[发明专利]基于OCHNN-Kmeans算法的负荷聚类方法

说明书

本发明涉及一种基于OCHNN‑Kmeans算法的负荷聚类方法，包括以下步骤：步骤S1:采集负荷数据，并进行预处理；步骤S2:采用Elbow Method和交叉验证获得最佳的聚类个数；步骤S3:通过OCHNN方法获得初始类中心C；步骤S4:将得到的初始类中心C作为K‑means的初始类中心，并利用K‑means聚类方法对预处理后的负荷数据进行划分，得到负荷曲线划分结构。本发明能够自适应调整聚类个数和聚类中心，类别划分更精确，适合大规模电力负荷数据划分。

技术领域

本发明涉及智能电网领域，一种基于OCHNN-Kmeans算法的负荷聚类方法。

背景技术

随着我国各方面的蓬勃发展，人们对电力系统的要求不仅仅只是一个可靠的能源系统，还要求其具有相当的智能水平。智能电表作为新一代电表，不仅可以实时提供海量的用户负荷数据，并且能为需求侧管理的实现提供物理基础。通过大数据技术对用户数据进行分析，可以得到相应的负荷模板，从而便于有针对性地制定需求侧响应策略，指导智能电网规划和运行，加强用户和电力市场的互动。而得到用户负荷模板的主要方式就是聚类分析，如何有效准确的对用户负荷进行聚类划分尤为重要。

同时，电力系统的结构变得越来越复杂，导致了电力负荷规模愈加庞大。如何提升电网的安全性、稳定性已成为电力企业关注的问题。在电力系统稳定性设计中，对电力系统负荷数据有效划分是重中之重的工作环节，也是基本工作环节之一。

发明内容

有鉴于此，本发明的目的在于提供一种基于OCHNN-Kmeans算法的负荷聚类方法，能够对电力系统负荷数据有效划分。

为实现上述目的，本发明采用如下技术方案：

一种基于OCHNN-Kmeans算法的负荷聚类方法，包括以下步骤：

步骤S1:采集负荷数据，并进行预处理；

步骤S2:采用Elbow Method和交叉验证获得最佳的聚类个数；

步骤S3:通过OCHNN方法获得初始类中心C；

步骤S4:将得到的初始类中心C作为K-means的初始类中心，并利用K-means聚类方法对预处理后的负荷数据进行划分，得到负荷曲线划分结构。

进一步的，所述步骤S2具体为：

步骤S21:Elbow Method通过遍历不同的k值而得到每个k值所对应的平均类内平方和；

步骤S22:根据得到的每个k值所对应的平均类内平方和，获取K-error曲线，得到最佳的聚类个数。

进一步的，所述步骤S3具体为：

步骤S31:设OCHNN由n个互不相连的神经元组组成，每个组里面包含m个神经元；第i个神经元在第x组的输出表示为v_xi(t)∈{0，1}，输入为u_xi(t)，偏差表示为θ_xi(x＝1，...，n；i＝1，...，m)，其中t表示为离散的时间，神经元之间的连接权重表示ω_xi，yj(x，y＝1，...，n；i，j＝1，...，m)，并且有ω_xi，yj＝ω_yj，xi；

步骤S32:OCHNN的能量函数定义为：

步骤S33:通过改变能量函数，将OCHNN网络应用到聚类分割问题上，设定样本的个数为n，维度为d，目的是将样本聚为k类；

步骤S33:根据OCHNN的网络为n×k个神经元，其中n个样本点代表n个神经元组，每一组由k个神经元组成，每个神经元有一个输入值u_ik和输出值v_ik，其中v_ik表示为: