基于改进模糊聚类的终端侧负荷辨识方法、介质及系统与流程

1.本发明涉及负荷辨识技术领域，尤其涉及一种基于改进模糊聚类的终端侧负荷辨识方法、介质及系统。


背景技术：

2.电力系统的负荷数据是阐释社会活动中各类型用电情况及发展趋势的重要科学依据，同时也是研究分析经济发展趋势与电力系统各部门生产趋势之间的关系的重要依据。随着近些年电力市场的广泛发展，供电侧及电力需求侧工作的普遍应用，电力系统的负荷辨识已成为电力规划、定制电价、系统趋势、负荷建模等工作的基础性研究内容。因此，对负荷辨识技术的分析研究，可进一步提升电力体系的整体管理水平，便于研究用电客户的负荷长期趋势，对供电侧的科学管理及运营工作具有重要意义。
3.聚类算法是图像识别、数据挖掘等人工智能领域的关键技术之一，有着极为广泛的应用价值。随着大数据时代的到来，产生了大量不一致数据、混合类型数据和部分值缺失的数据等而传统聚类算法如模糊c均值聚类算法、k均值算法对初始聚类中心和畸变数据敏感，在大规模数据下容易产生聚类一致性，这样的聚类结果就造成了划分类别结果判断不清的现象。


