基于SOM神经网络公变用户日负荷特征曲线提取分析.docVIP

基于SOM神经网络公变用户日负荷特征曲线提取分析 　　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种有效方式。 　　从研究对象层面来看，以往相关研究侧重专线用户（负荷数据来源为SCADA系统）和专变用户，并以传统意义上的行业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型包括BP网络、Hopfield网络、ART网络和Kohonen网络。[1-3]BP网络属于有监督学习的神经网络，需要提供聚类对象类别数量的先验知识，而公变用户缺乏传统意义上类似专变用户的行业分类，故不适合采用BP网络。Hopfield网络、ART网络和Kohonen网络都属于无监督学习的神经网络，在解决聚类问题上有其各自的优缺点。 　　本文提出采用SOM神经网络[4-6]聚类算法提取公变用户日负荷特征曲线，用MATLAB软件进行仿真，输出可视化聚类结果，并对聚类结果进行分析，验证了采用SOM神经网络聚类算法提取出的公变用户日负荷特征曲线能够较好地显示不同类型公变用户用电行为特征上的差异，具备良好的聚类效果，同时为电网企业优化电力营销服务提供参考和指导。 　　一、SOM神经网络 　　SOM（Self-Organizing Map，自组织映射）神经网络是较为广泛应用于聚类的神经网络。它是由Cohonen提出的一种无监督学习的竞争型神经网络模型，通过不断缩小获胜神经元的邻域来达到聚类的目的。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，同时保持数据原有的拓扑逻辑关系。 　　SOM神经网络由输入层和输出层两层组成，输入层中的每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，输出层神经元数量为c。输入的样本总数为n，第i个输入样本用矢量表示为，每个输出神经元的输出值记为，。与第j个输出神经元相连的权用矢量表示为：。 　　Kohonen算法是无教师示教的聚类方法，它能将任意维输入模式在输入层映射成一维或二维离散图形，并保持其拓扑结构不变，即在无教师示教的情况下，通过对输入模式的自组织学习，在输出层将聚类结果表示出来。此外，网络通过对输入模式的反复学习，可以使连接权矢量空间分布密度与输入模式的概率分布趋于一致，即连接权矢量空间分布能反映输入模式的统计特性。该算法往往在完成极高维数、超大量数据和高度非线性问题的聚类，模式表征和数据压缩，分类等任务时是一个很有效、很简便，且快速、稳健、泛化性好的算法。 　　Kohonen的学习算法如下： 　　（1）初始化：将整个输入向量存储在矩阵p中，对权值w进行初始化，权值向量的每一维的取值范围同输入向量每一维的取值范围。 　　（2）选择一个输入向量，提供给网络输入层。 　　（3）按照下式计算输出层每一个神经元 j 的权值与输入向量之差：，其中，。 　　（4）按照“胜者为王”的原则，对每一个神经元j，以minDist中的最小值所对应的神经元 k作为胜者，对它和它的邻域内的神经元的权值进行调整，假设当前处于学习的第l步，权值的修正按照下式进行： 　　其中，lr表示学习速率，br表示邻域调整率;表示获胜神经元的邻域，即：。 　　（5）选择另一个输入向量，返回（3），直到所有的输入向量全部提供给网络。 　　（6）返回（2），直到达到最大训练步数。 　　二、MATLAB仿真算例 　　1.MATLAB仿真实现 　　对于日负荷特