基于深度卷积嵌入聚类的日负荷曲线聚类分析

摘要：

负荷曲线聚类是电力大数据研究的基础,通过聚类来挖掘用户的用电模式,从而为电力调控提供决策.针对传统的聚类方法难以处理高维多变量数据,提取时间特征较困难,存在特征提取与聚类过程分离的问题,采用基于一维卷积自编码器的深度卷积嵌入聚类方法(deep convolutional embedded clustering based on one-dimensional convolution autoencoder,DCEC-1D),对负荷曲线进行聚类并提取典型负荷曲线.首先,用一维卷积自编码器(one-dimensional convolutional autoencoder,1D-CAE)提取特征,送入K-means得到初始簇中心;然后,利用自定义的聚类层对提取的负荷特征进行软分布;最后,为防止扭曲嵌入空间,将聚类损失和重构损失相结合作为损失函数联合优化,得到最终的聚类结果.算例分析以美国加州大学欧文分校(University of California Irvine,UCI)提出的数据集中的葡萄牙居民用户实际采集数据为研究对象,通过戴维森堡丁指数(Davies-Bouldin index,DBI),CH 分数(Calinski-Harabaz index,CHI),轮廓系数(Silhouette coefficient,SC)这3个聚类指标进行定量分析,并通过t分布随机邻域嵌入(t-distributed stochastic neighborhood embedding,TSNE)进行可视化分析.试验结果表明,相较于传统的K-means、主成分分析法(principal components analysis,PCA)+K-means,该方法聚类指标有大幅度提升.对比基于局部结构保留的深度嵌入聚类(improved deep embedded clustering,IDEC),基于一维卷积的深度嵌入聚类(deep embedding clustering method based on one dimensional convolutional auto-encoder,DEC-1D-CAE)和 1D-CAE+K-means,所提方法的 DBI 分别降低了约 0.15、0.08 和 1.50,CHI 提高了约 19 384.92、12 488.48 和 36 485.72,SC 提高了约 0.10、0.05 和 0.63.

关键词：深度嵌入聚类、卷积自编码器、时序特征提取、典型负荷曲线、联合优化

所属期刊栏目：46

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划;河北省自然科学基金

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2104-2113