鐘小強(qiáng) 陳程 董雨 李春生 徐冬冬

摘要：基于電力負(fù)荷特性分析，電力公司能夠?yàn)橛脩?hù)提供更好的服務(wù)。以前的分析不能很好地表達(dá)用戶(hù)的用電負(fù)荷特性，因此，采用SOM神經(jīng)網(wǎng)絡(luò)聚類(lèi)方法來(lái)解決這個(gè)問(wèn)題。先對(duì)獲取的數(shù)據(jù)進(jìn)行歸一化處理，然后采用MATLAB仿真輸出可視化聚類(lèi)結(jié)果，最后得到了一個(gè)詳細(xì)的分析結(jié)果。根據(jù)SOM神經(jīng)網(wǎng)絡(luò)顯示的結(jié)果，不同類(lèi)型公變用戶(hù)的用電行為是有差異的，因此有一個(gè)很好的聚類(lèi)效果。

關(guān)鍵詞：SOM神經(jīng)網(wǎng)絡(luò);負(fù)荷特性曲線(xiàn);聚類(lèi)分析

中圖分類(lèi)號(hào)：TM7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0079（2014）33-0204-03

在國(guó)家提出建設(shè)堅(jiān)強(qiáng)智能電網(wǎng)的背景下，提高電力營(yíng)銷(xiāo)服務(wù)水平和智能用電技術(shù)已成為電網(wǎng)企業(yè)關(guān)注的焦點(diǎn)。電力營(yíng)銷(xiāo)服務(wù)水平與智能用電技術(shù)的提升離不開(kāi)在對(duì)電力用戶(hù)用電行為特征的準(zhǔn)確、全面、及時(shí)地掌握，而從海量負(fù)荷數(shù)據(jù)中提取用戶(hù)日負(fù)荷特征曲線(xiàn)并進(jìn)行深入分析成為研究用戶(hù)用電行為特征的一種有效方式。

從研究對(duì)象層面來(lái)看，以往相關(guān)研究側(cè)重專(zhuān)線(xiàn)用戶(hù)（負(fù)荷數(shù)據(jù)來(lái)源為SCADA系統(tǒng)）和專(zhuān)變用戶(hù)，并以傳統(tǒng)意義上的行業(yè)分類(lèi)作為提取負(fù)荷特征曲線(xiàn)時(shí)聚類(lèi)的依據(jù)。從研究方法層面來(lái)看，電力用戶(hù)日負(fù)荷特征曲線(xiàn)的提取多使用聚類(lèi)算法，主要有統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、人工神經(jīng)網(wǎng)絡(luò)方法和面向數(shù)據(jù)庫(kù)的方法。人工神經(jīng)網(wǎng)絡(luò)因具有大規(guī)模的并行協(xié)同處理能力、較強(qiáng)的容錯(cuò)能力、聯(lián)想能力、學(xué)習(xí)能力和自適應(yīng)能力，故能夠較好地適應(yīng)海量數(shù)據(jù)背景下的數(shù)據(jù)挖掘。應(yīng)用較多的典型的神經(jīng)網(wǎng)絡(luò)模型包括BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、ART網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)。[1-3]BP網(wǎng)絡(luò)屬于有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，需要提供聚類(lèi)對(duì)象類(lèi)別數(shù)量的先驗(yàn)知識(shí)，而公變用戶(hù)缺乏傳統(tǒng)意義上類(lèi)似專(zhuān)變用戶(hù)的行業(yè)分類(lèi)，故不適合采用BP網(wǎng)絡(luò)。Hopfield網(wǎng)絡(luò)、ART網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)都屬于無(wú)監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，在解決聚類(lèi)問(wèn)題上有其各自的優(yōu)缺點(diǎn)。

本文提出采用SOM神經(jīng)網(wǎng)絡(luò)[4-6]聚類(lèi)算法提取公變用戶(hù)日負(fù)荷特征曲線(xiàn)，用MATLAB軟件進(jìn)行仿真，輸出可視化聚類(lèi)結(jié)果，并對(duì)聚類(lèi)結(jié)果進(jìn)行分析，驗(yàn)證了采用SOM神經(jīng)網(wǎng)絡(luò)聚類(lèi)算法提取出的公變用戶(hù)日負(fù)荷特征曲線(xiàn)能夠較好地顯示不同類(lèi)型公變用戶(hù)用電行為特征上的差異，具備良好的聚類(lèi)效果，同時(shí)為電網(wǎng)企業(yè)優(yōu)化電力營(yíng)銷(xiāo)服務(wù)提供參考和指導(dǎo)。

一、SOM神經(jīng)網(wǎng)絡(luò)

SOM（Self-Organizing Map，自組織映射）神經(jīng)網(wǎng)絡(luò)是較為廣泛應(yīng)用于聚類(lèi)的神經(jīng)網(wǎng)絡(luò)。它是由Cohonen提出的一種無(wú)監(jiān)督學(xué)習(xí)的競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)模型，通過(guò)不斷縮小獲勝神經(jīng)元的鄰域來(lái)達(dá)到聚類(lèi)的目的。主要功能是將輸入的高維空間數(shù)據(jù)映射到一個(gè)較低的維度，通常是一維或者二維輸出，同時(shí)保持?jǐn)?shù)據(jù)原有的拓?fù)溥壿嬯P(guān)系。

SOM神經(jīng)網(wǎng)絡(luò)由輸入層和輸出層兩層組成，輸入層中的每一個(gè)神經(jīng)元通過(guò)權(quán)與輸出層中的每一個(gè)神經(jīng)元相連，如圖1所示。輸入層的神經(jīng)元以一維的形式排列，輸入神經(jīng)元的個(gè)數(shù)由輸入矢量中的分量個(gè)數(shù)決定，輸出層的神經(jīng)元一般以一維或者二維的形式排列，計(jì)輸入層的神經(jīng)元數(shù)量為m，輸出層神經(jīng)元數(shù)量為c。輸入的樣本總數(shù)為n，第i個(gè)輸入樣本用矢量表示為，每個(gè)輸出神經(jīng)元的輸出值記為，。與第j個(gè)輸出神經(jīng)元相連的權(quán)用矢量表示為：。

Kohonen算法是無(wú)教師示教的聚類(lèi)方法，它能將任意維輸入模式在輸入層映射成一維或二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變，即在無(wú)教師示教的情況下，通過(guò)對(duì)輸入模式的自組織學(xué)習(xí)，在輸出層將聚類(lèi)結(jié)果表示出來(lái)。此外，網(wǎng)絡(luò)通過(guò)對(duì)輸入模式的反復(fù)學(xué)習(xí)，可以使連接權(quán)矢量空間分布密度與輸入模式的概率分布趨于一致，即連接權(quán)矢量空間分布能反映輸入模式的統(tǒng)計(jì)特性。該算法往往在完成極高維數(shù)、超大量數(shù)據(jù)和高度非線(xiàn)性問(wèn)題的聚類(lèi)，模式表征和數(shù)據(jù)壓縮，分類(lèi)等任務(wù)時(shí)是一個(gè)很有效、很簡(jiǎn)便，且快速、穩(wěn)健、泛化性好的算法。

Kohonen的學(xué)習(xí)算法如下：

（1）初始化：將整個(gè)輸入向量存儲(chǔ)在矩陣p中，對(duì)權(quán)值w進(jìn)行初始化，權(quán)值向量的每一維的取值范圍同輸入向量每一維的取值范圍。

（2）選擇一個(gè)輸入向量，提供給網(wǎng)絡(luò)輸入層。

（3）按照下式計(jì)算輸出層每一個(gè)神經(jīng)元 j 的權(quán)值與輸入向量之差：，其中，。

（4）按照“勝者為王”的原則，對(duì)每一個(gè)神經(jīng)元j，以minDist中的最小值所對(duì)應(yīng)的神經(jīng)元 k作為勝者，對(duì)它和它的鄰域內(nèi)的神經(jīng)元的權(quán)值進(jìn)行調(diào)整，假設(shè)當(dāng)前處于學(xué)習(xí)的第l步，權(quán)值的修正按照下式進(jìn)行：

其中，lr表示學(xué)習(xí)速率，br表示鄰域調(diào)整率;表示獲勝神經(jīng)元的鄰域，即：。

（5）選擇另一個(gè)輸入向量，返回（3），直到所有的輸入向量全部提供給網(wǎng)絡(luò)。

（6）返回（2），直到達(dá)到最大訓(xùn)練步數(shù)。

二、MATLAB仿真算例

1.MATLAB仿真實(shí)現(xiàn)

對(duì)于日負(fù)荷特征曲線(xiàn)的提取，負(fù)荷曲線(xiàn)的采樣點(diǎn)越多，曲線(xiàn)越精細(xì)，越容易進(jìn)行分類(lèi)，研究數(shù)據(jù)來(lái)自于電力用戶(hù)用電信息采集系統(tǒng)，從中提取公變用戶(hù)每15分鐘采集一次的有功功率構(gòu)成其日負(fù)荷曲線(xiàn)，一天共96個(gè)采樣點(diǎn)。從某省電力用戶(hù)用電信息采集系統(tǒng)中隨機(jī)抽取1000臺(tái)公用變壓器，選取其2012年7月10日（工作日，該省全年負(fù)荷最高日）作為典型日進(jìn)行日負(fù)荷特征曲線(xiàn)提取和分析。每臺(tái)公變?nèi)肇?fù)荷曲線(xiàn)由96個(gè)有功采樣點(diǎn)組成。由于每臺(tái)公變額定容量大小不等，為了有效聚類(lèi)，首先需要對(duì)負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理。

本文采用聚類(lèi)SOM神經(jīng)網(wǎng)絡(luò)，在MATLAB環(huán)境下，對(duì)這些數(shù)據(jù)進(jìn)行聚類(lèi)仿真。聚類(lèi)SOM神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)步驟如下：（1）準(zhǔn)備數(shù)據(jù)源。首先從原始數(shù)據(jù)庫(kù)讀取相關(guān)數(shù)據(jù)（輸入樣本總數(shù)70，每一個(gè)樣本有96個(gè)采集時(shí)點(diǎn)）作為輸入矢量，并將其以二維數(shù)組70×96形式輸入。（2）確定參數(shù)。輸入神經(jīng)元個(gè)數(shù)為采集時(shí)點(diǎn)的個(gè)數(shù)96;輸出神經(jīng)元以二維數(shù)組3×3形式呈現(xiàn)。（3）運(yùn)用rand（ ）函數(shù)產(chǎn)生[0，1）之間的隨機(jī)數(shù)作為權(quán)值。（4）調(diào)用SOM創(chuàng)建函數(shù)newsom（ ），創(chuàng)建自組織映射網(wǎng)絡(luò)net=newsom（ ）。（5）對(duì)迭代次數(shù)net.trainParam.epochs賦值2000;對(duì)net.trainParam.show賦值20，表示每20次顯示一下誤差變化情況。（6）運(yùn)用網(wǎng)絡(luò)訓(xùn)練函數(shù)train（ ）訓(xùn)練上述初始化后的網(wǎng)絡(luò)net=train（ ）。（7）調(diào)用plot（ ）畫(huà)輸入點(diǎn); plotsom（ ）作訓(xùn)練后的權(quán)值點(diǎn)及其與相鄰權(quán)值點(diǎn)的連線(xiàn)。

2.仿真結(jié)果分析

經(jīng)MATLAB仿真運(yùn)行后得到聚類(lèi)結(jié)果圖2所示：

圖2所示為SOM神經(jīng)網(wǎng)絡(luò)聚類(lèi)結(jié)果，將樣本公變用戶(hù)分為7個(gè)類(lèi)別，為便于后文描述，不妨按照行優(yōu)先的順序?yàn)楦骷せ畹膬?yōu)勝神經(jīng)元標(biāo)識(shí)聚類(lèi)編號(hào)，依次分別為為：公變用戶(hù)第一類(lèi)（包含13個(gè)樣本用戶(hù)）、公變用戶(hù)第二類(lèi)（包含12個(gè)樣本用戶(hù)）、公變用戶(hù)第三類(lèi)（包含5個(gè)樣本用戶(hù)）、公變用戶(hù)第四類(lèi)（包含10個(gè)樣本用戶(hù)）、公變用戶(hù)第五類(lèi)（包含10個(gè)樣本用戶(hù)）、公變用戶(hù)第六類(lèi)（包含10個(gè)樣本用戶(hù)）、公變用戶(hù)第七類(lèi)（包含10個(gè)樣本用戶(hù)）。

每個(gè)競(jìng)爭(zhēng)層神經(jīng)元與各輸入神經(jīng)元之間的連接權(quán)構(gòu)成的向量代表了該優(yōu)勝神經(jīng)元所標(biāo)識(shí)類(lèi)別的聚類(lèi)中心即日負(fù)荷特征曲線(xiàn)，競(jìng)爭(zhēng)層神經(jīng)元鄰域權(quán)值距離如圖3所示，顏色越深表示領(lǐng)域神經(jīng)元間的權(quán)值距離越遠(yuǎn)，即鄰域神經(jīng)元的聚類(lèi)中心距離越遠(yuǎn)、提取的日負(fù)荷特征曲線(xiàn)差異越大。

圖4所示為通過(guò)SOM神經(jīng)網(wǎng)絡(luò)聚類(lèi)算法提取的七大類(lèi)公變用戶(hù)日負(fù)荷特征曲線(xiàn)。日負(fù)荷特征曲線(xiàn)較為明顯地反映了不同類(lèi)型公變用戶(hù)在該典型日的用電行為。

第一類(lèi)公變?nèi)肇?fù)荷特征曲線(xiàn)呈現(xiàn)出明顯的午高峰和晚高峰特征，且晚高峰明顯高于午高峰。推測(cè)此類(lèi)為城鎮(zhèn)居民生活的典型日負(fù)荷特征曲線(xiàn)，可能由于部分居民上班因素造成晚高峰高于午高峰;第二類(lèi)公變?nèi)肇?fù)荷特征曲線(xiàn)走勢(shì)同全網(wǎng)負(fù)荷基本一致，呈現(xiàn)出明顯午高峰和晚高峰，但午高峰一枝獨(dú)秀，可能該公變下的用戶(hù)類(lèi)型較多，包括居民用戶(hù)和一般工商業(yè)用戶(hù)，由于各類(lèi)用電特征比例與全網(wǎng)比例類(lèi)似，形成具有全網(wǎng)負(fù)荷特征的曲線(xiàn);第七類(lèi)公變?nèi)肇?fù)荷特征曲線(xiàn)與前六種主要集中在白天用電不同，主要在天黑時(shí)間段內(nèi)（晚上7點(diǎn)左右至第二天早上6點(diǎn)）用電，推測(cè)這類(lèi)用戶(hù)主要集中在市政工程類(lèi)。

三、總結(jié)與展望

本文將SOM神經(jīng)網(wǎng)絡(luò)聚類(lèi)算法應(yīng)用到電力用戶(hù)日負(fù)荷特征曲線(xiàn)提取的研究中，選取某省公變用戶(hù)作為分析樣本，通過(guò)MATLAB仿真計(jì)算將樣本公變用戶(hù)分為七個(gè)類(lèi)別，以?xún)?yōu)勝神經(jīng)元與輸入神經(jīng)元之間連接權(quán)向量作為聚類(lèi)中心即該類(lèi)別用戶(hù)的日負(fù)荷特征曲線(xiàn)。根據(jù)提取出的日負(fù)荷特征曲線(xiàn)，結(jié)合電力用戶(hù)用電信息采集系統(tǒng)中的營(yíng)銷(xiāo)檔案分析了不同類(lèi)別公變用戶(hù)的用電特征與習(xí)慣。分析表明，采用SOM神經(jīng)網(wǎng)絡(luò)聚類(lèi)算法提取日負(fù)荷特征曲線(xiàn)具有良好的效果，提取出的日負(fù)荷特征曲線(xiàn)能夠較好反映該類(lèi)型用戶(hù)的用電行為與特征，為電力企業(yè)了解用戶(hù)用電習(xí)慣、細(xì)分電力市場(chǎng)、調(diào)整定價(jià)策略和實(shí)施需求側(cè)管理提供了有益參考。

下一步研究將考慮采用電力用戶(hù)全年負(fù)荷數(shù)據(jù)進(jìn)行聚類(lèi)分析，驗(yàn)證小樣本下的聚類(lèi)結(jié)果、發(fā)現(xiàn)新的用戶(hù)類(lèi)型;同時(shí)改進(jìn)SOM神經(jīng)網(wǎng)絡(luò)算法，使其適應(yīng)海量數(shù)據(jù)下的負(fù)荷曲線(xiàn)聚類(lèi)分析，并通過(guò)調(diào)整競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)與抑制權(quán)值使訓(xùn)練結(jié)果更加穩(wěn)定，得到更好的聚類(lèi)效果。

參考文獻(xiàn)：

[1]馬玉梅，馬志超.基于人工神經(jīng)網(wǎng)絡(luò)的手寫(xiě)阿拉伯?dāng)?shù)字識(shí)別[J].中央民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，（4）.

[2]劉小波，李亞玲，趙景濤，等.基于KOHONEN神經(jīng)網(wǎng)絡(luò)的電壓控制分區(qū)[J].浙江電力，2007，（3）.

[3]莫禮平.基于Kohonen神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].成都大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，（1）.

[4]李培強(qiáng)，李欣然，陳輝華，等.基于模糊聚類(lèi)的電力負(fù)荷特性的分類(lèi)與綜合[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，（24）.

[5]張紅斌，賀仁睦，劉應(yīng)梅.基于KOHONEN神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷動(dòng)特性聚類(lèi)與綜合[J].中國(guó)電機(jī)工程學(xué)報(bào)，2003，（5）.

[6]高琳琦，李從東.個(gè)性化產(chǎn)品推薦中的SOFM神經(jīng)網(wǎng)絡(luò)模型[J].天津師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2006，（2）.

（責(zé)任編輯：王意琴）