基于改進(jìn)SOM聚類模型的配電網(wǎng)短期負(fù)荷用電行為分析

張斌 徐鵬飛 葛鵬江 靳盤龍

摘 要：建立貝葉斯正則化的SOM聚類模型對配電網(wǎng)短期負(fù)荷用電行為分析，并利用UCI數(shù)據(jù)集對其有效性進(jìn)行了驗(yàn)證，對電網(wǎng)運(yùn)行過程的實(shí)際負(fù)荷進(jìn)行了測試。從寧夏某電網(wǎng)采集負(fù)荷樣本進(jìn)行驗(yàn)證，測試結(jié)果表明，權(quán)重值超過0.6，編號10對應(yīng)的峰時耗電率對于不同日負(fù)荷走勢相似性具有顯著影響。根據(jù)這5項(xiàng)負(fù)荷特性指標(biāo)便可以獲得具有較高準(zhǔn)確率的一日負(fù)荷曲線變化曲線并精確反映出特定點(diǎn)的信息。以SOM神經(jīng)網(wǎng)絡(luò)總共進(jìn)行了5次聚類，雖然每次聚類激活神經(jīng)元存在差異，但都采用相同的分類過程，最終形成了平均準(zhǔn)確率測試結(jié)果。

關(guān)鍵詞：配電網(wǎng);短期負(fù)荷;用電行為;SOM聚類

中圖分類號：TP 2

文獻(xiàn)標(biāo)志碼：A

文章編號：1007-757X（2020）11-0164-04

Abstract：In this paper， the SOM clustering model of Bayesian regularization is established to analyze the short-term load behavior of distribution network. After that， its effectiveness is verified by using UCI data set， and the actual load of power network operation process is tested. Load samples are collected and verified from a power grid in Ningxia Province. The test results showed that the weight value exceeds 0.6， and the peaking power consumption rate corresponding to No.10 has a significant impact on the similarity of load trends in different days. According to these five load characteristic indexes， the change curve of daily load curve with high accuracy can be obtained and it accurately reflects the information of specific points. SOM neural network is used for clustering for a total of 5 times. Although there are differences in the activation of neurons in each cluster， the same classification process is used to form the average accuracy test results.

Key words：distribution network;short-term load;electricity consumption behavior;SOM clustering

0?引言

特征選取通常已被稱作特征降維或變量選擇，該技術(shù)已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域的一類處理特征向量的重要技術(shù)。如果把各個特征量都以相同的權(quán)重來建立聚類模型，則會導(dǎo)致分類結(jié)果出現(xiàn)較大偏差[1-3]。合理選擇特征變量能夠有效降低負(fù)荷建模的訓(xùn)練難度，提升模型的擬合效果，但采用傳統(tǒng)形式的主觀性經(jīng)驗(yàn)分析方法則存在明顯局限性。對數(shù)據(jù)集進(jìn)行聚類分析屬于一種分類過程，其特點(diǎn)是被歸為相同類的數(shù)據(jù)具備較高相似度，從而更好地表現(xiàn)出負(fù)荷特性[4-5]。考慮到電網(wǎng)數(shù)據(jù)具備量大、高維以及類型多樣化的特點(diǎn)，因此必須選擇具備較優(yōu)聚類性能的模型[6-8]。采用傳統(tǒng)形式的數(shù)據(jù)挖掘模型難以實(shí)現(xiàn)可視化功能，限制了對一些深度信息內(nèi)容的挖掘，不能滿足市場的細(xì)化分類，從而無法制定有針對性的營銷方案，因此需要以SOM神經(jīng)網(wǎng)絡(luò)對負(fù)荷數(shù)據(jù)進(jìn)行降維處理再將其映射到二維空間中[9-10]。

為了更加深入地研究電網(wǎng)運(yùn)行過程的負(fù)荷特性，需要構(gòu)建完善的負(fù)荷特性指標(biāo)評價(jià)系統(tǒng)，到目前為止已有許多學(xué)者對這方面開展了深入分析討，對于電網(wǎng)的整體規(guī)劃發(fā)揮了重要作用[11-14]。采用優(yōu)化特征提取方法可以消除主觀盲目性的缺陷，避免受到維數(shù)陷阱的影響，對于聚類分析以及模型預(yù)測過程都起到了促進(jìn)作用[15]。文獻(xiàn)[16]利用消除冗余與去除無關(guān)向量的方法來達(dá)到簡化模型的效果，從而獲得更快的網(wǎng)絡(luò)傳輸速度。本文通過改進(jìn)后的Relief特征優(yōu)選模式來選擇得到和用電模式存在密切關(guān)聯(lián)性的特征向量組成的集合，通過這種方法來建立貝葉斯正則化的SOM聚類模型，之后利用UCI數(shù)據(jù)集對其有效性進(jìn)行了驗(yàn)證，對電網(wǎng)運(yùn)行過程的實(shí)際負(fù)荷進(jìn)行了測試，并分析了不同用戶的用電習(xí)慣。

1?模型算法

1.1?SOM聚類模型

自組織特征映射網(wǎng)絡(luò)（SOM）通常也被稱作Kohonen網(wǎng)絡(luò)，屬于一類無教師競爭的自學(xué)習(xí)網(wǎng)絡(luò)，基本不會受到人為因素的干擾。該網(wǎng)絡(luò)的特點(diǎn)是除了可以利用非線性擬合性能來快速獲得多維數(shù)據(jù)統(tǒng)計(jì)特征以外，還能夠有效保障原先高維數(shù)據(jù)拓?fù)湫裕浞直Ａ艨梢暬呔S信息，非常適合用于挖掘多維電網(wǎng)中的各項(xiàng)數(shù)據(jù)。可以將SOM模型分成輸入層與輸出層共兩個部分，并利用權(quán)重向量來連接兩層神經(jīng)元。現(xiàn)階段，SOM聚類算法被廣泛應(yīng)用在模式分析、數(shù)據(jù)挖掘以及深度學(xué)習(xí)等多個方面。

