CN103325071A - 一种基于密度聚类的用户典型负荷曲线的构建方法 - Google Patents

一种基于密度聚类的用户典型负荷曲线的构建方法 Download PDF

Info

Publication number
CN103325071A
CN103325071A CN2013102328567A CN201310232856A CN103325071A CN 103325071 A CN103325071 A CN 103325071A CN 2013102328567 A CN2013102328567 A CN 2013102328567A CN 201310232856 A CN201310232856 A CN 201310232856A CN 103325071 A CN103325071 A CN 103325071A
Authority
CN
China
Prior art keywords
vector
load
daily load
daily
load vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013102328567A
Other languages
English (en)
Inventor
郭创新
黄宇腾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN2013102328567A priority Critical patent/CN103325071A/zh
Publication of CN103325071A publication Critical patent/CN103325071A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于密度聚类的用户典型负荷曲线的构建方法，包括：（1）输入对象一定时间区间内的日负荷时间序列；（2）根据归一化后的负荷时间序列在向量空间中的分布呈现的密度差异，通过设置搜索半径ε及最小对象数目M，对其进行密度聚类；（3）根据密度聚类的结果将负荷时间序列对象分为一个或多个时间序列簇及噪声时间序列类别；（4）提取用户一种或多种典型负荷时间序列。本发明针对用户负荷变化复杂的特点，利用归一化后的日负荷时间序列在向量空间中分布的密度差异，通过设置合理的密度搜索参数对用户的典型负荷时间序列进行提取，无需指定聚类数目且可剔除噪声负荷，更适用于用户级别的一种或多种典型负荷时间序列的提取。

Description

一种基于密度聚类的用户典型负荷曲线的构建方法
技术领域
本发明属于电力系统管理控制技术领域，具体涉及一种基于密度聚类的用户典型负荷曲线的构建方法。
背景技术
随着经济的持续发展，近年来国内外电力负荷持续增长，而以增加机组装机容量的方式来匹配负荷增长的方式受到网架结构、线路传输容量等诸多限制，国内外逐渐将用户侧的需求侧管理、需求响应等作为平衡负荷、减少负荷高峰的主要手段。
掌握电力用户的用电习惯与负荷特征是有效实现需求侧管理的前提，然而长期以来由于国内电力系统配电侧的发展相对滞后，造成了电力用户负荷数据的不易获取与缺失等现象，相应的对电力用户的负荷行为及特征的研究与应用较少，国内现有的需求侧管理也仅限于以行政命令为主导的拉闸限电等行为。
在智能电网环境下，随着用户侧智能表计的大量投入，电力公司逐渐能够获取各类电力用户的实际负荷数据。用户日负荷曲线代表电力用户负荷随时间变化的特性，典型日负荷曲线则代表一段时间内的用户日负荷曲线中能够代表用户典型用电行为的曲线，是分析用户用电特点、预测用户负荷大小与变化趋势、评价用户参与需求侧管理潜力等的重要依据。由于用户负荷数据的离散监测，负荷曲线在应用中表现为负荷时间序列。
从用户纷繁的负荷数据中提取用户典型日负荷时间序列的过程是一个复杂的数据挖掘过程，现有研究方法主要包括选择典型日及求取平均值等传统方法，以及以聚类为基础的智能数据挖掘方法。其中选择典型日指的是在日负荷时间序列集合中选取某一日作为用户的典型负荷，而求取平均值指的是取该段时间内所有日负荷时间序列的均值作为典型负荷。由于负荷监测数据中可能存在噪声及坏数据，即使在监测无误的情况下用户仍可能存在因拉闸限电等产生的异常用电行为，而传统的提取用户典型负荷时间序列的方法无法剔除这些因素的影响，较为局限。
以聚类为基础的数据挖掘算法是近年来新兴的智能负荷分析与处理手段，主要是采取各种聚类方法，如k-means（k均值聚类算法）、FCM（模糊聚类算法）、SOM（自组织映射算法）等对区域电力系统、变压器或者用户的负荷数据进行聚类分析。公开号为CN102156814A的中国专利提出了一种以k-means划分聚类为基础的典型日负荷曲线提取方法，其需要预先输入聚类数目k，且在负荷对象集合中反复进行迭代寻优，但在对象中包含噪声负荷的情况下该方法无法甄别，而是将噪声负荷归入某一类中，故不够精确与高效。
