CN111612319A - 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 - Google Patents
基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 Download PDFInfo
- Publication number
- CN111612319A CN111612319A CN202010396106.3A CN202010396106A CN111612319A CN 111612319 A CN111612319 A CN 111612319A CN 202010396106 A CN202010396106 A CN 202010396106A CN 111612319 A CN111612319 A CN 111612319A
- Authority
- CN
- China
- Prior art keywords
- clustering
- data
- encoder
- load
- dimensional convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供一种基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,用于根据用户的原始负荷数据进行聚类分析,其特征在于,包括如下步骤:数据预处理,获取用户的原始负荷数据并对该负荷数据进行预处理,从而获得归一化的日负荷功率数据集;数据训练,使用日负荷功率数据训练一维卷积自编码器,保留编码层;模型构建,在编码层的基础上构建聚类层形成深度聚类模型;聚类中心设定,设定聚类中心个数,并运用K‑means聚类算法初始化聚类层的聚类中心并进行负荷的初始分配;迭代训练,对深度聚类模型进行迭代训练,每一次迭代调整网络参数以及聚类中心并获取聚类标签,当聚类标签变化小于预定值时,输出此时的聚类标签。
Description
技术领域
本发明电力系统负荷分类的技术领域,具体涉及一种基于一维卷积自编码器的负荷曲线深度嵌入聚类方法。
背景技术
随着智能电表等高级电力计量装置在配用电侧的广泛安装,电力公司的信息采集能力得到了不断的提升,因此能够记录海量高维的电力负荷数据。电力负荷数据是电网企业分析用户用电行为的基础。同时,随着泛在电力物联网的建设推进,深入挖掘电力大数据的应用价值日益受到重视。
电力负荷曲线聚类即利用各种聚类算法,对负荷曲线进行快速有效地分类,是配用电数据挖掘的重要基础。负荷控制、分时电价制定、负荷预测、用电异常检测等各种电力数据挖掘应用都需要电力负荷曲线聚类分析。负荷曲线聚类算法及相关技术的研究对电力系统安全、经济、可靠的运行具有重要的支撑作用。
负荷曲线聚类方法可以分为直接聚类和间接聚类。直接聚类方法是对负荷数据本身聚类分析。在电力大数据时代,电力负荷数据呈现数量大、维数高等特征,该类方法计算效率较低,且聚类效果不佳。间接聚类方法即先利用降维算法对负荷数据提取特征,再根据特征聚类分析。该类方法特征提取和聚类任务分离,无法保证提取的特征适合聚类任务,且难以有效提取负荷数据所蕴含的深层特征,从而可能降低聚类的质量。
发明内容
为解决上述问题,提供一种基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,以提高聚类准确性和效率,本发明采用了如下技术方案:
本发明提供了一种基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,用于根据用户的原始负荷数据进行聚类分析,其特征在于,包括如下步骤:数据预处理,获取用户的原始负荷数据并对该负荷数据进行预处理,从而获得归一化的日负荷功率数据集以及日负荷功率曲线的有功功率矩阵;数据训练,使用日负荷功率数据训练一维卷积自编码器,保留编码层;模型构建,在编码层的基础上构建聚类层形成深度聚类模型;聚类中心设定,设定聚类中心个数,并运用K-means聚类算法初始化聚类层的聚类中心并进行负荷的初始分配;迭代训练,对深度聚类模型进行迭代训练,每一次迭代调整网络参数以及聚类中心并获取聚类标签,当聚类标签变化小于预定值时,输出此时的聚类标签。
本发明提供的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,还可以具有这样的特征,数据预处理的具体步骤如下:设Pk=[pk1,..,pki,...,pkm]为第k条所诉日负荷功率曲线的m点原始有功功率矩阵,k=1,2,...,N,N为日负荷功率曲线总条数,pki为第k条日负荷功率曲线的第i点原始有功功率,i=1,2,...,m,m为采样点个数,则P=[P1,..,Pk,...,PN]T为N条日负荷功率曲线的m点原始有功功率矩阵,以日负荷功率曲线的功率最大值Pk·max=max{pk1,..,pki,...,pkm}为基准值,以日负荷功率曲线的功率最小值Pk·min=min{pk1,..,pki,...,pkm},对原始负荷数据进行归一化处理,从而获得归一化的日负荷功率曲线的有功功率矩阵P'=[P'1,..,P'k,...,P'N]T,计算公式如下:
