CN109064353A - 一种基于改进聚类融合的大型建筑用户行为分析方法 - Google Patents

一种基于改进聚类融合的大型建筑用户行为分析方法 Download PDF

Info

Publication number
CN109064353A
CN109064353A CN201810771056.5A CN201810771056A CN109064353A CN 109064353 A CN109064353 A CN 109064353A CN 201810771056 A CN201810771056 A CN 201810771056A CN 109064353 A CN109064353 A CN 109064353A
Authority
CN
China
Prior art keywords
cluster
heavy construction
clustering
fusion
construction user
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
CN201810771056.5A
Other languages
English (en)
Other versions
CN109064353B (zh
Inventor
张勇
蔡鹏飞
凌平
杨秀
时志雄
方陈
赵立强
田英杰
苏运
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
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 CN201810771056.5A priority Critical patent/CN109064353B/zh
Publication of CN109064353A publication Critical patent/CN109064353A/zh
Application granted granted Critical
Publication of CN109064353B publication Critical patent/CN109064353B/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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • 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

Abstract

本发明涉及一种基于改进聚类融合的大型建筑用户行为分析方法，该方法用于确定大型建筑用户的用电模式，该方法包括如下步骤：(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据；(2)构建聚类效果综合评价指标，选取多种优质聚类方法；(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到不同聚类结果；(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。与现有技术相比，本发明可以吸取不同单一聚类算法的优点，其有效性与准确度均高于单一聚类方法，且拓展性得到提高。