发明内容
针对现有技术所存在的上述技术问题，本发明提供了一种基于密度聚类的用户典型负荷曲线的构建方法，针对用户负荷多变的特点，利用不同负荷时间序列在向量空间中的分布差异对负荷时间序列进行聚类分析，能够发现大规模用户负荷数据所展现的隐藏规律，表征用户典型负荷曲线的规律。
一种基于密度聚类的用户典型负荷曲线的构建方法，包括如下步骤：
（1）以采样间隔T对用户进行负荷采集，得到用户在n天时间内对应的n个日负荷向量，n为大于1的自然数；
（2）根据所述的日负荷向量在其向量空间中的分布，对n个日负荷向量进行密度聚类，得到至少一个负荷向量簇；
（3）对于任一负荷向量簇，从该向量簇中提取典型负荷向量，进而构建出对应该典型负荷向量的离散负荷曲线；依此遍历每一负荷向量簇。
所述的日负荷向量为m维向量，该向量中的每个元素对应用户在每个采样时间点的负荷值，m为一天内用户的负荷采样个数。
所述的步骤（2）中，对n个日负荷向量进行密度聚类的具体实施方法如下：
A.对于任一日负荷向量，从其余日负荷向量中确定其邻域向量，若其邻域向量个数小于预设的最小对象数目M，则定义该日负荷向量为噪声向量；依此遍历所有日负荷向量，从n个日负荷向量中删除所有噪声向量，从而组成待聚类向量集合；
B.从待聚类向量集合中任取一未处理的日负荷向量，并从待聚类向量集合中确定其邻域向量，从而将该日负荷向量标记为已处理，同时将该日负荷向量及其邻域向量组成负荷向量簇；
C.从该负荷向量簇中任取一未处理的日负荷向量，并从待聚类向量集合中确定其邻域向量，从而将该日负荷向量标记为已处理，同时将该日负荷向量的邻域向量纳入该负荷向量簇；依此遍历负荷向量簇中所有未处理的日负荷向量；
D.返回执行步骤B，直至待聚类向量集合中所有日负荷向量均已处理，从而形成多个负荷向量簇。
对于任一日负荷向量，确定其邻域向量的标准如下：
Σ i = 1 m ( A ( i ) - B ( i ) ) 2 ≤ ϵ
其中：A(i)为日负荷向量A中的第i元素值，B(i)为日负荷向量B中的第i元素值，m为日负荷向量的维度，i为自然数且1≤i≤m，ε为预设的邻域半径；若上式成立，则判定日负荷向量B为日负荷向量A的邻域向量。
所述的步骤（3）中，对于任一负荷向量簇，根据以下算式从该向量簇中提取典型负荷向量：
Z ( i ) = 1 k Σ j = 1 k P j ( i )
其中：Z(i)为典型负荷向量中的第i元素值，Pj(i)为负荷向量簇中第j日负荷向量的第i元素值，k为负荷向量簇中的日负荷向量个数，i和j均为自然数，且i为自然数且1≤i≤m，j为自然数且1≤j≤k，m为日负荷向量的维度。
优选地，所述的步骤（2）中对n个日负荷向量进行密度聚类前，根据以下算式对各日负荷向量进行归一化处理；进而对步骤（3）中的典型负荷向量作去归一化处理；
G(i)＝P(i)/Pmax
其中：G(i)为归一化后日负荷向量中的第i元素值，P(i)为归一化前日负荷向量中的第i元素值，Pmax为n个日负荷向量中的最大元素值，i为自然数且1≤i≤m，m为日负荷向量的维度。
归一化过程能够将拥有不同负荷大小的用户的负荷向量压缩至同样大小的向量空间中，使得基于密度聚类的用户典型负荷曲线的重建方法所包含的方法参数具备普适性；此外，归一化过程能够便利计算过程。
优选地，所述的邻域半径ε满足以下公式：
ϵ = 0.05 m
其中：m为日负荷向量的维度。
相应地认为，在该波动范围内存在对象，则对应的对象负荷即不为噪声负荷，以此设定的参数对随机性较大的用户端负荷具备一定的适应能力，能够有效甄别噪声负荷与非噪声负荷，在大量实验基础验证下可行有效。
本发明的有益技术效果在于：
（1）本发明采用的基于密度搜索的聚类方法可直接剔除符合数据中的噪声数据及用户的异常负荷时间序列，相比其他方法避免了求取平均值的误差，更为精确；
（2）本发明相比传统的基于划分聚类的提取方法无需指定聚类数目，适合用户负荷行为多变，存在多种不确定典型负荷的特点；
（3）本发明采用的密度搜索的办法无需繁琐的迭代寻优过程，只需设置合理的搜索参数即可解决不同负荷数据量的问题，适合用户任意时间段的典型负荷提取问题。
附图说明
图1为本发明构建方法的步骤流程示意图。
图2为本发明密度聚类的流程示意图。
图3为各日负荷时间序列集合对应的负荷曲线图。
图4(a)为图3中第一类负荷向量簇的负荷曲线图。
图4(b)为图3中第二类负荷向量簇的负荷曲线图。
图4(c)为图3中噪声向量的负荷曲线图。
图5(a)为第一类负荷向量簇对应典型负荷向量的负荷曲线图。
