一种表后净负荷特征提取方法、装置、设备及介质

本发明属于电网运行管理领域，具体涉及一种表后净负荷特征提取方法。

背景技术：

1、随着新质生产力的持续深化，超高比例的光伏发电、风力发电、储能、充电桩、可控可中断负荷等构成的微网，已成为新型主动配电网双向调控的基本单元。然而，这些设备均安装于建筑智能电表之后(简称表后)，仅将净负荷数据上传至智能电表。由于该微网内风光火储荷等多元异构、比例不均、特性迥异，因此准确把握表后净负荷画像及运行边界对于掌握建筑微网负荷时序特征规律、提前规划台区错峰调控、电网与微网双向动态精准协调、微网内各单元调控等具有重要意义和价值。

2、聚类分析是提取负荷特征的有效手段，但目前负荷聚类研究涉及两个关键问题，一是如何给定初始聚类中心以得到最优聚类结果，二是如何确定该数据集的聚类数。针对该两个关键问题，国内外专家学者开展了深度研究，目前一些研究中提出了一些方法或算法，如聚类分析的双层迭代方法、模糊c均值聚类算法、改进遗传算法的搜索聚类中心方法、基于优化特征向量选取的遗传谱聚类算法获取负荷聚类特征、灰狼算法实现聚类中心搜索、基于近邻传播算法的负荷聚类方法、模糊聚类的用户负荷分类方法等方法、传统k-means随机给定对于噪声异常值敏感的初始聚类中心、基于mrmr准则选择典型负荷，并采用距离相似性进行聚类分析、优化蚁狮算法作为模糊c均值算法的初始聚类中心、针对k-means提出了萤火虫光亮强度的初始聚类中心搜索算法、k-shape负荷时间序列聚类算法、引入曼哈顿距离的谱聚类算法实现高维负荷聚类、标签优化非对称卷积自编码的高维负荷深度聚类方法、针对高斯混合模型聚类计算复杂、收敛慢和认为确定聚类数等问题，提出k均值确定初始聚类中心的负荷聚类、采用密度空间聚类算法和双层k-means实现负荷时空聚类，并以此进行负荷预测、改进密度峰值聚类算法以解决典型负荷曲线非凸聚类识别的参数敏感问题。

3、但这些算法或方法存在如下问题：（1）聚类数无法自适应确定，需人为预设或依赖单一指标；（2）初始质心选取缺乏全局优化，随机性强或依赖单一搜索算法，易陷入局部最优；（3）特征刻画能力不足，未考虑净负荷不同时段差异化特征对聚类距离的影响。

技术实现思路

1、针对现有技术的以上缺陷或改进需求中的或者多种，本发明提供了一种表后净负荷特征提取方法，具有自适应特征提取的优点。

2、为实现上述目的，本发明提供一种表后净负荷特征提取方法，包括，

3、s1、获取表后时序负荷数据，对所述表后时序负荷数据进行异常值剔除、时间序列重采样后构建日净负荷样本曲线，随后对各日净负荷曲线进行平滑处理及归一化；

4、s2、对所述日净负荷曲线上的所有样本进行方差计算，对方差的各时间维度进行归一化计算，得到权重系数，然后基于权重系数对特征空间进行加权重构，得到加权后的特征空间；

5、s3、基于加权后的特征空间的欧式距离，对聚类数k进行轮廓系数计算、ch值计算及dbi指数计算，再通过多数投票与加权评分相配合的两阶段决策机制，实现最优聚类数或聚类数范围的多指标融合自适应确定；

6、s4、基于最优聚类数或聚类数范围，采用k-means++算法选择初始质心，并用改进的萤火虫算法对选择的初始质心进行优化；

7、s5、结合最优聚类数或聚类数范围以及优化后的初始质心，进行k-means聚类运算，最终输出建筑表后净负荷的聚类特征提取结果。

8、作为本发明的一种改进，所述s2的计算步骤为，设经过平滑处理和形状归一化后的负荷特征矩阵：

9、

10、表示时序负荷总数，即有n条日净负荷曲线，表示时序负荷采样点数，条时序负荷曲线在第个时间维度的归一化值；

11、对每一个时间维度，计算在所有样本上的方差：

12、

13、式中，代表各时间维度方差，代表第时刻的值，具体为：

14、

15、对各时间维度方差进行归一化处理，得到权重系数：

16、

17、式中，代表时刻的维度方差，

18、采用平方根加权映射策略对特征空间进行重构：

19、

20、为重构后的样本。

21、作为本发明的一种改进，所述s3中的两阶段决策机制具体为：依据轮廓系数越大越优、ch指数越大越优、dbi指数越小越优这三个指标对应的最佳聚类数，确定最终聚类数或范围；所述轮廓系数取值范围为0-1,轮廓系数的计算公式:

22、

23、为聚类内相似度，为聚类间相似度；

24、所述ch指数的计算公式：

25、

26、其中，表示类间离差平方和，表示类内离差平方和，表示样本数，为聚类数；

27、所述dbi指数的计算公式为：

28、

29、式中，代表第类的类内平均距离；代表第类的类内平均距离；代表第类与第类的中心距离；

30、所述s4中k-means++策略选取初始聚类中心的具体方法为：从数据集中任意选取一个样本作为第一个聚类中心，计算数据集中每个数据点到最接近的质心的距离；按照与成正比的概率选择下一个聚类中心，重复上述计算与选择步骤，直至选中个中心点；所述表达式为

31、

32、式中，是已选择的质心集合，是点到质心的距离；

33、选择下一个类聚中心时，选择数据点作为新聚类质心的概率为：

34、

35、是点与所属质心的距离；是所有数据点与其最近中心距离平方的总和。

36、作为本发明的一种改进，所述s4中，改进的萤火虫算法包括：引入指数衰减策略对步长进行动态调节、在萤火虫位置更新时加入lévyflight扰动以保证大部分时候小范围精细化搜索，而在少数情况下大步长跳跃、引入动态吸引度因子以适应各个搜索阶段的变化。

37、作为本发明的一种改进，步长动态调节式为：

38、

39、式中，为初始步长，为终止步长，为当前迭代次数，为最大迭代次数。

40、作为本发明的一种改进，设lévyflight扰动产生的随机步长记为，则lévyflight扰动项可表示为：

41、

42、表示各维特征的取值范围。

43、作为本发明的一种改进，所述动态吸引度因子计算方法为：

44、

45、式中，表示从样本中随机抽取若干点后计算得到的欧氏距离中位数，；

46、改进的萤火虫算法的位置更新公式表示为：

47、

48、式中，为个体下一时刻位置，表示个体当前位置，表示个体在动态吸引作用下向更优个体靠近。

49、一种表后净负荷特征提取装置，包括，

50、曲线构建单元，用于获取表后时序负荷数据，对所述表后时序负荷数据进行异常值剔除、时间序列重采样后构建日净负荷样本曲线，随后对各日净负荷曲线进行平滑处理及归一化；

51、加权重构单元，用于对所述日净负荷曲线上的所有样本进行方差计算，对方差的各时间维度进行归一化计算，得到权重系数，然后基于权重系数对特征空间进行加权重构，得到加权后的特征空间；

52、自适应确定单元，用于基于加权后的特征空间的欧式距离，对聚类数k进行轮廓系数计算、ch值计算及dbi指数计算，再通过多数投票与加权评分相配合的两阶段决策机制，实现最优聚类数或聚类数范围的多指标融合自适应确定；

53、初始质心选择单元，用于基于最优聚类数或聚类数范围，采用k-means++算法选择初始质心，并用改进的萤火虫算法对选择的初始质心进行优化；

54、聚类特征提取单元，用于结合所述最优聚类数或聚类数范围以及优化后的初始质心，进行k-means聚类运算，最终输出建筑表后净负荷的聚类特征提取结果。

55、一种表后净负荷特征提取设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如所述的表后净负荷特征提取方法。

56、一种计算机可读存储介质，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上述所述的表后净负荷特征提取方法。

57、总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有的有益效果包括：

58、本发明的一种表后净负荷特征提取方法，

59、1)针对净负荷规律性较弱，提出特征加权赋权净负荷曲线精细化时段的波动差异，以提升负荷时许细节特征刻画。

60、2)针对轮廓系数、ch指数、dbi指数三个聚类有效性指标单一评价不准确问题，提出多数投票与加权评分相配合自适应地确定出最优的值，避免单一指标、人为设定聚类数目造成的主观偏差。

61、3)提出初始质心两阶段优化策略，第一阶段用k-means策略产生不同的初始聚类中心，第二阶段用改进的萤火虫算法对初始质心做全局寻优和精细调整，以克服传统k-means对于初始质心敏感、容易陷入局部最优的缺点。