Description

一种基于改进聚类融合的大型建筑用户行为分析方法
技术领域
本发明涉及一种大型建筑用户行为分析方法，尤其是涉及一种基于改进聚类融合的大型建筑用户行为分析方法。
背景技术
随着智能电网进程的不断推进，大量的智能信息采集系统的投入，在促进智能电网建设的同时，累积了海量的用电数据。大型建筑作为用电用户侧负荷的重要构成部分，其产生的用电数据具有海量、分散、高频的特点，且不同数据间具有相似与关联性。通过处理这些数据挖掘出具有现实意义的内容，是推动智能电网发展研究中的重要内容。因此，利用数据分析的方法，探索用户的用电模式，准确的分析出不同用户的用电习惯与用电行为，可以帮助电力公司了解不同用户的特性与个性化需求，从而制定具有针对性的服务，支持智能化业务的分析与决策，为未来的需求侧响应提供数据上的支撑。
目前，电力大数据方面的研究工作主要侧重于对已知负荷数据集进行用户用电模式的挖掘并分析其对应的现实原因、数据分析算法的改进等，挖掘隐藏在数据中的用电行为习惯，为节能与个性化服务等工作提供重要的决策依据。
用电行为的分析结果与选用的样本内容以及采用的算法具有密切的联系。不同的样本以及不同的算法可能造成结果的差异性。对于不同类型的负荷数据样本往往需要采用不同的算法，因此急需要构造一种算法既可以保证其有效性与准确度，又可以应对不同的负荷数据样本。
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改进聚类融合的大型建筑用户行为分析方法。
本发明的目的可以通过以下技术方案来实现：
一种基于改进聚类融合的大型建筑用户行为分析方法，该方法用于确定大型建筑用户的用电模式，该方法包括如下步骤：
(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据；
(2)构建聚类效果综合评价指标，选取多种优质聚类方法；
(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到聚类结果；
(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。
步骤(2)具体为：
(21)建立聚类效果综合评价指标：
I(PM)＝αI1(PM)+βI2(PM)，
I2(PM)＝I(CA)×I(NMI)×I(ARI)×γ2，
其中，I(PM)为聚类结果PM的综合评价指标，I1(PM)为聚类结果PM的有效性评价指标，I2(PM)为聚类结果PM的差异性评价指标，α与β分别为有效性与差异性调节系数，I(SIL)、I(DBI)、I(-F)分别为SIL指数、DBI指数与伪F值，I(CA)、I(NMI)和I(ARI)分别为聚类方法的CA、NMI和ARI值，γ1和γ2均为数值调节系数；
(22)分别求取各种聚类方法的综合评价指标值，按照综合评价指标值由大到小对聚类方法进行排序；
(23)选取综合评价指标值大于设定大小的聚类方法作为优质聚类方法。
步骤(3)采用优质聚类方法进行聚类时首先对总负荷数据进行归一化处理，具体为：
式中，x*为归一化后的总负荷数据，x为待归一化的总负荷数据，min(x)为总符合数据中的最小值，max(x)为总负荷数据中的最大值。
步骤(4)采用超图-METIS算法对聚类结果进行融合得到最终用电模式。
该方法在步骤(4)得到最终用电模式后还包括如下操作：对不同用电模式下的不同用电成分进行分析，确定各用电模式下的用电构成。
所述的用电成分包括照明与插座负荷、空调负荷、动力负荷以及其他负荷。
与现有技术相比，本发明具有如下优点：
(1)针对单一聚类方法伸缩性与拓展性差的问题，本发明提出通过优选方法进行聚类融合，可以吸取不同单一聚类算法的优点，其有效性与准确度均高于单一聚类方法，且拓展性得到提高；
(2)本发明提出聚类效果综合评价指标，结合了聚类评价的有效性与差异性，使得不同评价指标评价结果混乱的现象得到一定程度的消失，从而有效选取优质聚类方法，使得聚类结果更加准确；
(3)利用改进的聚类融合算法进行用户用电行为分析，不仅分析了其用电模式，并对不同模式的用电构成进行细致分析，可以对用户行为进行更细致的划分。
附图说明
图1为本发明基于改进聚类融合的用电行为分析流程图；
图2为本发明提供的改进聚类融合算法流程图；
图3为本发明提供的METIS原理图；
图4为实施例中不同聚类数目对应的类内平方误差和图；
图5为实施例中用电负荷特征曲线图；
图6为实施例中不同聚类结果的用电构成图。
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、图2所示，一种基于改进聚类融合的大型建筑用户行为分析方法，该方法用于确定大型建筑用户的用电模式，这里的用电模式是指：对于的不同的用户，用电的行为和习惯必然是不一样的，例如有的用户早上就开始用电，一直到晚上，有的用户白天用电比较少，夜晚用电比较多；对于同样的用户，其在时间尺度上也存在不同的规律，在春天和在夏天的用电必然是不一样。这种不同的用电习惯最后在负荷上的表现就叫做用电模式。
本发明基于改进聚类融合的大型建筑用户行为分析方法包括如下步骤：
(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据，具体地：
对大型建筑用户进行数据采集，采集的频率为15min一个点，即每天96点数据，负荷数据内容包括：总负荷数据、各分项计量数据(包括照明与插座、空调、动力、其他四大类)。
(2)构建聚类效果综合评价指标，选取多种优质聚类方法；
聚类效果评价是为了从海量的聚类算法中选择出具有良好性能的聚类算法以作为聚类融合的基本方法。而单一聚类评价指标对算法评价结果的不一致性，本发明提出了结合聚类有效性与差异性建立聚类效果综合评价指标。因此，步骤(2)具体为：
(21)建立聚类效果综合评价指标：
假设为d维的数据集，X数据集中包含N个数据，进行M次聚类后，每个聚类结果为PM，则其对应的聚类效果综合评价指标为：
I(PM)＝αI1(PM)+βI2(PM)，
其中，I(PM)为聚类结果PM的综合评价指标，I1(PM)为聚类结果PM的有效性评价指标，I2(PM)为聚类结果PM的差异性评价指标，α与β分别为有效性与差异性调节系数，且α+β＝1。考虑到有效性与差异性关系的复杂性，本实施例取α＝β＝0.5。
聚类有效性是指是否合理的进行分簇。常用的有效性指标包括DBI、SIL(Silhouette index)、伪F值、DVI、CH(Calinski-Harabasz index)等，本发明选用DBI、SIL与伪F值，SIL与伪F值均为值越大代表聚类效果越好，DBI为值越小聚类效果越好，有效性指标具体如下：
γ1为数值调节系数，γ1取0.01，I(SIL)、I(DBI)、I(-F)分别为SIL指数、DBI指数与伪F值，I1(PM)的值越大，则代表聚类结果类内结构越紧密且类间的距离越大。
聚类的差异性是通过聚类结果与已知的分布进行比较，相似性越高说明原差异性越高。常用的差异性指标有NMI(Normalized Mutual Information)、ARI(Adjusted RandIndex)、CA(Classification Accuracy)、JC(Jaccard Index)，其中NMI、ARI、CA的值越大，则I2(PM)越大，表示聚类成员之间的差异性越大，所以差异性指标详细如下：
I2(PM)＝I(CA)×I(NMI)×I(ARI)×γ2，
I(CA)、I(NMI)和I(ARI)分别为聚类方法的CA、NMI和ARI值，γ2为数值调节系数，其中I(CA)、I(NMI)和I(ARI)的值越大，则I2(PM)越大，表示聚类成员之间的差异性越大。
(22)分别求取各种聚类方法的综合评价指标值，按照综合评价指标值由大到小对聚类方法进行排序；
(23)选取综合评价指标值大于设定大小的聚类方法作为优质聚类方法。
目前聚类算法十分多样，要相对每一种算法都进行评价是一件颇有难度的事情，本发明从算法的丰富性与可用性出发，对R语言库中的方法进行评价。评价采用的现有的已经聚类好的数据集，这些数据集与待处理的样本数据集具有一定的相似性，这里采用UNI数据库中的iris data set与wine data set。大致结果如表1与表2。
表1 iris数据集不同算法的指标情况(前6)
表2 wine数据集不同算法的指标情况(前6)
根据综合指标的排序结果，选择多个数据集效果均比较好的单一聚类算法，确定最终的聚类方法为：基于划分的kmeans算法、cmeans(模糊C均值)算法、基于层次的hclust/ward.D2以及cluster.Sim算法。
(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到聚类结果，所述的聚类结果对应于初步用电模式，步骤(3)采用优质聚类方法进行聚类时首先对总负荷数据进行归一化处理，具体为：
式中，x*为归一化后的总负荷数据，x为待归一化的总负荷数据，min(x)为总符合数据中的最小值，max(x)为总负荷数据中的最大值。
(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。步骤(4)采用超图-METIS算法对聚类结果进行融合得到最终用电模式。具体地：
对待处理的数据样本用上述的每一种单一聚类方法进行独立的聚类，得到4个聚类结果。需要对这四个聚类结果进行融合，具体步骤如下：
①得到聚类结果后，对聚类结果进行转换与集合，构成H矩阵。H1、H2……Hn为n个聚类成员，h1、h2……hn为每个聚类的不同聚类簇，详细如表3所示。
则共识矩阵S为：
共识矩阵S中每个元素Sij为数据i与j同属于某类结果的概率。
表3 H矩阵的构造
②超图转换
将数据点转化为图的顶点，两数据被划分在同一类中的概率表示两点之间的权重。
③METIS多层划分
METIS多层划分法，目标是最小化分支之间边的权值，实现平衡约束。其精度略高于热门的谱聚类方法，METIS原理图如图3所示，具体包括如下部分：
1.粗化(Coarsening)
将原图中的点进行融合，使得原图G0＝(V0,E0)变成更小的图Gi＝(Vi,Ei)。粗化后的图要能够反映原始图中的点和权值，且保持原图中所有的连接信息，所以将粗化后的点的权值设置成原图中对应点的点集的所有权值之和，不同边的权值也为对应原边集合的所有权值之和，这保证在下一步划分的时候对粗化后的图与原图效果保持一致。
2.K路划分(Initial Partitioning)
对原始图进行不断粗化，直到只剩下少量的顶点，一般为2-4次，对粗化图Gm＝(Vm,Em)计算划分Pm，使得划分后的每部分大致均匀地含有原图的|V0|/k个顶点。由于在粗化的过程中，粗化图顶点和边的权值可以反映原图的权值状况，因此Gm包含了足够的信息可以对图在保证最小边格的情况下进行有效的平衡划分。
3.细化(Refinement)
粗化后图的划分并不是最终的结果，需要将每一级的粗化图Gm的划分Pm通过恢复算法进行回溯上一级的Gm-1，Gm-2……直到G0。由于Gi+1的每一个顶点都包含粗化图Gi顶点集合的一个独立子集，所以仅需要将Gi的顶点集合中对应的点分配到Pi+1中即可。
该方法在步骤(4)得到最终用电模式后还包括如下操作：对不同用电模式下的不同用电成分进行分析，确定各用电模式下的用电构成。用电成分包括照明与插座负荷、空调负荷、动力负荷以及其他负荷。
本实施例在聚类过程中，获取不同聚类数目对应的类内平方误差和曲线图，如图4所示，根据不同聚类数目对应的类内平方误差和曲线图确定聚类数为4。对最后融合的结果进行分析，计算不同聚类簇的聚类中心为该类型的用户用电模式，如图5所示。对不同分项计量的数据采用同样的聚类标签，计算不同类别的不同用电成分，如图6所示。
最后对聚类效果进行评价，根据表4，本文的聚类融合算法在不同的指标上均优于单个聚类方法，具有更好的聚类效果。
表4不同算法的指标情况
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 (6)

1.一种基于改进聚类融合的大型建筑用户行为分析方法，该方法用于确定大型建筑用户的用电模式，其特征在于，该方法包括如下步骤：
(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据；
(2)构建聚类效果综合评价指标，选取多种优质聚类方法；
(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到聚类结果；
(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。
2.根据权利要求1所述的一种基于改进聚类融合的大型建筑用户行为分析方法，其特征在于，步骤(2)具体为：
(21)建立聚类效果综合评价指标：
I(PM)＝αI1(PM)+βI2(PM)，
I2(PM)＝I(CA)×I(NMI)×I(ARI)×γ2，
其中，I(PM)为聚类结果PM的综合评价指标，I1(PM)为聚类结果PM的有效性评价指标，I2(PM)为聚类结果PM的差异性评价指标，α与β分别为有效性与差异性调节系数，I(SIL)、I(DBI)、I(-F)分别为SIL指数、DBI指数与伪F值，I(CA)、I(NMI)和I(ARI)分别为聚类方法的CA、NMI和ARI值，γ1和γ2均为数值调节系数；
(22)分别求取各种聚类方法的综合评价指标值，按照综合评价指标值由大到小对聚类方法进行排序；
(23)选取综合评价指标值大于设定大小的聚类方法作为优质聚类方法。
3.根据权利要求1所述的一种基于改进聚类融合的大型建筑用户行为分析方法，其特征在于，步骤(3)采用优质聚类方法进行聚类时首先对总负荷数据进行归一化处理，具体为：
式中，x*为归一化后的总负荷数据，x为待归一化的总负荷数据，min(x)为总符合数据中的最小值，max(x)为总负荷数据中的最大值。
4.根据权利要求1所述的一种基于改进聚类融合的大型建筑用户行为分析方法，其特征在于，步骤(4)采用超图-METIS算法对聚类结果进行融合得到最终用电模式。
5.根据权利要求1所述的一种基于改进聚类融合的大型建筑用户行为分析方法，其特征在于，该方法在步骤(4)得到最终用电模式后还包括如下操作：对不同用电模式下的不同用电成分进行分析，确定各用电模式下的用电构成。
6.根据权利要求5所述的一种基于改进聚类融合的大型建筑用户行为分析方法，其特征在于，所述的用电成分包括照明与插座负荷、空调负荷、动力负荷以及其他负荷。
CN201810771056.5A 2018-07-13 2018-07-13 一种基于改进聚类融合的大型建筑用户行为分析方法 Active CN109064353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810771056.5A CN109064353B (zh) 2018-07-13 2018-07-13 一种基于改进聚类融合的大型建筑用户行为分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810771056.5A CN109064353B (zh) 2018-07-13 2018-07-13 一种基于改进聚类融合的大型建筑用户行为分析方法

