CN107403247A - 基于自适应寻找聚类核心算法的负荷分类聚合分析方法 - Google Patents
基于自适应寻找聚类核心算法的负荷分类聚合分析方法 Download PDFInfo
- Publication number
- CN107403247A CN107403247A CN201610331095.4A CN201610331095A CN107403247A CN 107403247 A CN107403247 A CN 107403247A CN 201610331095 A CN201610331095 A CN 201610331095A CN 107403247 A CN107403247 A CN 107403247A
- Authority
- CN
- China
- Prior art keywords
- mrow
- cluster
- load
- analysis method
- msub
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000006116 polymerization reaction Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 238000005265 energy consumption Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 8
- 230000002354 daily effect Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 4
- 230000002902 bimodal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000010086 Hypertelorism Diseases 0.000 description 1
- 206010020771 Hypertelorism of orbit Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于自适应寻找聚类核心算法的负荷分类聚合分析方法，包括步骤A.负荷特征化；B.负荷分类聚合；C.负荷特征分析。本发明有效挖掘了用户用电数据中潜在的价值，通过分类聚合方法，将用电行为相似的用户进行聚合。
Description
技术领域
本发明涉及负荷管理与分析领域，具体涉及一种基于自适应寻找聚类核心算法的负荷分类聚合分析方法。
背景技术
随着居民生活水平以及家用电器种类的不断提高和丰富，居民的日常生活与家用电器的使用密切相关。据测算，夏季高温天气时，北京空调负荷比例占总负荷的30％左右。同时，由于环保意识的不断提高，空气净化器、净水机、软水机等一系列新型家用电器在居民日常生活中已经逐渐普及,这些新型电器与电热水器、电视机、电脑、电冰箱等传统电器一起构成了居民总用电负荷源。因此，当前社会的居民负荷特征已经与过去大有不同。而个体生活水平、生活习惯的差异性，不同居民的用电负荷特性也不相同。
夏季高温时期往往对电网造成极大考验。尽管用电高峰的时间段较之全年的时间是短暂的，但电厂和电网公司为满足短暂时间段的用电高峰需求来扩充发电能力及输送容量耗费十分惊人，造成了资源的极大浪费。虽然风能、太阳能等分布式新能源的飞速发展为能源的使用提供了新的选择，但由于这些新能源的特殊能源特性，不能提供稳定的电力输出。在为电网输送清洁能源的同时，对电网的稳定性也有不利的一面。在目前储能技术尚无法大规模高效率应用的情况下，亟待寻找一种有效的调节电网供需平衡的方法。
随着通信技术和自动化技术的不断发展，对需求侧负荷的控制已不再是简单的拉闸限电，需对负荷参数精细化控制来改变负荷形态。据测算，在北京范围内，空调每变化一度，对总负荷引起的波动达20万至30万千瓦。所以需要有效、及时的调整负荷设置参数，改变负荷形态，最大限度降低或消除用电高峰造成的投资浪费，还能为分布式新能源电源的大量接入提供一定的备用支持，维持电网的稳定。
需求侧响应作为一种快速调整负荷的方式已经得到广泛的研究和应用。直接负荷控制也在逐渐成为一种重要的负荷调控手段。在先进的通信及控制技术的支持下，越来越多的控制方法和控制策略被应用在需求侧响应和直接负荷控制中。但是由于居民用户数量庞大并且情况各异，无法有针对性地对负荷类型进行甄别从而制定出响应调控策略。
为了有效的开发利用数量庞大的居民负荷调控潜力，亟需一种可对居民负荷进行合理分类，从而对居民负荷的调控潜力进行有效挖掘，并且实施针对性策略的负荷数据分析技术。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于自适应寻找聚类核心算法的负荷分类聚合分析方法,包括以下步骤：
A.负荷特征化；B.负荷分类聚合；C.负荷特征分析。
步骤A包括以下步骤：
A1.负荷数据的采集；A2.负荷数据的分解；A3.正态分布的处理；A4.每日总耗能的特征化。
步骤A1包括：按下式计算的用户每日总耗能：
其中，每隔15分钟采集负荷数据，xi是第i个时间段用户消耗的能量。
步骤A2包括：将采集的负荷数据分解为每日总耗能和标准正态分布的每日耗能曲线。
步骤A3包括：按下式计算的每日的耗能曲线：
l(t)为连续时间序列的电表数据。
步骤A4包括：采用混合对数正态分布法对每日总耗能特征化；M种高斯分布的数据的混合密度方程如下所示：
其中，按下式计算对数正态分布方程：
μi和σi为第i组数据的平均值和标准差，λi为第i种高斯分布的数据在总数据中所占比例。
步骤B包括以下步骤：
B1.设定聚类半径；B2.选择聚类中心；B3.分割聚类。
步骤B2包括以下步骤：
