文章摘要:负荷曲线聚类是电力大数据研究的基础，通过聚类来挖掘用户的用电模式从而为电力调控提供决策。针对传统的聚类方法难以处理高维多变量数据，提取时间特征较困难，存在特征提取与聚类过程分离的问题，文中采用了基于一维卷积自编码器的深度卷积嵌入聚类方法（DCEC-1D），对负荷曲线进行聚类并提取典型负荷曲线。该方法首先用一维卷积自编码器（1D-CAE）提取特征，送入K-means得到初始簇中心，然后利用自定义的聚类层对提取的负荷特征进行软分布，最后，为防止扭曲嵌入空间，将聚类损失和重构损失相结合作为损失函数联合优化，得到最终的聚类结果。算例分析以UCI数据集中的葡萄牙居民用户实际采集数据为研究对象，通过Davies-Bouldin Index（DBI），Calinski-Harabaz Index（CHI），Silhouette Coefficient（SC）三个聚类指标进行定量分析，并通过t分布随机邻域嵌入（TSNE）进行可视化分析。实验结果表明，该方法聚类指标相较于传统的K-means，PCA+K-means有大幅度提升。对比基于局部结构保留的深度嵌入聚类（IDEC），基于一维卷积的深度嵌入聚类（DEC-1D-CAE）和1D-CAE+K-means。本文方法的DBI分别降低了约0.15，0.08和1.50，CHI提高了约19384.92，12488.48和36485.72，SC提高了约0.10，0.05和0.63，验证了本文方法在日负荷曲线聚类中的有效性。

文章关键词:

项目基金: