采用深度学习和多维模糊C均值聚类的负荷分类方法

为了对日趋海量的负荷数据进行有效地分类处理,提出一种采用深度学习和多维模糊C均值聚类的负荷分类方法。采用深度学习中的卷积自编码器CAEs堆叠形成深度卷积自编码网络,通过训练实现对输入的典型日负荷曲线集进行特征分层提取和降维处理。计及低维特征序列的数值维度和趋势维度,将数值序列的欧氏距离与趋势序列的改进动态时间弯曲距离相结合为多维相似性距离,作为新的相似性指标,提出一种多维模糊C均值聚类算法,用以对特征序列进行聚类分析。算例分析结果表明,所提出的方法在数据特征提取降维、负荷分类有效性、稳定性及聚类效率等方面具有较大优势,可为需求侧管理项目选择、电价制定、负荷管理优化等提供有效参考。