电力负荷聚类分析：从数据到典型场景

主要内容: 光电+电负荷用有序聚类， 风电+电动汽车负荷用kmeans聚类 ① 画出光电、电负荷、风电、电动汽车负荷，根据趋势去判定， 让光电+电负荷用有序聚类，风电+电动汽车负荷用kmeans聚类 ②对光电有序聚类（分开），根据轮廓系数找出合适的断点向量 ③对电负荷有序聚类（分开），根据轮廓系数找出合适的断点向量 ④将②③的断点合并，取异，对密集的进行删减 ⑤利用④中的分割点，找出各个分区 ⑥将风电+电动汽车负荷（组合）合并为365*48，一次性带入kmeans中求解得到分区内（风电电动汽车负荷）的聚类图 ⑦将四个风光荷EV特征，各自在分区分组内取均值，得到典型日场景及频次 。

在电力系统研究中，对不同类型的负荷进行合理聚类分析，能为电力调度、能源规划等提供关键支持。今天咱们就来聊聊光电、电负荷、风电以及电动汽车负荷的聚类分析，分别运用有序聚类和 kmeans 聚类方法。

数据可视化与聚类方法判定

首先，我们得把光电、电负荷、风电和电动汽车负荷的数据画出来瞅瞅，从趋势中找灵感。以 Python 为例，用matplotlib库来绘图：

import matplotlib.pyplot as plt import numpy as np # 假设这里已经获取到了相应的数据，分别为pv_data（光电）, eload_data（电负荷）, wind_data（风电）, evload_data（电动汽车负荷） time = np.arange(len(pv_data)) plt.figure(figsize=(12, 8)) plt.subplot(4, 1, 1) plt.plot(time, pv_data) plt.title('Photovoltaic Data') plt.subplot(4, 1, 2) plt.plot(time, eload_data) plt.title('Electric Load Data') plt.subplot(4, 1, 3) plt.plot(time, wind_data) plt.title('Wind Power Data') plt.subplot(4, 1, 4) plt.plot(time, evload_data) plt.title('EV Load Data') plt.tight_layout() plt.show()

通过观察这些图，我们发现光电和电负荷的数据分布特点适合用有序聚类，而风电和电动汽车负荷则更适合 kmeans 聚类。为啥呢？因为光电和电负荷的变化趋势相对更有顺序性，而风电和电动汽车负荷分布看起来更适合用 kmeans 这种基于距离划分的聚类方法。

光电有序聚类

接下来对光电进行有序聚类。这里我们要用到pyclust库（假设已安装），通过轮廓系数来找合适的断点向量。

from pyclust import orderedclust import numpy as np # 假设pv_data为一维的光电数据 pv_clusters = orderedclust(pv_data) # 计算轮廓系数，这里假设自定义了一个计算轮廓系数的函数silhouette_score silhouette_scores = [] for k in range(2, len(pv_clusters)): score = silhouette_score(pv_data, pv_clusters.labels_[:k]) silhouette_scores.append(score) optimal_k = np.argmax(silhouette_scores) + 2 optimal_breakpoints = pv_clusters.breakpoints_[:optimal_k]

在这段代码里，先使用orderedclust对光电数据进行初步聚类，然后循环计算不同聚类数下的轮廓系数，找到轮廓系数最大时对应的聚类数optimalk，进而得到合适的断点向量optimalbreakpoints。

电负荷有序聚类

电负荷的有序聚类和光电类似。

# 假设eload_data为一维的电负荷数据 eload_clusters = orderedclust(eload_data) # 同样计算轮廓系数 silhouette_scores_eload = [] for k in range(2, len(eload_clusters)): score = silhouette_score(eload_data, eload_clusters.labels_[:k]) silhouette_scores_eload.append(score) optimal_k_eload = np.argmax(silhouette_scores_eload) + 2 optimal_breakpoints_eload = eload_clusters.breakpoints_[:optimal_k_eload]

这就得到了电负荷的合适断点向量。

断点合并与处理

把光电和电负荷得到的断点合并起来，然后取它们不同的部分，再对那些密集的断点进行删减。

all_breakpoints = list(set(optimal_breakpoints).union(set(optimal_breakpoints_eload))) unique_breakpoints = sorted(list(set(all_breakpoints))) # 假设这里有一个删减密集断点的函数reduce_dense_breakpoints reduced_breakpoints = reduce_dense_breakpoints(unique_breakpoints)

这里先通过集合操作合并并去重，然后调用自定义函数删减密集断点。

找出分区

利用处理后的分割点，找出各个分区。

partitions = [] prev = 0 for bp in reduced_breakpoints: partition = (prev, bp) partitions.append(partition) prev = bp

这样就得到了光电和电负荷的各个分区。

风电与电动汽车负荷 kmeans 聚类

把风电和电动汽车负荷数据合并成365*48的格式，然后用 kmeans 聚类求解聚类图。

from sklearn.cluster import KMeans import numpy as np # 假设wind_data和evload_data已经处理成合适的形状并合并 combined_data = np.concatenate((wind_data.reshape(-1, 1), evload_data.reshape(-1, 1)), axis = 1) kmeans = KMeans(n_clusters = 3, random_state = 0).fit(combined_data) cluster_labels = kmeans.labels_

这里用KMeans类进行聚类，设置聚类数为 3（可根据实际情况调整），得到聚类标签cluster_labels，也就得到了聚类图。

典型日场景及频次

最后，把四个风光荷 EV 特征，各自在分区分组内取均值，得到典型日场景及频次。

# 假设我们已经有了前面计算得到的分区partitions，以及所有数据pv_data, eload_data, wind_data, evload_data pv_mean_by_partition = [] eload_mean_by_partition = [] wind_mean_by_partition = [] evload_mean_by_partition = [] for part in partitions: start, end = part pv_mean = np.mean(pv_data[start:end]) eload_mean = np.mean(eload_data[start:end]) wind_mean = np.mean(wind_data[start:end]) evload_mean = np.mean(evload_data[start:end]) pv_mean_by_partition.append(pv_mean) eload_mean_by_partition.append(eload_mean) wind_mean_by_partition.append(wind_mean) evload_mean_by_partition.append(evload_mean) # 频次计算可以根据分区内数据量占总数据量的比例，假设总数据量为total_length pv_frequency = [len(pv_data[start:end]) / total_length for start, end in partitions] eload_frequency = [len(eload_data[start:end]) / total_length for start, end in partitions] wind_frequency = [len(wind_data[start:end]) / total_length for start, end in partitions] evload_frequency = [len(evload_data[start:end]) / total_length for start, end in partitions]

这样就得到了每个特征在不同分区内的均值，也就是典型日场景，以及对应的频次。

主要内容: 光电+电负荷用有序聚类， 风电+电动汽车负荷用kmeans聚类 ① 画出光电、电负荷、风电、电动汽车负荷，根据趋势去判定， 让光电+电负荷用有序聚类，风电+电动汽车负荷用kmeans聚类 ②对光电有序聚类（分开），根据轮廓系数找出合适的断点向量 ③对电负荷有序聚类（分开），根据轮廓系数找出合适的断点向量 ④将②③的断点合并，取异，对密集的进行删减 ⑤利用④中的分割点，找出各个分区 ⑥将风电+电动汽车负荷（组合）合并为365*48，一次性带入kmeans中求解得到分区内（风电电动汽车负荷）的聚类图 ⑦将四个风光荷EV特征，各自在分区分组内取均值，得到典型日场景及频次 。

通过这一系列操作，我们就完成了从原始数据到典型日场景及频次的挖掘，为电力系统的进一步分析提供了有力的数据基础。希望这篇文章能给大家在电力负荷聚类分析方面带来一些启发。