Publications (2)

Publication Number Publication Date
CN109064353A true CN109064353A (zh) 2018-12-21
CN109064353B CN109064353B (zh) 2022-07-01

Family

ID=64816513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810771056.5A Active CN109064353B (zh) 2018-07-13 2018-07-13 一种基于改进聚类融合的大型建筑用户行为分析方法

Country Status (1)

Country Link
CN (1) CN109064353B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111322716A (zh) * 2020-02-24 2020-06-23 青岛海尔工业智能研究院有限公司 空调温度自动设置方法、空调、设备及存储介质
CN112884013A (zh) * 2021-01-26 2021-06-01 山东历控能源有限公司 基于数据挖掘技术的能耗分区方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055036A1 (en) * 2009-09-03 2011-03-03 Meishar Immediate Community Methods and systems for managing electricity delivery and commerce
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
CN103226736A (zh) * 2013-03-27 2013-07-31 东北电力大学 基于聚类分析与灰靶理论的中长期电力负荷预测方法
CN103632203A (zh) * 2013-09-23 2014-03-12 国家电网公司 一种基于综合评价的配电网供电区域划分方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055036A1 (en) * 2009-09-03 2011-03-03 Meishar Immediate Community Methods and systems for managing electricity delivery and commerce
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
CN103226736A (zh) * 2013-03-27 2013-07-31 东北电力大学 基于聚类分析与灰靶理论的中长期电力负荷预测方法
CN103632203A (zh) * 2013-09-23 2014-03-12 国家电网公司 一种基于综合评价的配电网供电区域划分方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111322716A (zh) * 2020-02-24 2020-06-23 青岛海尔工业智能研究院有限公司 空调温度自动设置方法、空调、设备及存储介质
CN111322716B (zh) * 2020-02-24 2021-08-03 青岛海尔工业智能研究院有限公司 空调温度自动设置方法、空调、设备及存储介质
CN112884013A (zh) * 2021-01-26 2021-06-01 山东历控能源有限公司 基于数据挖掘技术的能耗分区方法

Also Published As

Publication number Publication date
CN109064353B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN106339416B (zh) 基于网格快速搜寻密度峰值的教育数据聚类方法
CN102521656B (zh) 非平衡样本分类的集成迁移学习方法
CN109034469A (zh) 一种基于机器学习的游客流量预测方法
CN103049651A (zh) 一种用于电力负荷聚类的方法及装置
CN109408712A (zh) 一种旅行社用户多维信息画像的构建方法
CN109146252A (zh) 基于调节潜力指标的用户用电行为聚类分析方法和系统
CN109271421A (zh) 一种基于MapReduce的大型数据集聚类方法
CN110119948A (zh) 基于时变权重动态组合的电力用户信用评价方法及系统
CN109492748A (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN108898273A (zh) 一种基于形态分析的用户侧负荷特征聚类评价方法
CN109064353A (zh) 一种基于改进聚类融合的大型建筑用户行为分析方法
CN109948534A (zh) 采用快速密度峰值聚类进行人脸识别的方法
CN115422452A (zh) 基于大数据的智能家居控制方法、装置、设备及存储介质
CN109686402A (zh) 基于动态加权相互作用网络中关键蛋白质识别方法
Lin et al. Data-driven prediction of building energy consumption using an adaptive multi-model fusion approach
CN117272850B (zh) 配电网安全运行调度弹性空间分析方法
Jie et al. Naive Bayesian classifier based on genetic simulated annealing algorithm
CN107016260A (zh) 一种基于跨平台基因表达数据的基因调控网络重建方法
CN110263982A (zh) 广告点击率预估模型的优化方法和装置
CN105447767A (zh) 一种基于联合矩阵分解模型的电力用户细分方法
CN109919196A (zh) 一种基于特征选择和分类模型的体质识别方法
Jin et al. Discriminant zero-shot learning with center loss
CN107918779A (zh) 一种构建多元负荷聚类模型方法及系统
CN106354886A (zh) 在推荐系统中利用潜在邻居关系图筛选最近邻居的方法
CN108960657A (zh) 一种基于特征优选的楼宇负荷特性分析方法

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
GR01 Patent grant
GR01 Patent grant