基于改进SOM聚类模型的配电网短期负荷用电行为分析

张斌 徐鹏飞 葛鹏江 靳盘龙

摘 要：建立贝叶斯正则化的SOM聚类模型对配电网短期负荷用电行为分析，并利用UCI数据集对其有效性进行了验证，对电网运行过程的实际负荷进行了测试。从宁夏某电网采集负荷样本进行验证，测试结果表明，权重值超过0.6，编号10对应的峰时耗电率对于不同日负荷走势相似性具有显著影响。根据这5项负荷特性指标便可以获得具有较高准确率的一日负荷曲线变化曲线并精确反映出特定点的信息。以SOM神经网络总共进行了5次聚类，虽然每次聚类激活神经元存在差异，但都采用相同的分类过程，最终形成了平均准确率测试结果。

关键词：配电网;短期负荷;用电行为;SOM聚类

中图分类号：TP 2

文献标志码：A

文章编号：1007-757X（2020）11-0164-04

Abstract：In this paper， the SOM clustering model of Bayesian regularization is established to analyze the short-term load behavior of distribution network. After that， its effectiveness is verified by using UCI data set， and the actual load of power network operation process is tested. Load samples are collected and verified from a power grid in Ningxia Province. The test results showed that the weight value exceeds 0.6， and the peaking power consumption rate corresponding to No.10 has a significant impact on the similarity of load trends in different days. According to these five load characteristic indexes， the change curve of daily load curve with high accuracy can be obtained and it accurately reflects the information of specific points. SOM neural network is used for clustering for a total of 5 times. Although there are differences in the activation of neurons in each cluster， the same classification process is used to form the average accuracy test results.

Key words：distribution network;short-term load;electricity consumption behavior;SOM clustering

0 引言

特征選取通常已被称作特征降维或变量选择，该技术已经成为机器学习领域的一类处理特征向量的重要技术。如果把各个特征量都以相同的权重来建立聚类模型，则会导致分类结果出现较大偏差[1-3]。合理选择特征变量能够有效降低负荷建模的训练难度，提升模型的拟合效果，但采用传统形式的主观性经验分析方法则存在明显局限性。对数据集进行聚类分析属于一种分类过程，其特点是被归为相同类的数据具备较高相似度，从而更好地表现出负荷特性[4-5]。考虑到电网数据具备量大、高维以及类型多样化的特点，因此必须选择具备较优聚类性能的模型[6-8]。采用传统形式的数据挖掘模型难以实现可视化功能，限制了对一些深度信息内容的挖掘，不能满足市场的细化分类，从而无法制定有针对性的营销方案，因此需要以SOM神经网络对负荷数据进行降维处理再将其映射到二维空间中[9-10]。

为了更加深入地研究电网运行过程的负荷特性，需要构建完善的负荷特性指标评价系统，到目前为止已有许多学者对这方面开展了深入分析讨，对于电网的整体规划发挥了重要作用[11-14]。采用优化特征提取方法可以消除主观盲目性的缺陷，避免受到维数陷阱的影响，对于聚类分析以及模型预测过程都起到了促进作用[15]。文献[16]利用消除冗余与去除无关向量的方法来达到简化模型的效果，从而获得更快的网络传输速度。本文通过改进后的Relief特征优选模式来选择得到和用电模式存在密切关联性的特征向量组成的集合，通过这种方法来建立贝叶斯正则化的SOM聚类模型，之后利用UCI数据集对其有效性进行了验证，对电网运行过程的实际负荷进行了测试，并分析了不同用户的用电习惯。

1 模型算法

1.1 SOM聚类模型

自组织特征映射网络（SOM）通常也被称作Kohonen网络，属于一类无教师竞争的自学习网络，基本不会受到人为因素的干扰。该网络的特点是除了可以利用非线性拟合性能来快速获得多维数据统计特征以外，还能够有效保障原先高维数据拓扑性，充分保留可视化高维信息，非常适合用于挖掘多维电网中的各项数据。可以将SOM模型分成输入层与输出层共两个部分，并利用权重向量来连接两层神经元。现阶段，SOM聚类算法被广泛应用在模式分析、数据挖掘以及深度学习等多个方面。

