CN108875801A - 一种基于智能电网的负荷曲线分类系统 - Google Patents
一种基于智能电网的负荷曲线分类系统 Download PDFInfo
- Publication number
- CN108875801A CN108875801A CN201810533686.9A CN201810533686A CN108875801A CN 108875801 A CN108875801 A CN 108875801A CN 201810533686 A CN201810533686 A CN 201810533686A CN 108875801 A CN108875801 A CN 108875801A
- Authority
- CN
- China
- Prior art keywords
- cluster
- load
- classification
- module
- fuzzy
- 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.)
- Withdrawn
Links
- 238000004140 cleaning Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于智能电网的负荷曲线分类系统,包括负荷数据采集模块、负荷数据清洗模块、负荷曲线分类模块、结果分析模块和界面显示模块,所述负荷数据采集模块用于采集电网的负荷数据,所述负荷数据清洗模块用于对所述负荷数据进行处理,所述负荷曲线分类模块采用聚类算法对清洗后的负荷曲线数据进行聚类操作,所述结果分析模块用于对所得的负荷曲线分类结果进行分析,从而了解电力用户的能源消费模式,所述界面显示模块采用LED屏对负荷曲线的分类结果进行显示。本发明的有益效果为:提出了基于模糊聚类有效性指标自适应的确定FCM聚类中最佳聚类数和最优模糊因子m的方法,并将这一方法应用于电力负荷曲线分类,提高了负荷分类的准确性和有效性。
Description
技术领域
本发明创造涉及智能电网领域,具体涉及一种基于智能电网的负荷曲线分类系统。
背景技术
随着我国经济的快速发展和人民生活水平的日益提高,用户用电呈现出增长态势,各行业的快速发展使得用户用电需求趋于多元化,对供电的要求也日益提高。为满足日益增长的用电需求,对智能电网中用户数据进行分析和挖掘有助于了解分析用户用电行为习惯和研究用户类型,能够帮助电网公司了解用户的个性化、差异化服务需求,从而为未来的电网需求响应政策的指定提供数据支撑。
智能电网下,各种量测设备采集到的负荷数据的规模非常大,这些海量负荷数据对分析电网运行状态、用户行为分析以及电网规划有着至关重要的作用。对所述负荷数据进行负荷曲线分类对电力需求管理有着重要的意义。目前,对负荷曲线进行分类的方法有很多,本发明采用模糊C均值聚类算法对负荷曲线进行分类,针对模糊C均值聚类算法存在的缺点,本发明以一种新的聚类有效性指标为基础自适应的确定FCM算法中的聚类数目,并通过粒子群算法自适应的确定最优模糊参数值,从而达到最优的聚类结果。
发明内容
针对上述问题,本发明旨在提供一种基于智能电网的负荷曲线分类系统。
本发明创造的目的通过以下技术方案实现:
一种基于智能电网的负荷曲线分类系统,包括负荷数据采集模块、负荷数据清洗模块、负荷曲线分类模块、结果分析评估模块和界面显示模块,所述负荷数据采集模块用于采集电网的负荷数据,所述负荷数据清洗模块用于对所述负荷数据进行标准化处理,进而对标准化处理后的负荷数据中的不良数据进行剔除和修正,所述负荷曲线分类模块采用聚类算法对清洗后的负荷曲线数据进行聚类操作,所述结果分析模块用于对所得的负荷曲线分类结果进行分析,从而了解电力用户的能源消费模式,所述界面显示模块采用LED屏对负荷曲线的分类结果进行显示。
本发明创造的有益效果:提供一种基于智能电网的负荷曲线分类系统,提出了基于模糊聚类有效性指标自适应的确定FCM聚类中最佳聚类数和最优模糊因子m的方法,并将这一方法应用于电力负荷曲线分类,提高了负荷分类的准确性和有效性,有助于理解不同类型负荷的特性以及不同电力用户的消费模块,为电力系统的实施和电力系统决策提供了支持。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图;
附图标记:
负荷数据采集模块1;负荷数据清洗模块2;负荷曲线分类模块3;结果分析模块4;界面显示模块5;特征确定单元31;参数设置单元32;负荷数据聚类单元33。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种基于智能电网的负荷曲线分类系统,包括负荷数据采集模块1、负荷数据清洗模块2、负荷曲线分类模块3、结果分析模块4和界面显示模块5,所述负荷数据采集模块1用于采集电网的负荷数据,所述负荷数据清洗模块2用于对所述负荷数据进行标准化处理,进而对标准化处理后的负荷数据中的不良数据进行剔除和修正,所述负荷曲线分类模块3采用聚类算法对清洗后的负荷曲线数据进行聚类操作,所述结果分析模块4用于对所得的负荷曲线分类结果进行分析,从而了解电力用户的能源消费模式,所述界面显示模块5采用LED屏对负荷曲线的分类结果进行显示。
优选地,所述负荷曲线分类模块3采用模糊C均值聚类算法对负荷数据进行聚类。
本优选实施例提供一种基于智能电网的负荷曲线分类系统,提出了基于模糊聚类有效性指标自适应的确定FCM聚类中最佳聚类数和最优模糊因子m的方法,并将这一方法应用于电力负荷曲线分类,提高了负荷分类的准确性和有效性,有助于理解不同类型负荷的特性以及不同电力用户的消费模块,为电力系统的实施和电力系统决策提供了支持。
