基于模糊聚类算法的智能电网用户分类

2018-11-02刘大明

上海电力大学学报 2018年5期

谷涛, 刘大明

(上海电力学院计算机科学与技术学院, 上海 200090)

随着智能电网建设的不断推进,电网中接入了大量的智能电表,形成了数量庞大的用电数据。挖掘这些用电数据中的隐含信息,对电网规划、分时电价制定、电力负荷预测等工作的开展具有重要现实意义。

智能电网中采集到的用户用电数据,不仅数量巨大,而且种类繁多,但数据的价值密度低,不便于对其进行直观的研究,所以对负荷侧用户进行分类非常必要[1]。传统的分类方式只是采用经济活动性质来进行粗略的划分,如居民用户、商业用户、工业用户。这样的划分并不能精确地描述用户的用电行为。实际中,即使是经济活动性质大致相同的用户,其用电行为也千差万别。因此,采用更加科学的方式对经济活动大致相同的用户进行精确分类,对了解多元化的用户行为具有重要意义[2]。

本文采用模糊聚类算法对用户用电数据进行挖掘,对负荷侧用户的用电数据进行特征划分,并对用户的用电行为进行分析,以期为负荷侧需求响应以及负荷预测等工作提供参考。

1 模糊聚类算法

模糊聚类算法是通过对目标函数进行优化的一种聚类方法。其输出形式是隶属度。隶属度代表某一个数据点与聚类中心的隶属程度,可以用一个数值来表示。该算法是一种不需要进行监督的模糊聚类方法。

设置输入数据集X={xj},j为输入数据集中的样本,xj={xji}为样本j的特征向量[3],i为样本特征。模糊聚类算法将全部的样本通过一定的概率分为C个类别。V为聚类中心,V={vi},i=1,2,3,…,c。这些概率通过隶属函数来获得。U为隶属度矩阵,U={uij},uij为在i类别中j样本的隶属度,约束条件为uij∈[0,1]。模糊聚类算法的目标函数为

(1)

(2)

式中:n——用户数目;

m——模糊加权参数;

dij——聚类中心vi和用户j之间的欧几里得距离。

然后,通过反复迭代,可得到最优的聚类中心矩阵和隶属度矩阵。

迭代的算法步骤如下[4]。

步骤1 给定聚类数C和模糊加权参数m;

步骤2 给定初始聚类中心V;

步骤3 通过集合V求出Uij

(3)

步骤4 求出隶属度函数后,再次求取新的聚类中心

(4)

步骤5 重复步骤3和步骤4。当连续两次计算结果vi或者Uij的值大致稳定时,则算法结束。

模糊聚类算法的聚类数C是需要设定的。本文预设C分别为3,4,5,通过模拟仿真来得到3种不同的聚类结果,再结合平均指数充裕度(Mean Index Adequacy,MIA)和聚类分数指示器(Clustering Dispersion Indicator,CDI)这两个聚类有效性指标来判断最佳聚类数的设定[5]。

2 特征量选择

对负荷侧的用户用电数据进行提取主要有两方面的目的。一是降低数据维度。智能电表采集的原始数据是每天各个时段的耗电量,当采样的周期是1 h时,那么单个用户一天就会产生24维度的用电数据,高维数据并不容易划分类别,而且效果也不太理想。所以从24维度用电数据中提取不超过5个特征量进行分类。二是利用特征量反映用户用电行为特点,比单一的用电数据更加优秀。用户的分类是基于用户用电特征提取的,将同一电网中所有用户按照用电特征的相似性分类。本文从一天24维度的用电负荷中,提取出能更好更简洁地代表用户用电特点的5个特征量作为算法的输入集。所选的5个特征量如下[6]。