CN109636101A - 基于大数据的开放售电环境下大用户用电行为分析方法 - Google Patents
基于大数据的开放售电环境下大用户用电行为分析方法 Download PDFInfo
- Publication number
- CN109636101A CN109636101A CN201811301346.XA CN201811301346A CN109636101A CN 109636101 A CN109636101 A CN 109636101A CN 201811301346 A CN201811301346 A CN 201811301346A CN 109636101 A CN109636101 A CN 109636101A
- Authority
- CN
- China
- Prior art keywords
- user
- cluster
- data
- electricity
- load
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000003542 behavioural effect Effects 0.000 claims abstract description 6
- 239000004615 ingredient Substances 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006837 decompression Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据的开放售电环境下大用户用电行为分析方法，将同一用户在不同时间的日负荷数据作聚类，划分出同一用户在不同日期的用电特点，进一步分析用户内部的负荷成分，获取不同精细程度的用户用电信息，针对开放售电环境下，开展基于大数据的需求侧售电主体和用户用电特征行为分析，掌握售电主体与用电客户的行为特征，并深入分析用户内部的负荷成分，获取不同精细程度的用户用电信息，进而提升负荷监测及预测技术的精确性。
Description
技术领域
本发明涉及供电技术领域，特别涉及一种基于大数据的开放售电环境下大用户用电行为分析方法。
背景技术
目前在针对开放售电环境下，供电企业期望增加与客户粘性，更加注重与用户的互动，用户的用电行为分析也是国际上的研究热点。通过对用户的用电行为进行数据化处理，可以对用户用电行为规律进行建模和挖掘，从而揭示与用户用电行为密切相关的属性，发现各类用户之间的隐含关系。
基于大数据的开放售电环境下大用户用电行为分析是供电企业了解用户的用户负荷模式特性的重要方法，研究用户的用电负荷模式特征，有助于用电企业更深刻地认识用户，并能够根据不同的用户群制定相应的市场策略、提供相应的个性化服务。
发明内容
为了解决背景技术中所述问题，本发明提供一种基于大数据的开放售电环境下大用户用电行为分析方法，针对开放售电环境下，开展基于大数据的需求侧售电主体和用户用电特征行为分析，掌握售电主体与用电客户的行为特征，并深入分析用户内部的负荷成分，获取不同精细程度的用户用电信息，进而提升负荷监测及预测技术的精确性。
为了达到上述目的，本发明采用以下技术方案实现：
一种基于大数据的开放售电环境下大用户用电行为分析方法，将同一用户在不同时间的日负荷数据作聚类，划分出同一用户在不同日期的用电特点，进一步分析用户内部的负荷成分，获取不同精细程度的用户用电信息，进而提升负荷监测及预测技术的精确性。
所述的方法包括如下步骤：
步骤一、获取某地区大用户用电负荷样本数据，设置采样间隔，每户每天采样若干点用电负荷采样数据；将样本数据归一化处理，把所有数据转换为0～1之间的小数，具体公式为：
x'＝(x-min(x))/(max(x)-min(x))
其中：x为用户用电负荷样本数据，x’为样本数据归一化处理后的值；
步骤二、根据K-Means聚类算法，基于大用户用电负荷归一化数据进行聚类分析；
1)设置初始聚类参数，即设置聚类结果中簇的个数K；
2)设置最大迭代次数；
3)聚类模型运行；
4)判断当聚类中心内的更改值为0.000时，模型达到收敛，否则返回步骤2)，重新设置最大迭代次数；
5)当聚类模型结构收敛时，继续判断聚类是否满足业务要求，如果满足，则输出结果，如果不满足，则返回步骤1)，重新设置聚类结果中簇的个数K；
判断聚类是否满足业务要求具体为：由聚类后形成的用户用电数据的负荷曲线是否满足用电负荷曲线的解释标准。
步骤三、聚类后的数据形成大用户负荷曲线，对分析结果结合业务逻辑进行分析，重点关注各类簇中用户的行业特点，对大用户负荷曲线按用电时段特征进行分类。
与现有技术相比，本发明的有益效果是：
1、基于大数据的开放售电环境下大用户用电负荷数据分析利用用电采集系统每天采集的计量表信息与营销系统中的用户信息，结合其他数据，通过对已定义的大用户进行用电行为分析，挖掘大用户的行为模式，如各大用户的用电行为的相似程度、各大用户的用电习惯等。在取数周期内进行数据挖掘，同时实现增量数据的实时更新和指标的动态变化，并同步实时更新各用电行为下的用户信息；对分析结果结合业务逻辑进行分析，重点关注各类簇中用户的行业特点；将同一用户在不同时间的日负荷曲线作聚类，划分出同一用户在不同日期的用电特点。深入分析用户内部的负荷成分，获取不同精细程度的用户用电信息，进而提升负荷监测及预测技术的精确性。
2、采用K-Means聚类分析算法对大用户进行分类，经过对数据进行归一化处理后，模型结果收敛，并最终分为4类，通过曲线图不难看出，每一类别都有较为明显的差异，并且都能够很好的进行解释，模型结果较为理想。
