10.12158/j.2096-3203.2022.03.022
考虑数据不均衡的居民用户负荷曲线分类方法
由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差.为此,提出一种改进K-means与长短期记忆(LSTM)神经网络-卷积神经网络(CNN)分类模型结合的负荷曲线分类方法.首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类(DPC)算法思想,提出一种相对k近邻密度峰值(RKDP)初始聚类中心选取方法,将其作为K-means算法的初始中心进行聚类;然后,为提高RKDP-K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类获得精准类别标签;最后,基于LSTM神经网络和CNN分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类.算例选取了爱尔兰智能电表数据集和伦敦负荷数据集进行实验,验证了所提算法在大规模负荷曲线分类时的有效性和实用性.
负荷曲线分类、不均衡数据、改进K-means、自编码器、长短期记忆(LSTM)神经网络、卷积神经网络(CNN)
41
TM73(输配电工程、电力网及电力系统)
河北省重点研发计划资助项目20312102D
2022-06-17(万方平台首次上网日期,不代表论文的发表时间)
共8页
186-193