彭雨箏,李曉露,李聰利,丁一
(1.上海電力大學(xué)電氣工程學(xué)院,上海市 200090;2. 國網(wǎng)天津市電力公司,天津市 300010)
由于能源的日益枯竭與環(huán)境問題,諸如風(fēng)、光等清潔能源的應(yīng)用正變得愈發(fā)普遍。風(fēng)、光具有一定的隨機(jī)性與不確定性,但也擁有一定的耦合性與周期性[1]。電力系統(tǒng)的規(guī)劃與調(diào)控,往往需要考慮負(fù)荷及風(fēng)、光資源的耦合性與周期特性。若利用年時(shí)序場(chǎng)景對(duì)電力系統(tǒng)的規(guī)劃和調(diào)控進(jìn)行場(chǎng)景分析,雖然具有工程價(jià)值,但計(jì)算成本高、效率低;而典型日法則過于保守,不能反映風(fēng)光荷的周期特性。所以典型場(chǎng)景集的生成,即將風(fēng)光荷出力消耗變化的不確定場(chǎng)景轉(zhuǎn)化為多個(gè)確定的場(chǎng)景,對(duì)電力系統(tǒng)的規(guī)劃與調(diào)度,風(fēng)、光的消納能力評(píng)估等具有重要意義。
當(dāng)前典型場(chǎng)景的生成方法主要是用聚類來縮減長期的時(shí)序場(chǎng)景[2]。但在電力數(shù)據(jù)快速增長的背景下,對(duì)風(fēng)光荷場(chǎng)景直接進(jìn)行聚類運(yùn)算的復(fù)雜度和時(shí)間會(huì)大大增加,進(jìn)而影響到聚類效果。為了提高算法效率、節(jié)省儲(chǔ)存空間,文獻(xiàn)[3-6]采用數(shù)據(jù)降維的方法來提高聚類效果,主要有:主成分分析(principal component analysis, PCA)、自組織映射(self-organizing feature map, SOM)等。雖然傳統(tǒng)的降維方法有降維速度快、計(jì)算簡單等優(yōu)點(diǎn),但在對(duì)高維數(shù)據(jù)進(jìn)行降維時(shí)易產(chǎn)生數(shù)據(jù)損失,降維效果較差,所提取特征不能精確反映原數(shù)據(jù)特征等問題。隨著深度學(xué)習(xí)的發(fā)展[7],深度學(xué)習(xí)在數(shù)據(jù)挖掘、特征提取等方面表現(xiàn)出了優(yōu)異的性能。自編碼可通過重構(gòu)原始數(shù)據(jù)實(shí)現(xiàn)電力數(shù)據(jù)的深層特征提取。文獻(xiàn)[8-9]分別采用了卷積自編碼(convolutional auto-encoder, CAE)和堆棧自編碼(stacked auto-encoder, SAE)對(duì)電力數(shù)據(jù)進(jìn)行降維再進(jìn)行聚類,都使聚類效果得到了進(jìn)一步的提高,但未考慮到風(fēng)光荷數(shù)據(jù)本身的相關(guān)性及電力數(shù)據(jù)與圖片數(shù)據(jù)之間的區(qū)別。電力數(shù)據(jù)較圖片數(shù)據(jù)信息值大、數(shù)據(jù)量少,數(shù)據(jù)在降維過程中產(chǎn)生的信息損失對(duì)電力數(shù)據(jù)的特征提取影響更大。
因此,本文綜合考慮電力數(shù)據(jù)特征和數(shù)據(jù)降維質(zhì)量,提出一種利用殘差模塊改進(jìn)卷積自編碼(residual convolutional auto-encoder,RESCAE)聚類的場(chǎng)景縮減方法。在數(shù)據(jù)降維方面,通過引入殘差模塊,解決梯度消失問題,并減少信息丟失和損耗,保證信息的完整性。此外,考慮到風(fēng)光荷的相關(guān)性和互補(bǔ)性,利用多通道的卷積自編碼對(duì)年時(shí)序風(fēng)光負(fù)荷場(chǎng)景集進(jìn)行特征提取和降維處理,使結(jié)果更為精確。在聚類方法方面,為了降低噪聲數(shù)據(jù)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生的影響,使用 k-medoids算法進(jìn)行場(chǎng)景削減。所提出的方法可以降低場(chǎng)景數(shù)據(jù)的維數(shù),同時(shí)使場(chǎng)景的原始特征得以準(zhǔn)確表達(dá),并使場(chǎng)景縮減的結(jié)果更加準(zhǔn)確合理。
