CN111222550B - 一种用户用电行为确定方法和装置 - Google Patents

一种用户用电行为确定方法和装置 Download PDF

Info

Publication number
CN111222550B
CN111222550B CN201911396619.8A CN201911396619A CN111222550B CN 111222550 B CN111222550 B CN 111222550B CN 201911396619 A CN201911396619 A CN 201911396619A CN 111222550 B CN111222550 B CN 111222550B
Authority
CN
China
Prior art keywords
clustering
cluster
dimension
optimal
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.)
Active
Application number
CN201911396619.8A
Other languages
English (en)
Other versions
CN111222550A (zh
Inventor
赵琦
王新迎
张国宾
李健
王峰渊
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.)
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
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 State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN201911396619.8A priority Critical patent/CN111222550B/zh
Publication of CN111222550A publication Critical patent/CN111222550A/zh
Application granted granted Critical
Publication of CN111222550B publication Critical patent/CN111222550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种用户用电行为确定方法和装置，基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；基于最优聚类维度确定最优聚类种类数；基于最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式，可靠性高，且能够确定用户用电行为模式；基于多种单一聚类算法，并采用多数投票法对用户用电功率进行集成聚类，针对随机性负荷具有鲁棒性，聚类误差范围小，聚类结果受噪声、孤立点、采样方法及敏感参数等因素影响较小，保证了用电用户行为聚类的有效性，为后续用户电价制定，需求响应等政策的制定提供了基础。

