一种用于新能源负荷数据的演化聚类方法及系统与流程

1.本发明涉及配电网与分布式电源技术领域，具体涉及一种用于新能源负荷数据的演化聚类方法及系统。


背景技术：

2.随着大规模新能源电力接入电网，电力系统结构形态、运行控制方式将发生根本性变革，形成以新能源电力生产、传输、消费为主体的新一代电力系统，挖掘电力大数据中的信息对电力系统的发展具有重要意义。随着电力系统信息化水平的提高和电力数据的快速增长，各种通信故障，设备故障，电网波动和异常的用户行为也随之出现。通过在电力大数据的分析中使用聚类算法，可以进一步挖掘用户特征，分析用户的负荷特性。
3.目前有很多静态聚类的方法广泛应用于用户负荷曲线的聚类，最经典的有分区方法如k-means、分层方法、基于密度的方法、基于网格的方法等等。这些传统的静态聚类算法存在受初值和聚类数目影响较大、不适用于高维数据、无法考虑时间序列的时序特征等问题。
4.在电力用户聚类方法及装置(cn106548301a)发明中，此发明首先通过预设选择规则合理地初始化聚类中心，根据电力用户的负荷数据的峰时间段、聚类中心以及k均值聚类算法对电力用户进行聚类，获得聚类结果。上述发明虽改善了静态聚类算法手初值影响较大的缺点，但未考虑负荷数据的时序特征以及未考虑对于高维数据应该选用何种距离度量方式。在一种基于聚类分析的用户用电行为检测方法(cn106682079b)发明中，此发明首先通过k-means算法或fcm算法进行聚类，得到用户负荷数据中的离群点对象，再对这些用户的负荷数据进行层次聚类得到距离矩阵，该处的距离计算方式为欧式聚类，最终根据距离矩阵与设定阈值，判定窃电嫌疑用户。上述发明使用的是静态聚类算法，并采用欧式距离进行相似度度量，采用的静态聚类算法对于动态的用户负荷数据分析稳定性不好。


技术实现要素：

5.为了解决上述问题，本发明提出了一种用于新能源负荷数据的演化聚类方法，包括：
6.获取当前时刻配电网新能源的负荷数据，以及当前时刻的上一时刻配电网新能源负荷数据的聚类结果；
7.基于上一时刻的聚类结果，以预设算法对当前时刻的负荷数据进行演化聚类，得到当前时刻负荷数据的演化聚类结果，且演化聚类结果与聚类结果的相似度大于预设阈值；
8.通过演化聚类结果刻画配电网新能源负荷的特性；
9.所述预设算法，包括形状相似度度量算法和演化聚类框中运行的静态聚类算法。
10.可选的，静态聚类算法为k-shape聚类算法。
11.可选的，形状相似度度量算法为sbd距离算法。
12.可选的，以预设算法对当前时刻的负荷数据进行演化聚类，若演化聚类框架内的聚类类别发生变化，则演化聚类框架根据所述聚类类别的变化衍生出新的聚类类别，再通过形状相似度度量算法和静态聚类算法对负荷数据进行聚类操作，获取配电网新能源负荷数据的多类别演化聚类结果，所述多类别演化聚类结果用于刻画配电网新能源负荷特性的动态性。
13.可选的，以预设算法对当前时刻的负荷数据进行演化聚类，包括：
14.基于上一时刻的聚类结果，初始化聚类中心，并基于形状相似度度量算法对当前时刻负荷数据进行迭代计算；
15.基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇；
16.根据更新后的聚类中心和每个样本数据所属的簇，确定聚类簇心和每个样本数据所属类，并将所述聚类簇心和每个样本数据所属类作为当前时刻配电网新能源负荷数据的演化聚类结果。
17.可选的，基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇之后，还包括：
18.当迭代计算完成后，确定对当前时刻负荷数据进行聚类和演化聚类的聚类质量，并确定当前时刻的聚类质量的权重，使用当前时刻的聚类质量的权重的值，更新下一时刻的聚类质量权重的值。
19.可选的，基于上一时刻的聚类结果，初始化聚类中心，并基于形状相似度度量算法对当前时刻负荷数据进行迭代计算，包括：
20.根据上一时刻的聚类结果确定上一时刻的聚类质量的权重的值，通过所述静态聚类算法根据所述上一时刻的聚类质量的权重的值初始化聚类中心，在初始化完成后，基于形状相似度度量算法对当前时刻的负荷数据进行迭代计算。
