奇異值分解方法在日負荷曲線降維聚類分析中的應用

陳 燁, 吳 浩, 史俊祎, 商佳宜, 孫維真

(1. 浙江大學電氣工程學院, 浙江省杭州市 310027; 2. 國網浙江省電力公司杭州供電公司, 浙江省杭州市 310011; 3. 國網浙江省電力公司電力調度控制中心, 浙江省杭州市 310007)

0 引言

近年來,隨著智能電表在電力系統中的廣泛應用,電力公司積累了海量的負荷用電歷史數據[1]。利用負荷曲線聚類算法從海量負荷數據中挖掘用電信息,分析用戶用電行為,能夠為電網規劃、用電客戶精細分類和制定用電計劃等應用提供有力支撐[2-4]。因此,研究適用于負荷曲線的聚類算法及相關技術具有重要的應用價值。

負荷曲線聚類算法大致可分為直接聚類和間接聚類[5]。直接聚類方法通常選擇負荷曲線上每個采集點的負荷數據進行聚類,包括K-means[6]、模糊C均值[7-8]、自組織神經網絡[9]等。然而隨著負荷數據規模不斷增長,這種方法面臨著計算效率的挑戰。因此,有必要對負荷數據進行降維處理,以提升聚類效率。

間接聚類方法通過提取負荷曲線的特征作為降維指標,以此為輸入進行聚類。文獻[10]利用主成分分析方法提取出少量主成分作為降維指標,并采用K-means算法進行聚類。文獻[11]選取了6種反映用戶負荷特征的日負荷特性指標進行聚類。文獻[12]利用Sammon映射將原始負荷曲線映射到低維空間中,然后利用低維空間中的映射值進行聚類。文獻[13]認為低維負荷數據經深度學習反饋后可用來反映原始負荷數據。文獻[14]采用離散傅里葉變換在頻域中提取負荷特征作為降維指標,對負荷曲線進行分類。……