功率曲线k值_一种基于DTW的改进K-means的日负荷曲线聚类方法技术

本发明专利技术公开了一种基于DTW的改进K‑means的日负荷曲线聚类方法，采用密度函数分别选取初始分布特性聚类中心曲线与动态特性聚类中心曲线，并初始化聚类数目及算法迭代次数。随后，分别采用欧氏距离与DTW综合衡量负荷曲线的分布特性及动态特性，并分别以所得动态特性数值与分布特性数值对各自特性聚类中心进行更新，此过程以每条日负荷曲线分布特性与动态特性相似度衡量值的加权值作为负荷曲线关于聚类中心曲线相似度衡量的手段。最后以聚类结果与聚类离散度的误差值作为算法是否得出聚类结果的判断依据，并基于DBI指标确定最佳聚类数及相应的聚类中心曲线。本方法可以有效改善K‑means聚类计算效果与效率，且聚类结果与实际工程相符，具有一定的工程价值。

An improved k-means clustering method of daily load curve based on DTW

【技术实现步骤摘要】

一种基于DTW的改进K-means的日负荷曲线聚类方法

本专利技术属于电力系统分析与控制

，特别涉及一种基于DTW的改进K-means的日负荷曲线聚类方法。

技术介绍

日负荷曲线聚类是配用电大数据挖掘的基础，对负荷预测、电网规划和需求侧响应均有一定的指导意义。随着智能电网的不断推进，电力系统信息化程度不断提高，用电信息采集系统、配网GIS系统、配网自动化系统等逐渐完善，配用电数据呈现出数据量大、类型多、增长快等大数据特征。如何采取有效的数据挖掘技术，在大数据背景下对不同类型的海量用户进行精细化划分，从而挖掘出不同类型负荷间的内在联系及对应的用电行为、用电特性等信息，无疑对电网公司及电力用户具有重要的意义。传统的日负荷曲线聚类方法通常以日负荷曲线各采样时刻点的功率值经极大值归一化后，采用K-means、模糊C均值等算法以欧式距离作为相似性判据对日负荷曲线进行聚类。该类方法存在如下两个弊端：1)作为时间序列的负荷曲线来说，曲线之间的相似性易受气温气候、收入、电价政策等许多因素的影响，不能简单通过单纯的欧式距离得到充分反映；2)随着负荷数据规模的不断增长，该类方法在计算效率上面临着巨大的挑战。并且现在传统聚类方法面临一个重要问题：相似度衡量准确度。传统方法，通常只是单纯选取欧氏距离衡量曲线间相似度，而忽视了曲线形态变化对曲线相似度的影响。因此如何选择合适的相似度衡量指标可以在很大程度上提升日负荷曲线聚类结果的准确性及效率。

技术实现思路

本专利技术所解决的技术问题是，针对现有日负荷曲线聚类方法中存在的问题，提出一种基于DTW的改进K-means的日负荷曲线聚类方法，结合DTW与欧氏距离综合考虑日负荷曲线的分布特性与动态特性，并以这两种特征参数分别进行各自特征聚类中心的计算，最后采用加权使每条曲线与自身的分布特性聚类中心和动态特性聚类中心的相似度衡量，以此为依据采用K-means算法进行电力系统中日负荷曲线的聚类。本专利技术采取的技术方案为：一种基于DTW的改进K-means的日负荷曲线聚类方法，包括以下步骤：步骤1)对日负荷功率曲线数据组中的异常数据进行识别与修正，获得原始数据矩阵，然后对修正后的日负荷功率曲线数据进行标幺化处理，得到标幺化数据矩阵