图5(b)为第二类负荷向量簇对应典型负荷向量的负荷曲线图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，一种基于密度聚类的用户典型负荷曲线的构建方法，包括如下步骤：
（1）以采样间隔T对用户进行负荷采集，得到用户在n天时间内对应的n个日负荷向量；
采集某一用户一段时间跨度内的负荷数据，以日为单位，按照采集时间点的先后顺序形成该用户的负荷时间序列。根据负荷采集频率的不同，日负荷时间序列可包含24、48、96等不同数据点个数，该用户的日负荷时间序列可按下式表述：
P＝{P(i),i＝1,2,...,m}
其中：P(i)为日负荷时间序列第i个负荷采集点的值，m为日采样点个数。一段时间跨度内（n天）的负荷时间序列集合表述为：
{Px,x＝1,2,…,n}
求取该时间跨度内用户的最大负荷值Pmax，根据下式对负荷时间序列进行按极大值进行归一化：
G(i)＝P(i)/Pmax
其中：G(i)为归一化后日负荷向量中的第i元素值。
（2）根据日负荷向量在其向量空间中的分布，对n个日负荷向量进行密度聚类，得到至少一个负荷向量簇；
对归一化后的n个负荷时间序列进行密度搜索，其过程如图2所示：
A.对于任一日负荷向量，从其余日负荷向量中确定其邻域向量，若其邻域向量个数小于预设的最小对象数目M，则定义该日负荷向量为噪声向量；依此遍历所有日负荷向量，从n个日负荷向量中删除所有噪声向量，从而组成待聚类向量集合；
对于任一日负荷向量，确定其邻域向量的标准如下：
Σ i = 1 m ( A ( i ) - B ( i ) ) 2 ≤ ϵ
其中：A(i)为日负荷向量A中的第i元素值，B(i)为日负荷向量B中的第i元素值，ε为预设的邻域半径；若上式成立，则判定日负荷向量B为日负荷向量A的邻域向量。
B.从待聚类向量集合中任取一未处理的日负荷向量，并从待聚类向量集合中确定其邻域向量，从而将该日负荷向量标记为已处理，同时将该日负荷向量及其邻域向量组成负荷向量簇；
C.从该负荷向量簇中任取一未处理的日负荷向量，并从待聚类向量集合中确定其邻域向量，从而将该日负荷向量标记为已处理，同时将该日负荷向量的邻域向量纳入该负荷向量簇；依此遍历负荷向量簇中所有未处理的日负荷向量；
D.返回执行步骤B，直至待聚类向量集合中所有日负荷向量均已处理，从而形成多个负荷向量簇。
（3）对于任一负荷向量簇，根据以下算式从该向量簇中提取典型负荷向量：
Z ( i ) = 1 k Σ j = 1 k P j ( i )
其中：Z(i)为典型负荷向量中的第i元素值，Pj(i)为负荷向量簇中第j日负荷向量的第i元素值，k为负荷向量簇中的日负荷向量个数；
然后，根据以下算式对典型负荷向量作去归一化处理；
H(i)＝Z(i)×Pmax
其中：H(i)为去归一化后典型负荷向量中的第i元素值。
进而构建出对应该典型负荷向量H的离散负荷曲线；依此遍历每一负荷向量簇。
以某一织造企业为对象，取该企业2012年9月连续的29天的负荷实测数据构成负荷时间序列对象集，负荷采样频率间隔为一小时，每条负荷时间序列包含24个负荷采样值，其原始负荷数据如表1所示：
表1
日期
9-1 32 22.4 19.2 16 17.6 16 24 35.2 116.8 128 120 108.8
35.2 80 108.8 128 120 89.6 96 136 123.2 118.4 57.6 41.6
9-2 33.6 25.6 17.6 16 14.4 14.4 17.6 35.2 118.4 134.4 116.8 120
38.4 78.4 123.2 137.6 121.6 91.2 80 131.2 112 110.4 52.8 43.2
9-3 32 19.2 17.6 17.6 16 16 20.8 28.8 110.4 129.6 118.4 136
44.8 83.2 128 123.2 123.2 92.8 84.8 62 58 54.4 46.4 43.2
9-4 30.4 22.4 19.2 17.6 16 16 24 28.8 41.6 56 62.4 54.4
46.4 48 64 57.6 54.4 60.8 57.6 54.4 52.8 48 44.8 43.2
9-5 40 30.4 19.2 16 16 17.6 20.8 32 105.6 134.4 139.2 129.6
54.4 86.4 136 142.4 140.8 102.4 92.8 123.2 116.8 112 65.6 40
9-6 33.6 22.4 19.2 17.6 17.6 16 19.2 35.2 121.6 134.4 129.6 136
48 76.8 131.2 134.4 136 100.8 84.8 123.2 124.8 113.6 68.8 43.2
