基于时间序列变密度处理的负荷曲线聚类分析

负荷曲线聚类是分析用户负荷特性的基础,能够从大量负荷数据中挖掘典型用电模式,了解用户电力消费的特点,对需求响应、电价设计、电网规划等应用具有重要意义。针对现有聚类方法对负荷时段特征考虑不足的问题,为提升聚类精度和满足实际应用需求,提出一种基于时间序列变密度处理的聚类方法。首先,采用线性插值法增加峰、谷、爬坡等3个关键时段数据点的密度,突出和放大其在聚类中的影响,并基于自适应分段聚合近似(adaptive piecewise aggregate approximation,APAA)降维方法减小冗余数据密度。然后,结合欧式距离和相关距离构建综合指标,对负荷曲线开展k-medoids聚类分析。最后,利用UCI数据集的居民用户实测数据对所提方法进行验证。实验结果表明,该方法能有效改善负荷聚类效果,真实反映了居民用户的用电特性。

基于自适应分段聚合近似的户变关系聚类识别方法

低压配电变压器台区广泛存在户变关系不准确的现象,导致台区线损统计异常、停复电通知不及时等问题。目前,台区档案校验主要依靠电力员工现场排查,过程耗时耗力。针对此,依据智能电表记录的电压数据,提出基于自适应分段聚合近似和谱聚类的低压台区户变关系识别方法。首先,采用零均值标准化放大原始电压数据间的相对差异;其次,采用自适应分段聚合近似方法对电压数据进行降维处理,提取电压曲线特征;然后,应用谱聚类算法对电压特征数据进行聚类,实现用户与所属台区的识别;最后,通过算例分析的结果验证了所提模型的可行性和有效性。

采用自适应分段聚合近似的典型负荷曲线形态聚类算法

对海量负荷数据进行降维聚类处理是提取负荷关键信息,深度挖掘其内在规律的前提。根据负荷曲线的形态特征,文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先,根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势,采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构,进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理,该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据,并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。