Spark架构下基于改进深度聚类的用户日负荷分类方法

摘要

负荷聚类是电力系统管理的重要技术之一，通过聚类来挖掘用户的用电模式可以帮助电力系统管理者更好地理解和优化电力系统的运行，提高其效率和经济性。目前，在负荷数据海量化与复杂化趋势下，传统的负荷聚类方法难以高效、精确地处理海量高维的负荷数据。因此，提出一种Spark分布式计算架构下基于改进深度聚类的日负荷分类方法。首先，利用卷积神经网络自编码器获取用户具有代表性的特征向量，送入K-means的聚类层完成负荷聚类，接着将特征提取模型和聚类模型联合优化，组成深度聚类模型。其次，考虑了处于负荷类别边界的边缘负荷样本对神经网络的不利影响，引入自步学习技术，并设计了一个新的损失函数。最后，将大数据技术与深度聚类算法结合，利用Spark分布式计算平台实现深度聚类算法的并行计算。通过算例验证，所提算法在聚类效果和处理效率上都优于传统算法。

关键词

居民负荷 / 日负荷聚类 / 深度聚类 / Spark平台 / 并行计算