基于曲线聚类的工业负荷不同用电模式分析方法及装置与流程

本发明涉及电力系统，尤其涉及一种基于曲线聚类的工业负荷不同用电模式分析方法及装置。

背景技术：

1、随着工业生产的发展和电力需求的增长，工业用户在电力系统中扮演着至关重要的角色，对工业电力用户的负荷曲线进行聚类和分析，将有助于理解和预测其用电行为，为电力系统的运行和管理提供重要支持。然而，由于工业用电负荷具有复杂的时序特性和多样性，传统的聚类算法往往难以挖掘其负荷特性；在深入探究工业能源消耗模式时，面临诸多不确定性因素的挑战，包括但不限于突发社会事件的冲击、极端气象事件的影响，以及由年节假期与季节更迭带来的用电习惯变动；例如，尽管夏季与冬季因高温和严寒分别导致制冷和供暖需求增加，形成用电高峰，但夏季总体负荷仍通常超越冬季；在此复杂情境下，明确区分并理解不同领域如工业、商业、农业及民用的能源消耗特点及其随时间演变的特性，对于提升能源管理与规划的科学性尤为关键。

2、随着智能电网技术的飞跃与智能计量设备的广泛部署，能源数据的体量急剧膨胀，呈现鲜明的大数据特征。面对这一趋势，在一些相关技术中，基于先进数据分析技术，应用dtw-kmedoids算法来进行工业负荷曲线的聚类分析，并使用了奇异值分解法和改进后的自适应阈值方法以多种角度实现负荷曲线的拟合与相似度评估；尽管这种方法在提高时间序列聚类的准确性方面表现突出，但因工业负荷的复杂性和多样性，该方法在应用过程中其计算量和计算成本也大大增加。在另一些相关技术中，采用基于k-means算法进行工业负荷特征聚类，虽然k-means算法因为其实现简单且效率高而被广泛应用，但由于该算法需要预先确定聚类的数量，这限制了它在处理大规模工业负荷数据集时的有效性。此外，传统的模糊c均值(fcm)聚类算法在对于初始聚类中心的选择非常敏感；由于其在应用于工业负荷聚类问题时优化目标是一个非线性的凸函数，如果所选的聚类中心不符合实际情况，那么算法可能无法在整个工业负荷搜索空间中找到最优解，从而影响其全局性能。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供一种基于曲线聚类的工业负荷不同用电模式分析方法及装置，旨在解决当前工业负荷聚类分析中需要人为设定聚类数量以及对初始聚类中心敏感的问题，从而实现更精确和高效的工业负荷不同用电模式的聚类分析。

2、本发明采用如下的技术方案。

3、第一方面，本发明提供一种基于曲线聚类的工业负荷不同用电模式分析方法，方法包括：

4、获取各工业用户用电的负荷曲线数据；

5、对所述负荷曲线数据进行预处理，获得完整可用的负荷曲线数据集；

6、采用改进的woa-fcm算法对所述负荷曲线数据集进行聚类；

7、根据聚类结果，对各工业用电模式进行区分；

8、其中，所述改进的woa-fcm算法包括：通过woa鲸鱼算法优化负荷曲线各聚类中心的位置，并结合设定的有效性指标确定负荷曲线的最优聚类数，再采用模糊c均值fcm聚类算法优化当前负荷曲线聚类的隶属度矩阵和聚类中心，最终获得各工业用户的负荷曲线聚类结果。

9、可选的，对所述负荷数据进行预处理的步骤包括：

10、采用knn最近邻算法对所述负荷曲线数据进行缺失值补充和异常值替换；

11、对各负荷曲线数据分别进行均值平滑处理，以获得各曲线的总体形状走势；

12、对平滑处理后的负荷曲线数据进行z-score标准化处理。

13、可选的，所述有效性指标的表达式如下：

14、

15、式中：vsc(c)表示当前负荷曲线聚结果下的有效性指标；u＝{uij}为当前负荷曲线聚结果下的隶属度矩阵，c表示负荷曲线数据集x被划分为c个互不相交的子集s1,s2,...,sc，n表示负荷曲线数据集x中共有n工业负荷曲线，uij表示第j个负荷曲线xj对划分的第i个子集si的隶属程度；a＝{a1,a2,…,ac}表示当前的聚类中心矩阵；var(u,v,c)、sep(u,c)和cop(u,c)分别表示当前负荷曲线聚结果下的紧致度评价指标、分离度评价指标和重叠度综合评价指标；var(u,a)n、sep(u,c)n和cop(u,c)n分别表示紧致度评价指标、分离度评价指标和重叠度评价指标分别除以其对应各聚类数中最大指标值得到[0,1]的度量范围。

