王琳璘,謝忠局,陳永權(quán),王琦

?

機(jī)器學(xué)習(xí)聚類組合算法及其應(yīng)用

王琳璘1,謝忠局2,陳永權(quán)3*,王琦4

1. 國網(wǎng)能源研究院有限公司, 北京 102209 2. 北京匯通金財(cái)信息科技有限公司, 北京 100031 3. 華北電力大學(xué), 北京 102206 4. 國網(wǎng)國際融資租賃有限公司, 北京 100020

本文首先分析了電力負(fù)荷的特點(diǎn)，并對現(xiàn)有的負(fù)荷特性指標(biāo)做了分類，然后在詳細(xì)分析系統(tǒng)聚類法和K-means聚類算法的基礎(chǔ)上，結(jié)合電力負(fù)荷特性的特點(diǎn)提出了一種基于系統(tǒng)聚類與K-means相結(jié)合的組合分類方法，該方法可以用于電力負(fù)荷特性分類，也可以用于現(xiàn)金流量歷史數(shù)據(jù)的特性分類以及負(fù)荷預(yù)測的數(shù)據(jù)分析。最后，應(yīng)用某產(chǎn)業(yè)園區(qū)電子企業(yè)的日負(fù)荷數(shù)據(jù)對算法做了算例驗(yàn)證，算例結(jié)果表明該方法能夠?qū)τ脩舻呢?fù)荷特點(diǎn)做出較為準(zhǔn)確的判斷。

系統(tǒng)聚類; K-means; 電力用戶; 負(fù)荷分類

電力工業(yè)中，無論是大比例的可再生能源的消納還是對用電能效的管理都需要對負(fù)荷特性做精細(xì)化的分類，并做準(zhǔn)確的判斷。但是，面對群體龐大的電力用戶，是沒有可能對每個(gè)用戶都去分別建立模型，而是需要通過對典型用戶類別的準(zhǔn)確描述，然后用典型用戶類別類推其它用戶，從而類推確定與之同構(gòu)的用戶的綜合負(fù)荷特性[1,2]。本文將機(jī)器學(xué)習(xí)中的系統(tǒng)聚類法和K-means聚類方法按照各自的特點(diǎn)有效的組合在一起，構(gòu)成了新的組合聚類法[3,4]。該方法能夠?qū)﹄娏τ脩舻呢?fù)荷類型進(jìn)行分析，也可以應(yīng)用到電價(jià)制定、負(fù)荷預(yù)測等多項(xiàng)工作中。

1 用戶負(fù)荷特性指標(biāo)

根據(jù)歷史發(fā)展和現(xiàn)狀我國已經(jīng)形成一套負(fù)荷指標(biāo)體系。該指標(biāo)體系包含指標(biāo)有的是曲線型指標(biāo)有的是數(shù)值型指標(biāo)，考慮實(shí)用性本文對指標(biāo)體系分類如表1所示[5,6]。

2 系統(tǒng)聚類法與K-means算法

2.1 系統(tǒng)聚類算法

系統(tǒng)聚類是將多個(gè)樣品分成若干類的方法，其基本思想是：通過選擇類與類之間的最小距離，把距離最近的類合并，直到合并成一類為止，算法步驟如下[7]：

第一步：建立個(gè)自成一類的初始模式樣本，即建立類，1(0),2(0),…,Y(0)。然后計(jì)算類與類之間的距離。

第二步：距離矩陣()已知的條件下，則求()中的最小元素。當(dāng)它是Y()和Y()類之間的距離建立新的分類：1(+1),2(+1),…,l(+1)。

第三步：計(jì)算合并了的新類別的距離，得到(+1)。計(jì)算Y(+1)與其它暫未合并的1(+1),2(+1),…,l(+1)之間的距離，可使用不同的距離計(jì)算方法加以計(jì)算。

第四步：如果還沒有獲得期望的聚類結(jié)果，則重新迭代返回第二步。

總結(jié)來看，系統(tǒng)聚類法最大優(yōu)點(diǎn)是系統(tǒng)自己根據(jù)數(shù)據(jù)之間的距離來自動(dòng)列出類別。

表 1 負(fù)荷特性指標(biāo)分類

2.2 K-means聚類算法

最小最大聚類算法是一種綜合考慮各個(gè)簇之間簇內(nèi)方差值關(guān)系的聚類目標(biāo)函數(shù)，提出在最小化個(gè)簇中的最大簇內(nèi)方差值來進(jìn)行聚類，即將公式（1）聚類最小化，被稱為最小最大聚類方法[8]。

將公式（1）通過迭代的方式，松弛化為公式（2）。

采用拉格朗日乘子法求解，經(jīng)過運(yùn)算可以得到如下的解：

聚類過程就是簇和聚類中心不斷更新的過程。隨著權(quán)重的增加，接近聚類中心的樣本才被劃分到簇中。聚類中心的更新公式為（6）。

由于0<=<1，1/(1-)>0，方差越大則權(quán)重越大。

3 組合算法設(shè)計(jì)

3.1 組合算法構(gòu)建

由于電力負(fù)荷的樣本數(shù)量較大，特征向量維數(shù)較多，若單獨(dú)采用一種聚類方法，效果往往不是很理想。因此為了更客觀準(zhǔn)確的識別樣本類型，提高分類效率，必須找到一種可以適合大樣本、高維度的聚類算法進(jìn)行負(fù)荷特性聚類[9]。觀察各個(gè)聚類算法的特點(diǎn)可以發(fā)現(xiàn)，初始聚類中心的設(shè)置對聚類算法的聚類效果影響很大，導(dǎo)致其結(jié)果不穩(wěn)定，而系統(tǒng)聚類法雖然在處理大樣本時(shí)，重復(fù)性步驟較多，但卻是一種過程簡單、原理直觀，分類快速且無需初始設(shè)定的經(jīng)典聚類算法，同時(shí)傳統(tǒng)聚類算法的聚類結(jié)果容易陷入局部最優(yōu)解，因此本文采用二次組合聚類法對用戶負(fù)荷特性進(jìn)行分類研究，即一次聚類采用系統(tǒng)聚類法對負(fù)荷特性進(jìn)行分類；二次聚類采用最小最大均值聚類算法，聚類中心由初次系統(tǒng)聚類結(jié)果提供[10]。既可避免傳統(tǒng)聚類算法對初始參數(shù)的敏感性，又能取得分類準(zhǔn)確客觀的聚類效果，圖1為組合聚類算法流程圖。

圖 1 機(jī)器學(xué)習(xí)聚類組合算法流圖

3.2 機(jī)器學(xué)習(xí)聚類組合算法程序流程

本文提出的機(jī)器學(xué)習(xí)聚類組合算法的執(zhí)行分為三部分，第一部分負(fù)責(zé)數(shù)據(jù)導(dǎo)入、預(yù)處理以及特征向量提取，第二部分為改進(jìn)的組合聚類算法執(zhí)行，第三部分顯示聚類效果，提取聚類結(jié)果中的特殊數(shù)據(jù)組[11,12]。執(zhí)行流程如圖2所示。

圖 2 簡化的程序流程圖

4 算例分析

本算例選取某工業(yè)園區(qū)中的某電子元件制造企業(yè)進(jìn)行每日負(fù)荷數(shù)據(jù)的組合聚類分析。選取某電子元件制造企業(yè)2010年4月及6~9月的每日24點(diǎn)負(fù)荷數(shù)據(jù)作為聚類的特征向量，一共152組數(shù)據(jù)，剔除非正常數(shù)據(jù)后剩余130組，分為6類，且提取出三組特殊數(shù)據(jù)[13,14]。聚類結(jié)果分為見下圖所示。

圖 3 某電子元件制造企業(yè)負(fù)荷聚類

從圖中可以看出，負(fù)荷曲線出現(xiàn)三個(gè)高峰值，分別在2點(diǎn)，8~11點(diǎn)和14~16點(diǎn)，有一部分為迎峰負(fù)荷。分別分析各類別情況可以看出，第一類和第二類比較特殊，屬于減產(chǎn)和停產(chǎn)的情況，其他幾類負(fù)荷曲線的形態(tài)類似。分析高峰負(fù)荷可以看出，負(fù)荷最高達(dá)到1200 kW，最低在800 kW，大致穩(wěn)定在1000 kW，且和季節(jié)沒有太大的關(guān)聯(lián)，初步分析得知，高峰時(shí)可以通過減產(chǎn)等措施降下200~300 kW的負(fù)荷量。

算例結(jié)果表明該方法能夠?qū)崿F(xiàn)通過掌握和分析電力系統(tǒng)中的負(fù)荷構(gòu)成，達(dá)到引導(dǎo)電力用戶選擇合理的用電時(shí)間，或采用合理的蓄能方式，達(dá)到移峰填谷、高效利用電能的作用?？梢娫摻M合聚類法對于進(jìn)行負(fù)荷特性聚類研究，具有非常重要的理論和實(shí)踐意義。