1.2 贝叶斯权值调整

SOM是一种神经元聚类方法，使同类样本较易分散于不同神经元中，从而减小了聚类辨识精度，导致聚类效果明显降低。本文利用正则化分析方法，利用惩罚因子来实现权值调整的过程，由此得到最优参数，有效防止权值发生过度拟合的情况，实现聚类优化的目标。

本文的负荷样本从宁夏某电网进行采集得到，构建得到由负荷特征组成的14个列向量，以此反映负荷的重要特征。验证得到如下结果。

1） 权重值超过0.6的特征向量是4、8、10、12、14，其中，编號10对应的峰时耗电率对于不同日负荷走势相似性具有显著影响。根据这5项负荷特性指标便可以获得具有较高准确率的一日负荷曲线变化曲线并精确反映出特定点的信息。

2） 以SOM神经网络总共进行了5次聚类，虽然每次聚类激活神经元存在差异，但都采用相同的分类过程，最终形成表4所示的平均准确率测试结果。

参考文献

[1] 徐源， 程潜善， 李阳，等. 基于大数据聚类的电力系统中长期负荷预测[J]. 电力系统及其自动化学报， 2017， 29（8）：43-48.

[2] 雷涛， 吕勇， 马淑慧. 基于改进灰色理论的主动配电网中长期负荷预测[J]. 电网与清洁能源， 2016， 32（9）：22-28.

[3] Khan A R， Mahmood A， Safdar A， et al. Load forecasting， dynamic pricing and DSM in smart grid：A review[J]. Renewable & Sustainable Energy Reviews， 2016 （54）：1311-1322.

[4] 高赐威， 陈曦寒， 陈江华，等. 我国电力需求响应的措施与应用方法[J]. 电力需求侧管理， 2013， 15（1）：1-4.

[5] 冯晓蒲. 基于实际负荷曲线的电力用户分类技术研究[D].保定：华北电力大学， 2011.

[6] 马瑞， 周谢， 彭舟，等. 考虑气温因素的负荷特性统计指标关联特征数据挖掘[J]. 中国电机工程学报， 2015， 35（1）：43-51.

[7] 张斌， 庄池杰， 胡军，等. 结合降维技术的电力负荷曲线集成聚类算法[J]. 中国电机工程学报， 2015， 35（15）：3741-3749.

[8] 王璨， 冯勤超. 基于价值评价的电力用户分类研究[J]. 价值工程， 2009， 28（5）：64-67.

[9] 张素香， 赵丙镇， 王风雨，等. 海量数据下的电力负荷短期预测[J]. 中国电机工程学报， 2015， 35（1）：37-42.

[10] 廖旎焕， 胡智宏， 马莹莹，等. 电力系统短期负荷预测方法综述[J]. 电力系统保护与控制， 2011， 39（1）：147-152.

[11] 王德文， 孙志伟. 电力用户侧大数据分析与并行负荷预测[J]. 中国电机工程学报， 2015， 35（3）：527-537.

[12] 张林， 刘先珊， 阴和俊. 基于时间序列的支持向量机在负荷预测中的应用[J]. 电网技术， 2004， 28（19）：38-41.

[13] Yadav V， Srinivasan D. A SOM-based hybrid linear-neural model for short-term load forecasting[J]. Neurocomputing， 2011， 74（17）：2874-2885.

[14] 张群洪. 基于集成智能方法的电力短期负荷预测[J]. 系统工程理论与实践， 2013， 33（2）：354-362.

[15] Fan S， Hyndman R J. Short-Term Load Forecasting Based on a Semi-Parametric Additive Model[J]. Monash Econometrics & Business Statistics Working Papers， 2010， 27（1）：134-141.

[16] Hyndman R J， Fan S. Density Forecasting for Long-Term Peak Electricity Demand[J]. Monash Econometrics & Business Statistics Working Papers， 2010， 25（2）：1142-1153.

（收稿日期：2019.09.24）