基于粒子群优化分段聚合近似的负荷分类*

张宇献， 董 放

(沈阳工业大学 电气工程学院， 沈阳 110870)

电力需求侧管理是指通过有效的管理措施，提高客户终端利用效率，减少不合理的电力消耗，同时减少客户在电网高峰时段对电力的需求，提高电网运行的经济性[1].但是，实际电力系统中负荷数据十分庞大，不利于负荷数据的管理与调度，所以需要对其进行降维分类处理[2].依据分类得到的典型日负荷曲线，可以合理地利用和分配电力资源，有效缓解电力供需的矛盾.

引起负荷数据产生异常的因素有很多，电力系统的负荷数据由于信道噪声、冲击负荷以及突发事故等因素会存在非平稳特性[3].负荷数据实际上是典型的非平稳时间序列，由时间分辨率决定着其特征维度[4].随着我国智能电网的发展，设备精度的提高使得负荷数据的维度过大，影响分类效果[5]，因此，对负荷数据进行降维成为主要研究方向.常见的降维方法有：主成分分析(PCA)、自组织映射(SOM)、符号聚合近似(SAX)及分段聚合近似(PAA)等[6-8].郑旭等[9]通过把小波熵值作为评估子序列复杂度的指标，进而来确定分段迭代次数，可以准确描述原始样本数据.Song等[10]提出了基于分段聚合近似的符号化表示，这种算法的局限性在于特征表示过程中会丢失原始数据中一些比较关键的信息.何勰绯等[11]利用每个时间序列的子序列起点值与终点值作为趋势距离，通过均值和趋势来描述时间序列变化.

本文针对凭经验或经过多次实验确定分段……