面向需求侧管理的负荷特性聚类分析研究.docVIP

改进型模糊C均值聚类算法的电力负荷特性分类技术研究 刘永光1，孙超亮牛贞贞赵国生 （郑州大学 电气工程学院，郑州 450001） 摘要：模糊C均值聚类算法（FCM）是目前应用较多的电力负荷分类算法，但FCM算法存在着对初始聚类中心敏感及需要人为确定聚类数目的问题，针对这个问题，本文提出了先采用一种快速算法来确定负荷聚类数目和聚类中心，将得到的聚类中心和聚类数目作为FCM的初始输入，再用FCM对负荷进行分类的改进型FCM分类方法，以此减少聚类数目较多时大量的人工参与及分析工作，并通过实际算例分析验证了所提出的分类方法的正确性。 关键词：负荷聚类；FCM；负荷特性；日负荷曲线 中图分类号：TM714 文献标识码：B 文章编号：1001-1390（201）00-0000-00 Power Load Characteristic Classification Technology LIU Yong-guang1, SUN Chao-liang1, NIU Zhen-zhen2, ZHAO Guo-sheng2 (1.Henan Xu Ji instrument co., LTD, Xuchang 461000, Henan, China. 2.School of Electrical Engineering, Zhengzhou University, Zhengzhou 450001,China) Abstract：Fuzzy C-means Clustering is the generalload classification algorithm at present. FCM algorithm, however, is sensitive to the initial clustering center and cannot automatically determine the clustering number. In order to solve such problem, a modified FCM clustering method has been proposed in this paper, which will utilize a fast algorithm to determine the clustering center curve and clustering number. The computer result is treated as the initial input of FCM, then FCM algorithm will be used to classify the power load. The modified FCM clustering method will be able to greatly reduce the manual handling works. The practical examples will verify the correctness of the proposed clustering method. Key words：load clustering, FCM, load characteristic, daily load curve. 0 引 言 电力负荷分类是电力需求侧管理（Demand Side Management，DSM）[1]和电网规划的重要组成部分，精细化的电力负荷分类有助于供电部门有效地掌握用户的负荷特性，制定合理的电价政策[2]，通过削峰填谷手段实现负荷曲线的整形[3-5]，可以激励用户积极参与到用户需求侧管理系统中去，同时精细化的负荷分类对指导电网滚动规划、实时调度及运行规划可靠性评估等方面具有重要意义。 传统的基于用电行业特性划分、基于负荷用电等级划分以及基于目录电价划分的负荷分类方法并不能满足需求侧管理系统的需要，基于负荷特性分类的负荷分类方法受到了越来越多学者的青睐，成了当前负荷分类的主要方法。 目前的基于负荷特性分类的方法很多，比较流行的有K-means、层次聚类、模糊C均值聚类算法（FCM）、高斯混合模型聚类（GMM）、自组织特征映射神经网络（SOM）、支持向量机（SVM）、极端学习机（ELM）等，同时还有一些在这些算法的基础上进行改进的算法[6-8]。其中模糊C均值聚类算法在运行时间、准确度、稳定性及聚类效果等方面均表现较好，但是FCM也有一些缺点，该算法对初始聚类中心比较敏感且需要人为确定聚类数目，容易陷入局部最优[9-12]。针对FCM的缺点，本文提出了利用日负荷曲线数据作为样本，通过采用一种快速算法来确定负荷聚类数目和聚类中心，将得到的聚类中心和聚类数目