CN106022578A - 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 - Google Patents
基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 Download PDFInfo
- Publication number
- CN106022578A CN106022578A CN201610312899.XA CN201610312899A CN106022578A CN 106022578 A CN106022578 A CN 106022578A CN 201610312899 A CN201610312899 A CN 201610312899A CN 106022578 A CN106022578 A CN 106022578A
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- samples
- load value
- sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000005611 electricity Effects 0.000 title claims abstract description 20
- 238000003064 k means clustering Methods 0.000 title abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000003203 everyday effect Effects 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于数据高维化和K‑means聚类的居民用电峰谷平时段划分方法。其包括利用用户信息采集系统收集居民日用电信息数据,得到统计时间周期内每日每小时居民负荷值;利用居民负荷值,通过数据高维化处理方法构建涵盖较长时间周期内每日负荷值的数据样本集,并确定数据样本集中样本个数;采用K‑means算法,将数据样本集中全部样本划分为峰时段、平时段、谷时段3个聚类等步骤。本发明效果:通过数据高维化构造数据样本集,能包含较长时间周期内各时点上的负荷数据,且能避免算法迭代次数因时间周期内天数增加而成本增长的问题,可适用于较长时间周期内居民峰、平、谷时段的划分,对于相关工作者制定居民峰谷分时电价具有指导意义。
Description
技术领域
本发明属于电力营销技术领域,特别是涉及一种基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法。
背景技术
在电力系统中,峰谷分时电价是需求侧管理中一种有效的经济手段,合理科学地设计峰谷分时电价,通过运用价格信号有效调整电力用户的用电习惯和用电计划,对提高资源利用率、优化资源配置、实现削峰填谷、降低发电成本、促进电源与电网的协调发展以及推动整个电力行业健康发展起着决定性的作用。
峰谷分时电价制定的恰当与否跟峰谷时段的划分和用户需求响应密切相关。峰谷时段的划分是峰谷分时电价的定价基础,其划分方法的选取直接影响用户的需求响应程度,从而影响电价的实施效果。因此,制定合理的峰谷分时电价的首要任务是科学合理地进行峰谷时段的划分。
在已有的研究文献中,有些方法是以日负荷曲线分布为基础,结合模糊聚类分析技术进行峰谷时段划分;有些方法是基于密度聚类算法,对年持续负荷曲线中各负荷所对应的持续时间进行聚类分析,进而通过分布集边界所对应的负荷大小划分峰谷时段;有些方法是基于不同时段供电成本的差异进行时段划分。但上述这些方法的峰谷时段划分结果较难客观反映出各时段的负荷差异,同时较难在一个较长的时间周期(例如1年)内实现时段划分。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法。
为了达到上述目的,本发明提供的基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法包括按顺序执行的下列步骤:
步骤1)利用用户信息采集系统收集居民的日用电信息数据,得到统计时间周期内每日每小时的居民负荷值;
步骤2)利用步骤1)获取的居民负荷值,通过数据高维化的处理方法构建涵盖较长时间周期内每日负荷值的数据样本集,并确定数据样本集中样本个数;
步骤3)采用K-means算法,将上述数据样本集中全部样本划分为峰时段、平时段、谷时段3个聚类。
在步骤2)中,所述的利用步骤1)获取的居民负荷值,通过数据高维化的处理方法构建涵盖较长时间周期内每日负荷值的数据样本集,并确定数据样本集中样本个数的具体步骤如下:
步骤2.1)构建数据样本集
设定待分析的时间周期内共含天数为n(n∈N,n>0),在第t(t=1,2,......,24)个时点上,待分析的n天中对应的负荷值组成如下向量:
xt=(xt,1,xt,2,...,xt,i,......xt,n) (1)
其中,xt,i表示第i(i∈N,0<i≤n)日第t个时点所对应的负荷值(kW),xt,i∈R,则向量xt中便包含了第t个时点上待分析时间周期内每日的负荷值;
定义如下集合:
S={xt|t=1,2,......,24} (2)
S即为所构建的数据样本集,该数据样本集中包含了待分析时间周期内第t个时点上所有日的负荷值;
步骤2.2)定义数据样本集S的欧式距离;
数据样本集S为实数集合Rn中的可数子集,实数集合Rn为:
在实数集合Rn中定义如下欧式距离,从而由实数集合Rn构成n维实欧式空间:
其中,d(x,y)∈R表示实数集合Rn中任意两点x,y之间的欧式距离;因数据样本集S为实数集合Rn的子集,因此,数据样本集S中任意两个样本之间的距离可表示为:
其中,t1,t2=1,2,...,24;
经步骤2.1)和2.2),所构建的数据样本集S中每一个样本的向量xt为一个n维向量,n为待分析时间周期中的总天数,数据样本集S的样本个数为24,即24个时点。
在步骤3)中,所述的采用K-means算法,将上述数据样本集中全部样本划分为峰时段、平时段、谷时段3个聚类的具体步骤如下:
步骤3.1)设定聚类个数为3,即将24个样本划分为3个聚类,设k为寻找聚类中心的迭代运算次数(k=1,2,3,……,n);表示经第k次迭代后所形成的第j(j=1,2,3)个聚类,其聚类中心为
步骤3.2)在数据样本集S中随机选取3个初始聚类中心
步骤3.3)计算样本集S中所有样本的向量xt到这3个初始聚类中心的欧式距离,然后按照最小欧式距离原则,将数据样本集S中所有样本的向量xt分别划分到3个初始聚类中心中的某一个中,由此得到3个聚类完成一次迭代;
步骤3.4)按类内均值线性变换的方法,重新计算步骤3.3)所形成的3个聚类的聚类中心,得到3个新聚类中心其中,类内均值线性变换的计算公式为 为某一聚类中所包含的样本个数;
步骤3.5)利用上述新聚类中心构造如下误差平方和准则函数,并计算误差平方和值:
其中J(k)表示第k次迭代后的误差平方和值;
最后各聚类按所含样本负荷值的大小区分为对应的峰时段聚类、平时段聚类和谷时段聚类;否则,返回步骤3.3)进行新一轮的迭代计算。
本发明提供的基于数据高维化和K-means聚类方法的居民用电峰谷平时段划分方法的有益效果:通过数据高维化构造数据样本集,能够包含较长时间周期内各时点上的负荷数据,且能够避免算法迭代次数因时间周期内天数增加而成本增长的问题,可适用于较长时间周期(1年乃至数年)内居民峰、平、谷时段的划分,对于相关工作者制定居民峰谷分时电价具有重要指导意义。
附图说明
图1为本发明提供的基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法进行详细说明。
如图1所示,本发明提供的基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法包括按顺序执行的下列步骤:
步骤1)利用用户信息采集系统收集居民的日用电信息数据,得到统计时间周期内每日每小时的居民负荷值;
步骤2)利用步骤1)获取的居民负荷值,通过数据高维化的处理方法构建涵盖较长时间周期(例如1年)内每日负荷值的数据样本集,并确定数据样本集中样本个数;
具体步骤如下:
步骤2.1)构建数据样本集
设定待分析的时间周期内共含天数为n(n∈N,n>0),在第t(t=1,2,......,24)个时点上,待分析的n天中对应的负荷值组成如下向量:
xt=(xt,1,xt,2,...,xt,i,......xt,n) (1)
其中,xt,i表示第i(i∈N,0<i≤n)日第t个时点所对应的负荷值(kW),xt,i∈R,则向量xt中便包含了第t个时点上待分析时间周期内每日的负荷值。
定义如下集合:
S={xt|t=1,2,......,24} (2)
S即为所构建的数据样本集,该数据样本集中包含了待分析时间周期内第t个时点上所有日的负荷值。
步骤2.2)定义数据样本集S的欧式距离;
数据样本集S为实数集合Rn中的可数子集,实数集合Rn为:
在实数集合Rn中定义如下欧式距离,从而由实数集合Rn构成n维实欧式空间:
其中,d(x,y)∈R表示实数集合Rn中任意两点x,y之间的欧式距离;因数据样本集S为实数集合Rn的子集,因此,数据样本集S中任意两个样本之间的距离可表示为:
其中,t1,t2=1,2,...,24。
经步骤2.1)和2.2),所构建的数据样本集S中每一个样本的向量xt为一个n维向量(n为待分析时间周期中的总天数),数据样本集S的样本个数为24(即24个时点)。
步骤3)采用K-means算法,将上述数据样本集中全部样本划分为峰时段、平时段、谷时段3个聚类。
具体步骤如下:
步骤3.1)设定聚类个数为3,即将24个样本划分为3个聚类,设k为寻找聚类中心的迭代运算次数(k=1,2,3,……,n)。表示经第k次迭代后所形成的第j(j=1,2,3)个聚类,其聚类中心为
步骤3.2)在数据样本集S中随机选取3个初始聚类中心
步骤3.3)计算样本集S中所有样本的向量xt到这3个初始聚类中心的欧式距离,然后按照最小欧式距离原则,将数据样本集S中所有样本的向量xt分别划分到3个初始聚类中心中的某一个中,由此得到3个聚类完成一次迭代;
步骤3.4)按类内均值线性变换的方法,重新计算步骤3.3)所形成的3个聚类的聚类中心,得到3个新聚类中心其中,类内均值线性变换的计算公式为 为某一聚类中所包含的样本个数;
步骤3.5)利用上述新聚类中心构造如下误差平方和准则函数,并计算误差平方和值:
其中J(k)表示第k次迭代后的误差平方和值。
迭代的目的是使误差平方和值J达到极小,当第k次迭代后的误差平方和值J(k)与第k-1次迭代后的误差平方和值J(k-1)相等时,即聚类中心不再变化,则迭代停止,输出的聚类即为使得同一聚类中的对象相似度最高、而不同聚类中的对象相似度最小的最优聚类结果,最后各聚类按所含样本负荷值的大小区分为对应的峰时段聚类、平时段聚类和谷时段聚类;否则,返回步骤3.3)进行新一轮的迭代计算。
Claims (3)
1.一种基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法,其特征在于:所述的基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法包括按顺序执行的下列步骤:
步骤1)利用用户信息采集系统收集居民的日用电信息数据,得到统计时间周期内每日每小时的居民负荷值;
步骤2)利用步骤1)获取的居民负荷值,通过数据高维化的处理方法构建涵盖较长时间周期内每日负荷值的数据样本集,并确定数据样本集中样本个数;
步骤3)采用K-means算法,将上述数据样本集中全部样本划分为峰时段、平时段、谷时段3个聚类。
2.根据权利要求1所述的基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法,其特征在于:在步骤2)中,所述的利用步骤1)获取的居民负荷值,通过数据高维化的处理方法构建涵盖较长时间周期内每日负荷值的数据样本集,并确定数据样本集中样本个数的具体步骤如下:
步骤2.1)构建数据样本集