9-7 36.8 27.2 19.2 14.4 16 12.8 14.4 30.4 121.6 147.2 136 132.8
49.6 86.4 137.6 132.8 134.4 92.8 86.4 123.2 118.4 116.8 62.4 41.6
9-8 35.2 24 16 17.6 14.4 16 16 33.6 123.2 139.2 136 131.2
48 88 123.2 123.2 124.8 94.4 94.4 123.2 113.6 113.6 64 40
9-9 32 22.4 19.2 16 16 16 17.6 35.2 118.4 137.6 129.6 126.4
56 89.6 142.4 137.6 137.6 94.4 83.2 118.4 126.4 123.2 65.6 41.6
9-10 38.4 32 19.2 19.2 16 16 16 36.8 124.8 132.8 134.4 137.6
59.2 97.6 136 142.4 123.2 104 88 131.2 121.6 108.8 62.4 41.6
9-11 35.2 22.4 17.6 17.6 17.6 16 19.2 35.2 118.4 128 144 131.2
56 91.2 121.6 142.4 123.2 89.6 88 60 55 46.4 38.4 40
9-12 40 36.8 27.2 19.2 16 14.4 16 30.4 32 35.2 33.6 38.4
36.8 36.8 38.4 38.4 32 38.4 43.2 44.8 44.8 30.4 43.2 38.4
9-13 38.4 35.2 35.2 28.8 16 17.6 20.8 35.2 108.8 131.2 124.8 132.8
54.4 75.2 126.4 129.6 131.2 104 92.8 137.6 131.2 116.8 51.2 41.6
9-14 38.4 32 24 16 14.4 14.4 16 30.4 123.2 134.4 129.6 126.4
52.8 91.2 124.8 132.8 124.8 91.2 92.8 129.6 118.4 115.2 44.8 41.6
9-15 27.2 20.8 17.6 16 16 16 16 33.6 128 140.8 142.4 134.4
57.6 89.6 132.8 142.4 150.4 102.4 94.4 124.8 123.2 116.8 49.6 40
9-16 30.4 22.4 19.2 17.6 16 16 16 33.6 115.2 128 126.4 126.4
46.4 84.8 129.6 137.6 128 89.6 81.6 118.4 120 89.6 41.6 38.4
9-17 33.6 20.8 17.6 16 14.4 14.4 14.4 33.6 113.6 126.4 118.4 129.6
52.8 86.4 126.4 131.2 116.8 102.4 80 113.6 113.6 107.2 43.2 40
9-18 32 20.8 17.6 19.2 19.2 22.4 17.6 32 110.4 129.6 118.4 116.8
46.4 86.4 126.4 129.6 123.2 97.6 62.4 59.2 51.2 44.8 40 38.4
9-19 35.2 33.6 30.4 25.6 16 17.6 14.4 32 116.8 126.4 131.2 113.6
40 81.6 123.2 121.6 113.6 91.2 89.6 123.2 112 99.2 41.6 38.4
9-20 35.2 33.6 30.4 20.8 14.4 16 14.4 33.6 104 118.4 108.8 102.4
40 76.8 116.8 121.6 121.6 75.2 76.8 110.4 110.4 89.6 59.2 38.4
9-21 25.6 17.6 14.4 11.2 11.2 11.2 12.8 28.8 91.2 104 97.6 94.4
57.6 72 107.2 108.8 105.6 84.8 76.8 113.6 113.6 100.8 44.8 33.6
9-22 27.2 20.8 14.4 11.2 11.2 11.2 11.2 25.6 108.8 120 115.2 108.8
40 70.4 108.8 118.4 118.4 96 86.4 123.2 113.6 112 49.6 35.2
