《表1 CAEs网络参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《采用深度学习和多维模糊C均值聚类的负荷分类方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

使用某地区10 000条商业和工业用户日负荷数据对CAEs网络进行训练，单个CAE及构成CAEs网络模型参数如表1所示，通过该网络，可将288个点的日负荷数据降维至12个深层特征参数。在训练好的CAEs网络模型的基础上，对该地区商业和工业共1 200个用户的负荷数据集进行聚类分析，日负荷采样间隔为5 min，每日共计288个数据点，归一化后的典型日用户负荷序列集样本如图5所示，图中包含多类具有明显差异的负荷曲线，负荷主要表现为全天平稳、昼高夜低、昼低夜高、全天多个高峰等多种各自独特的用电特性。通过自适应函数确定FCM算法与MSC-FCM算法的最优聚类数均为6类，rx＿max和ry＿max均取为3，通过网格搜索法将权重α和λ确定为0.25和0.75。