CN111311431B - 一种基于分段斜率的负荷曲线形态聚类方法 - Google Patents
一种基于分段斜率的负荷曲线形态聚类方法 Download PDFInfo
- Publication number
- CN111311431B CN111311431B CN202010061423.XA CN202010061423A CN111311431B CN 111311431 B CN111311431 B CN 111311431B CN 202010061423 A CN202010061423 A CN 202010061423A CN 111311431 B CN111311431 B CN 111311431B
- Authority
- CN
- China
- Prior art keywords
- curve
- load
- load curve
- slope
- curves
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于分段斜率的负荷曲线形态聚类方法,包括以下步骤:步骤S1:对智能电表的负荷分布进行采样,并对采样得到的负荷曲线进行特征处理;步骤S2:确定聚类的初始条件,根据负荷曲线数据来确定最优的k个初始聚类中心;步骤S3:对各个负荷曲线,基于斜率进行形态相似性度量,并以此进行最终的聚类。本发明仅根据负荷曲线数据来确定分类组数和初始聚类中心,提高了电力系统中负荷聚类结果的稳定性和准确度。
Description
技术领域
本发明涉及电力系统负荷数据聚类分析领域,特别是一种基于分段斜率的负荷曲线形态聚类方法。
背景技术
随着智能电表普及程度的不断提高,电力企业积累了大量用户负荷数据。对这些负荷数据进行聚类分析可以将大量的计量数据转化为系统运行信息,从而提高智能配电网的可操作性。此外,聚类分析的结果也可以应用于需求侧管理、用户行为模式识别和电价设计。
传统的K-means方法在负荷曲线聚类中得到了广泛的应用,该方法利用欧几里德距离被曲线间的相似性度量。然而欧几里德距离是一个绝对值距离,其无法准确区分曲线的升降趋势和幅度,而在电力系统运行中,曲线升降趋势和幅度代表了具体的用电行为,因此该方法需要进一步完善。部分专家提出了一些改进的方法,如将余弦相似性作为一种相似性度量方法或者利用离散小波变换对负荷曲线特征进行聚类。然而这些方法的核心仍然是欧几里德距离。它们以提高计算复杂度的代价实现了精度提升。此外,传统的K-means方法通常是通过人为主观设定分类组数或通过DBI、SSE等聚类评价指标来确定最优分类组数。前一种确定k值的方法的根据是使用者的经验,因此结果并不可靠,而后一种方法依赖于聚类评价指标,但聚类评价指标的种类非常多样,并且计算方法不一,因此该方法很可能会因为依据的指标不同导致结果不同。
发明内容
有鉴于此,本发明的目的是提出一种基于分段斜率的负荷曲线形态聚类方法,仅根据负荷曲线数据来确定分类组数和初始聚类中心,提高了电力系统中负荷聚类结果的稳定性和准确度。
本发明采用以下方案实现:一种基于分段斜率的负荷曲线形态聚类方法,包括以下步骤:
步骤S1:对智能电表的负荷分布进行采样,并对采样得到的负荷曲线进行特征处理;
步骤S2:确定聚类的初始条件,根据负荷曲线数据来确定最优的k个初始聚类中心;
步骤S3:对各个负荷曲线,基于斜率进行形态相似性度量,并以此进行最终的聚类。
进一步地,步骤S1具体包括以下步骤:
步骤S11:对于一段由N个采样点构成的负荷曲线L={l1,l2,..,li,…,lN},li表示该曲线的第i个采样点的负荷值;负荷曲线L上第i个点和第i+1个点之间斜率si的集合表示为S={s1,s2,…si,...,s(N-1)};每个负荷曲线段的斜率方向ti用1,-1,0来表示,1表示斜率为正,曲线上升;-1表示斜率为负,曲线下降;0表示斜率为零,曲线无坡度,如下所示:
用T={t1,t2,..,ti,…,t(N-1)}表示负荷曲线L中每个曲线分段的升降情况;
步骤S12:负荷曲线a和负荷曲线b之间具有相同升降情况的曲线分段的数量d的计算方法如下:
式中,Ta表示负荷曲线a的曲线分段升降情况集合,Tb表示负荷曲线b的曲线分段升降情况集合,表示负荷曲线a中第i个负荷曲线段的斜率方向,表示负荷曲线b中第i个负荷曲线段的斜率方向;当两条负荷曲线的d值越大时,曲线间的形态相似性越高。
进一步地,步骤S2具体包括以下步骤:
步骤S21:对于M条负荷曲线,根据式(2)计算任意两条负荷曲线之间的d值,构成矩阵E,矩阵E的第j列Ej表示负荷曲线j与其他负荷曲线之间的具有相同升降情况曲线段的数量,即Ej=[e1j,...,e(j-1)j,e(j+1)j,...,eMj],其中元素e1j表示负荷曲线1和负荷曲线j之间的d值;