Description

一种用户用电行为确定方法和装置
技术领域
本发明涉及用户用电行为技术领域，具体涉及一种用户用电行为确定方法和装置。
背景技术
随着数字化在工业各领域的推进，电力领域也在不断加强数字化建设，越来越多的传感器、智能终端、监测设备正在投入使用，它们将生产并记录电网发电、输电、变电、配电、用电各环节数据信息。深度挖掘电力数据信息并合理利用数据价值，打破电力能源领域的业务壁垒与信息壁垒，拓展电力能源新业态新模式，是电网发展的必然趋势。
用户是电网提供服务的对象。以用户需求为导向，提供高效、经济、精准、智能的电力能源服务是电网在用户消费侧面临的主要任务。智能电表获取丰富的用户用电数据，充分挖掘其信息与价值，分析用户用电行为，从而实现负荷预测、用户能效管理、用电客户精细分类、异常用电检测、电力营销等应用。同时用能状况也为政府就产业调整、经济调控等宏观决策提供依据。
用户用电行为受到多方面因素影响，如用户自身社会经济信息、外部环境温度等，呈现出随机性和复杂性特点。因此，选取合适的方法挖掘用电负荷曲线特征，判别用电模式，寻找用电规律与行为特点是用户用电行为分析亟待解决的问题。
现有的用户用电行为分析主要通过采用单一聚类方式实现，从层次、密度、划分等方面分类用户用电功率数据，获得用户用电消费行为的典型动态，研究用户用电行为的影响因素。但是单一聚类方式很难同时满足聚类效率、精度等多方面要求，未考虑负荷的随机性，且结果受噪声、孤立点、采样方法及敏感参数等因素影响较大，导致聚类结果可靠性低。
发明内容
为了克服上述现有技术中聚类结果可靠性低的不足，本发明提供一种用户用电行为确定方法和装置，基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；基于最优聚类维度确定最优聚类种类数；基于最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式，可靠性高，且能够确定用户用电行为。
为了实现上述发明目的，本发明采取如下技术方案：
一方面，本发明提供一种用户用电行为确定方法，包括：
基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；
基于最优聚类维度确定最优聚类种类数；
基于所述最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式。
所述基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度，包括：
采用主成分分析法对用户用电功率进行初步降维；
选取初步降维后不同维度对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的维度；
选取最小的若干个戴维森堡丁指数所对应的维度对应的轮廓系数，最大的轮廓系数对应的维度作为最优聚类维度；
其中，所述聚类有效性指标包括戴维森堡丁指数和轮廓系数。
所述基于最优聚类维度确定最优聚类种类数，包括：
确定最优聚类维度下不同聚类种类数对应的戴维森堡丁指数和最优聚类维度下不同聚类种类数对应的轮廓系数；
选取最优聚类维度下不同聚类种类数对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的聚类种类数；
选取最小的若干个戴维森堡丁指数所对应的聚类种类数对应的轮廓系数，最大的轮廓系数对应的聚类种类数作为最优聚类种类数。
所述基于所述最优聚类维度和聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式，包括：
基于预先选择的至少两种单一聚类算法，采取多数投票法对用户用电功率进行集成聚类，得到各类用户用电行为模式；
所述单一聚类算法包括：基于层次密度的空间聚类法、仿射传播聚类算法、高斯混合聚类算法和均值飘移聚类算法中的至少两种。
所述聚类有效性指标的计算，包括：
基于初步降维后不同维度下用户用电功率，采用簇内点与质心距离计算的方法计算戴维森堡丁指数，并基于初步降维后不同维度下用户用电功率，采用簇内不相似度计算的方法计算轮廓系数。
另一方面，本发明还提供一种用户用电行为确定装置，包括：
第一确定模块，用于基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；
第二确定模块，用于基于最优聚类维度确定最优聚类种类数；
集成聚类模块，用于基于所述最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式。
所述第一确定模块具体用于：
采用主成分分析法对用户用电功率进行初步降维；
基于初步降维后不同维度下用户用电功率对预先确定的聚类有效性指标进行计算；
选取初步降维后不同维度对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的维度；
选取最小的若干个戴维森堡丁指数所对应的维度对应的轮廓系数，最大的轮廓系数对应的维度作为最优聚类维度；
其中，所述聚类有效性指标包括戴维森堡丁指数和轮廓系数。
所述第二确定模块具体用于：
确定最优聚类维度下不同聚类种类数对应的戴维森堡丁指数和最优聚类维度下不同聚类种类数对应的轮廓系数；
选取最优聚类维度下不同聚类种类数对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的聚类种类数；
选取最小的若干个戴维森堡丁指数所对应的聚类种类数对应的轮廓系数，最大的轮廓系数对应的聚类种类数作为最优聚类种类数。
所述集成聚类模块具体用于：
基于预先选择的至少两种单一聚类算法，采取多数投票法对用户用电功率进行集成聚类，得到各类用户用电行为模式；
所述单一聚类算法包括：基于层次密度的空间聚类法、仿射传播聚类算法、高斯混合聚类算法和均值飘移聚类算法中的至少两种。
所述第一确定模块具体用于：