9-23 28.8 17.6 12.8 12.8 11.2 11.2 9.6 22.4 100.8 120 123.2 116.8
30.4 78.4 124.8 120 123.2 96 86.4 110.4 113.6 104 46.4 33.6
9-24 25.6 22.4 12.8 14.4 11.2 12.8 12.8 25.6 104 118.4 113.6 115.2
40 75.2 112 126.4 123.2 92.8 80 112 108.8 104 56 46.4
9-25 43.2 36.8 33.6 24 22.4 22.4 22.4 33.6 105.6 129.6 123.2 112
35.2 67.2 105.6 124.8 120 86.4 78.4 99.2 102.4 100.8 56 44.8
9-26 41.6 30.4 24 20.8 12.8 12.8 12.8 28.8 102.4 116.8 120 116.8
46.4 70.4 121.6 121.6 124.8 91.2 91.2 118.4 120 110.4 48 35.2
9-27 32 19.2 12.8 12.8 11.2 11.2 12.8 27.2 113.6 132.8 120 120
46.4 72 108.8 123.2 115.2 92.8 88 121.6 126.4 113.6 49.6 43.2
9-28 40 27.2 16 14.4 11.2 11.2 11.2 32 110.4 137.6 139.2 131.2
52.8 80 124.8 129.6 126.4 96 84.8 121.6 126.4 107.2 68.8 35.2
9-29 33.6 24 27.2 14.4 12.8 11.2 14.4 30.4 110.4 128 116.8 113.6
35.2 68.8 115.2 118.4 113.6 83.2 72 100.8 97.6 88 36.8 33.6
以时间为坐标轴，绘制由日负荷时间序列构成的日负荷曲线集如图3所示。
采用基于密度聚类的用户典型负荷提取方法对该电力用户进行典型负荷提取，按照下式设置搜索半径：
ϵ = 0.05 24 = 0.245
并设置最小对象数量M为2。
由密度聚类获得的负荷时间序列类别如图4所示，该对象的负荷序列集合被分为两个类别：图4(a)中包含的对象为类别1，为三峰波动负荷，在早晨、下午及晚上都存在用电高峰；图4(b)中包含的对象被归入类别2，为两峰波动负荷，只在早晨及下午存在用电高峰；图4(c)中包含的对象为标记为噪声的对象，表明该连续时间段内有两天的负荷为噪声负荷，不能代表用户的典型用电行为。
去归一化后获得的该用户典型负荷如图5所示，图5(a)及图5(b)中提取的是该时间段内该用户呈现的两种典型负荷。
通过本实施方式获取该用户的两种典型负荷形态，可以为用户级别负荷预测提供帮助，同时也能够为其参与需求响应提供决策辅助。

Claims (7)

1.一种基于密度聚类的用户典型负荷曲线的构建方法，包括如下步骤：
（1）以采样间隔T对用户进行负荷采集，得到用户在n天时间内对应的n个日负荷向量，n为大于1的自然数；
（2）根据所述的日负荷向量在其向量空间中的分布，对n个日负荷向量进行密度聚类，得到至少一个负荷向量簇；
（3）对于任一负荷向量簇，从该向量簇中提取典型负荷向量，进而构建出对应该典型负荷向量的离散负荷曲线；依此遍历每一负荷向量簇。
2.根据权利要求1所述的构建方法，其特征在于：所述的日负荷向量为m维向量，该向量中的每个元素对应用户在每个采样时间点的负荷值，m为一天内用户的负荷采样个数。
3.根据权利要求1所述的构建方法，其特征在于：所述的步骤（2）中，对n个日负荷向量进行密度聚类的具体实施方法如下：
A.对于任一日负荷向量，从其余日负荷向量中确定其邻域向量，若其邻域向量个数小于预设的最小对象数目M，则定义该日负荷向量为噪声向量；依此遍历所有日负荷向量，从n个日负荷向量中删除所有噪声向量，从而组成待聚类向量集合；
B.从待聚类向量集合中任取一未处理的日负荷向量，并从待聚类向量集合中确定其邻域向量，从而将该日负荷向量标记为已处理，同时将该日负荷向量及其邻域向量组成负荷向量簇；
C.从该负荷向量簇中任取一未处理的日负荷向量，并从待聚类向量集合中确定其邻域向量，从而将该日负荷向量标记为已处理，同时将该日负荷向量的邻域向量纳入该负荷向量簇；依此遍历负荷向量簇中所有未处理的日负荷向量；
D.返回执行步骤B，直至待聚类向量集合中所有日负荷向量均已处理，从而形成多个负荷向量簇。
4.根据权利要求3所述的构建方法，其特征在于：对于任一日负荷向量，确定其邻域向量的标准如下：