1.2?貝葉斯權(quán)值調(diào)整

SOM是一種神經(jīng)元聚類方法，使同類樣本較易分散于不同神經(jīng)元中，從而減小了聚類辨識精度，導(dǎo)致聚類效果明顯降低。本文利用正則化分析方法，利用懲罰因子來實(shí)現(xiàn)權(quán)值調(diào)整的過程，由此得到最優(yōu)參數(shù)，有效防止權(quán)值發(fā)生過度擬合的情況，實(shí)現(xiàn)聚類優(yōu)化的目標(biāo)。

本文的負(fù)荷樣本從寧夏某電網(wǎng)進(jìn)行采集得到，構(gòu)建得到由負(fù)荷特征組成的14個列向量，以此反映負(fù)荷的重要特征。驗(yàn)證得到如下結(jié)果。

1） 權(quán)重值超過0.6的特征向量是4、8、10、12、14，其中，編號10對應(yīng)的峰時耗電率對于不同日負(fù)荷走勢相似性具有顯著影響。根據(jù)這5項(xiàng)負(fù)荷特性指標(biāo)便可以獲得具有較高準(zhǔn)確率的一日負(fù)荷曲線變化曲線并精確反映出特定點(diǎn)的信息。

2） 以SOM神經(jīng)網(wǎng)絡(luò)總共進(jìn)行了5次聚類，雖然每次聚類激活神經(jīng)元存在差異，但都采用相同的分類過程，最終形成表4所示的平均準(zhǔn)確率測試結(jié)果。

參考文獻(xiàn)

[1]?徐源， 程潛善， 李陽，等. 基于大數(shù)據(jù)聚類的電力系統(tǒng)中長期負(fù)荷預(yù)測[J]. 電力系統(tǒng)及其自動化學(xué)報(bào)， 2017， 29（8）：43-48.

[2]?雷濤， 呂勇， 馬淑慧. 基于改進(jìn)灰色理論的主動配電網(wǎng)中長期負(fù)荷預(yù)測[J]. 電網(wǎng)與清潔能源， 2016， 32（9）：22-28.

[3]?Khan A R， Mahmood A， Safdar A， et al. Load forecasting， dynamic pricing and DSM in smart grid：A review[J]. Renewable & Sustainable Energy Reviews， 2016 （54）：1311-1322.

[4]?高賜威， 陳曦寒， 陳江華，等. 我國電力需求響應(yīng)的措施與應(yīng)用方法[J]. 電力需求側(cè)管理， 2013， 15（1）：1-4.

[5]?馮曉蒲. 基于實(shí)際負(fù)荷曲線的電力用戶分類技術(shù)研究[D].保定：華北電力大學(xué)， 2011.

[6]?馬瑞， 周謝， 彭舟，等. 考慮氣溫因素的負(fù)荷特性統(tǒng)計(jì)指標(biāo)關(guān)聯(lián)特征數(shù)據(jù)挖掘[J]. 中國電機(jī)工程學(xué)報(bào)， 2015， 35（1）：43-51.

[7]?張斌， 莊池杰， 胡軍，等. 結(jié)合降維技術(shù)的電力負(fù)荷曲線集成聚類算法[J]. 中國電機(jī)工程學(xué)報(bào)， 2015， 35（15）：3741-3749.

[8]?王璨， 馮勤超. 基于價(jià)值評價(jià)的電力用戶分類研究[J]. 價(jià)值工程， 2009， 28（5）：64-67.

[9]?張素香， 趙丙鎮(zhèn)， 王風(fēng)雨，等. 海量數(shù)據(jù)下的電力負(fù)荷短期預(yù)測[J]. 中國電機(jī)工程學(xué)報(bào)， 2015， 35（1）：37-42.

[10]?廖旎煥， 胡智宏， 馬瑩瑩，等. 電力系統(tǒng)短期負(fù)荷預(yù)測方法綜述[J]. 電力系統(tǒng)保護(hù)與控制， 2011， 39（1）：147-152.

[11]?王德文， 孫志偉. 電力用戶側(cè)大數(shù)據(jù)分析與并行負(fù)荷預(yù)測[J]. 中國電機(jī)工程學(xué)報(bào)， 2015， 35（3）：527-537.

[12]?張林， 劉先珊， 陰和俊. 基于時間序列的支持向量機(jī)在負(fù)荷預(yù)測中的應(yīng)用[J]. 電網(wǎng)技術(shù)， 2004， 28（19）：38-41.

[13]?Yadav V， Srinivasan D. A SOM-based hybrid linear-neural model for short-term load forecasting[J]. Neurocomputing， 2011， 74（17）：2874-2885.

[14]?張群洪. 基于集成智能方法的電力短期負(fù)荷預(yù)測[J]. 系統(tǒng)工程理論與實(shí)踐， 2013， 33（2）：354-362.

[15]?Fan S， Hyndman R J. Short-Term Load Forecasting Based on a Semi-Parametric Additive Model[J]. Monash Econometrics & Business Statistics Working Papers， 2010， 27（1）：134-141.

[16]?Hyndman R J， Fan S. Density Forecasting for Long-Term Peak Electricity Demand[J]. Monash Econometrics & Business Statistics Working Papers， 2010， 25（2）：1142-1153.

（收稿日期：2019.09.24）