本发明提供的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,还可以具有这样的特征,数据训练的具体步骤如下:一维卷积自编码器包括编码器以及解码器,将一组归一化处理后的日负荷功率数据集x={x1,...,xn}作为输入数据,输出重构数据y={y1,...,yn},编码器通过多个卷积层将输入数据映射到低维的隐变量空间,解码器将隐变量空间反向映射到输入层还原输入数据,编码器编码以及解码器解码的计算公式如下:
h=σ(W1·x+b1)
y=σ(W2·h+b2)
式中,h为被提取的深层特征,W1为由多个编码器组成的编码器网络的权重矩阵,W2为由多个解码器组成的解码器网络的权重矩阵,b1和b2分别为编码器和解码器的偏置向量,y为重构数据,调整网络参数使得损失函数E(θ)最小,网络参数为W1、W2、b1以及b2,损失函数E(θ)计算公式如下:
利用梯度下降法求解E(θ)从而获得网络参数的最优集合,实现对一维卷积自编码器的构建与训练,提取归一化处理后的日负荷功率曲线的深层特征。
本发明提供的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,还可以具有这样的特征,模型构建的具体过程如下:网络输入的数据维度并为聚类层创建一个可训练的聚类中心uj,
定义度量聚类中心与负荷数据曲线特征的相似度的计算公式如下:
式中,zi为编码后的负荷数据,qij为负荷数据zi属于聚类中心uj的概率。
本发明提供的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,还可以具有这样的特征,聚类中心设定的具体过程如下:
步骤T1,设定K个聚类中心,并对设定的聚类中心初始化,
步骤T2,对提取深层特征的日负荷功率数据集中的每个样本数据,计算其与聚类中心的欧氏距离,并根据样本到聚类中心的最小欧氏距离进行划分,
步骤T3,根据步骤T2的划分结果更新聚类中心,
步骤T4,重复步骤T2和步骤T3,直到聚类中心不再变化,
步骤T5,输出聚类中心以及初始的样本分布。
本发明提供的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,还可以具有这样的特征,迭代训练的具体过程如下:
设定深度聚类模型的损失函数L为KL散度,标签分配变化阈值为δ,损失函数L的计算公式如下:
式中,P是日负荷功率数据集的真实分布,Q是数据的理论分布,
对深度聚类模型进行迭代训练,对网络参数以及聚类中心进行调整,若负荷数据分布P前后变化小于标签分配变化阈值为δ,则终止对深度聚类模型的迭代训练并将此时的聚类中心作为结果进行输出。
发明作用与效果
根据本发明的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,对用户的原始负荷数据进行预处理获得归一化的日负荷功率数据以及日负荷功率曲线的有功功率矩阵,再使用日负荷功率数据训练一维卷积自编码器,进一步利用该一维卷积自编码器准确提取负荷数据的深度特征,减少了原始信息的损失。采用特征提取和聚类分析联合优化的模型。在迭代过程中,提取合适的特征用于聚类算法,以提高聚类准确性和效率。
附图说明
图1是本发明实施例的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法的流程图;
图2是本发明实施例的一维卷积自编码器的特征提取结果图;
图3是本发明实施例的聚类结果图。
具体实施方式
以下结合附图以及实施来说明本发明的具体实施方式。
<实施例>
图1是本发明实施例的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法的流程图。
如图1所示,本实施例提供一种基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,用于根据用户的原始负荷数据进行聚类分析,
步骤S1,数据预处理,获取用户的原始负荷数据并对该负荷数据进行预处理,从而获得归一化的日负荷功率数据集以及日负荷功率曲线的有功功率矩阵。
设Pk=[pk1,..,pki,...,pkm]为第k条所诉日负荷功率曲线的m点原始有功功率矩阵,k=1,2,...,N,N为日负荷功率曲线总条数,pki为第k条日负荷功率曲线的第i点原始有功功率,i=1,2,...,m,m为采样点个数,则P=[P1,..,Pk,...,PN]T为N条日负荷功率曲线的m点原始有功功率矩阵。
以日负荷功率曲线的功率最大值Pk·max=max{pk1,..,pki,...,pkm}为基准值,以日负荷功率曲线的功率最小值Pk·min=min{pk1,..,pki,...,pkm},对原始负荷数据进行归一化处理,从而获得归一化的日负荷功率曲线的有功功率矩阵P'=[P'1,..,P'k,...,P'N]T,计算公式如下:
步骤S2,数据训练,使用日负荷功率数据训练一维卷积自编码器,保留编码层。
一维卷积自编码器包括编码器以及解码器,
将一组归一化处理后的日负荷功率数据集x={x1,...,xn}作为输入数据,输出重构数据y={y1,...,yn},编码器通过多个卷积层将输入数据映射到低维的隐变量空间,解码器将隐变量空间反向映射到输入层还原输入数据,编码器编码以及解码器解码的计算公式如下:
h=σ(W1·x+b1)
y=σ(W2·h+b2)
式中,h为被提取的特征,W1为由多个编码器组成的编码器网络的权重矩阵,W2为由多个解码器组成的解码器网络的权重矩阵,b1和b2分别为编码器和解码器的偏置向量,y为重构数据。
调整网络参数使得损失函数E(θ)最小,网络参数为W1、W2、b1以及b2,损失函数E(θ)计算公式如下:
利用梯度下降法求解E(θ)从而获得网络参数的最优集合,实现对一维卷积自编码器的构件与训练。
步骤S3,模型构建,在编码层的基础上构建自定义聚类层形成深度聚类模型,提取归一化处理后的日负荷功率曲线的深层特征。
网络输入的数据维度并为聚类层创建一个可训练的聚类中心uj。
定义度量聚类中心与负荷数据曲线特征的相似度的计算公式如下:
式中,zi为编码后的负荷数据,qij为负荷数据zi属于聚类中心uj的概率。
步骤S4,聚类中心设定,设定聚类中心个数,并运用K-means聚类算法为自定义聚类层设定初始聚类中心。
步骤T1,设定K个聚类中心,并对设定的聚类中心初始化,
步骤T2,对提取深层特征的日负荷功率数据集中的每个样本数据,计算其与聚类中心的欧氏距离,并根据样本到聚类中心的最小欧氏距离进行划分,
步骤T3,根据步骤T2的划分结果更新聚类中心,
步骤T4,重复步骤T2和步骤T3,直到聚类中心不再变化,
步骤T5,输出聚类中心以及初始的样本分布。
步骤S5,迭代训练,对深度聚类模型进行迭代训练,对深层特征以及聚类中心进行调整,直至聚类标签变化小于预定值时,输出此时的聚类中心。
设定深度聚类模型的损失函数L为KL散度,标签分配变化阈值为δ,损失函数L的计算公式如下:
式中,P是日负荷功率数据集的真实分布,Q是数据的理论分布。
对深度聚类模型进行迭代训练,对网络参数以及聚类中心进行调整,若负荷数据分布P前后变化小于标签分配变化阈值为δ,则终止对深度聚类模型的迭代训练并将此时的聚类中心作为结果进行输出。
表1两种方法的聚类效果对比
聚类方法 | DB指标 |
K-means聚类 | 0.72 |
本发明 | 0.50 |
如表1所示,DB指标(Davies-Bouldin Index,DBI)具体为:
式中,d(Xk)和d(Xj)为矩阵内部距离,d(ck,cj)为向量间的距离,K为类别数。DB指标越小,则说明聚类效果越好。显然本实施例的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法比K-means聚类方法的聚类效果要好。
实施例作用与效果
本实施例的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,对用户的原始负荷数据进行预处理获得归一化的日负荷功率数据以及日负荷功率曲线的有功功率矩阵,再使用日负荷功率数据训练一维卷积自编码器,进一步利用该一维卷积自编码器准确提取负荷数据的深度特征,减少了原始信息的损失。
本实施例的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,在编码层的基础上构建自定义聚类层形成深度聚类模型,设定聚类中心个数,并运用K-means聚类算法为自定义聚类层设定初始聚类中心,进一步对深度聚类模型进行迭代训练,对深层特征以及聚类中心进行调整,直至聚类标签变化小于预定值时,输出此时的聚类中心。采用特征提取和聚类分析联合优化的模型。在迭代过程中,提取合适的特征用于聚类算法,以提高聚类准确性和效率。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
Claims (6)
1.一种基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,用于根据用户的原始负荷数据进行聚类分析,其特征在于,包括如下步骤:
数据预处理,获取所述用户的所述原始负荷数据并对该负荷数据进行预处理,从而获得归一化的日负荷功率数据集;
数据训练,使用所述日负荷功率数据训练一维卷积自编码器,保留编码层;
模型构建,在所述编码层的基础上构建聚类层形成深度聚类模型;
聚类中心设定,设定聚类中心个数,并运用K-means聚类算法初始化所述聚类层的聚类中心并进行所述负荷的初始分配;
迭代训练,对所述深度聚类模型进行迭代训练,每一次迭代调整网络参数以及所述聚类中心并获取聚类标签,当所述聚类标签变化小于预定值时,输出此时的聚类标签。
2.根据权利要求1所述的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,其特征在于,所述数据预处理的具体步骤如下:
设Pk=[pk1,..,pki,...,pkm]为第k条日负荷功率曲线的m点原始有功功率矩阵,k=1,2,...,N,N为所述日负荷功率曲线总条数,pki为第k条所述日负荷功率曲线的第i点原始有功功率,i=1,2,...,m,m为采样点个数,则P=[P1,..,Pk,...,PN]T为N条所述日负荷功率曲线的m点原始有功功率矩阵,
以所述日负荷功率曲线的功率最大值Pk·max=max{pk1,..,pki,...,pkm}为基准值,以所述日负荷功率曲线的功率最小值Pk·min=min{pk1,..,pki,...,pkm},对所述原始负荷数据进行归一化处理,从而获得归一化的所述日负荷功率曲线的有功功率矩阵P'=[P'1,..,P'k,...,P'N]T,计算公式如下:
3.根据权利要求1所述的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,其特征在于,所述数据训练的具体步骤如下:
所述一维卷积自编码器包括编码器以及解码器,将一组归一化处理后的日负荷功率数据集x={x1,...,xn}作为输入数据,输出重构数据y={y1,...,yn},所述编码器通过多个所述卷积层将所述输入数据映射到低维的隐变量空间,所述解码器将所述隐变量空间反向映射到输入层还原所述输入数据,所述编码器编码以及所述解码器解码的计算公式如下:
h=σ(W1·x+b1)
y=σ(W2·h+b2)
式中,h为被提取的深层特征,W1为由多个所述编码器组成的编码器网络的权重矩阵,W2为由多个所述解码器组成的解码器网络的权重矩阵,b1和b2分别为所述编码器和所述解码器的偏置向量,y为重构数据,
调整网络参数使得损失函数E(θ)最小,所述网络参数为W1、W2、b1以及b2,损失函数E(θ)计算公式如下:
利用梯度下降法求解E(θ)从而获得所述网络参数的最优集合,实现对所述一维卷积自编码器的构建与训练,提取归一化处理后的所述日负荷功率曲线的所述深层特征。
5.根据权利要求1所述的基于一维卷积自编码器的负荷曲线深度嵌入聚类方法,其特征在于,所述聚类中心设定的具体过程如下:
步骤T1,设定K个聚类中心,并对设定的所述聚类中心初始化,
步骤T2,对提取深层特征的日负荷功率数据集中的每个样本数据,计算其与所述聚类中心的欧氏距离,并根据所述样本到所述聚类中心的最小欧氏距离进行划分,
步骤T3,根据步骤T2的划分结果更新所述聚类中心,
步骤T4,重复步骤T2和步骤T3,直到所述聚类中心不再变化,
步骤T5,输出所述聚类中心以及初始的样本分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010396106.3A CN111612319A (zh) | 2020-05-11 | 2020-05-11 | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010396106.3A CN111612319A (zh) | 2020-05-11 | 2020-05-11 | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612319A true CN111612319A (zh) | 2020-09-01 |
Family
ID=72200220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010396106.3A Pending CN111612319A (zh) | 2020-05-11 | 2020-05-11 | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612319A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257953A (zh) * | 2020-11-03 | 2021-01-22 | 上海电力大学 | 一种基于极地新能源发电功率预测的数据处理方法 |
CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
CN117081068A (zh) * | 2023-10-16 | 2023-11-17 | 国网浙江省电力有限公司 | 基于变分自编码器网络的空调负荷计算方法、模型及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446967A (zh) * | 2016-10-28 | 2017-02-22 | 国网福建省电力有限公司 | 一种新型电力系统负荷曲线聚类方法 |
CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
CN109272176A (zh) * | 2018-12-10 | 2019-01-25 | 贵州电网有限责任公司 | 利用K-means聚类算法对台区线损率预测计算方法 |
CN109389166A (zh) * | 2018-09-29 | 2019-02-26 | 聚时科技(上海)有限公司 | 基于局部结构保存的深度迁移嵌入聚类机器学习方法 |
CN109871860A (zh) * | 2018-11-02 | 2019-06-11 | 湖南大学 | 一种基于核主成分分析的日负荷曲线降维聚类方法 |
CN110223275A (zh) * | 2019-05-28 | 2019-09-10 | 陕西师范大学 | 一种task-fMRI引导的大脑白质纤维深度聚类方法 |
-
2020
- 2020-05-11 CN CN202010396106.3A patent/CN111612319A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446967A (zh) * | 2016-10-28 | 2017-02-22 | 国网福建省电力有限公司 | 一种新型电力系统负荷曲线聚类方法 |
CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
CN109389166A (zh) * | 2018-09-29 | 2019-02-26 | 聚时科技(上海)有限公司 | 基于局部结构保存的深度迁移嵌入聚类机器学习方法 |
CN109871860A (zh) * | 2018-11-02 | 2019-06-11 | 湖南大学 | 一种基于核主成分分析的日负荷曲线降维聚类方法 |
CN109272176A (zh) * | 2018-12-10 | 2019-01-25 | 贵州电网有限责任公司 | 利用K-means聚类算法对台区线损率预测计算方法 |
CN110223275A (zh) * | 2019-05-28 | 2019-09-10 | 陕西师范大学 | 一种task-fMRI引导的大脑白质纤维深度聚类方法 |
Non-Patent Citations (2)
Title |
---|
石亮缘等: "采用深度学习和多维模糊C均值聚类的负荷分类方法", 《电力系统及其自动化学报》 * |
谢娟英等: "深度卷积自编码图像聚类算法", 《计算机科学与探索》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257953A (zh) * | 2020-11-03 | 2021-01-22 | 上海电力大学 | 一种基于极地新能源发电功率预测的数据处理方法 |
CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
CN117081068A (zh) * | 2023-10-16 | 2023-11-17 | 国网浙江省电力有限公司 | 基于变分自编码器网络的空调负荷计算方法、模型及介质 |
CN117081068B (zh) * | 2023-10-16 | 2024-03-01 | 国网浙江省电力有限公司 | 基于变分自编码器网络的空调负荷计算方法、模型及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN109871860B (zh) | 一种基于核主成分分析的日负荷曲线降维聚类方法 | |
CN111612319A (zh) | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 | |
CN110232341B (zh) | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
CN104063480A (zh) | 一种基于电力大数据的负荷曲线并行聚类方法 | |
CN110472652B (zh) | 基于语义引导的少量样本分类方法 | |
CN110263873A (zh) | 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法 | |
CN104820696A (zh) | 一种基于多标签最小二乘哈希算法的大规模图像检索方法 | |
CN104881449A (zh) | 基于流形学习数据压缩哈希的图像检索方法 | |
Wei et al. | Compact MQDF classifiers using sparse coding for handwritten Chinese character recognition | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN111681132A (zh) | 适用于海量类别不平衡负荷数据的典型用电模式提取方法 | |
CN114067915A (zh) | 一种基于深度对抗变分自编码器的scRNA-seq数据降维方法 | |
CN108388918B (zh) | 具有结构保持特性的数据特征选择方法 | |
CN109409407A (zh) | 一种基于le算法的工业监测数据聚类方法 | |
CN109508350B (zh) | 一种对数据进行采样的方法和装置 | |
CN109634953B (zh) | 一种面向高维大数据集的加权量化哈希检索方法 | |
CN111275109A (zh) | 基于自编码器的电力设备状态数据特征选优方法及系统 | |
CN108256569B (zh) | 一种复杂背景下的对象识别方法及使用的计算机技术 | |
CN115526264A (zh) | 一种基于自编码器的用户用电行为分类分析方法 | |
CN114386485A (zh) | 一种建筑光纤光栅应力传感器的应力曲线聚类方法 | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm | |
CN111316326A (zh) | 图像编码方法、设备及计算机可读存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200901 |
|
WD01 | Invention patent application deemed withdrawn after publication |