1)选取聚类中心的元素；2)计算新元素与聚类中心的距离；3)如果两组聚类之间的距离小于阈值，则合并两组聚类并重新计算聚类之间的距离。
步骤2)包括：如果距离小于聚类半径，则将新元素分入聚类，再计算聚类中元素间距离的均值，将均值设为聚类的新中心；
如果距离大于聚类半径，则将新元素设定为新的聚类中心。
步骤B3包括：对未被聚类的元素的分割聚类的原则如下：
1)如果未被聚类的元素与被比较聚类的距离为0，则分入被比较聚类；
2)如果未被聚类的元素与被比较聚类间距离小于聚类半径，则将未被聚类的元素分入被比较聚类，并重新计算聚类中心；
3)当两组聚类之间的最小距离小于其中一组聚类元素到其聚类中心的距离时，合并两组聚类。
步骤C包括：熵值分析方法，形态分析方法，地域分析方法或多维分割分析方法。
与最接近的现有技术相比，本发明提供的技术方案具有以下益效果：
1、本发明有效挖掘了用户用电数据中潜在的价值，通过分类聚合方法，将用电行为相似的用户进行聚合。
2、本发明通过多种维度综合分析，挖掘了用户用电特征中存在的需求侧响应价值，并定位潜在的适宜参与需求侧响应的用户。
3、本发明帮助电力公司更好的识别用户的用电习惯，进而制定更加合理、高效、经济的营销方案。
附图说明
图1是本发明的自适应寻找聚类核心算法图；
图2是本发明的负荷分类聚合分析方法流程。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步详细说明。
如图1所示的负荷分类聚合分析方法流程，基于自适应寻找聚类核心算法的负荷分类聚合分析方法通过三个阶段对用户用电负荷进行分析。具体包括负荷特征化、负荷分类聚合以及负荷特征分析。
1)负荷特征化
用户用电负荷数据量庞大，形态特征各异。可以通过负荷特征化算法，将负荷变化特征提取出来，祛除负荷大小因素的影响，完成对负荷分类聚合的数据准备。
每15分钟采集一次形成的负荷曲线共有96个点，如下式：
X＝[x1,...,x96]
其中，xi是在第i个15分钟用户消耗的的能量，单位为kWh。则一天内以每小时为颗粒度的耗能信息可表示为如下式所示：
则每天的总耗能如下式所示：
为了更加方便的分析用电数据，可以先将采集到的负荷数据分解为两个部分：一个部分为每日总耗能；另一个部分为标准正态分布的每日耗能曲线。
如下式所示采集到的负荷数据：
a为每日总耗能，E是24个小时区间内每小时的耗能分布，即标准正态分布的每日耗能曲线。
由上可得，
通过对负荷数据进行正态分布处理,初步引入祛除负荷大小因素，可以区分出使用行为相似的用户。针对任意连续时间序列的电表数据l(t)，分解为：
l(t)＝a·s(t)
可知，正态分布后的负荷曲线：
由于用户的使用量电能在不同时间段有较大差异性，本发明采用可以对任意形状的密度分布有较好平滑效果的混合对数正态分布的方法对每日总耗能a进行特征化。
对于M种高斯分布的数据，其混合密度方程为：
其中，
μi和σi为第i组数据的平均值和标准差，λi为第i种高斯分布的数据在总数据中所占比例，gi(a)为对数正态分布方程。
2)负荷分类聚合
负荷的分类聚合可以自行设定元素与聚类中心距离(相似度)，完成对庞杂的负荷数据进行快速的分类聚合。
首先，要随机选择K个元素作为每个聚类组的中心，这K个元素的性质也构成了初始聚类组的性质。算法将会计算每个元素与这K个聚类组中心的欧几里得距离。所有元素在被聚类之前都要被标准化以避免该元素的某一个或几个在计算距离时无法被忽略的性质主导。
假设在一个n维数据中，有两个元素：
E1＝[E11,E12,...,E1n]
E2＝[E21,E22,...,E2n]
则两个元素之间的距离为：
在确定若干初始聚类后，依此方程为基础，计算每个聚类之间的距离并计入一个2维数组。同时，记录任意两个聚类Cm1和Cm2之间的最小距离dm和他们的标志。
对于任意一个未被聚类的元素Ei，通过以下原则进行分割聚类：
①如果此元素与当前比较的聚类的距离为0，则分入此聚类。
②如果此元素与当前比较的聚类的距离小于dm，则将此元素与之距离最近的元素的聚类(即一个元素距离任意一个聚类的距离如果小于dm，则将其计入距离最近的一个聚类)，同时，这个聚类的中心需要进行重新计算。
计算方法为：计算在当前元素加入后的总聚类内元素的均值。在此聚类中心改变后，同时也要重新计算此聚类与其他聚类之间的距离，以及任意两个聚类之间的最小距离。
③当两组聚类之间的最小距离dm小于其中一组聚类元素到其聚类中心的距离时，两组聚类需要合并。以聚类组Cm1和Cm2为例，合并后Cm2被清空，同时将所有元素并入Cm1。新的元素加入后被加进Cm2，然后所有聚类组之间的距离进行重新计算。
重复以上三个步骤直至所有的元素被聚类，对于有单独元素组成的聚类组，由于这些元素与其他元素距离过远，可以被视作特例，或者忽略。
如果需要自定义每个聚类的范围，可以设定阈值(即聚类半径)，决定分割聚类的规模，半径越小，聚出的类就越多。对于设定阈值的算法，其具体计算步骤如下：
①首先，从数据中选取一个元素，作为一个聚类的中心。
②计算每一个新元素与已存在聚类的中心的距离，如果距离小于设定的阈值，则分入此聚类。然后计算这个聚类中所有元素的均值，将均值设为这个聚类的新的中心。如果距离大于阈值，则将这个元素设定为新的聚类的中心。
③如果两个聚类之间的距离小于阈值，则合并两个聚类并且重新计算聚类之间的距离。
④当所有的元素都被分到一个聚类中后，计算停止。
如果阈值设置的聚类范围太小，就会导致所有元素都到不都相互聚类的标准，导致每个元素都成为了一个聚类；而设置的聚类范围太大，则导致所有的元素都符合聚类标准，从而所有的元素形成一个大的聚类，因此聚类的效果取决于阈值的设定。
在对负荷曲线的分割聚类时，首先采用标准的K-mean算法，设定有初始的聚类K＝k0。然后，再利用自适应K-mean算法，在任意负荷曲线s(t)所对应的最小平方误差大于规定阈值时，增加新的聚类。