基于初步降维后不同维度下用户用电功率，采用簇内点与质心距离计算的方法计算戴维森堡丁指数，并基于初步降维后不同维度下用户用电功率，采用簇内不相似度计算的方法计算轮廓系数。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的用户用电行为确定方法中，基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；基于最优聚类维度确定最优聚类种类数；基于所述最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式，可靠性高，且能够确定用户用电行为；
本发明提供的技术方案中最优聚类维度的确定加快了集成聚类的速度；
本发明提供的技术方案基于多种单一聚类算法，并采用多数投票法对用户用电功率进行集成聚类，针对随机性负荷具有鲁棒性，聚类误差范围小，聚类结果受噪声、孤立点、采样方法及敏感参数等因素影响较小；
本发明提供的技术方案保证了用电用户行为聚类的有效性，为后续用户电价制定，需求响应等政策的制定提供了基础；
本发明提供的技术方案考虑了负荷的随机性，同时满足聚类效率、精度等多方面要求。
附图说明
图1是本发明实施例中用户用电行为确定方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1
本发明实施例1提供了一种用户用电行为确定方法，具体流程图如图1所示，具体过程如下：
S101：基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；
S102：基于最优聚类维度确定最优聚类种类数；
S103：基于最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式。
基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度，包括：
采用主成分分析法对用户用电功率进行初步降维；其中，主成分分析法是一种应用十分广泛的线性降维算法，其主要原理是利用原始变量的线性组合构造综合指标，使最后的降维数据尽可能多的表达原始数据的信息。
选取初步降维后不同维度对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的维度；
选取最小的若干个戴维森堡丁指数所对应的维度对应的轮廓系数，最大的轮廓系数对应的维度作为最优聚类维度；
聚类有效性指标包括戴维森堡丁指数和轮廓系数。
戴维森堡丁指数相当于测量每个组的最大相似度的平均值，戴维森堡丁指数的值越小，数据的聚类相似度越低，聚类效果越好。
轮廓系数的数值越接近于1，则表明聚类点归属度高，点越该归属于目前所在的类，越接近-1则表明点越该归属于其他的类群。轮廓系数结果为所有样本点轮廓系数取平均，相当于样本点归属度的平均值。
基于最优聚类维度确定最优聚类种类数，包括：
确定最优聚类维度下不同聚类种类数对应的戴维森堡丁指数和最优聚类维度下不同聚类种类数对应的轮廓系数；
选取最优聚类维度下不同聚类种类数对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的聚类种类数；最小的若干个戴维森堡丁指数所对应的聚类种类数若干个戴维森堡丁指数所对应的聚类种类数对应的轮廓系数，最大的轮廓系数对应的聚类种类数作为最优聚类种类数。
基于最优聚类维度和聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式，包括：
基于预先选择的至少两种单一聚类算法，采取多数投票法对用户用电功率进行集成聚类，得到各类用户用电行为模式；
单一聚类算法包括：基于层次密度的空间聚类法、仿射传播聚类算法、高斯混合聚类算法和均值飘移聚类算法中的至少两种。
得到各类用户用电行为模式之后，包括：
采用傅里叶变换法计算用户用电行为模式对应的多个高频信息；
确定每个高频信息的方差，再确定所有方差的平均值；
当平均值小于等于预设阈值时，平均值对应的用户用电行为具有稳定性。
聚类有效性指标的计算，包括：
基于初步降维后不同维度下用户用电功率，采用簇内点与质心距离计算的方法计算戴维森堡丁指数，并基于初步降维后不同维度下用户用电功率，采用簇内不相似度计算的方法计算轮廓系数。
实施例2
基于同一发明构思，本发明实施例2还提供一种用户用电行为确定装置，下面对各个组成部分的功能进行详细说明：
第一确定模块，用于基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；
第二确定模块，用于基于最优聚类维度确定最优聚类种类数；
集成聚类模块，用于基于最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式；
第一确定模块具体用于：
采用主成分分析法对用户用电功率进行初步降维；
基于初步降维后不同维度下用户用电功率对预先确定的聚类有效性指标进行计算；
选取初步降维后不同维度对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的维度；
选取最小的若干个戴维森堡丁指数所对应的维度对应的轮廓系数，最大的轮廓系数对应的维度作为最优聚类维度；
聚类有效性指标包括戴维森堡丁指数和轮廓系数。
第二确定模块具体用于：
确定最优聚类维度下不同聚类种类数对应的戴维森堡丁指数和最优聚类维度下不同聚类种类数对应的轮廓系数；
选取最优聚类维度下不同聚类种类数对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的聚类种类数；
选取最小的若干个戴维森堡丁指数所对应的聚类种类数对应的轮廓系数，最大的轮廓系数对应的聚类种类数作为最优聚类种类数。
集成聚类模块具体用于：
基于预先选择的至少两种单一聚类算法，采取多数投票法对用户用电功率进行集成聚类，得到各类用户用电行为模式；
单一聚类算法包括：基于层次密度的空间聚类法、仿射传播聚类算法、高斯混合聚类算法和均值飘移聚类算法中的至少两种。
第一确定模块具体用于：
基于初步降维后不同维度下用户用电功率，采用簇内点与质心距离计算的方法计算戴维森堡丁指数，并基于初步降维后不同维度下用户用电功率，采用簇内不相似度计算的方法计算轮廓系数。
为了描述的方便，以上装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (4)

