考虑双尺度相似性的负荷曲线集成谱聚类算法

负荷聚类可以依据形态特性差异对负荷曲线进行归类,实现用户用能行为规律分析,为需求侧响应、电网客户服务等提供重要的决策信息。文中提出一种考虑双尺度相似性的负荷曲线集成谱聚类算法。首先,为了克服欧氏距离在负荷特性相似程度度量上的局限,基于负荷差分向量的余弦距离实现负荷形态变化的相似性度量,提出一种双尺度相似性度量方式;然后,基于双尺度相似性与谱聚类算法,建立差异化基聚类模型;最后,依据聚类评价指标自适应计算基聚类模型权重,以加权一致性矩阵与谱聚类实现聚类集成。算例结果证明,所提方法可有效挖掘负荷形态特性差异,在不同数据集中性能表现稳定,具有显著的聚类有效性和鲁棒性。

基于双尺度相似性和改进DBSCAN算法的低压配电台区相序识别方法

针对低压配电台区智能电表采集的数据质量不高,且用户间电压相似度差异不明显导致相序识别结果较差的问题,提出一种基于双尺度相似性和改进的基于密度的噪声应用空间聚类(density-based spatial clustering of application with noise, DBSCAN)的低压配电台区相序识别方法。首先,考虑低压配电台区用户数据缺失的情况,提出基于矩阵补全的数据处理方法,以解决数据缺失对相序识别精度造成的不利影响;其次,提出了一种双尺度相似性度量方法,先采用欧氏距离来度量电压曲线的整体分布特征,再使用一阶差分和动态时间弯曲(dynamic time warping, DTW)距离来衡量电压曲线的局部动态特征,从整体与局部对DBSCAN的相似性度量方式进行改进,解决了传统度量方式在电压曲线相近时误判率高的问题;最后,采用麻雀搜索算法对DBSCAN的初始参数进行寻优选取,提升算法的鲁棒性。仿真实验表明,矩阵补全相对于传统插值补全在精度上提高了1.6~2.3倍,使用双尺度相似性与改进DBSCAN算法能够100%识别台区下所有用户的相序,使用麻雀搜索算法优化的领域半径(Eps)和密度阈值(MinPts)能够使DBSCAN获得最好的评价指标,解决了人工选取初始参数困难的问题。

基于粒计算和双尺度相似性的负荷曲线集成聚类算法

电力负荷曲线聚类通常依靠负荷形态差异和负荷数值差异对负荷曲线进行分类。提出了一种基于粒计算和双尺度相似性的集成聚类算法,采用以欧氏距离和皮尔森相关系数作为相似性度量的K-means算法生成基聚类,再通过粒度距离度量基聚类间的相似性,从而选择部分基聚类参与集成,最后生成相似度矩阵并采用层次聚类获得最终聚类结果。算例结果表明,该算法能够克服传统负荷聚类算法只能从数值相似性或形态相似性上单一的度量负荷曲线相似性的局限,可以显著提高电力负荷曲线聚类的质量。

基于残差图卷积深度网络的电网无功储备需求快速计算方法

针对电网无功储备需求计算复杂度高、耗时长的问题,提出一种基于残差图卷积深度网络考虑冗余样本特征削减的电网无功储备需求快速计算方法。该文首先,给出一种基于深度学习的电网无功储备需求快速计算框架,采用残差图卷积深度神经网络(GCNII)对电网无功储备需求计算进行建模;其次,为克服传统相似性计算方法在拓扑属性样本度量问题上的局限,提出一种双尺度相似性度量方法,基于矩阵奇异值序列的余弦距离实现对拓扑结构样本的相似性度量;最后,提出一种冗余样本削减策略,基于双尺度相似性度量方法,结合改进谱聚类算法实现对样本集合的分层聚类,并通过样本局部密度分析,实现在维持数据集特征多样性的情况下,对冗余样本进行有效削减,提升模型训练效率。所提算例采用IEEE标准节点系统进行仿真,计算结果表明,该方法能够实现在模型计算精度基本不变的情况下大幅提升模型训练效率。

采用欧式形态距离的负荷曲线近邻传播聚类方法

为提取电力负荷数据的有效信息,改善传统聚类方法在电力负荷数据中相似度衡量方式单一及聚类效果较差的问题,提出一种采用欧式形态距离的负荷曲线近邻传播(AP)聚类方法。使用五分位法将用电负荷曲线重表达为曲线形态变化特征序列,使用改进最长公共子序列算法衡量不同特征序列之间的模式匹配度,以此作为曲线之间的差异度;构造一种兼顾曲线整体分布特征和曲线形态变化特征的双尺度相似性度量方法,使用熵权法对两种特征进行自适应配比;将所提相似度衡量方法应用到AP聚类方法中,改进相似度矩阵计算方法,对用户典型日用电负荷曲线进行聚类。在标准合成时间序列数据集上进行了实验对比,结果表明:欧式形态距离度量方法能够有效区分负荷曲线的变化特征;所提方法具有较高的聚类质量和稳健性,相比其他相似度量方法,调整兰德系数提高了9.0%~43.8%,DB指标与标准集相差0.0143,在电力实测数据集上能对用户进行合理划分。

多模态数据融合与检索技术研究

对跨模态数据检索精确性问题,提出一种基于多模态数据融合的检索方法。采用CNN+Bi_LSTM与Glove+Bi_GRU的方法分别对图片和文本数据进行编码,并通过Transforme+LSTM对编码后数据分别提取图像和文本的语义特征,使用同模态下与不同模态间的多种相似度损失函数,对提取的图像和文本语义特征进行监督和优化。最终根据查询样本与检索结果之间的语义相似度,确定正确检索结果。实验证明,设计的多模态数据融合与检索模型,相较于其他跨模态搜索分类模型,辨别损失更低。且在模型各部分功能上,无论是引入LSTM的多模态特征提取模块,还是基于双尺度相似性计算的语义建模方法,都在数据检索中发挥了一定的作用,当k=12时,本模型相较于传统特征提取模型R@K均值9.9,相较于仅采用中线性分类器代替双尺度相似度的本模型、与仅移除LSTM使用三个头进行语义特征提取的本模型,R@K均值分别高出4.3、2.0;mAP的均值相较于其他三个模型分别高出0.12、0.07、0.03。相较于其他基线跨模态数据检索模型而言,提出的多模态数据融合与检索模型则具有更好的检索结果。当k=12时,相较于LSCO、MADLG、DMASA检索方法,本模型的R@K均值分别高出8.3、4.3、1.3,mAP的均值分别高出0.8、0.4、0.1,具有一定的优越性。