曲线进行统一性地特征提取与重表达，能够避免曲线之间因为数值量级差异而造成的误分类的情况，并且更加关注于曲线每个时刻采样点的相对变化程度，更能反映曲线形态特征。

进一步的，通过分位数表示的形态特征矩阵以及经过进一步差分求导运算的趋势特征矩阵均包含有限的离散特征属性值，通过LCSS算法分别寻找任意形态特征曲线之间以及任意趋势特征曲线之间的公共子序列，能有效发掘负荷曲线的在形态和趋势方面变化的公共特征。

进一步的，基于曲线之间的形态距离和趋势距离结合欧氏距离构造多尺度相似性度量方式，能够综合考虑基于欧氏距离对曲线分布特征的度量、基于分位数及LCSS算法对于曲线形态变化特征以及趋势变化特征的度量，具有合理性和有效性。

进一步的，相似度矩阵权重参数α、β、γ反映了不同曲线相似度度量方式对于最终聚类结果的贡献程度，通过对不同曲线相似度度量方式的权值的控制，能够合理分配不同方案的权重比例，实现对负荷曲线的有效分类。

进一步的，将多尺度相似性度量方式作为AP聚类算法相似度矩阵输入，能够兼顾负荷曲线之间的分布特征、形态特征与趋势特征，实现对曲线之间差异性的综合考量，实现有效分类。

综上所述，本发明能兼顾曲线的分布特征、形态特征与趋势特征，能够更合理有效地分辨曲线之间差异性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明流程图；

图2为UCI数据集的原始分类情况示意图，其中，(a)为标准趋势，(b)为循环趋势，(c)为上升趋势，(d)为下降趋势，(e)为陡升趋势，(f)为陡降趋势；

图3为本发明提出的聚类方法在UCI数据集上进行聚类得到的聚类簇示意图，其中，(a)为标准趋势，(b)为循环趋势，(c)为上升趋势，(d)为下降趋势，(e)为陡升趋势，(f)为陡降趋势；

图4为本发明提出的聚类方法在实测数据上聚类后得到的聚类中心示意图，其中，(a)为第一类负荷中心，(b)为第二类负荷中心，(c)为第三类负荷中心，(d)为第四类负荷中心；

图5为本发明提出的聚类方法在实测数据上聚类后得到的聚类簇示意图，其中，(a)为第一类负荷，(b)为第二类负荷，(c)为第三类负荷，(d)为第四类负荷。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明提供了一种基于形态趋势特征的负荷曲线聚类方法，首先对原始数据进行数据预处理并排除异常值；然后提取负荷曲线的形态特征，并通过分位数进行形态特征的统一性重表达，同时结合差分求导公式得到统一性趋势特征；结合LCSS算法度量不同曲线之间的形态、趋势相似度，同时加入欧氏距离度量曲线之间的分布特征，构造一个兼顾曲线分布特征、形态特征与趋势特征的多尺度相似性度量方式；将所提方案引入AP聚类算法中，对用户用电模式进行聚类分析，提取用户典型用电模式，本发明分别采用UCI数据集和电网用户负荷数据作为算例样本，验证了本发明中提出的综合度量方案的合理性和优越性。

请参阅图1，本发明一种基于形态趋势特征的负荷曲线聚类方法，包括以下步骤：

S1、提取典型用电负荷曲线；

输入电网一段时间周期内的用户日负荷用电数据，在此基础上去除非工作日和全零数据，并剔除缺失值超过10％的用户，得到n位用户在T个工作日的用电数据，其中第i位用户在第t日的用电曲线为

其中，

为第k个时段的用电数据，m为一天的采集数据数，本发明电力数据每30min采集一次，因此m为48；在此基础上，对每一用户的在该T周期内的同一时刻的用电负荷取均值作为典型用电负荷曲线L_i＝{l_i1,l_i2,…,l_ik,…,l_im}，其中，k时刻的典型用电量l_ik的计算如下：

并对L_i进行极差归一化处理，得到典型用电负荷曲线组成的数据集X＝{X₁,X₂,…,X_k,…,X_n}^T，X_i为第i个用户的归一化用电数据，其第k个元素x_ik的计算如下：

其中，max(L_i)和min(L_i)分别为典型用电负荷曲线L_i中的最大值和最小值。

S2、提取典型用电负荷曲线的形态特征与趋势特征；

针对步骤S1中提取得到的归一化用户典型用电负荷曲线，提取形态特征与趋势特征，具体包括：

S201、计算每一典型负荷曲线的X_i均值，并将每一时间点t的数值x_it与均值做差，得到均值差分矩阵D_md＝{d_md1,d_md2,…,d_mdi…,d_mdn}^T，其中第i条均值差分曲线d_mdi在t时刻的值d_mdit的计算如下：

d_mdit＝x_it-Mean(X_i)

其中，Mean(X_i)为X_i曲线的均值；

S202、采用分位数刻画负荷数据相对于负荷均值的变化量，将原始数值数据转换成统一性描述形态变化的离散型特征数据，分位数采用3分位数，分别取0.05，0.5，0.95，对于形态特征矩阵X_md中第i条形态特征曲线X_mdi＝{x_mdi1,x_mdi2,…,x_mdit,…,x_mdim}的第t个元素x_mdit，计算如下：

其中，x_mdit为形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征，max(D_mdi)和min(D_mdi)分别表示D_md矩阵的第i条均值差分曲线的最大值和最小值，d_mdit为均值差分曲线在t时刻的均值差分值；

S203、对形态特征矩阵X_md进行一阶差分运算，得到趋势特征矩阵X′_md，用于反映两条负荷曲线上相邻样本点趋势变化的一致性，对于其中的元素x′_mdit，计算如下：

其中，j＝1,2,…,m-1，Δt为相邻点间的时间间隔，m为形态特征曲线X_mdi的长度。

S3、构造多尺度曲线相似度度量方式；

针对步骤S2中提取得到的负荷曲线形态特征和趋势特征，使用LCSS算法计算形态距离和趋势距离，结合欧氏距离构造多尺度相似度量方式具体包括：

S301、计算负荷曲线X_i和X_j之间的欧氏距离，度量整体分布特征，其计算如下：

其中，D_ed(X_i,X_j)为两条曲线间的欧氏距离，m为负荷曲线X_i的长度，x_t、y_t分别为曲线X_i和X_j在t时刻的数值；

S302、使用LCSS算法寻找两条形态特征曲线X_mdi和X_mdj的最长公共子序列，以此度量负荷曲线之间X_i和X_j之间的形态相似度，进而得到形态相似度距离D_md，计算如下：

D_md(X_i,X_j)＝len(X_mdi)-LCSS(X_mdi,X_mdj)

其中，D_md(X_i,X_j)为负荷曲线X_i和X_j之间的形态相似度距离，len(X_mdi)为时序曲线X_mdi的长度，形态距离D_md的取值范围为[0,len(X_mdi)]，值越小表示负荷曲线X_i和X_j在形态方面越相似；其中，LCSS(X_mdi,X_mdj)代表X_md矩阵中任意两条曲线X_mdi和X_mdj之间的最长公共子序列的长度，作为判定曲线之间的形态相似度的依据，其计算如下：

其中，X_mdi和X_mdj分别表示经过均值差分得到的两条时序数据曲线，len(X_mdi)和len(X_mdj)代表两条曲线的长度；

S303、使用LCSS算法提取出两条趋势特征曲线X′_mdi和X′_mdj的最长公共子序列，计算负荷曲线之间的趋势距离，度量局部趋势特征，趋势距离D_td的计算如下：

D_td(X′_i,X′_j)＝len(X′_mdi)-LCSS(X′_mdi,X′_mdj)

其中，D_td(X′_i,X′_j)为两条负荷曲线间的趋势相似度距离，len(X′_mdi)为时序曲线长度，X′_mdi为经过一阶差分后的趋势变化序列，反映了负荷曲线局部趋势特征；

S304、构造一种兼顾日负荷曲线分布特征、形态特征及局部趋势特征的相似性度量方式，包括三个部分：

D_all(X_i,X_j)＝αD_ed(X_i,X_j)+βr_e,mD_md(X_i,X_j)+γr_e,tD_td(X′_i,X′_j)

其中，D_all(X_i,X_j)表示负荷曲线X_i和X_j之间的总体距离，α、β、γ分别为相似度矩阵D_ed(X_i,X_j)、D_md(X_i,X_j)以及D_td(X′_i,X′_j)的权重系数，α+β+γ＝1，其中，α、β、γ的确定方案为：分别将α和γ设为0，将β按照步长0.1找出β分别与α和γ的最佳比例组合α₀+β₀＝1以及β₁+γ₁＝1，进而固定设定β的范围[β₀,β₁](若β₀<β₁)进一步微调确定最佳的参数组合；由于不同距离方案的取值范围不同，分别使用比例系数r_e,m和r_e,t实现三个方案取值范围的统一性，计算如下：

其中，max(D_ed(X_i,X_j))、max(D_md(X_i,X_j))和max(D_td(X′_i,X′_j))分别为负荷曲线欧式距离的最大值、形态距离的最大值和趋势距离的最大值。

S4、基于多尺度相似度量方式对用户进行AP聚类，分析用户用电模式；

将步骤S3中得到的多尺度相似度量方式作为算法输入进行AP聚类，具体包括：

S401、初始化相似度矩阵S、吸引度矩阵R和归属度矩阵A；

S402、确定相似度矩阵权重参数α、β和γ，进而计算n条用电负荷曲线的相似度矩阵S＝[s(i,j)]_n×n,第i条负荷曲线与第j条负荷曲线的相似度s(i,j)的计算如下：

s(i,j)＝-D_all(X_i,X_j)，i≠j

其中，相似度值越大表示两条负荷曲线的相似度越高；

S403、设置参考度p(Preference)参数；

S404、吸引度矩阵R和归属度矩阵A更新，计算如下：

其中，k∈1,2,…,N，r(i,j)为负荷曲线X_i对于X_j的吸引度，表示负荷曲线X_i作为聚类中心X_j中样本的合适程度，a(i,j)为负荷曲线X_j对于负荷曲线X_i的归属度，表示负荷曲线X_j作为负荷曲线X_i的聚类中心的合适程度；

S405、引入阻尼系数λ，维持归属度矩阵和吸引度矩阵的收敛速度和稳定性，计算如下：

其中，r(i,j)^t和a(i,j)^t分别表示第t次迭代时的吸引度和归属度矩阵；

S406、若迭代次数超过设定的最大值或在多次迭代后满足目标时终止计算，确定聚类中心及各簇；否则返回步骤S404、继续计算；

S407、聚类数目是否达到

如果达到则结束，根据聚类结果计算DB指标和SSE指标寻找最优结果，最终得到z个用户用电模式，用电模式集合为W＝[w₁,w₂,…,w_z]；没有达到

则返回步骤S403并调整参考度p，继续计算。

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于形态趋势特征的负荷曲线聚类的操作，包括：提取典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，对不同用户的用电负荷曲线进行分类，得到不同用电模式用户，进而根据不同用电类型用户的用电模式特征结合用户的实际用电特征进行合理的用电营销方案设计与推荐。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于形态趋势特征的负荷曲线聚类方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：提取典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，分析用户用电模式，对不同用电模式用户进行归类，同时将该类用户的历史用电数据作为输入，预测用户未来的用电情况。

使用UCI提供的公共数据集Synthetic Control Chart Time Series(SCCTS)与爱尔兰电网实测数据对算例进行仿真，对发明的可行性与效果评估如下：

在SCCTS数据集上对上述算法的聚类效果进行比较，该数据包括：标准趋势、循环趋势、上升趋势、下降趋势、陡升趋势和陡降趋势等6类曲线，每类曲线100条共计600条曲线。

600条曲线的原始分类如图2所示，采用本发明所提基于形态趋势特征的聚类方法后每类簇曲线分布如图3所示。

从聚类结果来看，可以看出本文方法已经能准确分辨不同曲线形态和趋势的差异性。

同时，从聚类有效性指标、AP聚类算法相似度矩阵计算时间(SCT)等方面将本文算法与基于欧氏距离、基于差分余弦距离、基于形态距离、基于动态弯曲距离等算法进行比较。通过与数据集的标准分类结果比较算法的有效性。

每种算法均通过多次实验调节参考度p，取其聚类数为6的情况，结果如表1所示。

表1各类相似度量算法聚类指标比较

从聚类有效性指标来看，本发明提出的形态相似度量方案在AR指标和FM指标上明显优于传统的欧氏距离和差分余弦距离方案，虽然聚类效果低于DTW算法，但是在时间效率方面是完全可以接受的。同时本文提出的多尺度相似度量方式在AR指标和FM指标上优于DTW算法，且计算时间更低。同时，在DB指标上，本发明虽然高于欧氏距离和差分余弦距离方案，但是与标准数据集的DB指标更接近，表明本发明所提方法的在运算时间和聚类结果的有效性。

图4和图5分别为在爱尔兰实际用电数据集上进行聚类的结果，可以发现得到的4类曲线形态差异较大，且具有明显的形态特征，第一类负荷为典型的单峰负荷曲线，常用于办公用电、工业用电等，8点以后用电量陡增，而18以后用电量陡降，形态特征明显；第二型和第三型负荷为典型的居民用电负荷，第二型负荷在白天用基本的用电需求而到了18点用电量陡增，属于家里有上班族的情况；第三型负荷在晚上21点达到用电峰值，白天也有基本的用电需求，为一家多口的情况；第四型负荷全天均有符合需求，同时14点和17点用电较高，可能是商业用电用户的情况；由此可见，本发明提出的多尺度相似性的负荷曲线聚类方法结果合理。

综上所述，本发明一种基于形态趋势特征的负荷曲线聚类方法、介质及设备，在聚类有效性和时间效率上相比于传统方案均具有一定的优势，同时在实测数据集上的聚类结果也是合理有效的。。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于形态趋势特征的负荷曲线聚类方法，其特征在于，提取电网的典型用电负荷曲线；基于负荷数据相对于均值的变化量提取典型用电负荷曲线的形态特征，通过差分处理获得趋势特征；通过最长公共子序列算法度量形态特征距离与趋势特征距离，结合欧氏距离对典型用电负荷曲线进行多尺度相似性度量；基于多尺度曲线相似性度量对用户用电负荷曲线进行AP聚类，对不同用户的用电负荷曲线进行分类，划分出不同用电模式用户。

