CN108960657A - 一种基于特征优选的楼宇负荷特性分析方法 - Google Patents

一种基于特征优选的楼宇负荷特性分析方法 Download PDF

Info

Publication number
CN108960657A
CN108960657A CN201810771748.XA CN201810771748A CN108960657A CN 108960657 A CN108960657 A CN 108960657A CN 201810771748 A CN201810771748 A CN 201810771748A CN 108960657 A CN108960657 A CN 108960657A
Authority
CN
China
Prior art keywords
load
feature
sequence
sample characteristics
preferred
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.)
Granted
Application number
CN201810771748.XA
Other languages
English (en)
Other versions
CN108960657B (zh
Inventor
张勇
李泰杰
凌平
时志雄
方陈
赵立强
田英杰
苏运
杨秀
张美霞
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.)
Shanghai University of Electric Power
State Grid Shanghai Electric Power Co Ltd
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
State Grid Shanghai Electric Power Co Ltd
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 Shanghai University of Electric Power, State Grid Shanghai Electric Power Co Ltd filed Critical Shanghai University of Electric Power
Priority to CN201810771748.XA priority Critical patent/CN108960657B/zh
Publication of CN108960657A publication Critical patent/CN108960657A/zh
Application granted granted Critical
Publication of CN108960657B publication Critical patent/CN108960657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (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

本发明涉及一种基于特征优选的楼宇负荷特性分析方法，该方法包括如下步骤：(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。与现有技术相比，本发明特征优选聚类方法能够有效提取出关键影响特征，提高聚类的质量，并且计算速度快，通用型强，分析结果准确可靠。

Description

一种基于特征优选的楼宇负荷特性分析方法
技术领域
本发明涉及一种楼宇负荷特性分析方法，尤其是涉及一种基于特征优选的楼宇负荷特性分析方法。
背景技术
随着智能电网的快速发展，用电信息采集系统的逐渐完善，楼宇用能的监测进一步加强，用电负荷数据呈现出数据量大、数据类型多、增长速度快等大数据特征，电力大数据逐渐成为人们关注的研究热点。
目前，用电大数据的研究工作主要侧重于对已知负荷数据集进行用户用电行为模式与用电特性的挖掘，数据挖掘算法的改进等，挖掘隐藏在数据中的用电行为习惯，为节能工作提供重要的决策依据。
用电行为分析与负荷特性的结果与选用的样本特征数据密切相关，不同样本特征数据分析得到的结果差异较大，因此，需要对样本数据特征进行筛选，提高分析结果的准确性。然而，大部分用电行为分析的研究只是单纯地对负荷数据进行聚类分析，没有考虑影响负荷数据变化的样本特征，忽略了对样本特征的分析和优化选择，其分析的有效性有待验证，分析性能可以进一步提升。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征优选的楼宇负荷特性分析方法。
本发明的目的可以通过以下技术方案来实现：
一种基于特征优选的楼宇负荷特性分析方法，该方法包括如下步骤：
(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；
(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；
(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。
所述的气象类特征包括：
最高气温：一天中的最高气温值；
最低气温：一天中的最低气温值；
平均风速：一天中风速的平均值；
平均压强：一天中压强的平均值；
平均相对湿度：一天中相对湿度的平均值；
天气情况：包括晴、多云、阴、雨、雨夹雪；
人体舒适度指数：I为人体舒适度指数，T为平均气温，RH为平均相对湿度，V为平均风速。
所述的负荷类特征包括：
日最大负荷：一天中负荷的最大值；
日最小负荷：一天中负荷的最小值；
日峰谷差：日最大负荷-日最小负荷；
日负荷率：日平均负荷/日最大负荷，其中日平均负荷为一天中负荷的平均值；
峰时段耗电率：高峰时段用电量/总用电量；
谷时段耗电率：低谷时段用电量/总用电量；
平时段耗电率：平时段用电量/总用电量。
步骤(2)对样本特征进行综合优选前对样本特征进行归一化，具体地：
将任意一个样本特征分别组成一组样本特征序列，对每一组样本特征序列中的数据采用下式进行归一化：
其中，x*为归一化处理后的数据，x为归一化处理前的数据，min为样本特征序列中的最小值，max为样本特征序列中的最大值。
步骤(2)优选特征通过如下方式获得：
(21)将楼宇负荷数据组成负荷序列A：{A(a)|a＝1,2,···,n}，同时获取归一化后的第i个样本特征序列Bi：{Bi(b)|b＝1,2,···,n}，a＝b＝1,2,……n，n为负荷序列中负荷数据的总个数以及第i个样本特征中数据总个数，i＝1,2,……N，N为特征样本序列的总个数；
(22)根据下式计算第i个样本特征序列Bi与负荷序列A的互信息I(A,Bi)：
I(A,Bi)＝H(A)+H(Bi)-H(A,Bi)，
其中，H(A)为负荷序列的信息熵，H(Bi)为第i个样本特征序列的信息熵，H(A,Bi)为第i个样本特征序列与负荷序列的联合熵，pA(a)为负荷序列的边缘概率分布，为第i个样本特征序列的边缘概率分布；
(23)根据下式计算第i个样本特征序列Bi与负荷序列A的灰色关联度γi：
其中，ζi(a)为负荷序列与第i个样本特征序列的相关系数，Δi(a)为第i个样本特征序列第a点与负荷序列第a点的绝对差值，ρ为分辨系数，a＝1,2,……n，i＝1,2,……N；
(24)根据下式获取第i个样本特征序列Bi的综合优选系数：
(25)选取综合优选系数大于设定值的样本特征序列所对应的样本特征作为优选特征。
步骤(3)采用k-means聚类法对优选特征进行加权聚类，具体地：
(31)获取优选特征的权重ωj，j＝1,2,……m，m为优选特征的总个数；
(32)将待分析时间区间内的优选特征组成数据样本集，选取K个初始聚类中心；
(33)计算数据集样本到聚类中心的加权距离，按照加权距离最小的原则分配最邻近类别；
(34)根据聚类结果重新计算K个聚类中心作为新的聚类中心；
