10.12204/j.issn.1000-7229.2021.01.015
基于卷积自编码器的日负荷深度嵌入聚类方法
负荷聚类是电力大数据分析的重要基础.针对高维日负荷数据时序特征提取困难,以及特征提取与聚类处理分离降低负荷聚类准确性的问题,文章提出了一种基于一维卷积自编码器的日负荷深度嵌入聚类方法(deep embedding clustering method based on one dimensional convolutional auto-encoder,DEC-1D-CAE).首先,采用一维卷积自编码器网络提取负荷曲线蕴含的时序特征.然后,利用自定义聚类层对所提取的负荷特征向量进行软划分.最后,采用KL散度(Kullback-Leibler divergence,KLD)为损失函数,联合优化卷积自编码器与聚类层,得到聚类结果.算例分析表明所提方法在DBI(Davies-Bouldin index)、CHI(Calinski-Harabasz index)指标上均优于K-means、1D-CAE + K-means、基于堆叠式编码器的深度嵌入聚类方法(deep embedding clustering method based on stacked auto-encoder,DEC-SAE),所提方法可以有效提升日负荷聚类的准确性.
负荷聚类、卷积自编码器(CAE)、深度嵌入聚类方法(DEC)、时序特征提取
42
TM73(输配电工程、电力网及电力系统)
中国极地研究中心项目;上海市科委地方院校能力建设项目
2021-02-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
132-138