基于DTW+改进K-means+GRU的负荷异常数据辨识技术

以某工业园区中用电用户数据中负荷数据为例,提出一种DTW+改进K-means+GRU的用户负荷异常数据辨识方法。引入DTW相似度方法对所有用户的历史负荷数据进行周期性分类;通过改进K-means聚类算法进行有周期数据挖掘,以获取负荷数据类型;采用GRU神经网络对无周期数据进行特征学习建模,获取电力负荷数据特征。结果表明,DTW相似性度量方法可快速有效的对用户电力负荷周期性进行分类;通过本方法能将用户负荷数据分为5种类型,且与传统K-means聚类算法相比,该方法的BDI值维持在1.3左右,较传统K-means聚类算法平均降低了2.2左右,其聚类精度更高,运行更稳定。所提出的方案可实现异常数据的准确辨识。

基于MDS的统计形状聚类

针对物体轮廓曲线,采用新的模与相位保持的傅里叶描述方法,将连续的轮廓曲线降维归一化为RM空间中的点,引入DTW(Dynamic Time Warping)相似度,使用多维尺度分析(MDS),对多类物体基于形状进行聚类。实验结果表明,在合适的相似度下,该方法能够对不同的形状序列进行聚类。