s(t)为负荷曲线。为聚类的典型负荷曲线(聚类中心)。E(s,i*(s))即为第i条负荷曲线与聚类中心的距离。θ为阈值系数，用于灵活调整阈值的大小，以应对不同更多分类需求和不同类型的负荷曲线。由于每条负荷曲线在数据特征化的过程中被标准化，因此以聚类中所有负荷曲线为基础取均值的聚类中心负荷曲线也是标准化曲线，因此t＝18的左右侧都是有界限的。通常将θ设置为0≤θ≤2。通过θ值的调整，可以动态调整不符合条件的负荷曲线聚类结果，以此建立鲁棒性更好的负荷曲线字典。
3)负荷特征分析
基于分类聚合结果，通过熵值分析方法，评估不同类型用户在一定时间内的用电稳定性，运用多维分割分析方法，综合评估用户用电稳定性和用户用电负荷变化特征及用电量的大小，筛选适宜参与需求侧响应的用户。通过对不同地域的用户用电数据分析，可以为电力公司营销策略的制定提供支持。
①熵值分析方法
针对居民负荷曲线的分析，除了对其日均耗能的分析，更重要的是对其每日负荷曲线变化的分析。这对于电力公司能量的管理和需求侧响应客户的挖掘都很重要。例如，相对于向每日用电特征变化剧烈的客户，向用电特征稳定的用户去推荐需求侧响应项目更能保证需求侧响应的效果。对于任意居民用户n，其日均负荷曲线聚类中心Ci匹配其任意日均负荷曲线的频率为pn(Ci)，则该用户的熵值为：
如果所有聚类中心匹配概率相等，则其熵值最高(pn(Ci)＝1/K)。若所有负荷曲线都被归入一个聚类，则熵值最低。
②地域分析方法
不同地域之间由于气候、经济发达程度以及居民生活习惯的差异，会导致用电行为的差异。通过分析不同地域和气候下用户用电数据的特征，可以判别单个区域内气候、经济、文化等因素与居民用电行为之间的关联性，也可以评价不同区域之间用户用电行为的相似性。从而为电力公司或政府提供决策依据。
③多维分割分析方法
对数据的多维度分类更有益于分析用户的行为特点。通过峰值时间段、数量级和可变性对负荷曲线进行分类。
峰值时间段包括：单峰类型和双峰类型；
单峰类型：晨峰(4:00-10:00)；日峰(10:00-16:00)；晚峰(16:00-22:00)；夜峰(0:00-4:00,22:00-24:00)。
双峰类型组合了三种单峰类型负荷，可以产生三种类型多见双峰类型负荷：晨夜峰；晚夜峰；日晚峰。
在数据特征化部分，通过混合对数正态分布的方法对日总耗能进行了特征化，以此为基础，可计算日耗能的分位数，分位数，亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数、四分位数、百分位数等，使用平均分位数，可以将用户的日耗能分为三个级别：高能耗、中能耗和低能耗，分为三组的原因是当前所分析的数据组中，混合模型有两种高斯分布，因此，低耗能用户是来自于第一种分布，中耗能用户是指两种分布重复部分的用户，高耗能用户是指第二种分布中的用户。同时，利用熵值分析，可对负荷的可变性进行分类。规定负荷的可变性有三个级别：稳定、中等和易变。
运用以上不同维度的分析方法，对负荷进行全面的分析评估，以此筛选适宜参与需求侧响应的潜在用户，来帮助电力公司制定合理的营销策略。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (11)
1.一种基于自适应寻找聚类核心算法的负荷分类聚合分析方法，其特征在于，包括如下步骤:
A.负荷特征化；
B.负荷分类聚合；
C.负荷特征分析。
2.根据权利要求1所述的负荷分类聚合分析方法,其特征在于，所述步骤A包括以下步骤：
A1.负荷数据的采集；
A2.负荷数据的分解；
A3.正态分布的处理；
A4.每日总耗能的特征化。
3.根据权利要求2所述的负荷分类聚合分析方法，其特征在于,所述步骤A1包括：按下式计算的用户每日总耗能：
<mrow>
<mi>a</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>96</mn>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
其中，每隔15分钟采集所述负荷数据，xi是第i个时间段用户消耗的能量。
4.根据权利要求2所述的负荷分类聚合分析方法,其特征在于,所述步骤A2包括：
将采集的负荷数据分解为每日总耗能和标准正态分布的每日耗能曲线。
5.根据权利要求2所述的负荷分类聚合分析方法,其特征在于，所述步骤A3包括：
按下式计算的所述每日的耗能曲线：
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>a</mi>
</mfrac>
</mrow>
l(t)为连续时间序列的电表数据。
6.根据权利要求3所述的负荷分类聚合分析方法,其特征在于，所述步骤A4包括：
采用混合对数正态分布法对所述每日总耗能特征化；
M种高斯分布的数据的混合密度方程如下所示：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，按下式计算对数正态分布方程：
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&pi;&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>a</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
μi和σi为第i组数据的平均值和标准差，λi为第i种高斯分布的数据在总数据中所占比例。
7.根据权利要求6所述的负荷分类聚合分析方法,其特征在于，所述步骤B包括以下步骤：
B1.设定聚类半径；
B2.选择聚类中心；
B3.分割聚类。
8.根据权利要求7所述的负荷分类聚合分析方法,其特征在于，所述步骤B2包括以下步骤：
1)选取聚类中心的元素；
2)计算新元素与所述聚类中心的距离；
3)如果两组聚类之间的距离小于阈值，则合并所述两组聚类并重新计算聚类之间的距离。
9.根据权利要求8所述的负荷分类聚合分析方法,其特征在于,所述步骤2)包括：
如果所述距离小于所述聚类半径，则将所述新元素分入聚类，再计算所述聚类中元素间距离的均值，将所述均值设为所述聚类的新中心；
如果所述距离大于所述聚类半径，则将所述新元素设定为新的聚类中心。
10.根据权利要求7所述的负荷分类聚合分析方法,其特征在于，所述步骤B3包括：
对未被聚类的元素的分割聚类的原则如下：
1)如果所述未被聚类的元素与被比较聚类的距离为0，则分入所述被比较聚类；
2)如果所述未被聚类的元素与所述被比较聚类间距离小于所述聚类半径，则将所述未被聚类的元素分入所述被比较聚类，并重新计算聚类中心；
3)当两组聚类之间的最小距离小于其中一组聚类元素到其聚类中心的距离时，合并所述两组聚类。
11.根据权利要求1所述的负荷分类聚合分析方法,其特征在于，所述步骤C包括：
熵值分析方法，形态分析方法，地域分析方法或多维分割分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610331095.4A CN107403247A (zh) | 2016-05-18 | 2016-05-18 | 基于自适应寻找聚类核心算法的负荷分类聚合分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610331095.4A CN107403247A (zh) | 2016-05-18 | 2016-05-18 | 基于自适应寻找聚类核心算法的负荷分类聚合分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107403247A true CN107403247A (zh) | 2017-11-28 |
Family
ID=60394265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610331095.4A Pending CN107403247A (zh) | 2016-05-18 | 2016-05-18 | 基于自适应寻找聚类核心算法的负荷分类聚合分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107403247A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681744A (zh) * | 2018-04-18 | 2018-10-19 | 西北工业大学 | 一种基于数据划分的电力负荷曲线层次聚类方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577883A (zh) * | 2013-11-18 | 2014-02-12 | 国家电网公司 | 一种网-荷智能互动方法及装置 |
| CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
| CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
| CN104680261A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 |
| US20150154618A1 (en) * | 2007-08-28 | 2015-06-04 | Causam Energy, Inc. | Systems and Methods for Determining and Utilizing Customer Energy Profiles for Load Control for Individual Structures, Devices, and Aggregation of Same |
| 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 |
| CN105574606A (zh) * | 2015-12-10 | 2016-05-11 | 济南大学 | 一种基于负荷特性指标体系的用电避峰方法 |
-
2016
- 2016-05-18 CN CN201610331095.4A patent/CN107403247A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150154618A1 (en) * | 2007-08-28 | 2015-06-04 | Causam Energy, Inc. | Systems and Methods for Determining and Utilizing Customer Energy Profiles for Load Control for Individual Structures, Devices, and Aggregation of Same |
| CN103577883A (zh) * | 2013-11-18 | 2014-02-12 | 国家电网公司 | 一种网-荷智能互动方法及装置 |
| CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
| CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
| CN104680261A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 |
| 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 |