步骤S22:将矩阵Ej中的任一元素epj(p=1...M,p≠j)根据值的大小,从上到下降序排列;根据式(4)计算矩阵Ej的最大值偏差fj,并根据epj和fj,将矩阵Ej中的元素分为A~D四个区块:高相似区块A中,epj=max(Ej);相似区块B中,epj属于区间[max(Ej)–fj,max(Ej)];3)相异区块C中,epj属于区间[min(Ej),max(Ej)–fj]);4)高相异区块D中,epj=min(Ej);为了避免矩阵E中其他列对区块划分的影响,在式(5)中定义了全局偏差fta:
式中,max(Ej)表示矩阵Ej中的最大值,即负荷曲线j与其他负荷曲线之间最大相同升降情况的曲线分段的数量,min(Ej)表示表示矩阵Ej中的最小值,即负荷曲线j与其他负荷曲线之间最小相同升降情况的曲线分段的数量;
步骤S23:以矩阵E的max(epj)所在列对应的负荷曲线j作为第一个初始聚类中心,并根据聚类中心相异性原则以min(Ej)对应的负荷曲线作为第二个初始聚类中心;从矩阵E中移除属于第一个和第二个初始聚类中心的A、B区块的对应曲线,并从第二个聚类中心的D区块中找到最小值对应的负荷曲线作为第三个初始聚类中心;在剩余的负荷曲线里重复以上过程,直到某一初始负荷聚类中心的C、D区块内中没有负荷曲线为止,从而得到k个初始聚类中心。
进一步地,步骤S3具体包括以下步骤:
步骤S32:利用式(7)和式(8)分别计算相似性平均偏差fs,ta和相异性平均偏差fd,ta;根据式(9)对初始聚类中心q的情况进行分类:
集合X包含与负荷曲线a的相似曲线段具有最高相似度的初始聚类中心,集合Y包含与负荷曲线a的相异曲线段具有最高相异度的初始聚类中心;
步骤S33:在实际中,负荷曲线段升降情况的差异反映了用户不同的用电行为,因此优先以相异曲线段的差异情况作为衡量指标,以便对相似的用电行为进行分类;设Z=X∩Y,若|Z|=1,则交叉点为最合适的结果;若|Z|=0,则初始聚类中心中具有的负荷曲线为最优结果;若|Z|>1,则交集部分中具有所对应的初始聚类中心为最优结果;将负荷曲线a分类到最优结果中,并对剩余待分类曲线执行同样的操作。
与现有技术相比,本发明有以下有益效果:本发明避开了欧几里德距离的应用,而是提出利用曲线分段斜率作为相似性度量来实现负荷曲线形态聚类。与传统的K-均值算法和两种改进算法相比,本发明的方法通过捕捉智能计量负荷剖面的形状特征,极大程度地提高了聚类的精度和效率。
具体实施方式
下面结合实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种基于分段斜率的负荷曲线形态聚类方法,包括以下步骤:
步骤S1:对智能电表的负荷分布进行采样,并对采样得到的负荷曲线进行特征处理;
步骤S2:确定聚类的初始条件,根据负荷曲线数据来确定最优的k个初始聚类中心;
步骤S3:对各个负荷曲线,基于斜率进行形态相似性度量,并以此进行最终的聚类。
在本实施例中,步骤S1具体包括以下步骤:
步骤S11:对于一段由N个采样点构成的负荷曲线L={l1,l2,..,li,…,lN},li表示该曲线的第i个采样点的负荷值;负荷曲线L上第i个点和第i+1个点之间斜率si的集合表示为S={s1,s2,…si,...,s(N-1)};每个负荷曲线段的斜率方向ti用1,-1,0来表示,1表示斜率为正,曲线上升;-1表示斜率为负,曲线下降;0表示斜率为零,曲线无坡度,如下所示:
用T={t1,t2,..,ti,…,t(N-1)}表示负荷曲线L中每个曲线分段的升降情况;
步骤S12:负荷曲线a和负荷曲线b之间具有相同升降情况的曲线分段的数量d的计算方法如下:
式中,Ta表示负荷曲线a的曲线分段升降情况集合,Tb表示负荷曲线b的曲线分段升降情况集合,表示负荷曲线a中第i个负荷曲线段的斜率方向,表示负荷曲线b中第i个负荷曲线段的斜率方向;当两条负荷曲线的d值越大时,曲线间的形态相似性越高。
在本实施例中,进行数据聚类之前,首先需要确定初始聚类条件。传统的K-means方法通常是通过人为主观设定分类组数或通过DBI、SSE等聚类评价指标来确定最优分类组数。前一种确定k值的方法的根据是使用者的经验,因此结果并不可靠,而后一种方法依赖于聚类评价指标,但聚类评价指标的种类非常多样,并且计算方法不一,因此该方法很可能会因为依据的指标不同导致结果不同。相比之下,本实施例提出的基于线段斜率的负荷曲线形态聚类方法仅根据负荷曲线数据来确定最优的k值,提高了聚类结果的稳定性和准确度。
步骤S2具体包括以下步骤:
步骤S21:对于M条负荷曲线,根据式(2)计算任意两条负荷曲线之间的d值,构成矩阵E,矩阵E的第j列Ej表示负荷曲线j与其他负荷曲线之间的具有相同升降情况曲线段的数量,即Ej=[e1j,...,e(j-1)j,e(j+1)j,...,eMj],其中元素e1j表示负荷曲线1和负荷曲线j之间的d值;
步骤S22:将矩阵Ej中的任一元素epj(p=1...M,p≠j)根据值的大小,从上到下降序排列;根据式(4)计算矩阵Ej的最大值偏差fj,并根据epj和fj,将矩阵Ej中的元素分为A~D四个区块:高相似区块A中,epj=max(Ej);相似区块B中,epj属于区间[max(Ej)–fj,max(Ej)];3)相异区块C中,epj属于区间[min(Ej),max(Ej)–fj]);4)高相异区块D中,epj=min(Ej);为了避免矩阵E中其他列对区块划分的影响,在式(5)中定义了全局偏差fta:
式中,max(Ej)表示矩阵Ej中的最大值,即负荷曲线j与其他负荷曲线之间最大相同升降情况的曲线分段的数量,min(Ej)表示表示矩阵Ej中的最小值,即负荷曲线j与其他负荷曲线之间最小相同升降情况的曲线分段的数量;
步骤S23:以矩阵E的max(epj)所在列对应的负荷曲线j作为第一个初始聚类中心,并根据聚类中心相异性原则以min(Ej)对应的负荷曲线作为第二个初始聚类中心;从矩阵E中移除属于第一个和第二个初始聚类中心的A、B区块的对应曲线,并从第二个聚类中心的D区块中找到最小值对应的负荷曲线作为第三个初始聚类中心;在剩余的负荷曲线里重复以上过程,直到某一初始负荷聚类中心的C、D区块内中没有负荷曲线为止,从而得到k个初始聚类中心。
在本实施例中,将某一负荷曲线a进行归类时,需要找到与负荷曲线a形态最接近的初始聚类中心,将a分到该类。但仅根据式(1)~(5),无法得到精确的结果,因此有必要基于斜率进行形态相似性度量。
步骤S3具体包括以下步骤:
步骤S32:利用式(7)和式(8)分别计算相似性平均偏差fs,ta和相异性平均偏差fd,ta;根据式(9)对初始聚类中心q的情况进行分类:
集合X包含与负荷曲线a的相似曲线段具有最高相似度的初始聚类中心,集合Y包含与负荷曲线a的相异曲线段具有最高相异度的初始聚类中心;
步骤S33:在实际中,负荷曲线段升降情况的差异反映了用户不同的用电行为,因此优先以相异曲线段的差异情况作为衡量指标,以便对相似的用电行为进行分类;设Z=X∩Y,若|Z|=1,则交叉点为最合适的结果;若|Z|=0,则初始聚类中心中具有的负荷曲线为最优结果;若|Z|>1,则交集部分中具有所对应的初始聚类中心为最优结果;将负荷曲线a分类到最优结果中,并对剩余待分类曲线执行同样的操作。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (1)
1.一种基于分段斜率的负荷曲线形态聚类方法,其特征在于,包括以下步骤:
步骤S1:对智能电表的负荷分布进行采样,并对采样得到的负荷曲线进行特征处理;
步骤S2:确定聚类的初始条件,根据负荷曲线数据来确定最优的k个初始聚类中心;
步骤S3:对各个负荷曲线,基于斜率进行形态相似性度量,并以此进行最终的聚类;
步骤S1具体包括以下步骤:
步骤S11:对于一段由N个采样点构成的负荷曲线L={l1,l2,..,li,…,lN},li表示该曲线的第i个采样点的负荷值;负荷曲线L上第i个点和第i+1个点之间斜率si的集合表示为S={s1,s2,…si,...,s(N-1)};每个负荷曲线段的斜率方向ti用1,-1,0来表示,1表示斜率为正,曲线上升;-1表示斜率为负,曲线下降;0表示斜率为零,曲线无坡度,如下所示:
用T= {t1,t2,..,ti,…,t(N-1)}表示负荷曲线L中每个曲线分段的升降情况;
步骤S12:负荷曲线a和负荷曲线b之间具有相同升降情况的曲线分段的数量d的计算方法如下:
式中,Ta表示负荷曲线a的曲线分段升降情况集合,Tb表示负荷曲线b的曲线分段升降情况集合,表示负荷曲线a中第i个负荷曲线段的斜率方向,表示负荷曲线b中第i个负荷曲线段的斜率方向;当两条负荷曲线的d值越大时,曲线间的形态相似性越高;
步骤S2具体包括以下步骤:
步骤S21:对于M条负荷曲线,根据式(2)计算任意两条负荷曲线之间的d值,构成矩阵E,矩阵E的第j列Ej表示负荷曲线j与其他负荷曲线之间的具有相同升降情况曲线分段的数量,即Ej=[e1j,...,e(j-1)j,e(j+1)j,...,eMj],其中元素e1j表示负荷曲线1和负荷曲线j之间的d值;
步骤S22:将矩阵Ej中的任一元素epj(p=1...M,p≠j)根据值的大小,从上到下降序排列;根据式(4)计算矩阵Ej的最大值偏差fj,并根据epj和fj,将矩阵Ej中的元素分为A~D四个区块:高相似区块A中,epj=max(Ej);相似区块B中,epj属于区间[max(Ej)–fj,max(Ej)];相异区块C中,epj属于区间[min(Ej),max(Ej)–fj];高相异区块D中,epj=min(Ej);为了避免矩阵E中其他列对区块划分的影响,在式(5)中定义了全局偏差fta:
式中,max(Ej)表示矩阵Ej中的最大值,即负荷曲线j与其他负荷曲线之间最大相同升降情况的曲线分段的数量,min(Ej)表示矩阵Ej中的最小值,即负荷曲线j与其他负荷曲线之间最小相同升降情况的曲线分段的数量;
步骤S23:以矩阵E的max(epj)所在列对应的负荷曲线j作为第一个初始聚类中心,并根据聚类中心相异性原则以min(Ej)对应的负荷曲线作为第二个初始聚类中心;从矩阵E中移除属于第一个和第二个初始聚类中心的A、B区块的对应曲线,并从第二个初始聚类中心的D区块中找到最小值对应的负荷曲线作为第三个初始聚类中心;在剩余的负荷曲线里重复以上过程,直到某一初始聚类中心的C、D区块内中没有负荷曲线为止,从而得到k个初始聚类中心;
步骤S3具体包括以下步骤:
步骤S32:利用式(7)和式(8)分别计算相似性平均偏差fs,ta和相异性平均偏差fd,ta;根据式(9)对初始聚类中心q的情况进行分类:
集合X包含与负荷曲线a的相似曲线段具有最高相似度的初始聚类中心,集合Y包含与负荷曲线a的相异曲线段具有最高相异度的初始聚类中心;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010061423.XA CN111311431B (zh) | 2020-01-19 | 2020-01-19 | 一种基于分段斜率的负荷曲线形态聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010061423.XA CN111311431B (zh) | 2020-01-19 | 2020-01-19 | 一种基于分段斜率的负荷曲线形态聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311431A CN111311431A (zh) | 2020-06-19 |
CN111311431B true CN111311431B (zh) | 2022-05-13 |
Family
ID=71146858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010061423.XA Active CN111311431B (zh) | 2020-01-19 | 2020-01-19 | 一种基于分段斜率的负荷曲线形态聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311431B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310565B (zh) * | 2022-10-12 | 2023-05-30 | 昆明市网络建设运营有限公司 | 一种基于人工智能的网络安全监控方法 |
CN116109009B (zh) * | 2023-04-10 | 2023-07-18 | 山东理工大学 | 基于多特征量提取的光储型园区负荷曲线动态识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646349A (zh) * | 2013-09-27 | 2014-03-19 | 华北电力大学 | 一种电力负荷曲线分段识别方法 |
CN106462905A (zh) * | 2014-05-16 | 2017-02-22 | 埃森哲环球服务有限公司 | 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质 |
CN107423769A (zh) * | 2017-08-03 | 2017-12-01 | 四川大学 | 基于形态特征的电力负荷曲线自适应聚类方法 |
CN108596362A (zh) * | 2018-03-22 | 2018-09-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
CN109657891A (zh) * | 2018-09-18 | 2019-04-19 | 深圳供电局有限公司 | 一种基于自适应k-means++算法的负荷特性分析方法 |
CN110188221A (zh) * | 2019-04-08 | 2019-08-30 | 国网浙江省电力有限公司舟山供电公司 | 一种基于形状距离的负荷曲线层次聚类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9558404B2 (en) * | 2009-03-20 | 2017-01-31 | Universite Du Sud Toulon Var | Method and device for filtering electrical consumption curves and allocating consumption to classes of appliances |
-
2020