1.一种用户用电行为确定方法，其特征在于，包括：
基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；
基于最优聚类维度确定最优聚类种类数；
基于所述最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式；
所述基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度，包括：
采用主成分分析法对用户用电功率进行初步降维；
选取初步降维后不同维度对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的维度；
选取最小的若干个戴维森堡丁指数所对应的维度对应的轮廓系数，最大的轮廓系数对应的维度作为最优聚类维度；
其中，所述聚类有效性指标包括戴维森堡丁指数和轮廓系数；
所述基于最优聚类维度确定最优聚类种类数，包括：
确定最优聚类维度下不同聚类种类数对应的戴维森堡丁指数和最优聚类维度下不同聚类种类数对应的轮廓系数；
选取最优聚类维度下不同聚类种类数对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的聚类种类数；
选取最小的若干个戴维森堡丁指数所对应的聚类种类数所对应的聚类种类数对应的轮廓系数，最大的轮廓系数对应的聚类种类数作为最优聚类种类数；
所述基于所述最优聚类维度和聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式，包括：
基于预先选择的至少两种单一聚类算法，采取多数投票法对用户用电功率进行集成聚类，得到各类用户用电行为模式；
所述单一聚类算法包括：基于层次密度的空间聚类法、仿射传播聚类算法、高斯混合聚类算法和均值飘移聚类算法中的至少两种。
2.根据权利要求1所述的用户用电行为确定方法，其特征在于，所述聚类有效性指标的计算，包括：
基于初步降维后不同维度下用户用电功率，采用簇内点与质心距离计算的方法计算戴维森堡丁指数，并基于初步降维后不同维度下用户用电功率，采用簇内不相似度计算的方法计算轮廓系数。
3.一种用户用电行为确定装置，其特征在于，包括：
第一确定模块，用于基于用户用电功率以及预先确定的聚类有效性指标确定最优聚类维度；
第二确定模块，用于基于最优聚类维度确定最优聚类种类数；
集成聚类模块，用于基于所述最优聚类维度和最优聚类种类数，对用户用电功率进行集成聚类，得到各类用户用电行为模式；
所述第一确定模块具体用于：
采用主成分分析法对用户用电功率进行初步降维；
选取初步降维后不同维度对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的维度；
选取最小的若干个戴维森堡丁指数所对应的维度对应的轮廓系数，最大的轮廓系数对应的维度作为最优聚类维度；
其中，所述聚类有效性指标包括戴维森堡丁指数和轮廓系数；
所述第二确定模块具体用于：
确定最优聚类维度下不同聚类种类数对应的戴维森堡丁指数和最优聚类维度下不同聚类种类数对应的轮廓系数；
选取最优聚类维度下不同聚类种类数对应的戴维森堡丁指数中最小的若干个戴维森堡丁指数所对应的聚类种类数；
选取最小的若干个戴维森堡丁指数所对应的聚类种类数对应的轮廓系数，最大的轮廓系数对应的聚类种类数作为最优聚类种类数；
所述集成聚类模块具体用于：
基于预先选择的至少两种单一聚类算法，采取多数投票法对用户用电功率进行集成聚类，得到各类用户用电行为模式；
所述单一聚类算法包括：基于层次密度的空间聚类法、仿射传播聚类算法、高斯混合聚类算法和均值飘移聚类算法中的至少两种。
4.根据权利要求3所述的用户用电行为确定装置，其特征在于，所述第一确定模块具体用于：
基于初步降维后不同维度下用户用电功率，采用簇内点与质心距离计算的方法计算戴维森堡丁指数，并基于初步降维后不同维度下用户用电功率，采用簇内不相似度计算的方法计算轮廓系数。
CN201911396619.8A 2019-12-30 2019-12-30 一种用户用电行为确定方法和装置 Active CN111222550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911396619.8A CN111222550B (zh) 2019-12-30 2019-12-30 一种用户用电行为确定方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911396619.8A CN111222550B (zh) 2019-12-30 2019-12-30 一种用户用电行为确定方法和装置

Publications (2)

Publication Number Publication Date
CN111222550A CN111222550A (zh) 2020-06-02
CN111222550B true CN111222550B (zh) 2023-04-21

Family

ID=70808197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911396619.8A Active CN111222550B (zh) 2019-12-30 2019-12-30 一种用户用电行为确定方法和装置

Country Status (1)

Country Link
CN (1) CN111222550B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313523A (zh) * 2021-06-01 2021-08-27 中国民航信息网络股份有限公司 一种确定可比较航班的方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170147675A1 (en) * 2015-11-19 2017-05-25 International Business Machines Corporation High dimensional clusters profile generation
CN108764272A (zh) * 2018-03-30 2018-11-06 国网浙江海盐县供电有限公司 一种基于Getis-Ord Gi*的用电量多元空间聚类方法
CN109886465B (zh) * 2019-01-20 2022-03-18 东北电力大学 一种基于智能电表用户聚类分析的配电网负荷预测方法
CN109933984B (zh) * 2019-02-15 2020-10-27 中时瑞安（北京）网络科技有限责任公司 一种最佳聚类结果筛选方法、装置和电子设备

Also Published As

Publication number Publication date
CN111222550A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
Kapoor et al. A comparative study of K-Means, K-Means++ and Fuzzy C-Means clustering algorithms
CN106485089B (zh) 谐波用户典型工况的区间参数获取方法
CN112532643B (zh) 基于深度学习的流量异常检测方法、系统、终端及介质
Zhao et al. Analysis of users’ electricity consumption behavior based on ensemble clustering
CN114076841A (zh) 基于用电信息数据的窃电行为识别方法及系统
CN111222550B (zh) 一种用户用电行为确定方法和装置
Kalyani et al. Static security assessment in power systems using multi-class SVM with parameter selection methods
CN104008334A (zh) 一种文件的聚类方法和设备
Dong et al. K-means optimization algorithm for solving clustering problem
CN111008673A (zh) 配电网信息物理系统中恶性数据链采集提取方法
Du et al. Enhancing Arc Fault Diagnosis Method Using Feature Selection Strategy Based on Feature Clustering and Maximal Information Coefficient
Wang et al. Abnormal Electricity Detection of Users Based on Improved Canopy-Kmeans and Isolation Forest Algorithms
Xu et al. Intelligent roller bearing fault diagnosis in industrial internet of things
CN111144540A (zh) 反窃电仿真数据集的生成方法
CN118013257B (zh) 基于数据序列的峰值查找方法、装置及电子设备
Lin Electricity theft detection algorithm based on contrast learning and cluster combination discrimination
Kandasamy et al. Modified PSO based optimal time interval identification for predicting mobile user behaviour (MPSO-OTI2-PMB) in location based services
Lu et al. Power System Transient Stability Assessment Based on Graph Convolutional Network
Miyata et al. Concept drift detection on stream data for revising DBSCAN
Ma et al. Gravitational clustering algorithm based on mutual K-nearest neighbors
Zhu et al. Reliability analysis of centrifugal pump based on small sample data
Gomathy et al. Implementation of SVM using sequential minimal optimization for power transformer fault analysis using DGA
Liu et al. Hidden Markov Models Based Appliance
CN116540990B (zh) 基于嵌入式实现电子产品的代码集成方法及装置
Cheng et al. Research on sampling method of CFSFDP clustering algorithm and its criteria for determining the best sample size

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