Σ i = 1 m ( A ( i ) - B ( i ) ) 2 ≤ ϵ
其中：A(i)为日负荷向量A中的第i元素值，B(i)为日负荷向量B中的第i元素值，m为日负荷向量的维度，i为自然数且1≤i≤m，ε为预设的邻域半径；若上式成立，则判定日负荷向量B为日负荷向量A的邻域向量。
5.根据权利要求4所述的构建方法，其特征在于：所述的邻域半径ε满足以下公式：
ϵ = 0.05 m
其中：m为日负荷向量的维度。
6.根据权利要求1所述的构建方法，其特征在于：所述的步骤（3）中，对于任一负荷向量簇，根据以下算式从该向量簇中提取典型负荷向量：
Z ( i ) = 1 k Σ j = 1 k P j ( i )
其中：Z(i)为典型负荷向量中的第i元素值，Pj(i)为负荷向量簇中第j日负荷向量的第i元素值，k为负荷向量簇中的日负荷向量个数，i和j均为自然数，且i为自然数且1≤i≤m，j为自然数且1≤j≤k，m为日负荷向量的维度。
7.根据权利要求1所述的构建方法，其特征在于：所述的步骤（2）中对n个日负荷向量进行密度聚类前，根据以下算式对各日负荷向量进行归一化处理；进而对步骤（3）中的典型负荷向量作去归一化处理；
G(i)＝P(i)/Pmax
其中：G(i)为归一化后日负荷向量中的第i元素值，P(i)为归一化前日负荷向量中的第i元素值，Pmax为n个日负荷向量中的最大元素值，i为自然数且1≤i≤m，m为日负荷向量的维度。
CN2013102328567A 2013-06-09 2013-06-09 一种基于密度聚类的用户典型负荷曲线的构建方法 Pending CN103325071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013102328567A CN103325071A (zh) 2013-06-09 2013-06-09 一种基于密度聚类的用户典型负荷曲线的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013102328567A CN103325071A (zh) 2013-06-09 2013-06-09 一种基于密度聚类的用户典型负荷曲线的构建方法

Publications (1)

Publication Number Publication Date
CN103325071A true CN103325071A (zh) 2013-09-25

Family

ID=49193795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013102328567A Pending CN103325071A (zh) 2013-06-09 2013-06-09 一种基于密度聚类的用户典型负荷曲线的构建方法

Country Status (1)

Country Link
CN (1) CN103325071A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850612A (zh) * 2015-05-13 2015-08-19 中国电力科学研究院 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
CN105825298A (zh) * 2016-03-14 2016-08-03 梁海东 一种基于负荷特性预估的电网计量预警系统及方法
CN106371021A (zh) * 2015-07-21 2017-02-01 三星电子株式会社 用于估计电池的状态的方法和设备
CN106462905A (zh) * 2014-05-16 2017-02-22 埃森哲环球服务有限公司 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质
CN107657542A (zh) * 2016-07-25 2018-02-02 上海交通大学 公变台区用户防窃电的检测跟踪方法
WO2018082523A1 (zh) * 2016-11-02 2018-05-11 中国电力科学研究院有限公司 一种负荷周期的模式识别方法
CN108596362A (zh) * 2018-03-22 2018-09-28 国网四川省电力公司经济技术研究院 基于自适应分段聚合近似的电力负荷曲线形态聚类方法
CN109272049A (zh) * 2018-09-30 2019-01-25 广东电网有限责任公司 一种用电负荷模式提取方法及系统、计算机设备及介质
CN111141418A (zh) * 2019-12-30 2020-05-12 深圳数联天下智能科技有限公司 睡眠温度曲线的确定方法、装置及计算设备