| CN105574606A (zh) * | 2015-12-10 | 2016-05-11 | 济南大学 | 一种基于负荷特性指标体系的用电避峰方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681744A (zh) * | 2018-04-18 | 2018-10-19 | 西北工业大学 | 一种基于数据划分的电力负荷曲线层次聚类方法 |
| CN108681744B (zh) * | 2018-04-18 | 2021-09-17 | 西北工业大学 | 一种基于数据划分的电力负荷曲线层次聚类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Clustering load profiles for demand response applications | |
| Ozawa et al. | Determining the relationship between a household’s lifestyle and its electricity consumption in Japan by analyzing measured electric load profiles | |
| Li et al. | Development of low voltage network templates—Part I: Substation clustering and classification | |
| Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
| Zhang et al. | Analysis of power consumer behavior based on the complementation of K-means and DBSCAN | |
| CN104200275A (zh) | 基于用户行为特点的用电模式分类和控制方法 | |
| CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
| CN110825723A (zh) | 一种基于用电负荷分析的居民用户分类方法 | |
| Tang et al. | Residential battery sizing model using net meter energy data clustering | |
| CN110011358A (zh) | 一种配电网负荷状态调节控制器 | |
| CN112650894A (zh) | 一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法 | |
| CN107248031A (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
| CN105653670A (zh) | 一种基于流形学习聚类算法的智能用电数据挖掘方法 | |
| Zheng et al. | A factor analysis and self-organizing map based evaluation approach for the renewable energy heating potentials at county level: A case study in China | |
| CN104850612B (zh) | 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 | |
| CN107403247A (zh) | 基于自适应寻找聚类核心算法的负荷分类聚合分析方法 | |
| Ding et al. | A dynamic period partition method for time-of-use pricing with high-penetration renewable energy | |
| Tang et al. | Adaptive segmentation and machine learning based potential DR capacity analysis | |
| Zhang et al. | User power interaction behavior clustering analysis that is based on the self-organizing-center K-means algorithm | |
| Mishra et al. | Ramping behaviour analysis of wind farms | |
| Zhao et al. | Spatio-temporal load forecasting considering aggregation features of electricity cells and uncertainties in input variables | |
| Guo | A Study of Smart Grid Program Optimization Based on K-Mean Algorithm | |
| CN103886393A (zh) | 基于模拟投资效益分析及学习自动机的电网投资优化方法 | |
| Xiqiao et al. | Analysis of large-scale electricity load profile using clustering method | |
| CN112508629A (zh) | 一种考虑用户特性的多元用户需求响应的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171128 |