基于对比学习和注意力增强的分布式资源自适应时空聚类方法OA

分布式资源的大规模接入给配电网的优化调度带来维数灾难,需要对分布式资源进行聚类以降低调控难度。然而,现有聚类方法难以应对高维、非线性与强时空耦合等复杂特征。为此,提出一种基于对比学习与注意力增强的卷积长短期记忆(convolutional long short-term memory,ConvLSTM)网络自适应时空聚类框架。首先,通过ConvLSTM网络提取数据在时间和空间维度上的深层次非线性特征;然后,引入多头自注意力机制对ConvLSTM网络的输出进行加权融合,以增强模型对关键时序特征的捕捉能力;在此基础上,采用对比学习算法,在无需伪标签指导的情况下,通过最大化数据增强样本间的一致性来训练特征提取器,从根本上学习数据的内在结构;最后,利用训练好的模型提取高维特征向量,通过计算余弦相似度构建距离矩阵,并结合Kdistance拐点自动检测算法为密度聚类算法(density-based spatial clustering of applications with noise,DBSCAN)提供最优参数,实现对分布式资源的自适应聚类划分。算例分析表明,所提聚类方法的聚类效果明显优于其他先进的聚类方法,所提模型能有效增强特征学习能力,提高聚类的准确性和稳定性。