基于卷积自编码器的日负荷深度嵌入聚类方法

• 作者: 黄冬梅 林孝镶 胡安铎 孙锦中
• 来源期刊: 电力建设
• 学科: 工学
• 关键词: 负荷聚类 卷积自编码器(CAE) 深度嵌入聚类方法(DEC) 时序特征提取
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 智能电网
• 页码范围: 132-138
• 页数: 7页
• 分类号: TM73
• 语种: 中文
• DOI: 10.12204/j.issn.1000-7229.2021.01.015

摘要

负荷聚类是电力大数据分析的重要基础.针对高维日负荷数据时序特征提取困难,以及特征提取与聚类处理分离降低负荷聚类准确性的问题,文章提出了一种基于一维卷积自编码器的日负荷深度嵌入聚类方法(deep embedding clustering method based on one dimensional convolutional auto-encoder,DEC-1D-CAE).首先,采用一维卷积自编码器网络提取负荷曲线蕴含的时序特征.然后,利用自定义聚类层对所提取的负荷特征向量进行软划分.最后,采用KL散度(Kullback-Leibler divergence,KLD)为损失函数,联合优化卷积自编码器与聚类层,得到聚类结果.算例分析表明所提方法在DBI(Davies-Bouldin index)、CHI(Calinski-Harabasz index)指标上均优于K-means、1D-CAE + K-means、基于堆叠式编码器的深度嵌入聚类方法(deep embedding clustering method based on stacked auto-encoder,DEC-SAE),所提方法可以有效提升日负荷聚类的准确性.