基于MOBWO-KM算法的高耗能工厂负荷特性分析方法

基于mobwo-km算法的高耗能工厂负荷特性分析方法
技术领域
1.本发明涉及工厂负荷特性分析领域，具体涉及一种基于mobwo-km算法的高耗能工厂负荷特性分析方法。


背景技术：

2.现阶段电力负荷特性研究是电力公司研究的重点，但不同行业的负荷特性都具有各自不同的变化规律和独有的特点，故对某一行业的负荷特性研究就显得尤为重要。现今对负荷特性的研究较多，但是针对于高耗能工厂的负荷特性研究相对欠缺。在智能电网快速发展的背景下，有必要对高耗能工厂负荷特性进行全面的分析，这对了解高耗能工厂的用电环境、用电行为习惯和用电特点具有重要的科学意义。对于高耗能工厂负荷特性的研究，不仅可以更好的进行高耗能工厂的负荷分解研究，还能更好地进行高耗能工厂的负荷预测和工厂用户行为分析。
3.想要更好的进行高耗能工厂负荷特性研究，需要用到高耗能工厂的典型日负荷曲线，故获取优良且精确的典型日负荷曲线就显得很重要。但单纯用原始的k-means算法获取高耗能工厂的典型日负荷曲线有较大的局限和偏差，所以本发明提出一种mobwo-km算法，即使用多目标白鲸优化去优化k-means算法的初始聚类中心，以获得更加优良准确的高耗能工厂典型日负荷曲线，对高耗能工厂负荷特性分析有广泛而深远的科学意义。