考慮到風(fēng)光荷變化的不確定性,生成多個(gè)確定的典型場(chǎng)景集是解決很多電力問題的關(guān)鍵,結(jié)合電力數(shù)據(jù)的特征,本文生成的典型場(chǎng)景應(yīng)考慮到風(fēng)光荷數(shù)據(jù)的時(shí)序性、耦合性和數(shù)據(jù)集信息的完整性等問題。
綜合考慮裝機(jī)容量不同的影響, 首先對(duì)風(fēng)光荷數(shù)據(jù)進(jìn)行歸一化處理,參考相關(guān)文獻(xiàn),本文使用極大值標(biāo)準(zhǔn)化進(jìn)行數(shù)據(jù)處理。極大值標(biāo)準(zhǔn)化計(jì)算方法如下:
(i=1,2,…,m;j=1,2,…,n)
(1)
式中:x′ij是標(biāo)椎化后的數(shù)據(jù);xij是原始數(shù)據(jù)。經(jīng)過處理后,最大值為 1,其余各值小于 1。
在聲圖識(shí)別領(lǐng)域,多通道卷積常被用來提取數(shù)據(jù)不同層面的特征,如彩色圖片紅黃藍(lán)通道和立體聲音頻的左右軌聲道,它通過增加輸入信息來提升模型效果[10]。結(jié)合本文電力數(shù)據(jù)特征,考慮到風(fēng)光荷之間的各種復(fù)雜的耦合交互關(guān)系,若能利用多通道卷積的思想,將風(fēng)光荷三通道電力數(shù)據(jù)如紅黃藍(lán)三像素信息一樣輸入模型,使其在高維空間進(jìn)行融合抽象,則能更全面提取數(shù)據(jù)特征[11]。
因此本文將多通道卷積與自編碼器進(jìn)行融合形成多通道卷積自編碼器,此時(shí)的多通道卷積自編碼器即可考慮風(fēng)光荷數(shù)據(jù)的耦合性進(jìn)行更為全面立體的特征提取。并且由于電力數(shù)據(jù)轉(zhuǎn)化而來的數(shù)據(jù)矩陣本身維度相對(duì)圖片矩陣較低,因此本文CAE網(wǎng)絡(luò)結(jié)構(gòu)還去掉了用來降低特征維度的池化層。CAE模型結(jié)構(gòu)如圖1所示。
圖1 卷積自編碼模型結(jié)構(gòu)Fig.1 Structure of CAE model
假設(shè)有一組無標(biāo)簽的訓(xùn)練樣本x={x1,x2,…,xn},輸出為y={y1,y2,…,yn}。多通道卷積自編碼器即是通過優(yōu)化求解目標(biāo)函數(shù)得到最近似的輸入與輸出。在求解過程中構(gòu)造輸入的最佳表達(dá),實(shí)現(xiàn)數(shù)據(jù)的特征提取。經(jīng)過編碼處理,輸入數(shù)據(jù)x可得到n組特征激活值,即:
(2)
式中:h表示隱藏層;ω為權(quán)值參數(shù);b為偏置參數(shù);σ為激活函數(shù);*表示卷積運(yùn)算。θ=(ω,b)為卷積核參數(shù)集合。本文采用Relu作為CAE的激活函數(shù)。
將得到的hk進(jìn)行特征重構(gòu),可以得到:
(3)
(4)
通過最優(yōu)化目標(biāo)函數(shù)E(θ)的求解可得最優(yōu)參數(shù)合集,從而實(shí)現(xiàn)基本的多通道卷積自編碼器的構(gòu)建。
神經(jīng)網(wǎng)絡(luò)的層數(shù)越深其表達(dá)原數(shù)據(jù)特征能力越強(qiáng),但隨著深度的增加,信息丟失、梯度消失等問題也愈發(fā)嚴(yán)重[12]。尤其是相對(duì)于圖片、數(shù)據(jù)量較少的電力系統(tǒng)來說這個(gè)問題尤為嚴(yán)重。以往的研究常使用堆疊自編碼器來解決梯度消失的問題。但利用殘差網(wǎng)絡(luò),不僅可以解決梯度消失的問題,還可以較大程度地保護(hù)數(shù)據(jù)集的信息,減少信息損失,這樣就可以增加網(wǎng)絡(luò)的層數(shù),使之更為準(zhǔn)確地表達(dá)原數(shù)據(jù)特征。
