基于SOM神经网络的公变用户日负荷特征曲线提取分析.pdfVIP

2014年第33期（总第328期） 基于SOM神经网络的公变用户日负荷特征曲线提取分析 钟小强  陈  程  董  雨  李春生  徐冬冬1 2 2 3 2 （1.国网福建省电力公司，福建 福州 350000；2.中国科学技术大学管理学院，安徽 合肥 230000； 3.中国科学技术大学计算机科学与技术学院，安徽 合肥 230000） 摘要：基于电力负荷特性分析，电力公司能够为用户提供更好的服务。以前的分析不能很好地表达用户的用电负荷特性，因此，采用 SOM神经网络聚类方法来解决这个问题。先对获取的数据进行归一化处理，然后采用MATLAB仿真输出可视化聚类结果，最后得到了 一个详细的分析结果。根据SOM神经网络显示的结果，不同类型公变用户的用电行为是有差异的，因此有一个很好的聚类效果。 关键词：SOM神经网络；负荷特性曲线；聚类分析 中图分类号：TM7          文献标识码 ：A          文章编号：1007-0079（2014）33-0204-03 在国家提出建设坚强智能电网的背景下，提高电力营销服 来达到聚类的目的。主要功能是将输入的高维空间数据映射到 务水平和智能用电技术已成为电网企业关注的焦点。电力营销 一个较低的维度，通常是一维或者二维输出，同时保持数据原 服务水平与智能用电技术的提升离不开在对电力用户用电行为 有的拓扑逻辑关系。 特征的准确、全面、及时地掌握，而从海量负荷数据中提取用户 SOM神经网络由输入层和输出层两层组成，输入层中的每 日负荷特征曲线并进行深入分析成为研究用户用电行为特征的 一个神经元通过权与输出层中的每一个神经元相连，如图1所 一种有效方式。 示。输入层的神经元以一维的形式排列，输入神经元的个数由 从研究对象层面来看，以往相关研究侧重专线用户（负荷 输入矢量中的分量个数决定，输出层的神经元一般以一维或者 数据来源为SCADA系统）和专变用户，并以传统意义上的行业 二维的形式排列，计输入层的神经元数量为m ，输出层神经元 c n i 分类作为提取负荷特征曲线时聚类的依据。从研究方法层面来 数量为 。输入的样本总数为 ，第 个输入样本用矢量表示为 看，电力用户日负荷特征曲线的提取多使用聚类算法，主要有统 p (i ) (p (i ,1), p (i , 2), , p (i , m) ) ，每个输出神经元的输出值记 计方法、机器学习方法、人工神经网络方法和面向数据库的方 j 为 C( j) ，j 1, 2, ,c 。与第 个输出神经元相连的权用矢量表 法。人工神经网络因具有大规模的并行协同处理能力、较强的 示为： w( j) (w( j,1), w( j, 2), , w( j, m) ) 。 容错能力、联想能力、学习能力和自适应能力，故能够较好地适 输入矩阵 输入层 输出层 列 个神经单元 个神经元 m m c 应海量数据背景下的数据挖掘。应用较多的典型的神经网络模 [