技术实现要素：

4.本发明的发明目的在于，提出一种基于mobwo-km算法的高耗能工厂负荷特性分析方法，以获得更加优良准确的高耗能工厂典型日负荷曲线，具体包括如下步骤：
5.步骤s1、采集高耗能工厂的负荷数据；
6.步骤s2、对采集到的数据进行预处理和归一化处理；
7.步骤s3、用预处理和归一化后的数据建立高耗能工厂的日负荷曲线，得到日负荷曲线数据集n；
8.步骤s4、用k-means算法对步骤s3的日负荷曲线数据集n进行聚类并用dbi指标以得到最优聚类数k；
9.步骤s5、利用多目标白鲸优化算法mobwo优化k-means算法的k个初始聚类中心；
10.步骤s6、使用上述的mobwo-km算法聚类步骤s3的日负荷曲线数据集n，并对结果进行反归一化，最终可以得到高耗能工厂的典型日负荷曲线；
11.优选地，步骤s1具体为每三十分钟对高耗能工厂的负荷数据采样。
12.优选地，步骤s2具体为筛选出采集到的数据中缺少和异常的部分，并根据气候、时期、温度等进行相似日负荷数据替换。
13.优选地，步骤s2中进行归一化处理具体为采用最大值最小值归一化方法进行归一化处理。
14.优选地，步骤s4具体包括如下步骤：
15.步骤s41、使用初始的k-means算法对步骤s3的日负荷曲线进行聚类；
16.步骤s42、使用dbi指标得到k-means算法对于步骤s3的日负荷曲线数据集n的最优聚类数k；
17.优选地，步骤s5具体为用多目标白鲸优化mobwo对k-means算法的k个初始聚类中心进行优化，其中的k为步骤s4所得到的最优聚类数k。
18.优选地，步骤s5具体包括如下步骤：
19.步骤s51、确定多目标白鲸优化mobow的最大迭代次数t
max
和种群数量n等初始参数；
20.步骤s52、初始化多目标白鲸优化mobow种群，根据目标函数计算得到相应的适应度值；
21.步骤s53、计算出mobwo的平衡因子bf和鲸落概率wf；
22.步骤s54、根据步骤s53的平衡因子bf和鲸落概率wf经历多目标白鲸算法探索、开发和鲸落三个阶段，得到不同新位置的适应度值；
23.步骤s55、对新位置的适应度值进行计算排序，找到当前迭代的最优解；
24.步骤s56、当迭代次数t与最大迭代次数t
max
比较，若t大于等于t
max
则可以获得k-means算法的最优初始聚类中心，否则返回步骤s53继续找k-means算法的最优初始聚类中心；
25.优选地，步骤s51的种群数量以步骤s3的日负荷曲线数据集n为参照确定的；
26.优选地，步骤s53中平衡因子bf公式具体为:
27.bf＝bo(1-t/2t
max
)
28.式中bf表示平衡因子；t
max
表示最大迭代次数；t表示当前迭代次数；b0∈(0，1)，并且每次迭代会在上述范围随机变化。
29.鲸落概率wf公式具体为：
[0030][0031]
式中wf表示鲸落概率，t
max
表示最大迭代次数；t表示当前迭代次数。
[0032]
优选地，根据步骤s6会得到k个高耗能工厂日负荷曲线，取这k个高耗能工厂日负荷曲线的均值并进行反归一化最终得到高耗能工厂的典型日负荷曲线，以此典型日负荷曲线可以更好地进行高耗能工厂的负荷特性分析。
[0033]
本发明的有益效果：本发明提供一种基于mobwo-km算法的高耗能工厂负荷特性分析方法，通过使用最新的多目标白鲸优化mobwo对k-means算法的k个初始聚类中心进行优化可以改善k-means算法随机初始聚类中心的缺陷，可以获得优良且精确的典型日负荷曲线。这对于高耗能工厂的负荷特性研究分析具有重要的科学意义，进一步的可以更好的进行高耗能工厂的负荷分解研究，对高耗能工厂的负荷预测和工厂用户行为分析也有较大的帮助。
附图说明
[0034]
图1是本发明提供的基于mobwo-km算法的高耗能工厂负荷特性分析方法流程示意图；
[0035]
图2是本发明提供的mobwo-km算法的具体流程示意图；
具体实施方式
[0036]
以下通过具体实施例与附图对本发明做进一步解释说明。
[0037]
本发明提供一种基于mobwo-km算法的高耗能工厂负荷特性分析方法，通过使用最新的多目标白鲸优化mobwo对k-means算法的k个初始聚类中心进行优化可以改善k-means算法随机初始聚类中心的缺陷，可以获得优良且精确的典型日负荷曲线。
[0038]
本发明通过最新的多目标白鲸优化mobwo算法改进k-means算法初始聚类中心的基础上提出一种基于mobwo-km算法的高耗能工厂负荷特性分析方法，具体步骤如下：
[0039]
步骤s1、周期性的采集高耗能工厂的负荷数据，出于数据复杂性考虑具体为每三十分钟一次；
[0040]
步骤s2、先对采集到的数据进行预处理：高耗能工厂的数据较为规律，故可以人为筛选出采集到的数据中缺少和异常的部分，然后根据气候、时期、温度等指标选择出相似日，用相似日的负荷数据对缺少的数据补全和异常的数据替换。
[0041]
再进行归一化处理：归一化处理具体为最大值最小值归一化。最大值最小值归一化公式为：
[0042][0043]
式中，x
max
是每组负荷数据中的最大负荷数据值，x
min
是每组负荷数据中的最小负荷数据值。
[0044]
步骤s3、用预处理和归一化后的数据建立高耗能工厂的日负荷曲线，具体根据采集到的高耗能工厂的数据来决定建立多少条日负荷曲线，最终得到日负荷曲线数据集n；
[0045]
在步骤s4和步骤s5前，要知道k-means算法的两大重大缺陷以便更好的理解步骤s4和步骤s5；
[0046]
k-means算法的两大缺陷：k值为人为设定(不同k值可能会得到不同的结果)，k个初始聚类中心是随机选取的(两次随机的初始聚类中心会不同，结果的聚类中心也会不同)。
[0047]
步骤s4、用k-means算法对步骤s3的日负荷曲线数据集n进行聚类并用dbi指标得到最优聚类数k，具体包括如下步骤：
[0048]
步骤s41、使用初始的k-means算法对步骤s3的日负荷曲线进行聚类，预聚类以便后续得到其最佳聚类数k；
[0049]
步骤s42、使用dbi指标得到k-means算法对于步骤s3的日负荷曲线的最优聚类数k；
[0050]
其中dbi指标具体公式为：
[0051][0052]
式中d(xi)和d(xj)是每个类中所有数据对象到本类聚类中心的距离之和,d(ci,cj)为类间聚类中心的距离。当选取的k值使i
dbi
最小时，此时的k值为最优聚类数。
[0053]
步骤s5、提出一种mobwo-km算法即使用最新的多目标白鲸优化mobwo对k-means算法的k个初始聚类中心进行优化以改善k-means算法随机初始聚类中心的缺陷，本质就是k-means算法k个初始聚类中心的优化问题，其具体步骤如下：
[0054]
步骤s51、确定多目标白鲸优化mobwo的最大迭代次数t
max
和以步骤s3日负荷曲线数据集n为参照确定的种群数量n等初始参数；
[0055]
步骤s52、初始化多目标白鲸优化mobwo种群，根据目标函数计算得到相应的适应度值，目标函数采用的最小化函数划分公式为：
[0056][0057]
式中，m为该组数据的总数，uj为聚类中心，si为数据集中的一数据，
[0058]
步骤s53、计算出mobwo的平衡因子bf和鲸落概率wf，其中平衡因子bf公式具体为:
[0059]bf
＝bo(1-t/2t
max
)
[0060]
式中bf表示平衡因子；t
max
表示最大迭代次数；t表示当前迭代次数；b0∈(0，1)，并且每次迭代会在上述范围随机变化。
[0061]
鲸落概率wf公式具体为:
[0062][0063]
式中wf表示鲸落概率，t
max
表示最大迭代次数；t表示当前迭代次数。；
[0064]
步骤s54、根据步骤s53的平衡因子bf和鲸落概率wf经历多目标白鲸算法探索、开发和鲸落三个阶段，得到不同新位置的适应度值；
[0065]
步骤s55、对新位置的适应度值进行计算排序，找到当前迭代的最优解；
[0066]
步骤s56、当迭代次数t与最大迭代次数t
max
比较，若t大于等于t
max
则可以获得k-means算法的最优初始聚类中心，否则返回步骤s53继续寻找k-means算法的最优初始聚类中心；
[0067]
步骤s6、用mobwo-km算法聚类步骤s3的日负荷曲线数据集n，可以得到k个高耗能工厂日负荷曲线,取这k个高耗能工厂日负荷曲线的均值并进行反归一化最终得到高耗能工厂的典型日负荷曲线；
[0068]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0069]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

技术特征：
1.一种基于mobwo-km算法的高耗能工厂负荷特性分析方法，包括如下步骤：步骤s1、采集高耗能工厂的负荷数据；步骤s2、对采集到的数据进行预处理和归一化处理；步骤s3、用预处理和归一化后的数据建立高耗能工厂的日负荷曲线,得到日负荷曲线数据集n；步骤s4、用k-means算法对步骤s3的日负荷曲线数据集n进行聚类并用dbi指标以得到最优聚类数k；步骤s5、利用多目标白鲸优化算法mobwo优化k-means算法的k个初始聚类中心；步骤s6、使用上述的mobwo-km算法聚类步骤s3的日负荷曲线数据集n，并对结果进行反归一化，最终可以得到高耗能工厂的典型日负荷曲线。2.如权利要求1所述的方法，其特征在于，步骤s1具体为每三十分钟对高耗能工厂的负荷数据采样。3.如权利要求1所述的方法，其特征在于，步骤s2具体为筛选出采集到的数据中缺少和异常的部分，并根据气候、时期、温度等进行相似日负荷数据替换。4.如权利要求1所述的方法，其特征在于，步骤s2中进行归一化处理具体为采用最大值最小值归一化方法进行归一化处理。5.如权利要求1所述的方法，其特征在于，步骤s4具体包括如下步骤：步骤s41、使用初始的k-means算法对步骤s3的日负荷曲线进行聚类；步骤s42、使用dbi指标得到k-means算法对于步骤s3的日负荷曲线的最优聚类数k。6.如权利要求1所述的方法，其特征在于,步骤s5具体步骤如下：步骤s51、确定多目标白鲸优化mobwo的最大迭代次数t
max
和以步骤s3日负荷曲线数据集n确定的种群数量n等初始参数；步骤s52、初始化多目标白鲸优化mobwo种群，根据目标函数计算得到相应的适应度值；步骤s53、计算出mobwo的平衡因子b
f
和鲸落概率w
f
；步骤s54、根据步骤s53的平衡因子b
f
和鲸落概率w
f
经历多目标白鲸算法探索、开发和鲸落三个阶段，得到不同新位置的适应度值；步骤s55、对新位置的适应度值进行计算排序，找到当前迭代的最优解；步骤s56、当迭代次数t与最大迭代次数t
max
比较，若t大于等于t
max
则可以获得k-means算法的最优初始聚类中心，否则返回步骤s53继续找k-means算法的最优初始聚类中心。7.如权利要求6所述的方法，其特征在于，步骤s53中平衡因子b
f
公式具体为:b
f
＝b
o
(1-t/2t
max
)式中b
f
表示平衡因子；t
max
表示最大迭代次数；t表示当前迭代次数；b0∈(0，1)，并且每次迭代会在上述范围随机变化。鲸落概率w
f
公式具体为式中w
f
表示鲸落概率，t
max
表示最大迭代次数；t表示当前迭代次数。8.如权利要求1所述的方法，其特征在于,根据步骤s6可以得到k个高耗能工厂日负荷
曲线，取这k个高耗能工厂日负荷曲线的均值并进行反归一化最终得到高耗能工厂的典型日负荷曲线，以此典型日负荷曲线可以更好地进行高耗能工厂的负荷特性分析。

技术总结
本发明提出一种基于MOBWO-KM算法的高耗能工厂负荷特性分析方法，首先采集高耗能工厂的负荷数据；对采集到的数据进行预处理和归一化处理；用预处理和归一化后的数据建立高耗能工厂的日负荷曲线,得到日负荷曲线数据集N；再用k-means算法日负荷曲线数据集N进行聚类并用DBI指标得到最优聚类数k；利用多目标白鲸优化算法MOBWO优化k-means算法的k个初始聚类中心；利用上述的MOBWO-KM算法聚类日负荷曲线数据集N，并对结果进行反归一化最终得到高耗能工厂的典型日负荷曲线。其可以获得优良且精确的典型日负荷曲线，以此可以更好的对高耗能工厂的负荷特性进行研究分析，进而更好的进行高耗能工厂的负荷分解、负荷预测和工厂用户行为分析。分析。分析。


技术研发人员：周孟然 孔伟乐 胡锋 吴长臻 朱梓伟
受保护的技术使用者：安徽理工大学
技术研发日：2023.04.25
技术公布日：2023/8/9