(35)重复步骤(33)～(34)，直至聚类中心不再变化，或满足迭代次数要求；
进而每一个聚类中心对应一种用电模式。
步骤(3)确定每种用电模式下的负荷分布：包括每种用电模式下的总负荷数据分布以及每种用电模式下不同用电成分的分布。
与现有技术相比，本发明具有如下优点：
(1)本发明基于特征优选的楼宇负荷特性分析方法能够有效提取出关键影响特征，提高聚类的质量，并且计算速度快，通用型强，可应用于楼宇的负荷特性研究；
(2)本发明样本特征种类多，不仅包括负荷类特征，还包括考虑人体舒适度指数在内的气象特征，具有全面性，从而使得基于特征优选的楼宇负荷特性分析结果更加准确可靠；
(3)本发明结合评价样本特征有效性的互信息和判断样本特征变化趋势关联性的灰色关联度，提出了一种综合优选系数的计算方法，优选特征结果具有科学性和准确性；
(4)本发明基于优选后的优选特征进行用电模式划分并分析其负荷特性，可以达到降维的目的，提高分析性能和分析的有效性。
附图说明
图1为本发明基于特征优选的楼宇负荷特性分析方法的流程框图；
图2为本实施例三种用电模式下的用电成分分布图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
如图1所示，一种基于特征优选的楼宇负荷特性分析方法，该方法包括如下步骤：
步骤(1)：获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，样本特征包括气象类特征和负荷类特征。
本实施例以某商场为例，分析样本为2015年全年的负荷数据(每15分钟采样一次)。
气象类特征包括最高气温、最低气温、平均风速、平均压强、平均相对湿度、天气情况和人体舒适度指数，具体地：
最高气温：一天中的最高气温值；
最低气温：一天中的最低气温值；
平均风速：一天中风速的平均值；
平均压强：一天中压强的平均值；
平均相对湿度：一天中相对湿度的平均值；
天气情况：包括晴、多云、阴、雨、雨夹雪，天气情况分别量化到[0,1]区间上，其中晴量化为1，多云量化为0.9，阴量化为0.8，小雨量化为0.7，中雨量化为0.6，大雨量化为0.5，雨夹雪量化为0.4；
人体舒适度指数：I为人体舒适度指数，T为平均气温，RH为平均相对湿度，V为平均风速。
负荷类特征包括日最大负荷、日最小负荷、日峰谷差、日负荷率、峰时段耗电率、谷时段耗电率和平时段耗电率，具体地:
日最大负荷：一天中负荷的最大值；
日最小负荷：一天中负荷的最小值；
日峰谷差：日最大负荷-日最小负荷；
日负荷率：日平均负荷/日最大负荷，其中日平均负荷为一天中负荷的平均值；
峰时段耗电率：高峰时段用电量/总用电量；
谷时段耗电率：低谷时段用电量/总用电量；
平时段耗电率：平时段用电量/总用电量。
步骤(2)：对样本特征进行归一化，具体地：
将任意一个样本特征分别组成一组样本特征序列，对每一组样本特征序列中的数据采用下式进行归一化：
其中，x*为归一化处理后的数据，x为归一化处理前的数据，min为样本特征序列中的最小值，max为样本特征序列中的最大值。
步骤(3)：基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征。
选取合适有效的样本特征，不仅要考虑特征的有效性，还需要考虑特征与负荷序列变化趋势的关联性，本发明采用互信息来评价特征的有效性，采用灰色关联度来计算特征与负荷序列变化趋势的关联程度。
因此，步骤(3)优选特征通过如下方式获得：
(31)将楼宇负荷数据组成负荷序列A：{A(a)|a＝1,2,···,n}，同时获取归一化后的第i个样本特征序列Bi：{Bi(b)|b＝1,2,···,n}，a＝b＝1,2,……n，n为负荷序列中负荷数据的总个数以及第i个样本特征中数据总个数，i＝1,2,……N，N为特征样本序列的总个数；
(32)根据下式计算第i个样本特征序列Bi与负荷序列A的互信息I(A,Bi)：
I(A,Bi)＝H(A)+H(Bi)-H(A,Bi)，
其中，H(A)为负荷序列的信息熵，H(Bi)为第i个样本特征序列的信息熵，H(A,Bi)为第i个样本特征序列与负荷序列的联合熵，pA(a)为负荷序列的边缘概率分布，为第i个样本特征序列的边缘概率分布；
(33)根据下式计算第i个样本特征序列Bi与负荷序列A的灰色关联度γi：
其中，ζi(a)为负荷序列与第i个样本特征序列的相关系数，Δi(a)为第i个样本特征序列第a点与负荷序列第a点的绝对差值，ρ为分辨系数，a＝1,2,……n，i＝1,2,……N，本实施例中ρ取0.5；
