面向负荷特征分析的地理分布式协同聚类方法.pdfVIP

第46 卷 第15 期 2022 年8 月10 日 Vol.46No.15 Aug.10,2022 DOI：10.7500/AEPS20210708008 面向负荷特征分析的地理分布式协同聚类方法 1 1 1，2 1 1 1 刘家丞 ，吴 江 ，刘鹏远 ，徐占伯 ，李晓鹏 ，管晓宏 （1. 智能网络与网络安全教育部重点实验室（西安交通大学），陕西省西安市 710049； 2. 国网陕西省电力公司西安供电公司，陕西省西安市 710048） 摘要：能源互联网架构下，用户数据传输延迟和电力公司管理规定促使电力数据中心在全国各地 建立，电力数据因而呈现地理分布式，对此研究了在地理分布式情景下的用户负荷特征聚类算法。 首先，对于地理节点内用户负荷的特征分析，在采用主成分分析与负荷指标特征加权组合算法的基 础上，提出了考虑密度峰值信息的K-means算法，并为地理节点间的信息共识提供了支撑。其次， 针对用户需求的地理分布式网络化感知结构，构建了考虑特征迁移的分布式聚类模型框架，提出将 节点局部信息通过参数共识得到全局聚类模型的分布式K-means算法，在节点间仅传递公开信息 的前提下，实现了用户特征的全局聚类。最后，通过爱尔兰、中国北方部分城市的负荷数据对模型 及算法进行验证。结果显示，分布式K-means能利用全局信息、考虑不同区域的差异来更好地识别 典型用电曲线，并且算法具有较好的可迁移性。 关键词：分布式聚类；负荷特征；参数共识；密度峰值聚类；迁移学习 0 引言 统的集中式机器学习在分布式大数据环境下不 可行。 近年来，能源互联网架构下的电力数据资源急 ［1］ 1）隐私保护问题 剧增长 。电力大数据分析具有从用电客户精确定 ［17］ 在智能电网中存在许多隐私保护的问题 ，例 位，到电力生产反馈指导，再到国民经济精准还原的 ［1-2］ 如智能电表收集到的负荷数据可以用于监测电网状 全方位价值 。大数据技术在智能电网中的应用 ［18］ ［3-4］ ［5-7］ 态 ，然而从截获的数据中可以辨别出用户的活 主要集中在需求响应 、负荷预测 、故障诊 ［19］ ［8-9］ ［10-11］ 动，使得用户隐私受到威胁 。电网通常对传输的 断 、异常用电检测 ，还可用于研究电动汽车 数据进行加密来保证其安全性，但仍有密钥管理等 ［12］ ［13］ 充电站部署 、光伏设备技术性能分析 等新兴负 ［20］ 问题 。 荷问题。 2）数据时延问题 电力系统天然呈现分布式特征，在供给侧和需 数据在网络中传播需要经过多个转发节点，导 求侧都有所体现。供给侧方面，电网