CN111461197A (zh) * 2020-03-27 2020-07-28 国网上海市电力公司 一种基于特征提取的空间负荷分布规律研究方法
CN111915107A (zh) * 2019-05-07 2020-11-10 华北电力大学 一种基于动态聚类的负荷分群控制方法
CN112348123A (zh) * 2020-12-08 2021-02-09 武汉卓尔数字传媒科技有限公司 一种用户聚类的方法、装置及电子设备
CN114547482A (zh) * 2022-03-03 2022-05-27 智慧足迹数据科技有限公司 业务特征生成方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101718634A (zh) * 2009-11-20 2010-06-02 西安交通大学 基于多元概率模型的设备状态综合动态报警方法
CN102496058A (zh) * 2011-11-11 2012-06-13 北京声迅电子股份有限公司 客流密度检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101718634A (zh) * 2009-11-20 2010-06-02 西安交通大学 基于多元概率模型的设备状态综合动态报警方法
CN102496058A (zh) * 2011-11-11 2012-06-13 北京声迅电子股份有限公司 客流密度检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄宇腾: ""负荷形态分析与负荷管理优化研究"", 《中国期刊网全文数据库》, 1 January 2013 (2013-01-01), pages 10 - 45 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106462905A (zh) * 2014-05-16 2017-02-22 埃森哲环球服务有限公司 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质
CN106462905B (zh) * 2014-05-16 2021-12-21 埃森哲环球服务有限公司 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质
US11069009B2 (en) * 2014-05-16 2021-07-20 Accenture Global Services Limited System, method and apparatuses for identifying load volatility of a power customer and a tangible computer readable medium
CN104850612B (zh) * 2015-05-13 2020-08-04 中国电力科学研究院 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
CN104850612A (zh) * 2015-05-13 2015-08-19 中国电力科学研究院 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
CN106371021A (zh) * 2015-07-21 2017-02-01 三星电子株式会社 用于估计电池的状态的方法和设备
CN106371021B (zh) * 2015-07-21 2021-01-01 三星电子株式会社 用于估计电池的状态的方法和设备
CN105825298A (zh) * 2016-03-14 2016-08-03 梁海东 一种基于负荷特性预估的电网计量预警系统及方法
CN105825298B (zh) * 2016-03-14 2020-05-01 梁海东 一种基于负荷特性预估的电网计量预警系统及方法
CN107657542A (zh) * 2016-07-25 2018-02-02 上海交通大学 公变台区用户防窃电的检测跟踪方法
US11043808B2 (en) 2016-11-02 2021-06-22 China Electric Power Research Institute Co. Ltd. Method for identifying pattern of load cycle
WO2018082523A1 (zh) * 2016-11-02 2018-05-11 中国电力科学研究院有限公司 一种负荷周期的模式识别方法
CN108596362A (zh) * 2018-03-22 2018-09-28 国网四川省电力公司经济技术研究院 基于自适应分段聚合近似的电力负荷曲线形态聚类方法
CN108596362B (zh) * 2018-03-22 2021-12-28 国网四川省电力公司经济技术研究院 基于自适应分段聚合近似的电力负荷曲线形态聚类方法
CN109272049A (zh) * 2018-09-30 2019-01-25 广东电网有限责任公司 一种用电负荷模式提取方法及系统、计算机设备及介质
CN111915107A (zh) * 2019-05-07 2020-11-10 华北电力大学 一种基于动态聚类的负荷分群控制方法
CN111141418A (zh) * 2019-12-30 2020-05-12 深圳数联天下智能科技有限公司 睡眠温度曲线的确定方法、装置及计算设备
CN111141418B (zh) * 2019-12-30 2021-07-16 深圳数联天下智能科技有限公司 睡眠温度曲线的确定方法、装置及计算设备
CN111461197A (zh) * 2020-03-27 2020-07-28 国网上海市电力公司 一种基于特征提取的空间负荷分布规律研究方法
CN112348123A (zh) * 2020-12-08 2021-02-09 武汉卓尔数字传媒科技有限公司 一种用户聚类的方法、装置及电子设备
CN114547482A (zh) * 2022-03-03 2022-05-27 智慧足迹数据科技有限公司 业务特征生成方法、装置、电子设备及存储介质
CN114547482B (zh) * 2022-03-03 2023-01-20 智慧足迹数据科技有限公司 业务特征生成方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN103325071A (zh) 一种基于密度聚类的用户典型负荷曲线的构建方法
CN105186525B (zh) 风电接入下无功电压控制分区方法
CN111027872B (zh) 一种区域用户的用电成熟度确定方法及系统
CN108011367B (zh) 一种基于深度决策树算法的电力负荷特性挖掘方法
CN107038167A (zh) 基于模型评估的大数据挖掘分析系统及其分析方法
CN103606115A (zh) 一种节能型电网的评定方法
CN104850629A (zh) 一种基于改进k-means算法的海量智能用电数据分析方法
CN109190890A (zh) 一种基于用户电力消费数据的用户行为分析方法
CN102832617B (zh) 一种基于精确化模式判别的大电网暂态稳定分析方法
CN103729689A (zh) 一种基于行业分类与主导行业数据的电网电量预测方法
CN105678314A (zh) 一种基于模糊c聚类的典型需求侧用户筛选方法
Verma et al. A data-driven approach to identify households with plug-in electrical vehicles (PEVs)
CN111210170B (zh) 基于90％用电分布特征指标的环保管控监测及评价方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN103793788A (zh) 一种有序用电管理方法
Jia et al. Application of data mining in intelligent power consumption
CN103632306A (zh) 一种基于聚类分析的配电网供电区域划分方法
Majidpour et al. Fast demand forecast of electric vehicle charging stations for cell phone application
CN103617447A (zh) 智能变电站的评价系统及评价方法
CN102904252B (zh) 求解含分布式电源的配电网不确定性潮流的方法
CN116796403A (zh) 一种基于商业建筑综合能耗预测的建筑节能方法
CN108596227A (zh) 一种用户用电行为主导影响因素挖掘方法
CN103956732A (zh) 一种基于行业平均峰谷差率进行组合供电的方法
CN102426676A (zh) 一种智能用电策略的特征提取方法
Ranganathan et al. Smart grid data analytics for decision support

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130925