[1] 楊浩,張磊,何潛,等.基于自適應(yīng)模糊Ｃ均值算法的電為負(fù)荷分類研究[J].電力系統(tǒng)保護(hù)與控制,2010,38(16):111-115

[2] 劉莉,王剛,霍登輝.K-means聚類算法在負(fù)荷曲線分類中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制,2011,39(23):65-68,73

[3] 劉自發(fā),龐錯(cuò)鏡,王澤黎,等.基于云理論和元胞自動(dòng)機(jī)理論的城市配電網(wǎng)空間負(fù)荷預(yù)測[J].中國電機(jī)工程學(xué)報(bào),2013,33(10):98-105.

[4] 彭顯剛,賴家文,陳奕.基于聚類分析的客戶用電模式智能識別方法[J].電為系統(tǒng)保護(hù)與控制,2014,42(19):68-73

[5] 肖白,憂鵬,穆鋼,等.基于多級聚類分析和支持向量機(jī)的空間負(fù)荷預(yù)測方法[J].電力系統(tǒng)自動(dòng)化,2015,39(12):56-61

[6] 蒲天驕,陳乃仕,王曉輝,等.主動(dòng)配電網(wǎng)多源協(xié)同優(yōu)化調(diào)度架構(gòu)分析及應(yīng)用設(shè)計(jì)[J].電力系統(tǒng)自動(dòng)化,2016,40(1):17-23

[7] 馮明燦,謝寧,王承民,等.考慮瞬時(shí)性峰值負(fù)荷特性的配電網(wǎng)可靠性規(guī)劃[J].電網(wǎng)技術(shù),2015,39(3):757-762

[8] 鄧海,覃華,孫欣.一種優(yōu)化初始中成、K-means聚類算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2013(11):42-45

[9] 劉思,傅旭華,葉承晉,等.考慮地域差異的配電網(wǎng)空間負(fù)荷聚類及一體化研究方法機(jī)[J].電力系統(tǒng)白動(dòng)化,2017,41(3):70-75

[10] 劉思,傅旭華,葉承晉,等.基于聚類分析和非參數(shù)核密度估計(jì)的空間負(fù)荷分布規(guī)律研究[J].電網(wǎng)技術(shù),2017,41(2):604-609

[11] 李知藝,丁劍鷹,吳迪,等.電力負(fù)荷區(qū)間預(yù)測的集成極限學(xué)習(xí)機(jī)方法[J].華北電力大學(xué)學(xué)報(bào),2014,41(2):79-87

[12] 符楊,朱蘭,曹家麟.基于模糊貼近度理論的負(fù)荷密度指標(biāo)求取新方法[J].電力系統(tǒng)自動(dòng)化,2007,31(19):46-49

[13] 黃宇騰,侯芳,周勤,等.一種面向需求側(cè)管理的用戶負(fù)荷形態(tài)組合分析方法[J].電力系統(tǒng)保護(hù)與控制,2013,41(13):20-25

[14] 韓家煒.數(shù)據(jù)挖掘:概念與技術(shù)[M].范明,譯.北京:機(jī)械工業(yè)出版社,2012:299-301

A Machine Learning Combination Clustering Algorithm and Its Application

WANG Lin-lin1, XIE Zhong-ju2, CHEN Yong-quan3*, WANG Qi4

1.2.100031,3.102206,4.100020,

The characteristics of power load first analyzed and the load characteristics indexes were made a classification in this paper. Then based on a detailed analysis of system clustering method and K-means clustering algorithm, combined with the characteristics of the load characteristics of power system was proposed. This method can be applied to the classification of power load characteristics, as well as the classification of cash flow historical data and data analysis of load forecasting. Finally, the daily load data of a certain electronic enterprise as example to validate the algorithm, the results show that the method can make more accurate judgments in load characteristics of users.

System clustering; K-means clustering; power enterprise; load classification

TP181

A

1000-2324(2018)03-0463-04

2017-02-13

2017-03-20

國家電網(wǎng)公司總部科技項(xiàng)目:改革背景下國家電網(wǎng)公司現(xiàn)金流管理關(guān)鍵技術(shù)研究(sdw20170101)

王琳璘(1983-),女,碩士,副所長,主要研究方向?yàn)榻鹑诜较? E-mail:wanglinlin16@126.com

Author for correspondence. E-mail:yqc@vip.163.com