21.可选的，基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇，包括：
22.根据迭代计算结果和所述静态聚类算法的聚类公式更新聚类中心和每个样本数据所属的簇；
23.所述迭代计算结果为当前时刻负荷数据中每个样本数据到聚类中的sbd距离。
24.再一方面，本发明还提出了一种用于新能源负荷数据的演化聚类系统，包括：
25.数据采集单元，用于获取当前时刻配电网新能源的负荷数据，以及当前时刻的上一时刻配电网新能源负荷数据的聚类结果；
26.演化聚类单元，基于上一时刻的聚类结果，以预设算法对当前时刻的负荷数据进行演化聚类，得到当前时刻负荷数据的演化聚类结果，且演化聚类结果与聚类结果的相似度大于预设阈值；
27.输出单元，用于通过演化聚类结果刻画配电网新能源负荷的特性；
28.所述预设算法，包括形状相似度度量算法和演化聚类框中运行的静态聚类算法。
29.可选的，静态聚类算法为k-shape聚类算法。
30.可选的，形状相似度度量算法为sbd距离算法。
31.可选的，以预设算法对当前时刻的负荷数据进行演化聚类，若演化聚类框架内的
聚类类别发生变化，则演化聚类框架根据所述聚类类别的变化衍生出新的聚类类别，再通过形状相似度度量算法和静态聚类算法对负荷数据进行聚类操作，获取配电网新能源负荷数据的多类别演化聚类结果，所述多类别演化聚类结果用于刻画配电网新能源负荷特性的动态性。
32.可选的，以预设算法对当前时刻的负荷数据进行演化聚类，包括：
33.基于上一时刻的聚类结果，初始化聚类中心，并基于形状相似度度量算法对当前时刻负荷数据进行迭代计算；
34.基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇；
35.根据更新后的聚类中心和每个样本数据所属的簇，确定聚类簇心和每个样本数据所属类，并将所述聚类簇心和每个样本数据所属类作为当前时刻配电网新能源负荷数据的演化聚类结果。
36.可选的，基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇之后，还包括：
37.当迭代计算完成后，确定对当前时刻负荷数据进行聚类和演化聚类的聚类质量，并确定当前时刻的聚类质量的权重，使用当前时刻的聚类质量的权重的值，更新下一时刻的聚类质量权重的值。
38.可选的，基于上一时刻的聚类结果，初始化聚类中心，并基于形状相似度度量算法对当前时刻负荷数据进行迭代计算，包括：
39.根据上一时刻的聚类结果确定上一时刻的聚类质量的权重的值，通过所述静态聚类算法根据所述上一时刻的聚类质量的权重的值初始化聚类中心，在初始化完成后，基于形状相似度度量算法对当前时刻的负荷数据进行迭代计算。
40.可选的，基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇，包括：
41.根据迭代计算结果和所述静态聚类算法的聚类公式更新聚类中心和每个样本数据所属的簇；
42.所述迭代计算结果为当前时刻负荷数据中每个样本数据到聚类中的sbd距离。
43.再一方面，本发明还提供了一种计算设备，包括：一个或多个处理器；
44.处理器，用于执行一个或多个程序；
45.当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的一种用于新能源负荷数据的演化聚类方法。
46.再一方面，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的一种用于新能源负荷数据的演化聚类方法。
47.与现有技术相比，本发明的有益效果为：
48.本发明提供了一种用于新能源负荷数据的演化聚类方法，包括：获取当前时刻配电网新能源的负荷数据，以及当前时刻的上一时刻配电网新能源负荷数据的聚类结果；基于上一时刻的聚类结果，以预设算法对当前时刻的负荷数据进行演化聚类，得到当前时刻负荷数据的演化聚类结果，且演化聚类结果与聚类结果的相似度大于预设阈值；通过演化聚类结果刻画配电网新能源负荷的特性；所述预设算法，包括形状相似度度量算法和演化
聚类框中运行的静态聚类算法。本发明针对负荷数据，使用演化聚类框架和静态聚类算法进行演化聚类分析，可以实现对用户负荷数据的准确聚类，获取的演化聚类结果可包括多个类别，可用于刻画描述负荷数据的状态转化关系等。
附图说明
49.图1为本发明实施例方法的流程示意图；
50.图2为本发明实施例演化聚类操作流程的示意图；
51.图3为本发明实施例演化聚类结果的表示图；
52.图4为本发明实施例的系统结构示意图；
53.图5为本发明实施例方法应用的系统的业务架构图。
具体实施方式
54.现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
55.除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
56.配电网中涵盖多种不同负荷类型，如风、光、热等，上述新的负荷带来了新的负荷特性。以风力为力，它的负荷特点将随着云团、高低压环境场等的变化。风、光、热等新能源具有动态变化的特性。传统的静态负荷模式的聚类分析具有随机性，对于数据的分析不同时刻的分析结果往往相差甚远，干扰了对用户负荷分析的准确性，因此，传统的静态负荷模式分析难以适应具有动态特征的新能源环境，本发明的目的在于引入演化聚类，考虑新能源的动态变化性，从而更好的刻画新能源环境下的负荷特征，使得在对用户按照负荷数据进行聚类时更加准确，能够更好的刻画用户用电特征，帮助电力公司进行智能电力分析与调整。本发明通过模型的映射，将负荷变化的规律转化为演化聚类中的类别迁移，以一系列动态演化用于刻画完整的负荷特性。
57.因此本发明提出了一种用于新能源负荷数据的演化聚类方法及系统，本发明针对负荷数据，使用演化聚类框架和静态聚类算法进行演化聚类分析，可以实现对用户负荷数据的准确聚类，获取的演化聚类结果可包括多个类别，可用于刻画描述负荷数据的状态转化关系等。
58.为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
59.实施例1
60.本发明提出了的一种用于新能源负荷数据的演化聚类方法如图1所示，包括：
61.步骤1、获取当前时刻配电网新能源的负荷数据，以及当前时刻的上一时刻配电网新能源负荷数据的聚类结果；
62.步骤2、基于上一时刻的聚类结果，以预设算法对当前时刻的负荷数据进行演化聚类，得到当前时刻负荷数据的演化聚类结果，且演化聚类结果与聚类结果的相似度大于预设阈值；所述预设算法，包括形状相似度度量算法和演化聚类框中运行的静态聚类算法；
63.步骤3、通过演化聚类结果刻画配电网新能源负荷的特性。
64.具体实现步骤及分析方法如下：
65.步骤2中以预设算法对当前时刻的负荷数据进行演化聚类，包括：
66.根据上一时刻的聚类结果确定上一时刻的聚类质量的权重的值，通过所述静态聚类算法根据所述上一时刻的聚类质量的权重的值初始化聚类中心，在初始化完成后，基于形状相似度度量算法对当前时刻的负荷数据进行迭代计算；
67.根据迭代计算结果和所述静态聚类算法的聚类公式更新聚类中心和每个样本数据所属的簇；
68.所述迭代计算结果为当前时刻负荷数据中每个样本数据到聚类中的sbd距离；
69.当迭代计算完成后，确定对当前时刻负荷数据进行聚类和演化聚类的聚类质量，并确定当前时刻的聚类质量的权重，使用当前时刻的聚类质量的权重的值，更新下一时刻的聚类质量权重的值；
70.根据更新后的聚类中心和每个样本数据所属的簇，确定聚类簇心和每个样本数据所属类，并将所述聚类簇心和每个样本数据所属类作为当前时刻配电网新能源负荷数据的演化聚类结果；
71.若演化聚类框架内的聚类类别发生变化，则演化聚类框架根据所述聚类类别的变化衍生出新的聚类类别，再通过形状相似度度量算法和静态聚类算法对负荷数据进行聚类操作，获取配电网新能源负荷数据的多类别演化聚类结果，所述多类别演化聚类结果用于刻画配电网新能源负荷特性的动态性。
72.步骤2中静态聚类算法为k-shape聚类算法，形状相似度度量算法为sbd距离算法。
73.下面对上述的对负荷数据进行演化聚类操作进行进一步的说明；
74.现有的常见聚类算法如k-means、层次聚类等通常都会假设进行聚类的数据是独立同分布的，即不同的数据之间没有关联，因此这些聚类算法都属于静态聚类。用户的负荷数据，其分布通常是随时间变化的，属于时序数据，并且相邻时间的负荷数据通常具有相似性，静态聚类的分析结果不能体现出数据分布随时间的变化。
75.在进行演化聚类时，设t为时刻，t时刻待聚类的数据，即负荷数据为u
t
，负荷数据共有n组，x
t,i
表示在t时刻的第i组数据，i大于0且小于等于n，聚类簇心用c
t
表示，共有k个簇心，其中c
t,i
∈c
t
，表示t时刻聚类结果中第i个簇心，t时刻的聚类质量用sq表示；其中，u
t
，c
t
和sq分别用如下公式进行表示：
76.u
t
＝{x
t,1
,x
t,2
,...,x
t,n
}
77.c
t
＝{c
t,1
,c
t,2
,...,c
t,k
}
[0078][0079]
其中，a(i)为第i组数据到所有它属于的簇中其它点的距离的平均值，b(i)为第i组数据到所有非本身所在簇的平均不相似的最小值。
[0080]
演化聚类在初始化簇心(即聚类中心)时，使用上一时刻的负荷数据的聚类簇心，
即上一时刻的聚类质量，然后使用静态聚类方法，对数据进行聚类操作，然后使用下列公式计算当前时刻的簇心：
[0081]ct,j
＝(1-γ)*cp*c
t-1,f(j)
+γ*(1-cp)c’t,j
[0082]
其中，f(j)是一个映射函数，表示时刻t-1聚类中心和时刻t的类别j的聚类中心最近的一个，c
′
t,j
表示时刻t使用静态聚类得到的类别j的聚类中心，γ是c
′
t,j
和c
′
t-1,f(j)
权重的比值，其中γ的值的计算公式如下所示：
[0083][0084]
权重cp的取值是一个分段函数，在某些时刻，可能会出现数据分布与前一时刻相比发生突变的情况，此时使用演化聚类会使得当前聚类质量大幅下降，假设sq和sq
′
分别为不使用演化聚类和使用演化聚类时的当前聚类质量，β为指定的阈值；
[0085]
当时；
[0086]
本次权重cp取0，在当前时刻放弃使用演化聚类，经过上述公式的计算，即可得到当前时刻t的演化聚类结果，cp的计算公式如下：
[0087][0088]
用户的负荷特性通常通过对负荷数据的聚类来实现，由于负荷数据属于时序数据，因此在本发明中使用基于形状距离的k-shape聚类算法作为静态聚类算法；
[0089]
k-shape聚类算法使用sbd距离作为距离度量方式。基于形状的相似性度量方法sbd(shape-based-distance)，能够处理时间序列在相位和振幅上的匹配问题，并适用于不同规模的数据集。该方法将用于信号匹配领域的互相关度量方式引入到时间序列的距离计算中，能够在距离计算过程中比较相位不同的序列间的相似性。
[0090]
为了描述两个时间序列的形状相似性，这里引入了信号处理领域的互相关概念，设有两个m维时间序列和将固定，设向右移动时步数为正、左移时的步数为负，并将相对缺失部分用0填充，而对于超出部分则将其截断，从而得到移动后的补齐序列假设移动步数为s，当s》0时有s《0时有考虑所有移动情况，可以得到一个长度为2m-1的互相关序列即当的移动步数为m-w时与的内积，其中的计算公式如下：
[0091]
[0092]
接着将得到的互相关序列归一化处理，得到标准互相关序列nccw，其中r0为互相关函数，因此可以确定的计算公式如下:
[0093][0094]
互相关序列中存在某个位置w使得nccw序列达到最大值，sbd距离的计算正是基于最大化的nccw，通过nccw可以计算的计算公式如下：
[0095][0096]
得到sbd距离的计算方法后即可使用k-shape聚类算法对负荷数据进行聚类操作。k-shape算法的目标是找到一个簇心使得簇pk内所有序列与的sbd距离的平方和达到最小，的计算公式如下：
[0097][0098][0099]