设定待分析的时间周期内共含天数为n(n∈N,n>0),在第t(t=1,2,......,24)个时点上,待分析的n天中对应的负荷值组成如下向量:
xt=(xt,1,xt,2,...,xt,i,......xt,n) (1)
其中,xt,i表示第i(i∈N,0<i≤n)日第t个时点所对应的负荷值(kW),xt,i∈R,则向量xt中便包含了第t个时点上待分析时间周期内每日的负荷值;
定义如下集合:
S={xt|t=1,2,......,24} (2)
S即为所构建的数据样本集,该数据样本集中包含了待分析时间周期内第t个时点上所有日的负荷值;
步骤2.2)定义数据样本集S的欧式距离;
数据样本集S为实数集合Rn中的可数子集,实数集合Rn为:
在实数集合Rn中定义如下欧式距离,从而由实数集合Rn构成n维实欧式空间:
其中,d(x,y)∈R表示实数集合Rn中任意两点x,y之间的欧式距离;因数据样本集S为实数集合Rn的子集,因此,数据样本集S中任意两个样本之间的距离可表示为:
其中,t1,t2=1,2,...,24;
经步骤2.1)和2.2),所构建的数据样本集S中每一个样本的向量xt为一个n维向量,n为待分析时间周期中的总天数,数据样本集S的样本个数为24,即24个时点。
3.根据权利要求1所述的基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法,其特征在于:在步骤3)中,所述的采用K-means算法,将上述数据样本集中全部样本划分为峰时段、平时段、谷时段3个聚类的具体步骤如下:
步骤3.1)设定聚类个数为3,即将24个样本划分为3个聚类,设k为寻找聚类中心的迭代运算次数(k=1,2,3,……,n);表示经第k次迭代后所形成的第j(j=1,2,3)个聚类,其聚类中心为
步骤3.2)在数据样本集S中随机选取3个初始聚类中心
步骤3.3)计算样本集S中所有样本的向量xt到这3个初始聚类中心的欧式距离,然后按照最小欧式距离原则,将数据样本集S中所有样本的向量xt分别划分到3个初始聚类中心中的某一个中,由此得到3个聚类完成一次迭代;
步骤3.4)按类内均值线性变换的方法,重新计算步骤3.3)所形成的3个聚类的聚类中心,得到3个新聚类中心其中,类内均值线性变换的计算公式为 为某一聚类中所包含的样本个数;
步骤3.5)利用上述新聚类中心构造如下误差平方和准则函数,并计算误差平方和值:
其中J(k)表示第k次迭代后的误差平方和值;
最后各聚类按所含样本负荷值的大小区分为对应的峰时段聚类、平时段聚类和谷时段聚类;否则,返回步骤3.3)进行新一轮的迭代计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610312899.XA CN106022578A (zh) | 2016-05-12 | 2016-05-12 | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610312899.XA CN106022578A (zh) | 2016-05-12 | 2016-05-12 | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106022578A true CN106022578A (zh) | 2016-10-12 |
Family
ID=57100155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610312899.XA Pending CN106022578A (zh) | 2016-05-12 | 2016-05-12 | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022578A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548301A (zh) * | 2016-11-30 | 2017-03-29 | 南方电网科学研究院有限责任公司 | 电力用户聚类方法及装置 |
CN106600119A (zh) * | 2016-11-30 | 2017-04-26 | 南方电网科学研究院有限责任公司 | 基于k均值的电力用户聚类方法及装置 |
CN108009943A (zh) * | 2018-01-17 | 2018-05-08 | 贵州电网有限责任公司 | 一种对用户实施不同电价策略的聚类方法 |
CN111915116A (zh) * | 2019-05-10 | 2020-11-10 | 国网能源研究院有限公司 | 一种基于K-means聚类的电力居民用户分类方法 |
CN113064067A (zh) * | 2021-02-23 | 2021-07-02 | 浙江大学台州研究院 | 一种快速计算电机电参数的频率检测电路及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN103106344A (zh) * | 2013-01-30 | 2013-05-15 | 河海大学 | 一种建立电力系统聚类负荷模型的方法 |
CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
CN104318316A (zh) * | 2014-10-09 | 2015-01-28 | 中国科学院自动化研究所 | 一种用户用电实时测量方法 |
-
2016
- 2016-05-12 CN CN201610312899.XA patent/CN106022578A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN103106344A (zh) * | 2013-01-30 | 2013-05-15 | 河海大学 | 一种建立电力系统聚类负荷模型的方法 |
CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
CN104318316A (zh) * | 2014-10-09 | 2015-01-28 | 中国科学院自动化研究所 | 一种用户用电实时测量方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548301A (zh) * | 2016-11-30 | 2017-03-29 | 南方电网科学研究院有限责任公司 | 电力用户聚类方法及装置 |
CN106600119A (zh) * | 2016-11-30 | 2017-04-26 | 南方电网科学研究院有限责任公司 | 基于k均值的电力用户聚类方法及装置 |
CN106548301B (zh) * | 2016-11-30 | 2020-11-03 | 南方电网科学研究院有限责任公司 | 电力用户聚类方法及装置 |
CN106600119B (zh) * | 2016-11-30 | 2020-11-03 | 南方电网科学研究院有限责任公司 | 基于k均值的电力用户聚类方法及装置 |
CN108009943A (zh) * | 2018-01-17 | 2018-05-08 | 贵州电网有限责任公司 | 一种对用户实施不同电价策略的聚类方法 |
CN111915116A (zh) * | 2019-05-10 | 2020-11-10 | 国网能源研究院有限公司 | 一种基于K-means聚类的电力居民用户分类方法 |
CN113064067A (zh) * | 2021-02-23 | 2021-07-02 | 浙江大学台州研究院 | 一种快速计算电机电参数的频率检测电路及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11043808B2 (en) | Method for identifying pattern of load cycle | |
Ding et al. | Analysis of feature matrix in machine learning algorithms to predict energy consumption of public buildings | |
Liu et al. | Classification of solar radiation zones and general models for estimating the daily global solar radiation on horizontal surfaces in China | |
Sun et al. | An objective-based scenario selection method for transmission network expansion planning with multivariate stochasticity in load and renewable energy sources | |
CN106022578A (zh) | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 | |
Panapakidis et al. | Pattern recognition algorithms for electricity load curve analysis of buildings | |
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
CN106529707A (zh) | 一种负荷用电模式识别方法 | |
CN107248031B (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
CN106408008A (zh) | 一种基于负荷曲线距离和形状的负荷分类方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN103440539B (zh) | 一种用户用电数据处理方法 | |
CN109190890A (zh) | 一种基于用户电力消费数据的用户行为分析方法 | |
CN110674993A (zh) | 一种用户负荷短期预测方法和装置 | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
CN106410781A (zh) | 一种电力用户需求响应潜力确定方法 | |
CN103632306A (zh) | 一种基于聚类分析的配电网供电区域划分方法 | |
CN104376402B (zh) | 一种基于频域指标的负荷特性分类与综合方法 | |
CN108428055A (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN105868906A (zh) | 一种优化的区域发展成熟度分析方法 | |
Liu et al. | A moving shape-based robust fuzzy K-modes clustering algorithm for electricity profiles | |
Dong et al. | Forecasting smart meter energy usage using distributed systems and machine learning | |
CN108596227A (zh) | 一种用户用电行为主导影响因素挖掘方法 | |
CN110363384A (zh) | 基于深度加权神经网络的异常用电检测方法 | |
Jiang et al. | A geogrid-based framework of agricultural zoning for planning and management of water & land resources: A case study of northwest arid region of China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |