CN109034241A - 基于支持向量机的负荷集群控制方法和系统 - Google Patents
基于支持向量机的负荷集群控制方法和系统 Download PDFInfo
- Publication number
- CN109034241A CN109034241A CN201810823762.XA CN201810823762A CN109034241A CN 109034241 A CN109034241 A CN 109034241A CN 201810823762 A CN201810823762 A CN 201810823762A CN 109034241 A CN109034241 A CN 109034241A
- Authority
- CN
- China
- Prior art keywords
- support vector
- load
- data
- vector machines
- vector machine
- 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
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供了基于支持向量机的负荷集群控制方法和系统,包括:采集用户用电数据,并对用户用电数据进行预处理得到负荷数据样本;根据负荷数据样本建立训练数据集和测试数据集;利用训练数据集和测试数据集构建支持向量机分类器,并对支持向量机进行完善得到完善后的支持向量机分类器;向完善后的支持向量机分类器中输入实时负荷数据,并输出实时负荷数据的分类结果。本发明采用支持向量机算法对电力系统中的用户负荷进行分类,在此分类基础上进行负荷的集群集控,使负荷分类具有科学的理论支持和技术支撑,保障划分到同一类的负荷具有较高的一致性。
Description
技术领域
本发明涉及负荷分类控制与分析技术领域,尤其是涉及基于支持向量机的负荷集群控制方法和系统。
背景技术
当前,负荷控制系统的可控负荷接入一般采用接近原则,对负荷接入层级、负荷接入量等未做深入研究,负荷集群控制在不影响电网特性的基础上,保持电网频率、电压稳定,对电网频率稳定控制意义重大。负荷控制不仅仅强调控制时间要求,更重要的是能够是实现不影响生产活动特性的负荷得到有效集群控制;其中,负荷分类管理可以使负荷集群控制更加合理有效,因此,负荷分类在负荷集群控制中具有重要意义。而且,负荷分类对电力系统运行的经济性分析、管理和规划都具有重要意义,尤其是随着电力市场的不断发展以及电力需求响应技术的广泛应用,负荷识别逐步成为电价制定、负荷预测、系统规划与负荷管理、综合建模等重要依据。
目前,负荷分类方法尚未统一,电力部门往往根据用户的生产活动特性进行负荷分类,然而用户的生产活动特性复杂不一,在负荷分类过程中存在一定程度的主观性,负荷分类结果并不十分准确,这将直接影响负荷控制管理及电网频率的动态特性分析。目前采用的负荷分类方法存在缺陷:如同一行业内的用户可能具有不同的负荷特性,不能充分反映电网频率变化与差异,导致分类结果不准确,并影响了在此基础上的进一步应用等。因此,为解决上述问题,迫切需要深入研究一种科学严谨的负荷识别方法,使负荷识别及在此基础上的应用具有科学的理论支持和技术支撑,能够为电力部门在进行电价制定、负荷预测、系统规划与管理等工作时提供可靠的依据。
负荷分类是负荷集群控制的基础,关于分类常使用的方法为聚类分析法,其中聚类分析是将包括对象、数据或特征向量在内的模式以非监督的方式划分到不同簇类的过程,使具有相似属性的事物聚为一类,得到同一类的事物具有高度的相似性,即按照亲疏程度进行分类。目前,关于电网负荷分类研究大多数采用灰色关联聚类分类法,该分析方法能准确捕捉到负荷的共同本职特征,也可在典型用户负荷筛选中应用,同时也可应用于量测的负荷动特性分类与综合,但该分析方法计算量较大;另一种运用较多的分类方法是模糊聚类算法,该算法能够识别特殊样本,同时可以将最大最小距离作为相似性度量指标进从而进行聚类分析等。上述的聚类算法基本上都是针对线性可分的数据空间,因此并不适合处理那些线性不可分的数据,它们很难得到合适的聚类轮廓和期望的簇数量,并且聚类的效果也不够稳定。
综上所述,现有技术的客观缺点在于缺少负荷分类及负荷集群方法。
发明内容
有鉴于此,本发明的目的在于提供基于支持向量机的负荷集群控制方法和系统,采用支持向量机算法对电力系统中的用户负荷进行分类,在此分类基础上进行负荷的集群集控,使负荷分类具有科学的理论支持和技术支撑,保障划分到同一类的负荷具有较高的一致性。
第一方面,本发明实施例提供了基于支持向量机的负荷集群控制方法,包括:
采集用户用电数据,并对所述用户用电数据进行预处理得到负荷数据样本;
根据所述负荷数据样本建立训练数据集和测试数据集;
利用所述训练数据集和所述测试数据集构建支持向量机分类器,并对所述支持向量机进行完善得到完善后的支持向量机分类器;
向所述完善后的支持向量机分类器中输入实时负荷数据,并输出所述实时负荷数据的分类结果。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述对所述用户用电数据进行预处理得到负荷数据样本包括:
去除所述用户用电数据中的不良数据;
对去除不良数据的用户用电数据进行归一化、标准化处理。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述利用所述训练数据集和所述测试数据集构建支持向量机分类器,并对所述支持向量机进行完善得到完善后的支持向量机分类器包括:
利用所述训练数据集和所述测试数据集得到训练数据向量和测试数据向量;
通过求解最优分类平面,对所述训练数据向量进行学习并构建支持向量机分类模型进行训练,得到所述支持向量机分类器;
利用所述测试数据向量对所述支持向量机分类器进行测试得到全局最优支持向量机分类器;
根据测试精度和待分类的更新负荷数据对所述全局最优支持向量机分类器进行完善得到所述完善后的支持向量机分类器。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述根据测试精度和待分类的更新负荷数据对所述全局最优支持向量机分类器进行完善得到所述完善后的支持向量机分类器包括:
获取所述待分类的更新负荷数据;
对所述待分类的更新负荷数据进行预处理;
根据所述待分类的更新负荷数据得到负荷数据向量;
利用所述负荷数据向量完善所述全局最优支持向量机分类器得到所述完善后的支持向量机分类器。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述用户用电数据包括负荷的电压、电流、有功功率和无功功率数据。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述求解最优分类平面包括求解线性可分支持向量机和线性不可分支持向量机。
结合第一方面的第五种可能的实施方式,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述求解线性可分支持向量机是利用支持向量机算法,通过求解优化问题进行最优分类界面的确定。
结合第一方面的第五种可能的实施方式,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述求解线性不可分支持向量机是通过非线性变换进行高维特征空间映射以转化为线性空间,并在无限大的所述高维特征空间中构建最优分类超平面。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第八种可能的实施方式,其中,所述归一化的参数为日负荷曲线的最大值。
第二方面,本发明实施例提供了基于支持向量机的负荷集群控制系统,包括:
采集单元,用于采集用户用电数据,并对所述用户用电数据进行预处理得到负荷数据样本;
数据集建立单元,用于根据所述负荷数据样本建立训练数据集和测试数据集;
分类器建立单元,用于利用所述训练数据集和所述测试数据集构建支持向量机分类器,并对所述支持向量机进行完善得到完善后的支持向量机分类器;
分类结果输出单元,用于向所述完善后的支持向量机分类器中输入实时负荷数据,并输出所述实时负荷数据的分类结果。
本发明提供了基于支持向量机的负荷集群控制方法,包括:采集用户用电数据,并对用户用电数据进行预处理得到负荷数据样本;根据负荷数据样本建立训练数据集和测试数据集;利用训练数据集和测试数据集构建支持向量机分类器,并对支持向量机进行完善得到完善后的支持向量机分类器;向完善后的支持向量机分类器中输入实时负荷数据,并输出实时负荷数据的分类结果。本发明采用支持向量机算法对电力系统中的用户负荷进行分类,在此分类基础上进行负荷的集群集控,使负荷分类具有科学的理论支持和技术支撑,保障划分到同一类的负荷具有较高的一致性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于支持向量机的负荷集群控制方法流程图;
图2为本发明实施例提供的另一基于支持向量机的负荷集群控制方法流程图;
图3为本发明实施例提供的基于支持向量机的负荷集群控制方法的总体架构示意图;
图4为本发明实施例提供的基于支持向量机的负荷集群控制系统示意图。
图标:
10-采集单元;20-数据集建立单元;30-分类器建立单元;40-分类结果输出单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,现有技术的客观缺点在于缺少负荷分类及负荷集群方法。基于此,本发明实施例提供的基于支持向量机的负荷集群控制方法和系统,解决当前负荷分类方法存在缺陷,提供一种科学严谨的负荷分类及负荷集群控制方法,使负荷分类以及在此基础上的应用具有科学的理论支持和技术支撑,本发明提供一种基于支持向量机的负荷集群控制方法。
为便于对本实施例进行理解,首先对本发明实施例所公开的基于支持向量机的负荷集群控制方法进行详细介绍。
实施例一:
图1为本发明实施例提供的基于支持向量机的负荷集群控制方法流程图
参照图1,基于支持向量机的负荷集群控制方法包括:
步骤S101,采集用户用电数据,并对用户用电数据进行预处理得到负荷数据样本;
具体地,用户用电数据包括负荷的电压、电流、有功功率和无功功率数据。
步骤S102,根据负荷数据样本建立训练数据集和测试数据集;
步骤S103,利用训练数据集和测试数据集构建支持向量机分类器,并对支持向量机进行完善得到完善后的支持向量机分类器;
步骤S104,向完善后的支持向量机分类器中输入实时负荷数据,并输出实时负荷数据的分类结果。
根据本发明的示例性实施例,步骤S101中对用户用电数据进行预处理得到负荷数据样本包括:
去除用户用电数据中的不良数据;
对去除不良数据的用户用电数据进行归一化、标准化处理。
具体地,归一化的参数为日负荷曲线的最大值。
根据本发明的示例性实施例,步骤S103包括:
利用训练数据集和测试数据集得到训练数据向量和测试数据向量;
通过求解最优分类平面,对训练数据向量进行学习并构建支持向量机分类模型进行训练,得到支持向量机分类器;
利用测试数据向量对支持向量机分类器进行测试得到全局最优支持向量机分类器;
根据测试精度和待分类的更新负荷数据对全局最优支持向量机分类器进行完善得到完善后的支持向量机分类器。
具体地,求解最优分类平面包括求解线性可分支持向量机和线性不可分支持向量机。求解线性可分支持向量机是利用支持向量机算法,通过求解优化问题进行最优分类界面的确定。求解线性不可分支持向量机是通过非线性变换进行高维特征空间映射以转化为线性空间,并在无限大的高维特征空间中构建最优分类超平面。
根据本发明的示例性实施例,上述根据测试精度和待分类的更新负荷数据对全局最优支持向量机分类器进行完善得到完善后的支持向量机分类器包括:
获取待分类的更新负荷数据;
对待分类的更新负荷数据进行预处理;
根据待分类的更新负荷数据得到负荷数据向量;
利用负荷数据向量完善全局最优支持向量机分类器得到完善后的支持向量机分类器。
实施例二:
本发明实施例的目的在于提供一种基于支持向量机的负荷集群控制方法,主要包括:通过向量测量单元PMU采集用户用电数据,经过支持向量机SVM进行负荷分类,根据负荷分类结果进行负荷集群控制。其中,支持向量机采用的结构风险最小化原则使其分类效果好,其核心分类内容是在样本中建构出一个最好的分类超平面。
本发明实施例的负荷分类方法主要技术构思如下:分析采集的负荷数据选出用最优分类超平面以达到最佳的负荷分类;进一步,利用支持向量机产生一个基于训练数据的分类模型,向该分类模型中输入负荷数据,即可输出负荷分类结果,并保障划分到同一类的负荷具有较高的一致性。
该技术方案即一种基于支持向量机的负荷集群控制方法,详细包括以下步骤:
(1)通过PMU采集负荷数据;
(2)将采集的负荷数据上传至服务器并储存至负荷数据库,同时去除不良数据,并对负荷数据进行归一化、标准化等预处理,以消除这些差别的影响,得到高精度的负荷数据样本;
(3)根据负荷数据库建立支持向量机的训练数据集和测试数据集;
(4)利用支持向量机算法对训练样本进行学习,并构建分类器;
(5)利用测试集对深度支持向量机分类模型的精确度进行测试,并得到全局最优的结果;
(6)根据测试精度及不断更新的负荷数据,完善支持向量机分类模型;
(7)得到完善的支持向量机分类器后,向该模型中输入负荷数据,即可得到该负荷的类型分类结果。
根据本发明的示例性实施例,步骤(1)中负荷数据包括:负荷的电压、电流、有功功率、无功功率等。
根据本发明的示例性实施例,步骤(2)中负荷聚合分类所取参数为日负荷曲线。
根据本发明的示例性实施例,步骤(3)中负荷数据即为支持向量。
根据本发明的示例性实施例,步骤(4)中构建分类器需求解最优分类平面,其中最优分类平面的求解过程:对于线性支持向量机,支持向量机算法通过求解优化问题进行最优分类界面的确定;对于线性不可分的情况,将输入的数据通过非线性变换将其映射到高维特征空间中去,在高维特征空间中,原空间输入的非线性分类就转化为线性问题,并在无限大的高维特征空间中,构建最优分类超平面。
本发明提供的技术方案具有以下有益效果:
1、通过支持向量机进行负荷分类,负荷分类结果可以呈现为对用户生产生活影响大小、对电网特性影响大小。
2、进行负荷分类可进一步挖掘用户用电特征中存在的需求侧响应价值,并可初步确定潜在的适宜参与需求侧响应的负荷。
3、有助于电力部门更好地识别负荷类型,进而在此基础上制定更加合理、高效、经济的应用等。
实施例三:
如图2所示的一种基于支持向量机的负荷集群控制方法的流程图,包括以下步骤:
(1)通过PMU采集负荷数据;采集信息量包括负荷的电压、电流、有功功率、无功功率等。
(2)将采集的负荷数据上传至服务器并储存至负荷数据库,同时去除不良数据,并对负荷数据进行归一化、标准化等预处理,以消除这些差别的影响,得到高精度的负荷数据样本。本发明采用日负荷曲线的最大值作为归一化参数,具体操作为:记第h时刻负荷功率为Ph(h=1,2,…,24),最大功率Pmax为标准化因子,则对负荷曲线进行归一化处理,即其中xh表示第h时刻负荷功率归一化后的值。
(3)根据负荷数据库建立支持向量机的训练数据集和测试数据集,其中,训练数据集和测试数据集分别占样本的80%和20%。
(4)利用支持向量机算法对训练样本进行学习,并构建分类器;通过求解平面方程,得到决策函数。设一个负荷样本为{(x1,y1),(x2,y2),…,(xi,yi),…,(x24,y24)},其中,xi表示输入,yi表示输出;设最优决策平面方程为:wT·xi+b=0,约束条件为:yi[wT·xi+b]≥1-ξi,其中ξi表示线性不可分条件下的松弛变量;最优决策面的求解应尽量将平均错误误差缩小到最小,利用拉格朗日乘子法将求解问题转化为以下的约束优化问题:其中K(xi,yi)为核函数,约束条件为0≤ai≤C,C表示惩罚系数。
(5)利用测试集对深度支持向量机分类模型的精确度进行测试,并得到全局最优的结果。
(6)根据测试精度及不断更新的负荷数据,完善支持向量机分类模型。
利用新的用户用电数据和历史数据库相结合,构建新的训练样本集,返回回到步骤(4),完善支持向量机分类模型,提高分类精度。
(7)得到完善的支持向量机分类器后,向该模型中输入负荷数据,即可得到该负荷的类型分类结果
实施本发明实施例提供的方法,可依托于图3所示的基于支持向量机的负荷集群控制方法的总体架构。
实施例四:
参照图4,基于支持向量机的负荷集群控制系统包括:
采集单元10,用于采集用户用电数据,并对用户用电数据进行预处理得到负荷数据样本;
数据集建立单元20,用于根据负荷数据样本建立训练数据集和测试数据集;
分类器建立单元30,用于利用训练数据集和测试数据集构建支持向量机分类器,并对支持向量机进行完善得到完善后的支持向量机分类器;
分类结果输出单元40,用于向完善后的支持向量机分类器中输入实时负荷数据,并输出实时负荷数据的分类结果。
本发明实施例提供的基于支持向量机的负荷集群控制系统,与上述实施例提供的基于支持向量机的负荷集群控制方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例所提供的基于支持向量机的负荷集群控制方法以及系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于支持向量机的负荷集群控制方法,其特征在于,包括:
采集用户用电数据,并对所述用户用电数据进行预处理得到负荷数据样本;
根据所述负荷数据样本建立训练数据集和测试数据集;
利用所述训练数据集和所述测试数据集构建支持向量机分类器,并对所述支持向量机进行完善得到完善后的支持向量机分类器;
向所述完善后的支持向量机分类器中输入实时负荷数据,并输出所述实时负荷数据的分类结果。
2.根据权利要求1所述的基于支持向量机的负荷集群控制方法,其特征在于,所述对所述用户用电数据进行预处理得到负荷数据样本包括:
去除所述用户用电数据中的不良数据;
对去除不良数据的用户用电数据进行归一化、标准化处理。
3.根据权利要求2所述的基于支持向量机的负荷集群控制方法,其特征在于,所述利用所述训练数据集和所述测试数据集构建支持向量机分类器,并对所述支持向量机进行完善得到完善后的支持向量机分类器包括:
利用所述训练数据集和所述测试数据集得到训练数据向量和测试数据向量;
通过求解最优分类平面,对所述训练数据向量进行学习并构建支持向量机分类模型进行训练,得到所述支持向量机分类器;
利用所述测试数据向量对所述支持向量机分类器进行测试得到全局最优支持向量机分类器;
根据测试精度和待分类的更新负荷数据对所述全局最优支持向量机分类器进行完善得到所述完善后的支持向量机分类器。
4.根据权利要求3所述的基于支持向量机的负荷集群控制方法,其特征在于,所述根据测试精度和待分类的更新负荷数据对所述全局最优支持向量机分类器进行完善得到所述完善后的支持向量机分类器包括:
获取所述待分类的更新负荷数据;
对所述待分类的更新负荷数据进行预处理;
根据所述待分类的更新负荷数据得到负荷数据向量;
利用所述负荷数据向量完善所述全局最优支持向量机分类器得到所述完善后的支持向量机分类器。
5.根据权利要求1所述的基于支持向量机的负荷集群控制方法,其特征在于,所述用户用电数据包括负荷的电压、电流、有功功率和无功功率数据。
6.根据权利要求3所述的基于支持向量机的负荷集群控制方法,其特征在于,所述求解最优分类平面包括求解线性可分支持向量机和线性不可分支持向量机。
7.根据权利要求6所述的基于支持向量机的负荷集群控制方法,其特征在于,所述求解线性可分支持向量机是利用支持向量机算法,通过求解优化问题进行最优分类界面的确定。
8.根据权利要求6所述的基于支持向量机的负荷集群控制方法,其特征在于,所述求解线性不可分支持向量机是通过非线性变换进行高维特征空间映射以转化为线性空间,并在无限大的所述高维特征空间中构建最优分类超平面。
9.根据权利要求2所述的基于支持向量机的负荷集群控制方法,其特征在于,所述归一化的参数为日负荷曲线的最大值。
10.一种基于支持向量机的负荷集群控制系统,其特征在于,包括:
采集单元,用于采集用户用电数据,并对所述用户用电数据进行预处理得到负荷数据样本;
数据集建立单元,用于根据所述负荷数据样本建立训练数据集和测试数据集;
分类器建立单元,用于利用所述训练数据集和所述测试数据集构建支持向量机分类器,并对所述支持向量机进行完善得到完善后的支持向量机分类器;
分类结果输出单元,用于向所述完善后的支持向量机分类器中输入实时负荷数据,并输出所述实时负荷数据的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810823762.XA CN109034241A (zh) | 2018-07-24 | 2018-07-24 | 基于支持向量机的负荷集群控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810823762.XA CN109034241A (zh) | 2018-07-24 | 2018-07-24 | 基于支持向量机的负荷集群控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034241A true CN109034241A (zh) | 2018-12-18 |
Family
ID=64645910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810823762.XA Pending CN109034241A (zh) | 2018-07-24 | 2018-07-24 | 基于支持向量机的负荷集群控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034241A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816555A (zh) * | 2019-01-30 | 2019-05-28 | 云南电网有限责任公司电力科学研究院 | 一种基于支持向量机的负荷建模方法 |
CN111324790A (zh) * | 2020-02-20 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于支持向量机分类的负荷类型识别方法 |
CN111724278A (zh) * | 2020-06-11 | 2020-09-29 | 国网吉林省电力有限公司 | 一种面向电力多元负荷用户的精细分类方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
CN103605757A (zh) * | 2013-11-25 | 2014-02-26 | 国家电网公司 | 一种基于支持向量机的高铁电能质量数据的分类方法 |
CN104834940A (zh) * | 2015-05-12 | 2015-08-12 | 杭州电子科技大学 | 一种基于支持向量机的医疗影像检查疾病分类方法 |
CN105974219A (zh) * | 2016-04-11 | 2016-09-28 | 中国电力科学研究院 | 一种节能电器负荷类型的分类识别方法 |
CN106570526A (zh) * | 2016-10-27 | 2017-04-19 | 清华大学 | 用于输变电主设备负荷曲线挖掘的分类器集成方法 |
CN107844880A (zh) * | 2017-07-17 | 2018-03-27 | 中国南方电网有限责任公司 | 一种基于多源数据融合的电网故障等级自动识别方法 |
-
2018
- 2018-07-24 CN CN201810823762.XA patent/CN109034241A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
CN103605757A (zh) * | 2013-11-25 | 2014-02-26 | 国家电网公司 | 一种基于支持向量机的高铁电能质量数据的分类方法 |
CN104834940A (zh) * | 2015-05-12 | 2015-08-12 | 杭州电子科技大学 | 一种基于支持向量机的医疗影像检查疾病分类方法 |
CN105974219A (zh) * | 2016-04-11 | 2016-09-28 | 中国电力科学研究院 | 一种节能电器负荷类型的分类识别方法 |
CN106570526A (zh) * | 2016-10-27 | 2017-04-19 | 清华大学 | 用于输变电主设备负荷曲线挖掘的分类器集成方法 |
CN107844880A (zh) * | 2017-07-17 | 2018-03-27 | 中国南方电网有限责任公司 | 一种基于多源数据融合的电网故障等级自动识别方法 |
Non-Patent Citations (1)
Title |
---|
汪泽松: "基于SVM的用户侧非入侵式负荷分解方法", 《第29届中国控制与决策会议论文集(4)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816555A (zh) * | 2019-01-30 | 2019-05-28 | 云南电网有限责任公司电力科学研究院 | 一种基于支持向量机的负荷建模方法 |
CN111324790A (zh) * | 2020-02-20 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于支持向量机分类的负荷类型识别方法 |
CN111724278A (zh) * | 2020-06-11 | 2020-09-29 | 国网吉林省电力有限公司 | 一种面向电力多元负荷用户的精细分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779087B (zh) | 一种通用机器学习数据分析平台 | |
CN112561156A (zh) | 基于用户负荷模式分类的短期电力负荷预测方法 | |
Zhang et al. | A new index and classification approach for load pattern analysis of large electricity customers | |
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 | |
CN108491969A (zh) | 基于大数据的空间负荷预测模型构建方法 | |
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 | |
CN106909933A (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN107609754A (zh) | 一种电网信息系统性能监测系统及方法 | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
CN111724278A (zh) | 一种面向电力多元负荷用户的精细分类方法及系统 | |
CN109034241A (zh) | 基于支持向量机的负荷集群控制方法和系统 | |
CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
CN107507038A (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN110674993A (zh) | 一种用户负荷短期预测方法和装置 | |
CN105654196A (zh) | 一种基于电力大数据的自适应负荷预测选择方法 | |
AU2019100968A4 (en) | A Credit Reporting Evaluation System Based on Mixed Machine Learning | |
CN111368904A (zh) | 一种基于电力指纹的电器设备识别方法 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN103632306A (zh) | 一种基于聚类分析的配电网供电区域划分方法 | |
CN108921358A (zh) | 一种电力负荷特征的预测方法、预测系统及相关装置 | |
CN111582548A (zh) | 一种基于多元用户行为画像的用电负荷预测方法 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN108399553A (zh) | 一种考虑地理和线路从属关系的用户特征标签设定方法 | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 |
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 |
Application publication date: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |