FAILED
首站-论文投稿智能助手
典型文献
基于深度卷积嵌入聚类的日负荷曲线聚类分析
文献摘要:
负荷曲线聚类是电力大数据研究的基础,通过聚类来挖掘用户的用电模式,从而为电力调控提供决策.针对传统的聚类方法难以处理高维多变量数据,提取时间特征较困难,存在特征提取与聚类过程分离的问题,采用基于一维卷积自编码器的深度卷积嵌入聚类方法(deep convolutional embedded clustering based on one-dimensional convolution autoencoder,DCEC-1D),对负荷曲线进行聚类并提取典型负荷曲线.首先,用一维卷积自编码器(one-dimensional convolutional autoencoder,1D-CAE)提取特征,送入K-means得到初始簇中心;然后,利用自定义的聚类层对提取的负荷特征进行软分布;最后,为防止扭曲嵌入空间,将聚类损失和重构损失相结合作为损失函数联合优化,得到最终的聚类结果.算例分析以美国加州大学欧文分校(University of California Irvine,UCI)提出的数据集中的葡萄牙居民用户实际采集数据为研究对象,通过戴维森堡丁指数(Davies-Bouldin index,DBI),CH 分数(Calinski-Harabaz index,CHI),轮廓系数(Silhouette coefficient,SC)这3个聚类指标进行定量分析,并通过t分布随机邻域嵌入(t-distributed stochastic neighborhood embedding,TSNE)进行可视化分析.试验结果表明,相较于传统的K-means、主成分分析法(principal components analysis,PCA)+K-means,该方法聚类指标有大幅度提升.对比基于局部结构保留的深度嵌入聚类(improved deep embedded clustering,IDEC),基于一维卷积的深度嵌入聚类(deep embedding clustering method based on one dimensional convolutional auto-encoder,DEC-1D-CAE)和 1D-CAE+K-means,所提方法的 DBI 分别降低了约 0.15、0.08 和 1.50,CHI 提高了约 19 384.92、12 488.48 和 36 485.72,SC 提高了约 0.10、0.05 和 0.63.
文献关键词:
深度嵌入聚类;卷积自编码器;时序特征提取;典型负荷曲线;联合优化
作者姓名:
白雅玲;周亚同;刘君
作者机构:
河北工业大学电子信息工程学院,天津市北辰区300401;朗新科技集团股份有限公司,天津市和平区300041
文献出处:
引用格式:
[1]白雅玲;周亚同;刘君-.基于深度卷积嵌入聚类的日负荷曲线聚类分析)[J].电网技术,2022(06):2104-2113
A类:
DCEC,Harabaz,TSNE,IDEC,CAE+K
B类:
深度卷积,日负荷曲线聚类,电力大数据,大数据研究,用电模式,电力调控,聚类方法,高维,维多,多变量,提取时间,时间特征,存在特征,一维卷积,卷积自编码器,deep,convolutional,embedded,clustering,dimensional,autoencoder,1D,典型负荷曲线,提取特征,送入,means,簇中心,自定义,负荷特征,聚类损失,损失函数,数联,联合优化,算例分析,美国加州大学,欧文,分校,University,California,Irvine,UCI,葡萄牙,居民用户,采集数据,戴维森堡丁指数,Davies,Bouldin,DBI,Calinski,CHI,轮廓系数,Silhouette,coefficient,SC,类指,分布随机邻域嵌入,distributed,stochastic,neighborhood,embedding,principal,components,analysis,标有,比基,局部结构,深度嵌入聚类,improved,method,时序特征提取
AB值:
0.365193
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。