附图说明
图1为本发明的基于大数据的开放售电环境下大用户用电行为分析方法的流程图；
图2为k-Means算法基本过程示意图；
图3为本发明实施例提供的大用户负荷曲线聚类分析图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
一种基于大数据的开放售电环境下大用户用电行为分析方法，将同一用户在不同时间的日负荷数据作聚类，划分出同一用户在不同日期的用电特点，进一步分析用户内部的负荷成分，获取不同精细程度的用户用电信息，进而提升负荷监测及预测技术的精确性。
如图1所示，所述的方法包括如下步骤：
步骤一、获取某地区大用户用电负荷样本数据，设置采样间隔，每户每天采样若干点用电负荷采样数据；将样本数据归一化处理，把所有数据转换为0～1之间的小数，具体公式为：
x'＝(x-min(x))/(max(x)-min(x))
其中：x为用户用电负荷样本数据，x’为样本数据归一化处理后的值；
步骤二、根据K-Means聚类算法，基于大用户用电负荷归一化数据进行聚类分析；
步骤2.1、设置初始聚类参数，即设置聚类结果中簇的个数K；
步骤2.2、设置最大迭代次数；
步骤2.3、聚类模型运行；
K-Means聚类分析模型将给定待挖掘数据集中的数据对象划分成k组(k≤n，n代表数据集中对象数目)，每一组表示一个聚类的簇。并且要满足任何一个数据对象仅可以属于一个聚类，每个聚类中至少具有一个数据对象。此算法通常要求算法开始之前，给定参数k以决定聚类后的聚类的个数。算法根据参数k建立一个初始的分组，以后算法反复运用迭代重定位技术将数据对象在各个簇中重新分配，进而得到最终的相对满意的聚类结果。簇内部数据对象之间差距尽量小，簇之间数据对象差距尽量大才称得上是一个好的聚类分析算法。其中K-Means聚类分析算法是划分算法中比较经典的算法之一。其他很多划分算法都是从这个算法演变改进而来的。
K-Means算法接受一个参数k用以决定结果中簇的数目。算法开始时，要在数据集中随机选择k个数据对象用来当做k个簇的初始中心，而将剩下的各个数据对象就根据他们和每个聚类簇心的距离选择簇心最近的簇分配到其中。然后重新计算各个聚类簇中的所有数据对象的平均值，并将得到的结果作为新的簇心；逐步重复上述的过程直至目标函数收敛为止。通常都是使用均方差函数作为目标函数，公式如下：
此公式中J为数据集合中所有数据与相应聚类中心的均方差的总和，D是数据对象，mi是簇的平均值(D和mi都是多维的)。
在确定了数据集中聚类簇的预期数目k之后，该数字用来指定数据集中的k个种子点。并将各个种子点用作聚类的质心。数目k的确定既可以是主观的选择也可以是利用其它聚类技术得到的一个数。选好初始种子点之后，每个簇中没有其它的数据对象。下一步就是通过循环将剩余的点放到离种子点最近的簇之中去。有很多衡量聚类的方法，在此欧氏距离是一种比较常见的衡量数据点之间的距离的方法。然后就是簇心点重新计算，进而再一次对所有点进行所属簇的计算与划分。由于簇的中心点的移动(每次重新计算簇的中心点都有可能会改变中心点的位置直至中心点不变或者目标函数达到收敛为止)使得一些原本不在该簇的数据被划分到簇中，那么此次聚类过程就可以视为上一次聚类结果的校正使得更接近新的质心的点重新得以划分到更合理的簇中。通过一些数据点的重新划分使得质心也可以进行更新升级。上述质心更新的过程一直迭代，直至质心没有明显变化结束。
图2是k-Means算法基本过程示意图。在这一研究当中，凝聚的思想给了我们一个判断聚类数目的方法。除了使用凝聚的方法来确定适当聚类数目之外也用统计调查的方法来衡量确定是否选择了合适的聚类数目。
K均值算法的形式化描述如下。
K-Means算法：
输入：具有n个数据对象的数据集，聚类结果中簇的个数k。
输出：满足准则函数的k个聚类。
处理过程：
(1)在数据集里任意选择k个对象，然后将每个数据对象代表初始聚类的中心；
(2)将剩下的数据划分到和数据本身相距最近的簇心的簇中；
(3)重新计算每个簇的均值得到新的簇心值；
(4)重复(2)到(3)一直到每个簇不再发生变化或者目标函数收敛结束。
步骤2.4、判断当聚类中心内的更改值为0.000时，模型达到收敛，否则返回步骤2)，重新设置最大迭代次数；
步骤2.5、当聚类模型结构收敛时，继续判断聚类是否满足业务要求，如果满足，则输出结果，如果不满足，则返回步骤1)，重新设置聚类结果中簇的个数K；
判断聚类是否满足业务要求具体为：由聚类后形成的用户用电数据的负荷曲线是否满足用电负荷曲线的解释标准。
步骤三、聚类后的数据形成大用户负荷曲线，对分析结果结合业务逻辑进行分析，重点关注各类簇中用户的行业特点，对大用户负荷曲线按用电时段特征进行分类。
【具体实施例】
(1)获取某地区大用户用电负荷样本数据，采样间隔为15分，每户每天采样96点数据。将样本数据归一化处理，把所有数据转换为0～1之间的小数。
(2)根据K-Means聚类算法，基于大用户用电负荷归一化数据进行聚类分析，K取值4，最大迭代次数取值为10次，进入聚类模型。由下面的迭代历史记录表1可知，由于聚类中心内没有改动或改动较小而达到收敛。任何中心的最大绝对坐标更改为0.000。当前迭代为4。初始中心间的最小距离4.976。
表1迭代历史记录
(3)聚类结果解读
聚类后得到的负荷曲线如图3所示：
第1类：平滑性大用户，全天用电负荷平稳，没有出现明显的峰谷现象，并且单个用户用电负荷大，需要从早到晚都进行减压负荷，后续可以作为推行相关节能技术的重点目标用户；
第2类和第3类：优质大用户，第2类用户用电高峰出现在19点～7点，期间0点～1点用电负荷低，第3类用户用电高峰出现在21点～7点，中间无间断，这2类用户都不必采取错峰措施，同时鼓励用户将其经验介绍给其他企业；
第4类：双峰型大用户，用户出现两次用电高峰，分别出现在下午12点～18点，21点～6点，下午用电特性与全局负荷相同，可作为错峰的重点研究用户，促使其改变用电行为，在负荷尖峰时段减压负荷，其余时段可以继续生产。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (2)
1.一种基于大数据的开放售电环境下大用户用电行为分析方法，其特征在于，将同一用户在不同时间的日负荷数据作聚类，划分出同一用户在不同日期的用电特点，进一步分析用户内部的负荷成分，获取不同精细程度的用户用电信息，进而提升负荷监测及预测技术的精确性；
所述的方法包括如下步骤：
步骤一、获取某地区大用户用电负荷样本数据，设置采样间隔，每户每天采样若干点用电负荷采样数据；将样本数据归一化处理，把所有数据转换为0～1之间的小数，具体公式为：
x'＝(x-min(x))/(max(x)-min(x))
其中：x为用户用电负荷样本数据，x’为样本数据归一化处理后的值；
步骤二、根据K-Means聚类算法，基于大用户用电负荷归一化数据进行聚类分析；
1)设置初始聚类参数，即设置聚类结果中簇的个数K；
2)设置最大迭代次数；
3)聚类模型运行；
4)判断当聚类中心内的更改值为0.000时，模型达到收敛，否则返回步骤2)，重新设置最大迭代次数；
5)当聚类模型结构收敛时，继续判断聚类是否满足业务要求，如果满足，则输出结果，如果不满足，则返回步骤1)，重新设置聚类结果中簇的个数K；
步骤三、聚类后的数据形成大用户负荷曲线，对分析结果结合业务逻辑进行分析，重点关注各类簇中用户的行业特点，对大用户负荷曲线按用电时段特征进行分类。
2.根据权利要求1所述的一种基于大数据的开放售电环境下大用户用电行为分析方法，其特征在于，所述的步骤5)中，判断聚类是否满足业务要求具体为：由聚类后形成的用户用电数据的负荷曲线是否满足用电负荷曲线的解释标准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811301346.XA CN109636101A (zh) | 2018-11-02 | 2018-11-02 | 基于大数据的开放售电环境下大用户用电行为分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811301346.XA CN109636101A (zh) | 2018-11-02 | 2018-11-02 | 基于大数据的开放售电环境下大用户用电行为分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636101A true CN109636101A (zh) | 2019-04-16 |
Family
ID=66067249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811301346.XA Pending CN109636101A (zh) | 2018-11-02 | 2018-11-02 | 基于大数据的开放售电环境下大用户用电行为分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636101A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210755A (zh) * | 2019-05-30 | 2019-09-06 | 国网山东省电力公司泰安供电公司 | 一种基于K_means聚类算法的用户需求响应能力评估方法 |
| CN114781685A (zh) * | 2022-03-17 | 2022-07-22 | 广西电网有限责任公司 | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982489A (zh) * | 2012-11-23 | 2013-03-20 | 广东电网公司电力科学研究院 | 一种基于海量计量数据的电力客户在线分群方法 |
| 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 |
| 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 |
| US20170018038A1 (en) * | 2014-03-07 | 2017-01-19 | Hitachi, Ltd. | Data analyzing system and method |
| CN107767293A (zh) * | 2017-09-20 | 2018-03-06 | 国网浙江省电力公司电力科学研究院 | 一种基于改进AP和K‑means聚类的电力大用户细分方法 |
-
2018
- 2018-11-02 CN CN201811301346.XA patent/CN109636101A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982489A (zh) * | 2012-11-23 | 2013-03-20 | 广东电网公司电力科学研究院 | 一种基于海量计量数据的电力客户在线分群方法 |
| US20170018038A1 (en) * | 2014-03-07 | 2017-01-19 | Hitachi, Ltd. | Data analyzing system and method |
| 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 |
| CN107767293A (zh) * | 2017-09-20 | 2018-03-06 | 国网浙江省电力公司电力科学研究院 | 一种基于改进AP和K‑means聚类的电力大用户细分方法 |
Non-Patent Citations (1)
| Title |
|---|
| 崔立卿 等: ""基于K均值聚类算法的大客户用电行为分析"", 《浙江电力》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210755A (zh) * | 2019-05-30 | 2019-09-06 | 国网山东省电力公司泰安供电公司 | 一种基于K_means聚类算法的用户需求响应能力评估方法 |
| CN110210755B (zh) * | 2019-05-30 | 2023-04-18 | 国网山东省电力公司泰安供电公司 | 一种基于K_means聚类算法的用户需求响应能力评估方法 |
| CN114781685A (zh) * | 2022-03-17 | 2022-07-22 | 广西电网有限责任公司 | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 |
| CN114781685B (zh) * | 2022-03-17 | 2024-01-09 | 广西电网有限责任公司 | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232483A (zh) | 深度学习负荷预测方法、装置及终端设备 | |
| CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
| CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
| CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
| CN109636101A (zh) | 基于大数据的开放售电环境下大用户用电行为分析方法 | |
| CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
| CN108647838B (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
| CN116451097A (zh) | 一种自适应确定聚类数的电力负荷数据加权增量聚类方法 | |
| CN110796159A (zh) | 基于k-means算法的电力数据分类方法及系统 | |
| CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
| CN114722098A (zh) | 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法 | |
| CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
| CN111898857A (zh) | 基于BEMD和kmeans电力用户特征分析方法及系统 | |
| CN114781685B (zh) | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 | |
| CN114881429B (zh) | 基于数据驱动的台区线损量化方法及系统 | |
| CN111695599B (zh) | 一种用户用电负荷时间弹性识别方法 | |
| CN115935212A (zh) | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 | |
| CN106897553B (zh) | 基于单传感器的家庭智能用电模型建立方法 | |
| Boccanfuso et al. | Parametric and nonparametric income distribution estimators in CGE micro-simulation modeling | |
| Kumar et al. | A deep clustering framework for load pattern segmentation | |
| CN109193624B (zh) | 一种基于改进k均值聚类的负荷分类方法 | |
| CN111222688B (zh) | 一种商业楼宇的日负荷预测方法 | |
| CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
| CN113222339A (zh) | 基于计量全景数据的同类型企业用能差异分析方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
| RJ01 | Rejection of invention patent application after publication |