(34)根据下式获取第i个样本特征序列Bi的综合优选系数：
(35)选取综合优选系数大于设定值的样本特征序列所对应的样本特征作为优选特征。
本实施例中优选特征选择4个，分别为日最大负荷、日峰谷差、人体舒适度指数以及最高气温。
完成上述优选特征的选取后，对优选特征进行有效性评判，具体地：
K-means算法是最经典的聚类算法之一，它具有计算简单、快速、有效的优点。Davies-Bouldin指数(简称DBI)可以用来评判聚类效果的好坏，DBI的数值越小，表明类内距离越小，类间距离越大，即聚类效果越好。本发明基于K-means聚类的效果来判断样本特征的优选是否有效，具体步骤如下：
①调用Matlab中的K-means函数，对每一个样本特征单独进行聚类。度量距离选择欧式距离，最大迭代次数为500次。
②采用DBI指数对聚类效果进行评判，并将评判结果与样本特征优选的结果进行对比，评判样本特征的优选是否有效。
本实施例中，特征样本如表1所示。
表1样本特征简要说明
各特征的优选及评价结果如表2所示，不同特征组合的聚类结果如表3所示。可以看到，综合优选系数的结果与聚类效果一致，综合优选系数越大的特征，聚类的效果越好。对试验的商场数据来说，日最大负荷、日峰谷差、人体舒适度指数、最高气温、最低气温是主要影响特征，在进行用电行为分析时可以重点研究，以降低数据维度，提高分析的效率。本发明提出的特征优选方法能够很好的反映出样本特征的有效性。
表2样本特征优选及评价结果
标号 名称 综合优选系数 DBI指数
8 日最大负荷 0.1265 0.6187
10 日峰谷差 0.1215 0.6356
6 人体舒适度指数 0.1153 0.6499
1 最高气温 0.0961 0.6761
2 最低气温 0.0877 0.6871
4 平均压强 0.0829 0.8152
12 峰时耗电率 0.0772 0.8468
9 日最小负荷 0.0771 0.8818
14 平时耗电率 0.0517 1.4222
13 谷时耗电率 0.0501 1.4856
11 日负荷率 0.0433 2.0995
5 相对湿度 0.0289 5.6108
3 平均风速 0.0211 12.1771
7 天气情况 0.0203 14.2672
表3不同特征组合的聚类结果对比
特征组合 DBI指数 运行计时/s
8、10 0.5938 0.239
8、10、6、1 0.5715 0.251
8、10、6、1、2、4 0.6315 0.292
8、10、6、1、2、4、12、9 0.6375 0.309
8、10、6、1、2、4、12、9、14、13 0.6351 0.339
8、10、6、1、2、4、12、9、14、13、11、5 0.6316 0.341
全部特征 0.6351 0.343
步骤(4)：对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布，包括每种用电模式下的总负荷数据分布以及每种用电模式下不同用电成分的分布。
具体地，步骤(4)采用k-means聚类法对优选特征进行加权聚类，具体地：
(41)获取优选特征的权重ωj，j＝1,2,……m，m为优选特征的总个数；
(42)将待分析时间区间内的优选特征组成数据样本集，选取K个初始聚类中心；
(43)计算数据集样本到聚类中心的加权距离，按照加权距离最小的原则分配最邻近类别；
(44)根据聚类结果重新计算K个聚类中心作为新的聚类中心；
(45)重复步骤(43)～(44)，直至聚类中心不再变化，或满足迭代次数要求；
进而每一个聚类中心对应一种用电模式。
本实施例以综合优选权重0.09为阈值，挑选出日最大负荷，日峰谷差，人体舒适度指数，最高气温为关键特征的聚类对象集合，进行加权聚类，划分出不同的用电模式，并以此为基础完成负荷特性分析。不同模式的聚类中心如表4所示。
表4各用电模式的聚类中心
模式 最大负荷 峰谷差 人体舒适度指数 最高气温
模式一 0.431 0.419 0.604 0.574
模式二 0.150 0.152 0.199 0.204
模式三 0.722 0.703 0.847 0.800
图2为本实施例中三种不同模式下不同用电成分的分布，图2(a)～(c)依次对应模式一、模式二和模式三，不同用电成分包括照明与插座、空调用能、动力用能以及特殊与其他。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (7)

1.一种基于特征优选的楼宇负荷特性分析方法，其特征在于，该方法包括如下步骤：
(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；
(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；
(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。
2.根据权利要求1所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，所述的气象类特征包括：
最高气温：一天中的最高气温值；
最低气温：一天中的最低气温值；
平均风速：一天中风速的平均值；
平均压强：一天中压强的平均值；
平均相对湿度：一天中相对湿度的平均值；
天气情况：包括晴、多云、阴、雨、雨夹雪；
人体舒适度指数：I为人体舒适度指数，T为平均气温，RH为平均相对湿度，V为平均风速。
3.根据权利要求1所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，所述的负荷类特征包括：
日最大负荷：一天中负荷的最大值；
日最小负荷：一天中负荷的最小值；
日峰谷差：日最大负荷-日最小负荷；
日负荷率：日平均负荷/日最大负荷，其中日平均负荷为一天中负荷的平均值；
峰时段耗电率：高峰时段用电量/总用电量；
谷时段耗电率：低谷时段用电量/总用电量；
平时段耗电率：平时段用电量/总用电量。
4.根据权利要求1所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，步骤(2)对样本特征进行综合优选前对样本特征进行归一化，具体地：
将任意一个样本特征分别组成一组样本特征序列，对每一组样本特征序列中的数据采用下式进行归一化：
其中，x*为归一化处理后的数据，x为归一化处理前的数据，min为样本特征序列中的最小值，max为样本特征序列中的最大值。
5.根据权利要求4所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，步骤(2)优选特征通过如下方式获得：
(21)将楼宇负荷数据组成负荷序列A：{A(a)|a＝1,2,···,n}，同时获取归一化后的第i个样本特征序列Bi：{Bi(b)|b＝1,2,···,n}，a＝b＝1,2,……n，n为负荷序列中负荷数据的总个数以及第i个样本特征中数据总个数，i＝1,2,……N，N为特征样本序列的总个数；
(22)根据下式计算第i个样本特征序列Bi与负荷序列A的互信息I(A,Bi)：
I(A,Bi)＝H(A)+H(Bi)-H(A,Bi)，
其中，H(A)为负荷序列的信息熵，H(Bi)为第i个样本特征序列的信息熵，H(A,Bi)为第i个样本特征序列与负荷序列的联合熵，pA(a)为负荷序列的边缘概率分布，为第i个样本特征序列的边缘概率分布；
(23)根据下式计算第i个样本特征序列Bi与负荷序列A的灰色关联度γi：
其中，ζi(a)为负荷序列与第i个样本特征序列的相关系数，Δi(a)为第i个样本特征序列第a点与负荷序列第a点的绝对差值，ρ为分辨系数，a＝1,2,……n，i＝1,2,……N；
(24)根据下式获取第i个样本特征序列Bi的综合优选系数：
(25)选取综合优选系数大于设定值的样本特征序列所对应的样本特征作为优选特征。
6.根据权利要求1所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，步骤(3)采用k-means聚类法对优选特征进行加权聚类，具体地：
(31)获取优选特征的权重ωj，j＝1,2,……m，m为优选特征的总个数；
(32)将待分析时间区间内的优选特征组成数据样本集，选取K个初始聚类中心；
(33)计算数据集样本到聚类中心的加权距离，按照加权距离最小的原则分配最邻近类别；
(34)根据聚类结果重新计算K个聚类中心作为新的聚类中心；
(35)重复步骤(33)～(34)，直至聚类中心不再变化，或满足迭代次数要求；
进而每一个聚类中心对应一种用电模式。
7.根据权利要求1所述的一种基于特征优选的楼宇负荷特性分析方法，其特征在于，步骤(3)确定每种用电模式下的负荷分布：包括每种用电模式下的总负荷数据分布以及每种用电模式下不同用电成分的分布。
CN201810771748.XA 2018-07-13 2018-07-13 一种基于特征优选的楼宇负荷特性分析方法 Active CN108960657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810771748.XA CN108960657B (zh) 2018-07-13 2018-07-13 一种基于特征优选的楼宇负荷特性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810771748.XA CN108960657B (zh) 2018-07-13 2018-07-13 一种基于特征优选的楼宇负荷特性分析方法

Publications (2)

Publication Number Publication Date
CN108960657A true CN108960657A (zh) 2018-12-07
CN108960657B CN108960657B (zh) 2021-11-12

Family

ID=64483343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810771748.XA Active CN108960657B (zh) 2018-07-13 2018-07-13 一种基于特征优选的楼宇负荷特性分析方法

Country Status (1)

Country Link
CN (1) CN108960657B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861781A (zh) * 2020-02-29 2020-10-30 上海电力大学 一种居民用电行为聚类中的特征优选方法及系统
CN112559501A (zh) * 2020-12-01 2021-03-26 大连理工大学 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880914A (zh) * 2012-08-21 2013-01-16 积成电子股份有限公司 基于人体舒适度指数的配电网短期负荷预测方法
CN104933630A (zh) * 2015-05-21 2015-09-23 国家电网公司 一种负荷特性分析方法和系统
CN106096805A (zh) * 2016-05-10 2016-11-09 华北电力大学 一种基于熵权法特征选择的居民用电负荷分类方法
US20180066860A1 (en) * 2016-09-07 2018-03-08 Solarcity Corporation Systems and methods for controlling operations of a heating and cooling system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880914A (zh) * 2012-08-21 2013-01-16 积成电子股份有限公司 基于人体舒适度指数的配电网短期负荷预测方法
CN104933630A (zh) * 2015-05-21 2015-09-23 国家电网公司 一种负荷特性分析方法和系统
CN106096805A (zh) * 2016-05-10 2016-11-09 华北电力大学 一种基于熵权法特征选择的居民用电负荷分类方法
US20180066860A1 (en) * 2016-09-07 2018-03-08 Solarcity Corporation Systems and methods for controlling operations of a heating and cooling system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861781A (zh) * 2020-02-29 2020-10-30 上海电力大学 一种居民用电行为聚类中的特征优选方法及系统
CN112559501A (zh) * 2020-12-01 2021-03-26 大连理工大学 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法
CN112559501B (zh) * 2020-12-01 2021-11-05 大连理工大学 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法

Also Published As

Publication number Publication date
CN108960657B (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN108596362B (zh) 基于自适应分段聚合近似的电力负荷曲线形态聚类方法
US20210109140A1 (en) Method for identifying parameters of 10 kv static load model based on similar daily load curves
CN105678404B (zh) 基于网购电和动态关联因子的微电网负荷预测系统及方法
CN107657266A (zh) 一种基于改进谱多流形聚类的负荷曲线聚类方法
CN108280479A (zh) 一种基于负荷特性指标加权聚类算法的电网用户分类方法
CN106446967A (zh) 一种新型电力系统负荷曲线聚类方法
CN111723876B (zh) 一种考虑双尺度相似性的负荷曲线集成谱聚类方法
CN106203478A (zh) 一种用于智能电表大数据的负荷曲线聚类方法
CN101615248A (zh) 年龄估计方法、设备和人脸识别系统
CN101789005A (zh) 一种基于感兴趣区域的图像检索方法
CN109190890A (zh) 一种基于用户电力消费数据的用户行为分析方法
CN106709821A (zh) 一种基于主成分分析的中压配电网供电可靠性评估方法
CN109634940A (zh) 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法
CN108345908A (zh) 电网数据的分类方法、分类设备及存储介质
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN107679644A (zh) 一种基于降雨类型特征的站点雨量资料插补方法
CN113902304A (zh) 一种基于总负荷曲线相似性的可控负荷筛选方法
CN108960657A (zh) 一种基于特征优选的楼宇负荷特性分析方法
CN105868906A (zh) 一种优化的区域发展成熟度分析方法
CN108664653A (zh) 一种基于K-means的医疗消费客户自动分类方法
CN118246715B (zh) 一种城乡建设用地智能选择方法及系统
CN103389973A (zh) 一种利用中文人名判定性别的方法
CN111798333A (zh) 一种用能评估与用电安全分析方法和系统
CN110287992A (zh) 基于大数据的农业特征信息提取方法
CN117709734A (zh) 一种不同城市类型温室气体减排状态及差异评估及系统

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
GR01 Patent grant
GR01 Patent grant