Print

采用深度学习和多维模糊C均值聚类的负荷分类方法

论文摘要

为了对日趋海量的负荷数据进行有效地分类处理,提出一种采用深度学习和多维模糊C均值聚类的负荷分类方法。采用深度学习中的卷积自编码器CAEs堆叠形成深度卷积自编码网络,通过训练实现对输入的典型日负荷曲线集进行特征分层提取和降维处理。计及低维特征序列的数值维度和趋势维度,将数值序列的欧氏距离与趋势序列的改进动态时间弯曲距离相结合为多维相似性距离,作为新的相似性指标,提出一种多维模糊C均值聚类算法,用以对特征序列进行聚类分析。算例分析结果表明,所提出的方法在数据特征提取降维、负荷分类有效性、稳定性及聚类效率等方面具有较大优势,可为需求侧管理项目选择、电价制定、负荷管理优化等提供有效参考。

论文目录

  • 1 基于CAEs的负荷序列深层特征提取
  •   1.1 卷积自编码器
  •   1.2 基于CAEs的负荷序列特征提取
  • 2 MSC-FCM算法
  •   2.1 数值维度的相似性度量
  •   2.2 趋势维度的相似性度量
  •   2.3 多维相似性距离
  •   2.4 基于多维相似性距离的MSC-FCM算法
  • 3 算例分析
  •   3.1 算例与参数设定
  •   3.2 负荷曲线特征提取结果与性能分析
  •     3.2.1 CAEs特征提取误差分析
  •     3.2.2 负荷曲线降维效果对比分析
  •   3.3 聚类结果与分析
  •     3.3.1 负荷聚类结果分析
  •     3.3.2 聚类算法性能对比分析
  •       1)聚类效率分析
  •       2)聚类效果分析
  • 4 结论

    • 文章来源

    类型: 期刊论文

    作者: 石亮缘,周任军,张武军,余虎,李彬,王珑

    关键词: 深度学习,卷积自编码器,多维特征,模糊均值聚类,负荷分类

    来源: 电力系统及其自动化学报 2019年07期

    年度: 2019

    分类: 工程科技Ⅱ辑

    专业: 电力工业

    单位: 湖南省清洁能源与智能电网协同创新中心(长沙理工大学),中国能源建设集团湖南省电力设计院有限公司

    基金: 国家自然科学基金资助项目(71331001,51277016)

    分类号: TM714

    DOI: 10.19635/j.cnki.csu-epsa.000089

    页码: 43-50

    总页数: 8

    文件大小: 1512K

    下载量: 713

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/73ee4bd84e18995d76474191.html