16、可选的，所述紧致度评价指标var(u,v,c)的计算公式如下：

17、

18、uij≥0(1≤i≤c,1≤j≤n)

19、式中，u＝{uij}为cⅹn的隶属度矩阵，c表示负荷曲线数据集x被划分为c个互不相交的子集s1,s2,…,sc，n表示负荷曲线数据集x中共有n工业负荷曲线，uij表示第j个负荷曲线样本xj对划分的第i个子集si的隶属程度；a＝{a1,a2,…,ac}表示当前负荷聚类后得到的c个聚类中心的矩阵；ai为聚类中心矩阵a中的第i个聚类中心；表示n个负荷曲线的聚类质心；β表示聚类的紧致度；exp()表示以数学常数e为底数的指数函数。

20、可选的，所述分离度评价指标sep(u,c)的计算公式如下：

21、

22、式中，log表示取对数。

23、可选的，所述重叠度评价指标cop(u,c)的计算公式如下：

24、

25、式中，ohg表示n个工业负荷曲线距离与第h个与第g个聚类中心的重叠度；uhk表示第k个负荷曲线样本xk对划分的第h个聚类中心的隶属程度；ugk表示第k个负荷曲线样本xk对划分的第g个聚类中心的隶属程度。

26、可选的，采用改进的woa-fcm算法对所述负荷曲线数据集进行聚类的步骤包括：

27、步骤1、初始化聚类数c＝2，并设置聚类数的最大值cmax；

28、步骤2、根据当前更新的聚类数c，从负荷曲线数据集x中随机选取c个聚类中心a1(t)，…，ac(t)；

29、步骤3、分别计算各负荷曲线样本距离当前更新的各聚类中心a1(t)，…，ac(t)的平均距离，并从中选取平均距离最短的聚类中心作为目标猎物x*；

30、步骤4、根据当前的迭代次数，计算模拟鲸鱼环绕猎物行为的系数a*；若满足|a*|≤1时，则通过基于目标猎物x*的气泡网狩猎位置更新公式分别对当前的聚类中心a1(t)，…，ac(t)分别进行位置更新；

31、若满足|a*|>1时，则通过基于群体中随机选择一个搜索体来替代目标猎物x*的猎物搜索位置更新公式分别对当前的聚类中心a1(t)，…，ac(t)分别进行位置更新；

32、步骤5、判断当前的迭代次数是否达到设定的第一迭代次数tmax；若否，则令t＝t+1，并返回执行步骤3；若是，则记录当前聚类数下最终更新后的各聚类中心的位置，并执行步骤6；

33、步骤6、基于步骤5中最终更新后的各聚类中心的负荷曲线聚类结果，计算基于当前聚类数下的有效性指标vsc(c)；

34、步骤7、判断当前聚类数是否满足c≤cmax；若是，则令c＝c+1，并返回执行步骤2，否则执行步骤8；

35、步骤8、判断各聚类数对应的有效性指标vsc(c)值的大小，将有效性指标vsc(c)值最小的聚类数作为最优聚类数cbest；

36、步骤9、根据步骤5记录的最优聚类数cbest下最终更新后的各聚类中心的位置，获得当前的聚类中心矩阵并计算当前负荷曲线聚类的隶属度矩阵u；

37、步骤10、根据当前的聚类中心矩阵a和隶属度矩阵u计算负荷曲线数据集x的当前聚类结果的fcm目标函数；

38、步骤11、判断当前的fcm目标函数是否收敛或者当前的迭代次数是否达到设定的第二的迭代次数tmax；若否，则通过隶属度和聚类中心的更新函数对所述聚类中心矩阵a和隶属度矩阵u进行更新后，令t＝t+1，并返回执行步骤10；若是，则输出最终聚类中心矩阵a和隶属度矩阵u对应的工业负荷曲线聚类结果。

39、可选的，所述模拟鲸鱼环绕猎物行为的系数a*的计算公式如下：

40、a*＝2(a*)·r-a*

41、式中，a*随迭代次数由2线性递减为0，r为[0,1]内的随机向量。

42、可选的，所述基于目标猎物x*的气泡网狩猎位置更新公式如下：

43、

44、式中ai(t+1)表示对当前第t次迭代时的第i个聚类中心ai(t)的更新位置；i＝1,2…c；x*(t)表示当前第t次迭代时的目标猎物；b是对数螺旋形状的常量系数，l表示区间[0,1]内的随机数，e为数学常数；d(t)＝|c*·x*(t)-ai(t)|为目标猎物x*(t)与作为搜索体的聚类中心ai(t)的距离向量，c*＝2r，r为[0,1]内的随机向量；p为区间[0,1]的随机数。

45、可选的，所述基于群体中随机选择一个搜索体来替代目标猎物x*的猎物搜索位置更新公式如下：

46、ai(t+1)＝xrand-a*·d'(t)

47、式中，ai(t+1)表示对当前第t次迭代时的第i个聚类中心ai(t)的更新位置；i＝1,2…c；xrand表示从聚类中心集合随机选择的一个聚类中心作为当前的目标猎物；d'(t)＝|c*·xrand-ai(t)|目标猎物xrand与作为搜索体的聚类中心ai(t)的距离向量；c*＝2r，r为[0,1]内的随机向量。

48、可选的，所述fcm目标函数的表达式如下：

49、

50、式中，表示在当前的聚类中心矩阵a和隶属度矩阵u下负荷曲线数据集x的目标函数值；uij表示隶属度矩阵中第i类数据中的第j个元素；n表示负荷曲线数据集x中共有n工业负荷曲线；表示当前最优聚类数cbest下的聚类中心的矩阵；λ为拉格朗日算子；m表示软度；表示负荷曲线数据集x中的第j个负荷曲线样为xj与聚类中心矩阵a中的第i个聚类中心ai的欧式距离。

51、可选的，所述隶属度和聚类中心的更新函数的表达式分别如下：

52、

53、式中，表示第t+1次迭代后的第j个负荷曲线样本xj对划分的第i个聚类中心的隶属度；ai(t)和ai(t+1)分别表示第t次和第t+1次迭代后聚类中心ai的位置；ak(t)表示第t次迭代后聚类中心ak的位置，k＝1,2…cbest；m表示软度。

54、第二方面，本发明提供一种基于曲线聚类的工业负荷不同用电模式分析装置，运行如本发明第一方面中任一项所述方法的步骤，装置包括：

55、获取数据模块，用于获取各工业用户用电的负荷曲线数据；

56、预处理模块，用于对所述负荷曲线数据进行预处理，获得完整可用的负荷曲线数据集；

57、曲线聚类模块，用于采用改进的woa-fcm算法对所述负荷曲线数据集进行聚类；

58、用电模式区分模块，用于根据聚类结果，对各工业用电模式进行区分；

59、其中，所述改进的woa-fcm算法包括：通过woa鲸鱼算法优化负荷曲线各聚类中心的位置，并结合设定的有效性指标确定负荷曲线的最优聚类数，再采用模糊c均值fcm聚类算法优化当前负荷曲线聚类的隶属度矩阵和聚类中心，最终获得各工业用户的负荷曲线聚类结果。

60、第三方面，本发明提供一种终端，包括处理器及存储介质；

61、所述存储介质用于存储指令；

62、所述处理器用于根据所述指令进行操作以执行本发明第一方面中任一项所述方法的步骤。

63、第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面中任一项所述方法的步骤。

64、本发明的有益效果在于，与现有技术相比：

65、本发明通过严格的数据预处理来确保工业负荷曲线数据的质量，并提出改进woa-fcm算法来实现不同工业用户用点模式的聚类划分，显著增强了对工业负荷曲线进行聚类分析的能力。

66、本发明针对传统工业负荷聚类算法需要人为设定聚类数和对聚类中心敏感的不足，提出一种新的聚类有效性指标vsc实现自动获取聚类数，聚类数的选取更加合理，能够快速而高效地揭示工业负荷曲线的复杂特性，而且不会增加额外的计算负担；通过不同数据集进行性能测试，实验表明本发明方法在聚类数目确定和中心点选取上取得了很好的效果。

67、本发明为了有效地解决因工业负荷复杂性而产生的聚类中心随机选择而导致的陷入局部最优的问题，采用具有较强寻优能力和较快收敛速度的woa鲸鱼算法来优化fcm算法聚类过程中的聚类中心选取，不仅能有效应对数据噪声和离群点问题，还能够智能化识别并划分出工业负荷数据中的独特模式类别，无需预设聚类数量，大大提高了处理复杂数据集的能力；从而实现在不牺牲计算效率的前提下，大幅度提高了工业负荷监测的准确性和管理的精细度。

68、经过实验验证，相比于传统的fcm工业负荷聚类方法，本发明中所提方法在性能评估和迭代时间上均有显著优势，具有更好的聚类能力和鲁棒性，能够对电力负荷进行准确、有效的聚类，为实现工业负荷稳态特征提取和分量识别提供了理论指导和数据支撑。