技术实现要素：

4.本发明实施例提供一种基于改进模糊聚类的终端侧负荷辨识方法、介质及系统，以解决现有技术的负荷辨识划分类别结果判断不清的问题。
5.第一方面，提供一种基于改进模糊聚类的终端侧负荷辨识方法，包括：
6.采用变分模态分解算法对获取的终端侧的负荷信号进行分解重构，得到所述负荷信号的本征模态分量；
7.采用改进概率模糊c均值聚类算法对所述负荷信号的本征模态分量进行负荷辨识，得到负荷信号对应的负荷类型。
8.第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的基于改进模糊聚类的终端侧负荷辨识方法。
9.第三方面，提供一种基于改进模糊聚类的终端侧负荷辨识系统，包括：如上述第二方面实施例所述的计算机可读存储介质。
10.这样，本发明实施例，采用vmd算法抑制负荷的噪声和干扰，对相近负荷的特征频率进行有效分离，在处理包含噪声干扰等不良数据时，表现出良好的鲁棒性，采用改进pfcm算法克服对畸变数据的敏感性，并且降低运算量，提高聚类有效性，提升负荷辨识的准确性，对负荷辨识研究具有一定的指导意义。
附图说明
11.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
12.图1是本发明实施例的基于改进模糊聚类的终端侧负荷辨识方法的流程图；
13.图2是变分模态分解算法的流程图；
14.图3是改进概率模糊c均值聚类算法的流程图；
15.图4是本发明实施例的计算机可读存储介质的示意框图；
16.图5是本发明实施例的基于改进模糊聚类的终端侧负荷辨识系统的结构框图。
具体实施方式
17.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
18.本发明实施例公开了一种基于改进模糊聚类的终端侧负荷辨识方法。如图1所示，本发明实施例的方法包括如下的步骤：
19.步骤s101：采用变分模态分解算法对获取的终端侧的负荷信号进行分解重构，得到负荷信号的本征模态分量。
20.终端侧可以是家电设备侧，则终端为各种家电设备，例如，空调、电视机等等。
21.具体的，如图2所示，该步骤包括如下的过程：
22.1、假设将负荷信号分解为若干阶本征模态分量。
23.2、对于各阶本征模态分量，通过希尔伯特hilber变换得到各阶本征模态分量的解析信号。
24.k阶本征模态分量的解析信号通过下式表示：
[0025][0026]
其中，uk表示第k阶本征模态分量，即{u1,u2,...,uk}，δ(t)表示脉冲函数，t表示采样时间。
[0027]
3、向解析信号中引入指数算子，调整对应的中心频率，使各阶本征模态分量的频谱被调制到对应的基频带上后，通过高斯平滑指标估算出各阶本征模态分量的频带宽度，得到约束变分函数。
[0028]
具体的，向解析信号中引入指数算子，如下式所示：
[0029][0030]
其中，ωk表示第k阶本征模态分量对应的中心频率，即{ω1,ω2,...,ωk}。
[0031]
约束变分函数包括：
[0032][0033]
其中，表示求偏导符号，f表示负荷信号。
[0034]
4、通过引入lagrange函数使约束变分函数转换为非约束变分函数。
[0035]
具体的，非约束变分函数如下式所示：
[0036][0037]
其中，λ表示lagrang算子，其可增加约束条件严格性；α表示惩罚因子，其可增加信号重构的准确性。
[0038]
5、通过乘法算子交替方向法求解非约束变分函数，不断迭代更新本征模态分量和对应的中心频率，直到满足迭代停止条件。
[0039]
为解决上述变分问题，利用乘法算子交替方向法来交替寻找及λ
n+1
，从而来求解上述lagrange函数的鞍点，即上式所示的约束变分最优解。
[0040]
其中，第k阶模态imf分量uk、中心频率ωk及lagrange算子λ的迭代更新算式分别表示如下：
[0041][0042][0043][0044]
其中，表示当前的剩余量维纳滤波后的结果，表示本征模态分量对应的中心频率，表示本征模态分量的傅里叶变换结果，其傅里叶逆变换的实部通过本征模态分量的时域形式{uk(t)}表示，和分别表示lagrang算子的第n次和第n+1次傅里叶变换结果，τ表示噪声容限，在有强背景噪声情况下一般取0可以得到较好的去噪效果，表示负荷信号的傅里叶变换结果，ω表示一阶本征模态分量对应的中心频率。
[0045]
求解约束变分问题时，k阶本征模态分量的中心频率和频带宽度逐渐自适应更新，
对相近负荷的特征频率进行有效分离，重构终端侧负荷数据，有效地解决了信号的模态混叠问题。
[0046]
步骤s102：采用改进概率模糊c均值聚类算法对负荷信号的本征模态分量进行负荷辨识，得到负荷信号对应的负荷类型。
[0047]
具体的，该步骤包括如下的过程：
[0048]
1、将协方差矩阵引入pcm算法后与fcm算法结合，建立改进概率模糊c均值聚类算法的目标函数。
[0049]
在pcm(possibilistic c-means clustering，可能性c均值聚类)算法中引入用以描述数据矩阵的紧密程度，能提高聚类有效性的协方差矩阵，从而将pcm算法改进，改进后的pcm算法可记为：
[0050][0051]
其中，c表示聚类数量，n表示样本数量，样本为本征模态分量，m表示模糊加权数，d
ij
表示样本xj到聚类中心vi的欧氏距离，t
ij
表示样本典型值，σ2表示协方差矩阵，1≤i≤c，1≤j≤n。
[0052]
具体的，协方差矩阵为：
[0053][0054]
其中，表示样本向量平均值，