2.根据权利要求1所述的方法，其特征在于，提取典型用电负荷曲线具体为：

选择一定周期内的用户日负荷用电曲线；去除非工作日和全零数据，并剔除缺失值超过10％的用户，得到n位用户在T个工作日的用电数据，第i位用户在第t日的用电曲线为

为第k个时段的用电数据，m为一天的采集数据数；对每一用户的在对应周期内的用电负荷取均值，并进行极差归一化处理，得到典型用电负荷曲线组成的数据集X＝{X₁,X₂,…,X_n}^T。

3.根据权利要求1所述的方法，其特征在于，提取形态特征与趋势特征具体为：

计算每一典型负荷曲线X_i的均值，并将每一时间点t的数值x_it与均值做差，得到均值差分矩阵D_md＝{d_md1,d_md2,…,d_mdi…,d_mdn}^T；采用分位数刻画负荷数据相对于负荷均值的变化量，将原始数值数据转换成统一性描述形态变化的离散型特征数据，分位数采用3分位数，分别取0.05，0.5，0.95，计算形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征x_mdit；对形态特征矩阵X_md进行一阶差分运算，得到趋势特征矩阵X′_md。

4.根据权利要求3所述的方法，其特征在于，形态特征矩阵中第i条负荷曲线的第t个时间点的形态特征x_mdit为：

其中，d_mdit为第i条均值差分曲线d_mdi在t时刻的值。

5.根据权利要求1所述的方法，其特征在于，使用LCSS算法计算形态距离和趋势距离，结合欧氏距离构造多尺度相似度量方式具体为：

计算负荷曲线X_i和X_j之间的欧氏距离，度量整体分布特征；使用LCSS算法寻找两条形态特征曲线X_mdi和X_mdj的最长公共子序列，以此度量负荷曲线之间X_i和X_j之间的形态相似度，进而得到形态相似度距离D_md；使用LCSS算法提取出两条趋势特征曲线X′_mdi和X′_mdj的最长公共子序列，计算负荷曲线之间的趋势距离，度量局部趋势特征，计算趋势距离D_td。

6.根据权利要求5所述的方法，其特征在于，使用形态距离和趋势距离结合欧氏距离构造多尺度相似度量方式具体为：构造兼顾日负荷曲线分布特征、形态特征及局部趋势特征的相似性度量方式，包括三个部分：D_all(X_i,X_j)＝αD_ed(X_i,X_j)+βr_e,mD_md(X_i,X_j)+γr_e,tD_td(X′_i,X′_j)，其中，D_all(X_i,X_j)表示负荷曲线X_i和X_j之间的总体距离，α、β、γ分别为相似度矩阵D_ed(X_i,X_j)、D_md(X_i,X_j)以及D_td(X′_i,X′_j)的权重系数。

7.根据权利要求6所述的方法，其特征在于，确定相似度矩阵权重参数α、β、γ具体为：分别将α和γ设为0，将β按照步长0.1找出β分别与α和γ的最佳比例组合α₀+β₀＝1以及β₁+γ₁＝1，固定β的范围[β₀,β₁]，若β₀<β₁，进一步微调确定最佳的参数组合，分别使用比例系数r_e,m和r_e,t实现三个方案取值范围的统一性，具体计算如下：

其中，max(D_ed(X_i,X_j))、max(D_md(X_i,X_j))和max(D_td(X′_i,X′_j))分别为负荷曲线欧式距离的最大值、形态距离的最大值和趋势距离的最大值。

8.根据权利要求1所述的方法，其特征在于，将多尺度相似度量方式作为算法输入进行AP聚类具体为：

初始化相似度矩阵S、吸引度矩阵R和归属度矩阵A；确定相似度矩阵权重参数α、β和γ，计算n条用电负荷曲线的相似度矩阵S＝[s(i,j)]_n×n,s(i,j)为第i条曲线与第j条曲线的相似度；设置参考度p；吸引度矩阵R和归属度矩阵A更新；引入阻尼系数λ，维持归属度矩阵和吸引度矩阵的收敛速度和稳定性；若迭代次数超过设定的最大值或在多次迭代后满足目标时终止计算，确定聚类中心及各簇；如果聚类数目是否达到

结束，根据聚类结果计算DB指标和SSE指标寻找最优结果，最终得到z个用户用电模式，用电模式集合为W＝[w₁,w₂,…,w_z]。

9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。

10.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。

Images