- 2020-01-19 CN CN202010061423.XA patent/CN111311431B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646349A (zh) * | 2013-09-27 | 2014-03-19 | 华北电力大学 | 一种电力负荷曲线分段识别方法 |
CN106462905A (zh) * | 2014-05-16 | 2017-02-22 | 埃森哲环球服务有限公司 | 用于识别电力客户的负荷波动性的系统、方法和装置及有形计算机可读介质 |
CN107423769A (zh) * | 2017-08-03 | 2017-12-01 | 四川大学 | 基于形态特征的电力负荷曲线自适应聚类方法 |
CN108596362A (zh) * | 2018-03-22 | 2018-09-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
CN109657891A (zh) * | 2018-09-18 | 2019-04-19 | 深圳供电局有限公司 | 一种基于自适应k-means++算法的负荷特性分析方法 |
CN110188221A (zh) * | 2019-04-08 | 2019-08-30 | 国网浙江省电力有限公司舟山供电公司 | 一种基于形状距离的负荷曲线层次聚类方法 |
Non-Patent Citations (1)
Title |
---|
"基于时间序列相似性度量的新能源-负荷特性指标";石亮缘 等;《电力自动化设备》;20190531;第75-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111311431A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311431B (zh) | 一种基于分段斜率的负荷曲线形态聚类方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN110309343B (zh) | 一种基于深度哈希的声纹检索方法 | |
CN116954342B (zh) | 基于物联网的全方位高效散热主机电源运行监测方法 | |
CN107977651B (zh) | 基于量化最小误差熵的共用空间模式空域特征提取方法 | |
CN109543723A (zh) | 一种鲁棒的图像聚类方法 | |
CN113193551A (zh) | 基于多因素和改进特征筛选策略的短期电力负荷预测方法 | |
CN115423013A (zh) | 电力系统运行方式分类方法、装置、设备及介质 | |
CN113780343B (zh) | 一种基于lttb降维的双边斜率dtw距离负荷谱聚类方法 | |
CN107886130A (zh) | 一种基于聚类和相似度加权的kNN快速分类方法 | |
CN110503145A (zh) | 一种基于k-shape聚类的典型负荷曲线获取方法 | |
CN114691868A (zh) | 文本聚类方法、装置及电子设备 | |
CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
CN102254194A (zh) | 基于监督流形学习的场景分类方法及装置 | |
CN109409407A (zh) | 一种基于le算法的工业监测数据聚类方法 | |
CN115221949A (zh) | 一种基于集成的多过滤式特征选择的网络流量分类方法 | |
CN112001345B (zh) | 基于特征变换度量网络的少样本人体行为识别方法及系统 | |
CN112381145A (zh) | 基于最近相关谱聚类的高斯过程回归多模型融合建模方法 | |
Cao et al. | Improved YOLOv3 model based on ResNeXt for target detection | |
CN116365529B (zh) | 一种基于负荷用电特性的工业用户可调节潜力评估方法 | |
CN105717420B (zh) | 电力电缆的合成聚类方法 | |
CN117290746A (zh) | 基于嵌套K-means聚类的台区电压质量分类方法 | |
CN115658990B (zh) | 一种用于目标空间分群的数据处理方法及装置 | |
Zhang et al. | An Overview of Deep Neural Network Model Compression | |
CN112836769B (zh) | 基于主成分分析的需求响应用户分类方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |