(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211114815.3 (22)申请日 2022.09.14 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 肖江文　谢钰涛　刘骁康　王燕舞　 刘智伟　池明　 (74)专利代理 机构 华中科技大 学专利中心 42201 专利代理师 尹丽媛 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种日负荷曲线聚类方法 (57)摘要 本发明属于智能电表的应用领域， 具体涉及 一种日负荷 曲线聚类方法， 包括： 搭建包括分配 网络和质心层的神经网络框架， 分配网络用于在 输入样本后输出该样本属于各簇的概率， 质心层 用于在输入样本后输出该样本到各簇质心的距 离以及每两个簇质心之间的距离； 初始化用以表 征各簇及其质心的网络参数， 采用待聚类且无标 签的日负荷曲线集合， 以最小化表征类内紧密度 的类内紧密度损失为目标， 优化分配网络的参 数， 同步以最小化类内紧密度损失和表征类间分 离度的类间分离度损失之间的加权和为目标， 优 化质心层的参数， 最终完成日负荷曲线的聚类。 本发明将类内紧密度和类间分离度同时整合到 聚类网络的损失函数中， 有效解决现有方法聚类 效果不佳的问题。 权利要求书1页 说明书8页 附图2页 CN 115526242 A 2022.12.27 CN 115526242 A 1.一种日负荷曲线聚类方法， 其特 征在于， 包括： 搭建包括分配网络和质心层的神经网络框架， 所述分配网络用于在输入样本后输出该 样本属于各簇的概率， 所述质心层用于在输入样本后输出该样本到各簇质心的距离以及每 两个簇质心之间的距离； 初始化用以表征各簇及其质心 的网络参数， 采用待聚类且无标签的日负荷曲线集合， 以最小化表征类内紧密度的类内紧密度损失为 目标， 优化所述分配网络的参数， 同步以最 小化所述类内紧密度损失和表征类间分离度的类间分离度损失之 间的加权和为目标， 优化 所述质心层的参数， 最终完成所述日负荷曲线的聚类， 得到各簇及各簇质心。 2.根据权利要求1所述的日负荷曲线聚类方法， 其特征在于， 所述分配网络是一个由全 连接层组成的人工神经网络 。 3.根据权利要求1所述的日负荷曲线聚类方法， 其特征在于， 所述类内紧密度损失表示 为： 式中， Lc表示类内紧密度损失， K表示簇的总数量， N表示所述日负荷曲线集合中日负荷 曲线总数量， sik表示某一日负荷曲线xi被分配到簇k的概率， ||xi‑μk||表示某一日负荷曲线 xi到簇k质心的距离 。 4.根据权利要求1所述的日负荷曲线聚类方法， 其特征在于， 所述类间分离度损失表示 为： 其中： 式中， Ls表示所述类 间分离度损失， K表示簇的总数量， μj和 μk分别表示两个簇的质心， δ 表示质心之间需要保持的最小距离 。 5.根据权利要求1所述的日负荷曲线 聚类方法， 其特征在于， 所述质心层的损失函数L1 ＝Lc+γ·Ls； 其中， Lc表示所述类内紧密度损失， Ls表示所述类间分离度损失， γ是用来平 衡类内紧密度和类间分离度的常系数。 6.根据权利要求1所述的日负荷曲线聚类方法， 其特征在于， 在优化所述分配网络的参 数时， 以最小化所述类内紧密度损失和 正则化损失的加权和为 目标； 则所述分配网络的损 失函数L2＝Lc+λ·Lr； 其中， Lc表示所述类内 紧密度损失， Lr表示正则化损失， λ为常系数。 7.根据权利要求1所述的日负荷曲线聚类方法， 其特征在于， 通过K ‑means聚类方法得 到初始质心， 以初始化用以表征 各簇质心的网络参数。 8.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序， 其中， 在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利 要求1至7任一项所述的一种日负荷曲线聚类方法和/或一种居民用电分析 方法。权　利　要　求　书 1/1 页 2 CN 115526242 A 2一种日负荷曲线聚类方 法 技术领域 [0001]本发明属于智能电表的应用领域， 更 具体地， 涉及一种日负荷曲线聚类方法。 背景技术 [0002]家庭需求响应通过将柔性负荷从高峰时段转移到非高峰时段， 来实现减少电网尖 峰负荷和降低系统装机容量的目的。 在需求响应事件中， 不同用电行为的用户对转移或削 减峰值负荷的贡献存在很大差异。 因此， 为了找到适合家庭需求响应的居民用户， 对居民的 用电行为进行建模分析十分重要。 [0003]然而， 考虑到居民的用电行为具有多样性与易变性， 这使得对用电行为建模变得 十分困难。 幸运的是， 随着智能电表的普及， 海量的日负荷曲线为居民用电行为的建模提供 了便利。 获取居民用电行为的方法一般有两种， 一种 是对每个居民的日负荷曲线计算平均 得到一个典型负荷曲线， 然后对所有居民的典型负荷曲线进行聚类， 进而对居民的用电行 为进行分类。 但是， 这种方法只能获取居民平均用电行为信息， 而忽略了单个居民的用电行 为并非是一成不变的， 而是会随着时间不断的波动。 另一种 方法是直接对所有居民的日负 荷曲线进行聚类， 然后用多条典型负荷曲线来表示一个用户的用电行为， 这种 方式得到的 结果保留了用电行为的波动信息， 更能反映居民行为所固有的随机属性。 [0004]一个好的聚类方法应当平衡好类内紧密度和类间分离度。 类内紧密度指的是同属 一个簇的样本彼此间的相似程度， 而类间分离度指的是属于不同簇的样本相互之 间的差异 程度。 只考虑类内紧密度会导致聚类结果中出现冗余的簇， 而只考虑类间分离度则会导致 聚类结果易受到异常点的干扰。 然而， 现有的聚类方法很难同时考虑到这两个方面。 例如， K‑means聚类方法只考虑到了类内的紧密度， 而层次聚类方法则只考虑到了类间的分离度。 因此， 在对居民日负荷曲线进行聚类时， 如何同时兼顾到类内紧密度和类间分离度是目前 亟需解决的问题。 发明内容 [0005]针对现有技术的缺陷和改进需求， 本发明提供了一种日负荷曲线聚类方法， 其目 的在于提高日负荷曲线的聚类质量和稳定性。 [0006]为实现上述目的， 按照本发明的一个方面， 提供了一种日负荷曲线聚类方法， 包 括： [0007]搭建包括分配网络和质心层的神经网络框架， 所述分配网络用于在输入样本后输 出该样本属于各簇的概率， 所述质心层用于在输入样本后输出该样本到各簇质心的距离以 及每两个簇质心之间的距离； [0008]初始化用以表征各簇及其质心的网络参数， 采用待聚类且无标签的日负荷曲线集 合， 以最小化表征类内紧密度的类内紧密度损失为目标， 优化所述分配网络的参数， 同步以 最小化所述类内紧密度损失和表征类间分离度的类间分离度损失的加权和为目标， 优化所 述质心层的参数， 最终完成所述日负荷曲线的聚类， 得到各簇及各簇质心。说　明　书 1/8 页 3 CN 115526242 A 3