殘差神經(jīng)網(wǎng)絡(luò)將前面層的未被壓縮的數(shù)據(jù)和后面被壓縮的數(shù)據(jù)共同作為后面的數(shù)據(jù)輸入,用期望函數(shù)H(x)=F(x)+x來映射擬合,以減少數(shù)據(jù)損失,F(xiàn)(x)為未加入殘差前的網(wǎng)絡(luò)映射,殘差模塊結(jié)構(gòu)如圖2所示。
圖2 殘差模塊結(jié)構(gòu)Fig.2 Structure of residual module
參考文獻(xiàn)[13-14]將殘差模塊結(jié)構(gòu)進(jìn)行級(jí)聯(lián)即可得到殘差網(wǎng)絡(luò),如圖3所示。圖3中conv為卷積層。
在殘差網(wǎng)絡(luò)的前向傳播中,輸出為某層輸入xl和F(x)的累加,Wl為權(quán)值,xL為之后某層的輸出,如圖3所示。
圖3 殘差網(wǎng)絡(luò)架構(gòu)示例Fig.3 Example of residual network architecture
xl+1=xl+F(xl,Wl)
(5)
xl+2=xl+1+F(xl+1,Wl+1)=
xl+F(xl,Wl)+F(xl+1,Wl+1)
(6)
(7)
梯度消失的根源是累乘,由式(8)可知,殘差網(wǎng)絡(luò)在反向傳播中的梯度表達(dá)式為累加,所以在基本原理上殘差網(wǎng)絡(luò)解決了梯度消失的問題。
(8)
因此本文將殘差網(wǎng)絡(luò)引入多通道卷積自編碼器,一方面可以加深網(wǎng)絡(luò)層數(shù)并提高其表達(dá)能力,另一方面可以通過殘差編碼器的特殊結(jié)構(gòu)增強(qiáng)該編碼器的信息細(xì)節(jié)保存能力。
目前,在深度學(xué)習(xí)研究中大部分采用殘差網(wǎng)絡(luò)ResNet作為編碼器,因?yàn)樗鼘?duì)數(shù)據(jù)的抽象能力很強(qiáng)。ResNet網(wǎng)絡(luò)結(jié)構(gòu)簡單,殘差塊主要有BasicBlock和Bottleneck兩種形式,具體結(jié)構(gòu)如圖4所示。
圖4 殘差塊的2種結(jié)構(gòu)形式Fig.4 Two structural forms of residuals blocks
利用殘差塊改進(jìn)多通道卷積編碼器的思想主要來自于殘差模塊結(jié)構(gòu),如圖4所示。殘差模塊的結(jié)構(gòu)是將卷積前的未壓縮的特征與卷積后的特征進(jìn)行相加融合。本文在多通道卷積自編碼的結(jié)構(gòu)式上加入了BasicBlock殘差塊,提出了一種適應(yīng)電力數(shù)據(jù)的改進(jìn)卷積自編碼結(jié)構(gòu),稱為殘差模塊改進(jìn)的多通道卷積自編碼器(RESCAE),如圖5所示。
圖5 利用殘差網(wǎng)絡(luò)改進(jìn)的多通道卷積自編碼器Fig.5 Improved multi-channel convolutional encoder using residual network
編碼器的信息保全和細(xì)節(jié)特征提取是通過如圖5所示跨層級(jí)調(diào)整模塊實(shí)現(xiàn)的[15],該模塊通過一個(gè)1×1的卷積層和一個(gè)最大池化層對(duì)上一層級(jí)的特征數(shù)據(jù)進(jìn)行調(diào)整,將調(diào)整后的特征數(shù)據(jù)與當(dāng)前輸出數(shù)據(jù)相加,實(shí)現(xiàn)編碼器的數(shù)據(jù)信息保全。其中1×1卷積層可以提高低維數(shù)據(jù)的通道數(shù),保障其與高維特征數(shù)據(jù)相加時(shí)通道數(shù)一致;最大池化層可縮小低維特征數(shù)據(jù)的尺寸,保證與高維特征數(shù)據(jù)尺寸一致。在卷積編碼器的基礎(chǔ)上,通過添加一定形式的跨層級(jí)調(diào)整模塊,提高了編碼器的數(shù)據(jù)信息特征保全能力。
反卷積(deconvolution)網(wǎng)絡(luò)作為解碼器,將編碼器所編碼的高通道、低分辨率的數(shù)據(jù)進(jìn)行解碼,通過逐步提高數(shù)據(jù)分辨率、降低通道數(shù),最終得到通道數(shù)與尺寸都同輸入數(shù)據(jù)一致的結(jié)果。本文解碼器由4個(gè)反卷積模塊組成。自編碼器的反卷積網(wǎng)絡(luò)以一種無監(jiān)督方式恢復(fù)原數(shù)據(jù)特征,通過學(xué)習(xí)使恢復(fù)的數(shù)據(jù)特征與原數(shù)據(jù)特征的差最小,得到最優(yōu)的參數(shù)合集。
基于RESCAE-kmedoids風(fēng)光荷場(chǎng)景生成的基本流程如圖6所示,具體描述如下。
圖6 基于RESCAE-kmedoids風(fēng)光荷場(chǎng)景生成框架Fig.6 The framework structure of wind-PV-load scenario generation based on RESCAE-kmedoids
1)為了考慮裝機(jī)容量不同等影響, 參考相關(guān)文獻(xiàn)選擇使用極大值標(biāo)準(zhǔn)化進(jìn)行數(shù)據(jù)預(yù)處理。
2)利用RESCAE進(jìn)行風(fēng)光荷數(shù)據(jù)的特征提取。具體流程如圖5所示:一組風(fēng)光荷的三維數(shù)據(jù)經(jīng)過5×1卷積和Relu層,將電力數(shù)據(jù)的大小由96×1降為48×1,將通道數(shù)由3升為64,之后送入殘差模塊中。在conv2-x的輸出端,將數(shù)據(jù)分別送入conv3-x和跨層級(jí)調(diào)整模塊,經(jīng)過跨層級(jí)調(diào)整模塊調(diào)整低維數(shù)據(jù)的通道數(shù)與尺寸后,與conv3-x的輸出數(shù)據(jù)相加,相加后的數(shù)據(jù)送入conv4-x操作輸出提取的數(shù)據(jù)特
征。至此,完成了一條數(shù)據(jù)的編碼任務(wù)。解碼流程:將編碼輸出的6×1@256低分辨率、高通道數(shù)據(jù)送入解碼器反卷積網(wǎng)絡(luò)進(jìn)行解碼,經(jīng)過反卷積模塊deconv1—deconv4,將通道數(shù)由256重新降到3,數(shù)據(jù)尺寸由6×1升回96×1,最終完成一條數(shù)據(jù)的解碼任務(wù)。
3)利用輪廓系數(shù)(silhouette coefficient index, SIL)確定最佳聚類數(shù)[16],然后,對(duì)提取的電力數(shù)據(jù)特征進(jìn)行聚類,為了減少噪聲數(shù)據(jù)的影響采用k-medoids聚類方法,最后所得的聚類中心對(duì)應(yīng)的原數(shù)據(jù)場(chǎng)景,即是實(shí)際生成的風(fēng)光荷典型場(chǎng)景。
4)與傳統(tǒng)聚類方法進(jìn)行戴維斯堡丁指數(shù)(Davies-Bouldin index,DBI)、Calinski-Harabaz指數(shù)(Calinski-Harabasz index,CHI)等指標(biāo)的對(duì)比[17-18],驗(yàn)證所提方法的可行性。
本文實(shí)驗(yàn)數(shù)據(jù)來源于某省2017年全年的項(xiàng)目數(shù)據(jù)。到2017年底,該省新能源總裝機(jī)容量達(dá)到1 561.8萬kW,占總裝機(jī)容量的37.3%,其中,風(fēng)電941.6萬kW,光伏620.2萬kW。采用該省項(xiàng)目數(shù)據(jù)記錄2017年全年每天24 h的風(fēng)光電負(fù)荷數(shù)據(jù),時(shí)間分辨率為15 min,進(jìn)行典型場(chǎng)景集生成,以驗(yàn)證本文所提方法的有效性。然后應(yīng)用CHI、DBI等指標(biāo)進(jìn)行典型場(chǎng)景集聚類結(jié)果驗(yàn)證,計(jì)算RESCAE_kmedoids、CAE_kmedoids、CAEs_kmedoids 、k-medoids、k-means和PCA-kmedoids等6類典型場(chǎng)景集聚類方法的評(píng)價(jià)指標(biāo)[19]。最后對(duì)比分析不同場(chǎng)景集的各項(xiàng)聚類方法評(píng)價(jià)指標(biāo)以驗(yàn)證本文所提方法的可行性。
在 TensorFlow框架下,對(duì)歸一化的風(fēng)光荷樣本進(jìn)行殘差卷積自編碼機(jī)訓(xùn)練,采用Adam優(yōu)化器,初始學(xué)習(xí)率設(shè)置為0.01,epoch 設(shè)置為10。
為消除各裝機(jī)容量不同的影響,采用相對(duì)出力進(jìn)行分析。本文分別按年和季節(jié)進(jìn)行場(chǎng)景縮減。最佳場(chǎng)景數(shù)根據(jù)輪廓系數(shù)指標(biāo)確定。輪廓系數(shù)作為一種聚類性能評(píng)估指標(biāo)取值范圍為[-1,1],越接近1說明聚類性能越好,越接近-1說明聚類性能越差。下面對(duì)2017年風(fēng)光負(fù)荷的時(shí)序場(chǎng)景縮減結(jié)果進(jìn)行分析。
利用輪廓系數(shù)確定聚類場(chǎng)景數(shù)。輪廓系數(shù)評(píng)價(jià)指標(biāo)變化如圖7所示。
圖7 輪廓系數(shù)評(píng)價(jià)指標(biāo)變化Fig.7 Change of SIL evaluation index
由圖7可得,按年縮減6類時(shí)SIL值最接近1,即選擇最佳場(chǎng)景數(shù)為6;按季節(jié)縮減,以春季為例聚類數(shù)為3時(shí)SIL值最接近1,即選擇最佳場(chǎng)景數(shù)為3。
利用RESCAE_kmedoids方法進(jìn)行典型場(chǎng)景生成,分別生成年典型場(chǎng)景與季度典型場(chǎng)景,年典型場(chǎng)景生成6個(gè)場(chǎng)景,季度場(chǎng)景每個(gè)季節(jié)生成3個(gè)場(chǎng)景,場(chǎng)景生成結(jié)果如圖8—9、表1—2所示。
圖8 風(fēng)光荷年典型場(chǎng)景Fig.8 Typical annual wind-PV-load scenarios
表1 風(fēng)光荷年典型場(chǎng)景概率Table 1 Typical annual wind-PV-load scenario probability
表2 風(fēng)光荷季典型場(chǎng)景概率Table 2 Typical seasonal wind-PV-load scenario probability
分析圖8—9、表1—2可得:
1)將全年的風(fēng)光荷時(shí)序場(chǎng)景數(shù)據(jù)按年和季度分別進(jìn)行聚類,生成的場(chǎng)景集可反映全年場(chǎng)景的特征變化,體現(xiàn)了風(fēng)光荷的互補(bǔ)性、季節(jié)性、波動(dòng)性及反調(diào)峰特性。
2)進(jìn)一步分析上述場(chǎng)景集曲線變化趨勢(shì),年聚類得到了6類典型場(chǎng)景,按季度聚類分別得到了3個(gè)典型場(chǎng)景。
3)風(fēng)光出力與天氣關(guān)系緊密。年聚類場(chǎng)景2、5為晴天,光伏出力曲線平滑,風(fēng)電波動(dòng)性較大。年聚類場(chǎng)景1、4、6為多云天氣,光伏波動(dòng)性較大,其中場(chǎng)景1在晚間風(fēng)電出力大、光伏出力小,在白天風(fēng)電出力減弱、光伏出力增加,具有明顯的風(fēng)光互補(bǔ)性,因此綜合考慮風(fēng)光能源間的互補(bǔ)特性有利于電能的穩(wěn)定輸出。年聚類場(chǎng)景3為陰天小風(fēng),風(fēng)光出力都比較小,難以滿足負(fù)荷需求。負(fù)荷基本都為典型雙峰曲線,相對(duì)負(fù)荷大致在0.8~0.9。
4)風(fēng)光負(fù)荷場(chǎng)景具有很強(qiáng)的季節(jié)性。春季場(chǎng)景1為多云小風(fēng),風(fēng)光波動(dòng)較大;場(chǎng)景2為陰天,風(fēng)速波動(dòng)較大,光伏出力較??;場(chǎng)景3為晴天,光伏出力較為平滑,光伏相對(duì)出力在0.8~0.9,小風(fēng)風(fēng)電出力較小,場(chǎng)景3在春季占比最高可達(dá)0.527。由數(shù)據(jù)可得春天風(fēng)光出力較為充足且比較平均。
夏季場(chǎng)景1為陰天晚風(fēng),光伏出力較小,風(fēng)電出力波動(dòng)較大,占比不高;場(chǎng)景2為多云無風(fēng),光伏波動(dòng)較大;場(chǎng)景3為晴天大風(fēng),占比0.628,光伏出力較大,由圖9(b)可得風(fēng)光出力具有一定的互補(bǔ)性。夏季光伏出力波動(dòng)性較大且負(fù)荷占比明顯高于其余3個(gè)季節(jié),由于此階段空調(diào)等負(fù)荷占比大,與聚類所得的負(fù)荷特性一致,體現(xiàn)了負(fù)荷與季節(jié)關(guān)聯(lián)性。
圖9 風(fēng)光荷季典型場(chǎng)景Fig.9 Typical seasonal wind-PV-load scenarios
秋季場(chǎng)景1,多云小風(fēng),光伏出力較為平滑,光伏相對(duì)出力在0.7~0.8;場(chǎng)景2為陰天,風(fēng)速較小,風(fēng)光出力較低;場(chǎng)景3為晴天無風(fēng),光伏出力較為平滑,光伏相對(duì)出力在0.8~0.9。
冬季場(chǎng)景1多云大風(fēng),風(fēng)光具有明顯的互補(bǔ)性;場(chǎng)景2陰天大風(fēng),風(fēng)電相對(duì)出力在0.7~0.9;場(chǎng)景3為陰天小風(fēng),風(fēng)光出力都較小。由數(shù)據(jù)可得冬季光伏資源較小且波動(dòng)性較大,風(fēng)電資源相對(duì)充足。
本文所生成的場(chǎng)景符合氣象數(shù)據(jù),基本反映了風(fēng)光荷隨天氣變化的年周期性與季周期性。且這一現(xiàn)象符合我國西南地區(qū)風(fēng)光資源的客觀規(guī)律,表明了本算例風(fēng)光資源典型場(chǎng)景提取結(jié)果的合理性。并且由圖8—9可得年場(chǎng)景1、夏場(chǎng)景3、冬場(chǎng)景1都具有明顯的風(fēng)光互補(bǔ)性,并且年場(chǎng)景1全年占比高達(dá)0.227,夏場(chǎng)景3以及冬場(chǎng)景1的占比分別高達(dá)0.628和0.398,因此本算例生成的風(fēng)光荷典型場(chǎng)景集充分體現(xiàn)出了風(fēng)光的互補(bǔ)以及與負(fù)荷的關(guān)聯(lián)性。
聚類評(píng)價(jià)指標(biāo)可以對(duì)聚類結(jié)果進(jìn)行定量分析,利用DBI、CHI指標(biāo)對(duì)生成場(chǎng)景性能進(jìn)行分析。分別設(shè)置聚類數(shù)k為2~15,將本文所提的聚類算法RESCAE_kmedoids與傳統(tǒng)的聚類方法k-medoids、k-means和PCA_ kmedoids進(jìn)行比較,再與普通的自編碼聚類CAE_kmedoids和CAEs_kmedoids的結(jié)果進(jìn)行對(duì)比分析,以驗(yàn)證本文改進(jìn)的減少數(shù)據(jù)信息損失、考慮風(fēng)光荷耦合性的精確特征提取方法對(duì)比普通算法的可行性。其評(píng)價(jià)結(jié)果如圖10—13所示。
由圖10—11可知,本文所提算法的聚類性能明顯要高于普通的聚類算法k-means和k-medoids。相較于普通的降維方式如主成分分析法PCA,深度學(xué)習(xí)自編碼降維在對(duì)于特征的提取與表達(dá)方面明顯表現(xiàn)出了更為優(yōu)異的性能。
圖10 CHI計(jì)算指標(biāo)結(jié)果 Fig.10 The computation result of CHI index
DBI、CHI指標(biāo)能夠反映聚類效果的有效性。DBI數(shù)值越小表示異類場(chǎng)景之間距離越大、同類場(chǎng)景
圖11 DBI計(jì)算指標(biāo)結(jié)果 Fig.11 The computation result of DBI index
之間距離越小,即聚類效果越好。CHI數(shù)值越大表示自身越緊密,類與類之間越分散,即聚類結(jié)果更優(yōu)。
如圖12所示,本文所提算法的聚類性能指標(biāo)CHI高于未改進(jìn)前的自編碼聚類CAE_kmedoids和CAEs_kmedoids。由圖13可知,RESCAE_kmedoids的 DBI指標(biāo)小于CAE_kmedoids和CAEs_kmedoids,即波動(dòng)最小、聚類效果最好。在本文數(shù)據(jù)集下,利用殘差網(wǎng)絡(luò)改進(jìn)多通道編碼器再進(jìn)行聚類的算法所提取的典型場(chǎng)景質(zhì)量要優(yōu)于普通的自編碼聚類CAE_kmedoids和CAEs_kmedoids所提取的典型場(chǎng)景的質(zhì)量。
圖12 自編碼聚類的 CHI計(jì)算指標(biāo)結(jié)果 Fig.12 CHI calculation index result of auto-encoded clustering
圖13 自編碼聚類的DBI計(jì)算指標(biāo)結(jié)果 Fig.13 DBI calculation index result of auto-encoded clustering
由于本文利用的數(shù)據(jù)集較小,所以本文提出的RESCAE_kmedoids算法提取的典型場(chǎng)景要優(yōu)于改進(jìn)前的卷積自編碼聚類CAE-kmedoids和考慮到梯度彌散問題所改進(jìn)的堆疊卷積自編碼聚類CAEs-kmedoids所提取的典型場(chǎng)景,因?yàn)楸疚乃岱椒ú粌H可以考慮到梯度彌散與消失的問題,還可以較大程度地保護(hù)數(shù)據(jù)集的信息。尤其對(duì)于不是非常大的數(shù)據(jù)集來說更好的數(shù)據(jù)保護(hù),可以提取更精細(xì)的風(fēng)光荷的數(shù)據(jù)特征,以提高最終所提取的典型場(chǎng)景的質(zhì)量,較其他方法具有良好的有效性。
本文提出了一種基于殘差卷積自編碼聚類的風(fēng)光荷典型場(chǎng)景集生成方法,分析本文算例,得出以下結(jié)論:
1)相較于傳統(tǒng)聚類方法,本文所提方法可考慮到風(fēng)光荷的相關(guān)性和耦合,對(duì)風(fēng)光荷的多變量數(shù)據(jù)進(jìn)行場(chǎng)景生成。
2)相較于傳統(tǒng)方法,RESCAE能夠較大程度上減少數(shù)據(jù)降維所造成的信息損失,更精確地提取出電力數(shù)據(jù)特征,使得所獲取的特征更有利于聚類,提高聚類的性能。
3)本文基于機(jī)器學(xué)習(xí)技術(shù),為了減少噪聲數(shù)據(jù)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生的影響,利用RESCAE_kmedoids算法進(jìn)行典型場(chǎng)景生成。通過算例分析,本文方法在聚類有效性等指標(biāo)上均優(yōu)于傳統(tǒng)的聚類方法。
下一步工作包括如何利用聚類所形成的典型場(chǎng)景指導(dǎo)風(fēng)光電調(diào)控、優(yōu)化調(diào)度、儲(chǔ)能配置和可再生能源消納能力評(píng)估等工作[20]。