[0055]
为了克服改进后的pcm算法具有一致性和fcm(fuzzy c-means，模糊c均值)算法对畸变数据敏感性这些缺点，并且降低运算成本，将上述改进后的pcm算法和fcm算法相结合得到改进概率模糊c均值聚类算法(pfcm)的目标函数j
m,p
(u,t,v)，具体如下：
[0056][0057]
其中，u
ij
表示第j个样本棣属于第i类聚类的隶属度，a、b、p均表示预设参数。
[0058]
具体的，模糊隶属度矩阵为：
[0059][0060]
其中，γ表示迭代次数，d
kj
表示样本xj到聚类中心vk的欧氏距离。
[0061]
具体的，样本典型值为：
[0062]
[0063]
具体的，类中心矩阵为：
[0064][0065]
2、将负荷信号的本征模态分量输入目标函数进行迭代计算，直到目标函数收敛到最小，得到负荷信号对应的负荷类型。
[0066]
如图3所示，设置相关参数，包括：最优聚类数，聚类中心、模糊加权数、最大迭代次数。输入xj，计算样本的协方差矩阵、模糊隶属度矩阵、样本典型值、类中心矩阵，不断迭代，直到计算得到j
m,p
(u,t,v)收敛到最小值，作为负荷信号对应的负荷类型。负荷类型包括：固定负荷、变动负荷和意外负荷。
[0067]
优选的，步骤s101之前，本发明实施例对采集的原始数据进行预处理，从而可减少畸变数据带来的不良影响，具体过程如下：
[0068]
1、在目标时间段内的每一采样时间采集场景中包括的终端侧的各终端的负荷数据，得到第一数据序列。
[0069]
应当理解的是，序列都是按照时间先后顺序排列的。还应当理解的是，一个采样时间的负荷数据包括该应用场景下采集到不同终端的负荷数据。负荷数据可以是用电设备稳态运行时的基波有功、无功功率、基波电流幅值和3、5、7次谐波电流幅值等等。此外，采集到的负荷数据如果缺失或者重复，可通过常规的方法进行识别及复原。
[0070]
例如，采样时间t1采集到空调电流、电视电流、电脑电流等等，每一采样时间采集到的一个类型的负荷数据可用列向量的形式表示。
[0071]
2、将第一数据序列中的畸变的负荷数据删除，得到第二数据序列。
[0072]
具体的，在该步骤之前，通过如下的方法查找畸变数据，具体过程包括：
[0073]
(1)计算第一数据序列中的每一采样时间的负荷数据的均值、残余误差和标准差。
[0074]
具体的，均值计算式如下：
[0075][0076]
其中，x
js
表示负荷数据，j表示该采样时间的负荷数据的数量。
[0077]
具体的，残余误差t
js
计算式如下：
[0078][0079]
具体的，标准差δ计算式如下：
[0080][0081]
(2)根据每一采样时间的负荷数据的均值、残余误差和标准差，判断是否满足拉依达准则。
[0082]
(3)若满足拉依达准则，则确定该采样时间的负荷数据畸变。
[0083]
具体的，拉依达准则为：首先假设一采样时间的负荷数据只含有随机误差，当计算到该采样时间的负荷数据的残余误差大于三倍的标准差时，则认为该采样时间的负荷数据是粗大误差而不是随机误差，该采样时间的负荷数据作为畸变数据应剔除。
[0084]
3、将第二数据序列中的每一采样时间的负荷数据进行标准化处理，得到第三数据序列。
[0085]
如前所述，一个采样时间的负荷数据包含多个不同终端的数据，因此，通过本步骤将这些数据归一化处理。具体的，本发明实施例采用正规化标准方法(z-score)，具体计算式为：
[0086][0087]
其中，xi表示归一化处理前的负荷数据，yi表示归一化处理后的负荷数据，μ表示归一化处理前的负荷数据的均值，σ表示归一化处理前的负荷数据的标准差。
[0088]
4、抽取第三数据序列中的同一终端的负荷数据，得到负荷信号。
[0089]
例如，抽取空调的负荷数据，依然按照时序排列，得到负荷信号。
[0090]
通过上述处理，将原始数据预先进行筛选、标准化，有利于后续检测稳态事件和分类，使更加高效准确。
[0091]
此外，如图4所示，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述实施例所述的基于改进模糊聚类的终端侧负荷辨识方法。
[0092]
此外，本发明实施例还提供一种基于改进模糊聚类的终端侧负荷辨识系统，包括：如上述实施例所述的计算机可读存储介质。
[0093]
具体的，如图5所示，该系统包括：负荷采集模块、负荷预处理模块、负荷分解模块和负荷辨识模块。
[0094]
负荷采集模块，用于在目标时间段内的每一采样时间采集场景中包括的终端侧的各终端的负荷数据，得到第一数据序列。
[0095]
负荷预处理模块，用于计算第一数据序列中的每一采样时间的负荷数据的均值、残余误差和标准差；根据每一采样时间的负荷数据的均值、残余误差和标准差，判断是否满足拉依达准则；若满足拉依达准则，则确定该采样时间的负荷数据畸变将第一数据序列中的畸变的负荷数据删除，得到第二数据序列；将第二数据序列中的每一采样时间的负荷数据进行标准化处理，得到第三数据序列；抽取第三数据序列中的同一终端的负荷数据，得到负荷信号。
[0096]
负荷分解模块，用于采用变分模态分解算法对获取的终端侧的负荷信号进行分解重构，得到负荷信号的本征模态分量。
[0097]
负荷辨识模块，用于采用改进概率模糊c均值聚类算法对负荷信号的本征模态分量进行负荷辨识，得到负荷信号对应的负荷类型。
[0098]
综上，本发明实施例，采用vmd算法抑制负荷的噪声和干扰，对相近负荷的特征频率进行有效分离，在处理包含噪声干扰等不良数据时，表现出良好的鲁棒性，采用改进pfcm算法克服对畸变数据的敏感性，并且降低运算量，提高聚类有效性，提升负荷辨识的准确性，对负荷辨识研究具有一定的指导意义。
[0099]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于改进模糊聚类的终端侧负荷辨识方法，其特征在于，包括：采用变分模态分解算法对获取的终端侧的负荷信号进行分解重构，得到所述负荷信号的本征模态分量；采用改进概率模糊c均值聚类算法对所述负荷信号的本征模态分量进行负荷辨识，得到负荷信号对应的负荷类型。2.根据权利要求1所述的基于改进模糊聚类的终端侧负荷辨识方法，其特征在于，所述采用变分模态分解算法对获取的终端侧的负荷信号进行分解重构的步骤，包括：假设将所述负荷信号分解为若干阶本征模态分量；对于各阶所述本征模态分量，通过希尔伯特hilber变换得到各阶所述本征模态分量的解析信号；向所述解析信号中引入指数算子，调整对应的中心频率，使各阶所述本征模态分量的频谱被调制到对应的基频带上后，通过高斯平滑指标估算出各阶所述本征模态分量的频带宽度，得到约束变分函数；通过引入lagrange函数使所述约束变分函数转换为非约束变分函数；通过乘法算子交替方向法求解所述非约束变分函数，不断迭代更新所述本征模态分量和对应的中心频率，直到满足迭代停止条件。3.根据权利要求2所述的基于改进模糊聚类的终端侧负荷辨识方法，其特征在于，所述约束变分函数包括：其中，表示求偏导符号，f表示负荷信号，u
k
表示第k阶本征模态分量，ω
k
表示第k阶本征模态分量对应的中心频率，δ(t)表示脉冲函数，t表示采样时间；所述非约束变分函数l({u
k
},{ω
k
},{λ})包括：其中，λ表示lagrang算子，α表示惩罚因子；本征模态分量、中心频率及lagrange算子的迭代更新算式包括：
其中，表示当前剩余量维纳滤波后的结果，表示当前本征模态分量对应的中心频率，表示本征模态分量的傅里叶变换结果，和分别表示lagrang算子的第n次和第n+1次傅里叶变换结果，τ表示噪声容限，表示负荷信号的傅里叶变换结果，ω表示一阶本征模态分量对应的中心频率。4.根据权利要求1所述的基于改进模糊聚类的终端侧负荷辨识方法，其特征在于，所述采用改进概率模糊c均值聚类算法对所述负荷信号的本征模态分量进行负荷辨识的步骤，包括：将协方差矩阵引入pcm算法后与fcm算法结合，建立所述改进概率模糊c均值聚类算法的目标函数；将所述负荷信号的本征模态分量输入所述目标函数进行迭代计算，直到所述目标函数收敛到最小，得到所述负荷信号对应的负荷类型。5.根据权利要求4所述的基于改进模糊聚类的终端侧负荷辨识方法，其特征在于，所述改进概率模糊c均值聚类算法的目标函数j
m,p
(u,t,v)包括：其中，c表示聚类数量，n表示样本数量，样本为本征模态分量，m表示模糊加权数，d
ij
表示样本x
j
到聚类中心v
i
的欧氏距离，t
ij
表示样本典型值，u
ij
表示第j个样本棣属于第i类聚类的隶属度，σ2表示协方差矩阵，a、b、p均表示预设参数，1≤i≤c，1≤j≤n。6.根据权利要求5所述的基于改进模糊聚类的终端侧负荷辨识方法，其特征在于，模糊隶属度矩阵为：样本典型值为：类中心矩阵为：
所述协方差矩阵为：其中，γ表示迭代次数。7.根据权利要求1所述的基于改进模糊聚类的终端侧负荷辨识方法，其特征在于，所述采用变分模态分解算法分解获取的终端侧的负荷信号，得到所述负荷信号的本征模态分量的步骤之前，所述方法还包括：在目标时间段内的每一采样时间采集场景中包括的终端侧的各终端的负荷数据，得到第一数据序列；将所述第一数据序列中的畸变的负荷数据删除，得到第二数据序列；将所述第二数据序列中的每一采样时间的负荷数据进行标准化处理，得到第三数据序列；抽取所述第三数据序列中的同一终端的负荷数据，得到所述负荷信号。8.根据权利要求1所述的基于改进模糊聚类的终端侧负荷辨识方法，其特征在于，所述将所述第一数据序列中的畸变的负荷数据删除的步骤之前，所述方法还包括：计算所述第一数据序列中的每一采样时间的所述负荷数据的均值、残余误差和标准差；根据每一采样时间的所述负荷数据的均值、残余误差和标准差，判断是否满足拉依达准则；若满足拉依达准则，则确定该采样时间的所述负荷数据畸变。9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～8中任一项所述的基于改进模糊聚类的终端侧负荷辨识方法。10.一种基于改进模糊聚类的终端侧负荷辨识系统，其特征在于，包括：如权利要求9所述的计算机可读存储介质。

技术总结
本发明公开一种基于改进模糊聚类的终端侧负荷辨识方法、介质及系统，包括：采用变分模态分解算法对获取的终端侧的负荷信号进行分解重构，得到所述负荷信号的本征模态分量；采用改进概率模糊C均值聚类算法对所述负荷信号的本征模态分量进行负荷辨识，得到负荷信号对应的负荷类型。本发明采用VMD算法抑制负荷的噪声和干扰，对相近负荷的特征频率进行有效分离，在处理包含噪声干扰等不良数据时，表现出良好的鲁棒性，采用改进PFCM算法克服对畸变数据的敏感性，并且降低运算量，提高聚类有效性，提升负荷辨识的准确性，对负荷辨识研究具有一定的指导意义。定的指导意义。定的指导意义。


技术研发人员：马瑞 夏绪卫 朱东歌 刘佳 沙江波 康文妮 张爽 闫振华 张庆平 王峰 李晓龙 高博 李永亮 罗海荣 蔡建辉 杨雪红 李学锋 王富对 朱小超 王辉
受保护的技术使用者：国网宁夏电力有限公司 国电南瑞南京控制系统有限公司
技术研发日：2023.06.01
技术公布日：2023/9/20