优选地,所述负荷曲线分类模块3包括特征确定单元31、参数设置单元32和负荷数据聚类单元33,所述特征确定单元31用于从清洗后的负荷数据中提取聚类特征,所述参数设置单元32用于确定模糊C均值聚类算法中的聚类个数和模糊因子,所述负荷数据聚类单元33用于对清洗后的负荷数据进行聚类处理,得到负荷曲线分类结果。
优选地,所述参数设置单元32通过构建一种新的模糊聚类有效性指标来确定模糊C均值聚类算法的聚类个数,定义新的模糊聚类有效性指标为J,当模糊聚类有效性指标J取最小值时对应的c值即为算法的聚类个数,J的计算公式为:
式中,YXB′的计算公式为:
其中,xj为第i个聚类中的第j个样本,ci为第i个聚类的聚类中心,ca为第a个聚类的聚类中心,cb为第b个聚类的聚类中心,c为聚类数,n为样本数,为第i个聚类的聚类中心ci到样本聚类中心的距离,d(xj,ci)为样本xj到第i个聚类的聚类中心vi的距离,d(ca,cb)为第a个聚类的聚类中心ca到第b个聚类的聚类中心cb的距离;
XCOS′的计算公式为:
其中,uij为样本xj属于第i个聚类的隶属度,ci为第i个聚类的聚类中心,u00为重叠度阈值,urj为样本xj属于第r个聚类的隶属度,utj表示样本xj属于第t个聚类的隶属度,ci为第i个聚类的聚类中心,cj为第j个聚类的聚类中心,c为聚类数,n为样本数,m为模糊因子。
本优选实施例提出了一种新的模糊聚类有效性指标J来确定FCM聚类中最佳聚类数,所述模糊聚类有效性指标J综合考虑了数据集本身的信息和它的几何结构,能够有效的处理包含数据类大小和密度差异较大数据类的数据集,从而较准确地确定最佳聚类数,具有较好的性能和较好的稳定性。
优选地,所述参数设置单元32采用粒子群算法自适应的确定模糊因子m值,定义粒子群算法中的适应度函数为h,设d(xi,cj)为第i个聚类中的样本xi到其聚类中心cj的距离,d(xi,ck)为第k个聚类中的样本xi到其聚类中心ck的距离,c为聚类数,m为模糊因子,n为样本数,uji为样本xi属于第j个聚类的隶属度,uki为样本xi属于第k个聚类的隶属度,则h的计算公式为:
当适应度函数h取最大值时,对应的m值即为模糊C均值聚类算法的模糊度因子m的值。
本优选实施例根据簇间的相关程度设计了粒子群算法的适应度函数,然后采用粒子群算法自适应的确定模糊因子的最优值,使得FCM算法在负荷曲线分类系统中具有较好的聚类性能。
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,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种基于智能电网的负荷曲线分类系统,其特征是,包括负荷数据采集模块、负荷数据清洗模块、负荷曲线分类模块、结果分析评估模块和界面显示模块,所述负荷数据采集模块用于采集电网的负荷数据,所述负荷数据清洗模块用于对所述负荷数据进行标准化处理,进而对标准化处理后的负荷数据中的不良数据进行剔除和修正,所述负荷曲线分类模块采用聚类算法对清洗后的负荷曲线数据进行聚类操作,所述结果分析模块用于对所得的负荷曲线分类结果进行分析,从而了解电力用户的能源消费模式,所述界面显示模块采用LED屏对负荷曲线的分类结果进行显示。
2.根据权利要求1所述的一种基于智能电网的负荷曲线分类系统,其特征是,所述负荷曲线分类模块采用模糊C均值聚类算法对负荷数据进行聚类。
3.根据权利要求2所述的一种基于智能电网的负荷曲线分类系统,其特征是,所述负荷曲线分类模块包括特征确定单元、参数设置单元和负荷数据聚类单元,所述特征确定单元用于从清洗后的负荷数据中提取聚类特征,所述参数设置单元用于确定模糊C均值聚类算法中的聚类个数和模糊因子,所述负荷数据聚类单元用于对清洗后的负荷数据进行聚类处理,得到负荷曲线分类结果。
4.根据权利要求3所述的一种基于智能电网的负荷曲线分类系统,其特征是,所述参数设置单元通过构建一种新的模糊聚类有效性指标来确定模糊C均值聚类算法中的最佳聚类个数,定义新的模糊聚类有效性指标为J,当模糊聚类有效性指标J取最小值时对应的c值即为算法的最佳聚类个数,则J的计算公式为:
式中,YXB′的计算公式为:
其中,xj为第i个聚类中的第j个样本,ci为第i个聚类的聚类中心,ca为第a个聚类的聚类中心,cb为第b个聚类的聚类中心,c为聚类数,n为样本数,为第i个聚类的聚类中心ci到样本聚类中心的距离,d(xj,ci)为样本xj到第i个聚类的聚类中心vi的距离,d(ca,cb)为第a个聚类的聚类中心ca到第b个聚类的聚类中心cb的距离;
Xcos′的计算公式为:
其中,uij为样本xj属于第i个聚类的隶属度,ci为第i个聚类的聚类中心,u00为重叠度阈值,urj为样本xj属于第r个聚类的隶属度,utj表示样本xj属于第t个聚类的隶属度,ci为第i个聚类的聚类中心,cj为第j个聚类的聚类中心,c为聚类数,n为样本数,m为模糊因子。
5.根据权利要求4所述的一种基于智能电网的负荷曲线分类系统,所述参数设置单元采用粒子群算法自适应的确定模糊因子m值,定义粒子群算法中的适应度函数为h,设d(xi,cj)为第i个聚类中的样本xi到其聚类中心cj的距离,d(xi,ck)为第k个聚类中的样本xi到其聚类中心ck的距离,c为聚类数,m为模糊因子,n为样本数,uji为样本xi属于第j个聚类的隶属度,uki为样本xi属于第k个聚类的隶属度,则h的计算公式为:
当适应度函数h取最大值时,对应的m值即为模糊C均值聚类算法的模糊度因子m的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533686.9A CN108875801A (zh) | 2018-05-29 | 2018-05-29 | 一种基于智能电网的负荷曲线分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533686.9A CN108875801A (zh) | 2018-05-29 | 2018-05-29 | 一种基于智能电网的负荷曲线分类系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875801A true CN108875801A (zh) | 2018-11-23 |
Family
ID=64335399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810533686.9A Withdrawn CN108875801A (zh) | 2018-05-29 | 2018-05-29 | 一种基于智能电网的负荷曲线分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875801A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543889A (zh) * | 2019-07-18 | 2019-12-06 | 广州供电局有限公司 | 电力负荷分层聚类方法、装置、计算机设备及存储介质 |
CN111401796A (zh) * | 2020-04-27 | 2020-07-10 | 新智数字科技有限公司 | 一种建立设备能效模型的方法及装置 |
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 |
-
2018
- 2018-05-29 CN CN201810533686.9A patent/CN108875801A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110543889A (zh) * | 2019-07-18 | 2019-12-06 | 广州供电局有限公司 | 电力负荷分层聚类方法、装置、计算机设备及存储介质 |
CN111401796A (zh) * | 2020-04-27 | 2020-07-10 | 新智数字科技有限公司 | 一种建立设备能效模型的方法及装置 |
CN111401796B (zh) * | 2020-04-27 | 2024-03-29 | 新智数字科技有限公司 | 一种建立设备能效模型的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022509B (zh) | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 | |
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 | |
Amini et al. | On density-based data streams clustering algorithms: A survey | |
CN111724278A (zh) | 一种面向电力多元负荷用户的精细分类方法及系统 | |
CN109902953B (zh) | 一种基于自适应粒子群聚类的电力用户分类方法 | |
CN111813835B (zh) | 一种基于手机信令和poi数据的公共活动中心识别系统 | |
CN108875801A (zh) | 一种基于智能电网的负荷曲线分类系统 | |
CN109615014A (zh) | 一种基于kl散度优化的数据分类系统与方法 | |
CN102324038B (zh) | 一种基于数字图像的植物种类识别方法 | |
CN106228554A (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
CN108765194A (zh) | 一种有效的居民用电行为分析系统 | |
CN110533116A (zh) | 基于欧式距离的自适应集成的不平衡数据分类方法 | |
CN108734216A (zh) | 基于负荷曲线形态的电力用户分类方法、装置及存储介质 | |
CN109034241A (zh) | 基于支持向量机的负荷集群控制方法和系统 | |
CN109002463A (zh) | 一种基于深度度量模型的文本检测方法 | |
CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
CN109257383A (zh) | 一种bgp异常检测方法及系统 | |
CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
Johnsson | Structures in high-dimensional data: Intrinsic dimension and cluster analysis | |
CN113158084B (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
CN108229507A (zh) | 数据分类方法以及装置 | |
CN106651630B (zh) | 关键用电行业识别方法和系统 | |
Noviandy et al. | Environmental and Economic Clustering of Indonesian Provinces: Insights from K-Means Analysis | |
Wang et al. | Application of clustering technique to electricity customer classification for load forecasting |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181123 |