基于Kernel K-means的負荷曲線聚類

趙文清，龔亞強

（華北電力大學 控制與計算機工程學院，河北 保定 071003）

0 引言

電力負荷曲線聚類是配用電大數據挖掘的基礎［1］。負荷曲線聚類一直是電力負荷預測、分時電價、錯峰管理、系統規劃的基礎，通過負荷分類和負荷特性分析，對于掌握電力負荷的變化規律和發展趨勢具有重大意義。高效的負荷聚類方法能為電力規劃、錯峰管理等提供可靠的依據和準確的指導［2］。因此，研究準確的負荷曲線聚類具有重要意義。

電力負荷曲線的聚類分析，實際上就是衡量不同負荷曲線的相似性，以及把負荷曲線分類到不同的簇中。這就需要根據負荷特性進行準確、科學分類，以確保在同一類中的負荷曲線具有相同或相似的負荷特性，進而合理地確定典型負荷曲線的歸類。在良好分類的基礎上，可以進一步提高負荷預測精度、降低負荷管理的難度。聚類的結果要滿足類內具有較高的緊密性，類間具有較高的分離性，體現出不同類型用戶之間的負荷特性差異［3］。

目前的電力負荷曲線聚類的方法很多，比較流行的有 K-means 聚類［4］、小波分析［5］、模糊 C 均值聚類算法（FCM）［6］、集成聚類算法［1］、自組織特征映射神經網絡（SOM）［7］、極端學習機（ELM）［8］、云模型［9］等，同時還有一些在這些算法的基礎上進行改進的算法。

由于智能電網技術的快速發展，各種先進的檢測裝置和計量設備在配電網中取得了廣泛的應用。對負荷的檢測的時間越來越短，導致負荷數據的維數大幅提高，加大了負荷曲線聚類的難度。……