上式的求解过程要求计算每个簇内元素的互相关序列，计算过程较为复杂。考虑到是通过迭代的方式计算，因此在这里在求解过程中假设在相邻两次的迭代中变化不大，从而省去分母，并将带入其中得到：
[0100][0101]
用向量表示该式，并对进行归一化处理得到下式：
[0102][0103]
在上式中，其中为的转置向量，只有μk还未归一化，对μk进行归一化，得到：
[0104][0105]
令
[0106]
得到：
[0107][0108]
上述公式的求解是瑞利熵的最大化问题，为μk的转置向量，的最大值为实对
称矩阵m的最大特征值对应的特征向量。
[0109]
本发明提出的负荷特性分析是对用户的负荷数据演化聚类结果进行分析，具体流程如下：首先使用上一时刻的聚类结果初始化当前时刻的聚类簇心，然后使用k-shape聚类对当前时刻的数据进行聚类，最后通过演化聚类框架得到用户负荷数据的演化聚类结果，其完整流程如伪代码所示：
[0110]
输入：时间t的样本集u
t
＝{x
t,1
,x
t,2
,
…
,x
t,n
}，阈值β，聚类簇数k，时间t-1的聚类结果c
t-1
＝{c
t-1,1
,c
t-1,2
,
…
,c
t-1,n
}，时间t-1的样本集u
t
＝{x
t-1,1
,x
t-1,2
,
…
,x
t-1,n
}
[0111]
输出：k
×
m阶簇心矩阵c
t
，n
×
1阶各样本所属簇标记d
[0112]
过程：
[0113]
if cp＝＝0
[0114]
用随机数初始化c
t
[0115]
else c
t
＝c
t-1
[0116]
while c
t
与上次迭代的值不相等：
[0117]
for i＝1,2,
…
,n:
[0118]
for j＝1,2,
…
,k:
[0119]
计算每个样本x
t,j
到簇心c
t,j
和c
t-1,j
的sbd距离
[0120]
根据x
t,j
到各个簇心的距离将其分配到距离其最近的中心所属的簇，更新c
t,j
[0121]
根据c
t,j
到t-1时刻簇心的距离，找到离t-1时刻最近的簇心，更新映射函数f(j)
[0122]
for j＝1,2,
…
,k:
[0123]
for cj内每个样本：
[0124]
根据sbd距离的计算公式计算每个样本x
t,j
与簇心c
t,j
的相对移位和对齐后的样本x
′
t,j
[0125]
计算矩阵m＝x
′
t
·
x
′
，其中x
′
＝x
′
t,1
,x
′
t,2
,
…
,x
′
t,n
[0126]
计算矩阵m的最大特征值对应的特征向量
[0127]
找出c
t-1
中距离c
t,i
的簇心c
t-1,f(j)
[0128]
计算
[0129][0130]
使用
[0131]ct,j
＝(1-γ)*cp*c
t-1,f(j)
+γ*(1-cp)c’t,j
[0132]
更新c
t,j
[0133]
根据簇心c
t,j
更新簇心矩阵c
t
[0134]
计算sq(c
t,j
)以及sq(c
′
t,j
)，将其比值与设定的阈值β比较，更新cp
[0135]
输出簇心矩阵c
t
和各样本所属簇标记d。
[0136]
本发明演化聚类框架和k-shape静态聚类实现，如图2所示，支撑平台为上本发明提供工具信息支持，通过数据库管理工具对数据进行管理，聚类演化算法运行在支撑平台上，最终借助演化聚类算法实现了高可用性和准确性的负荷特性分析方法。
[0137]
本发明配电网新能源的负荷模式变化进行表示如图3所示，图3左侧表示不同模式
的负荷曲线，右侧表示负荷模式随时间的演化规律，通过引入演进聚类算法，能够更精准的刻画新能源环境下随时间变化的负荷特征。
[0138]
实施例2
[0139]
基于同一发明构思，本发明还提出了一种用于新能源负荷数据的演化聚类系统200，如图4所示，包括：
[0140]
数据采集单元201，用于获取当前时刻配电网新能源的负荷数据，以及当前时刻的上一时刻配电网新能源负荷数据的聚类结果；
[0141]
演化聚类单元202，基于上一时刻的聚类结果，以预设算法对当前时刻的负荷数据进行演化聚类，得到当前时刻负荷数据的演化聚类结果，且演化聚类结果与聚类结果的相似度大于预设阈值；
[0142]
输出单元203，用于通过演化聚类结果刻画配电网新能源负荷的特性；
[0143]
所述预设算法，包括形状相似度度量算法和演化聚类框中运行的静态聚类算法。
[0144]
其中，静态聚类算法为k-shape聚类算法。
[0145]
其中，形状相似度度量算法为sbd距离算法。
[0146]
其中，以预设算法对当前时刻的负荷数据进行演化聚类，若演化聚类框架内的聚类类别发生变化，则演化聚类框架根据所述聚类类别的变化衍生出新的聚类类别，再通过形状相似度度量算法和静态聚类算法对负荷数据进行聚类操作，获取配电网新能源负荷数据的多类别演化聚类结果，所述多类别演化聚类结果用于刻画配电网新能源负荷特性的动态性。
[0147]
其中，以预设算法对当前时刻的负荷数据进行演化聚类，包括：
[0148]
基于上一时刻的聚类结果，初始化聚类中心，并基于形状相似度度量算法对当前时刻负荷数据进行迭代计算；
[0149]
基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇；
[0150]
根据更新后的聚类中心和每个样本数据所属的簇，确定聚类簇心和每个样本数据所属类，并将所述聚类簇心和每个样本数据所属类作为当前时刻配电网新能源负荷数据的演化聚类结果。
[0151]
其中，基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇之后，还包括：
[0152]
当迭代计算完成后，确定对当前时刻负荷数据进行聚类和演化聚类的聚类质量，并确定当前时刻的聚类质量的权重，使用当前时刻的聚类质量的权重的值，更新下一时刻的聚类质量权重的值。
[0153]
其中，基于上一时刻的聚类结果，初始化聚类中心，并基于形状相似度度量算法对当前时刻负荷数据进行迭代计算，包括：
[0154]
根据上一时刻的聚类结果确定上一时刻的聚类质量的权重的值，通过所述静态聚类算法根据所述上一时刻的聚类质量的权重的值初始化聚类中心，在初始化完成后，基于形状相似度度量算法对当前时刻的负荷数据进行迭代计算。
[0155]
其中，基于迭代计算结果和静态聚类算法，更新聚类中心和当前时刻负荷数据中每个样本数据所属的簇，包括：
[0156]
根据迭代计算结果和所述静态聚类算法的聚类公式更新聚类中心和每个样本数据所属的簇；
[0157]
所述迭代计算结果为当前时刻负荷数据中每个样本数据到聚类中的sbd距离。
[0158]
本发明的用于新能源负荷数据的演化聚类系统还支持如图5所示的架构，基于底层的演化聚类框架和k-shape静态聚类实现。支撑平台为上层应用提供工具信息支持，通过数据库管理工具对数据进行管理，算法运行在算法运行平台上。最终借助演化聚类算法实现了高可用性和准确性的负荷特性分析方法。
[0159]
实施例3：
[0160]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种用于新能源负荷数据的演化聚类方法的步骤。
[0161]
实施例4：
[0162]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种用于新能源负荷数据的演化聚类方法的步骤。
[0163]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0164]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0165]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0166]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0167]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在发明待批的本发明的权利要求范围之内。