CN112257778B - 一种基于用户用电行为的两阶段精细化聚类方法 - Google Patents
一种基于用户用电行为的两阶段精细化聚类方法 Download PDFInfo
- Publication number
- CN112257778B CN112257778B CN202011136144.1A CN202011136144A CN112257778B CN 112257778 B CN112257778 B CN 112257778B CN 202011136144 A CN202011136144 A CN 202011136144A CN 112257778 B CN112257778 B CN 112257778B
- Authority
- CN
- China
- Prior art keywords
- clustering
- user
- load
- class
- data
- 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 41
- 230000005611 electricity Effects 0.000 title claims abstract description 11
- 230000006399 behavior Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (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)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于用户用电行为的两阶段精细化聚类方法,该方法考虑到单凭一次聚类处理只能得到较为模糊的聚类结果,不满足需求。因此,在本方法首先对用户采用K‑means方法进行聚类,之后首先采用PCA方法对初次聚类结果进行降维,分析初次聚类结果的可再分程度,形成第二次聚类类数。以此为基础对初次聚类结果进行二次聚类,形成精细化聚类结果。该两阶段精细化聚类方法能有效克服现有方法的不足,提高用户负荷聚类的准确性。同时通过分析基于实际用户负荷曲线构成的算例,可以验证所提方法的可靠性。
Description
技术领域
本发明涉及负荷聚类、负荷建模、电网规划等领域,特别涉及一种基于用户用电行为的两阶段精细化聚类方法。
背景技术
用户负荷特性分类能有效解决负荷特性的时变性及区域分散性问题,是负荷建模中的一项重要工作。精确化的负荷特性分类能提炼负荷的共性特征,反映电力系统的运行状态,这对指导电网规划、实时调度等同样具有重要意义。但是,对于实际用户负荷曲线来说,由于用户负荷类型过多过杂,单次负荷聚类不能有效地区分纷杂的用户负荷,简单的增加聚类类数也会造成新增类的负荷曲线相似性太高。
发明内容
本发明的目的是针对上述现有负荷聚类方法的不足,提出一种基于用户用电行为的两阶段精细化聚类方法。本发明方法为:(1)首先对用户负荷曲线进行归一化预处理;(2)采用K-means方法进行聚类;(3)之后首先采用标准主成分分析PCA方法对初次聚类结果进行降维;(4)分析初次聚类结果的可再分程度,形成第二次聚类类数,最终以此为基础对初次聚类结果进行二次聚类,形成精细化聚类结果。该两阶段精细化聚类方法能有效克服现有方法的不足,提高用户负荷聚类的准确性。
为了达到上述目的,本发明所采用的技术方案如下:
一种基于用户用电行为的两阶段精细化聚类方法,具体包括如下步骤:
(1)以待聚类用户的每15min一点的负荷曲线为基础,归一化后形成待聚类用户负荷曲线数据集;
(2)采用K-means算法对步骤(1)建立的待聚类用户负荷曲线进行初次聚类,获得初次聚类结果,该结果包含各类用户负荷曲线的所属类别的对应编号以及相应的聚类中心;
(3)采用标准主成分分析PCA方法对步骤(2)中获得的初次聚类结果进行降维,将从属于各个聚类中心的负荷曲线从96维降至2维;并求取各类中96维负荷曲线在邻域内的点值作为Z轴数据,弥补前面降维的信息损失;最终得到各初次聚类类别中负荷曲线的分布密度;
(4)根据步骤(3)中获得的分布密度与使用者预想的再细分精度选择滤值阈值,根据邻域点数对原96维数据进行滤值后,再通过K-means聚类,得到精细化聚类结果。
上述技术方案中,进一步地,所述步骤(1)具体为:
记第i个用户的有功量测数据为:pi=[p1,…,pd,…,pD]T,其中d=1,…,D,D为日负荷曲线采样点数。
由于在聚类中,主要考虑负荷曲线的形状特征,首先对这些数据进行归一化,归一化方法具体为:
其中pd’为归一化后的d时间点上用户i的负荷值max(pd)为pi中的最大值,min(pd)为pi中的最小值。
进一步地,所述步骤(2)具体为:
为克服按行业性质划分的不足,首先对众多的用户负荷依照其负荷曲线进行聚类,建立用户聚类模型,该模型采用欧式距离作为用户负荷的特征向量相似性评价指标,其目标函数为:
式中,clow为用户的类数,U为用户总数,表示第n1个用户的负荷特征向量到第m1类的类中心的欧氏距离,为二进制变量,等于1表示第n1个用户属于第m1类,等于0则表示不属于该类。为保证各用户能且只能划分到某一类中,需满足:
同时为保证所有类均不为空集,还需满足:
之后采用传统的K-means聚类算法求解上述模型,获得初次聚类结果。该结果包含各类用户负荷曲线的所属类别的对应编号以及相应的聚类中心。
进一步地,所述步骤(3)具体为:
采用标准主成分分析PCA方法对步骤(2)中获得的初次聚类结果进行降维,将从属于各个聚类中心的负荷曲线从96维降至2维,具体为:
待聚类的U个用户的96维负荷曲线,可以被写为共U行,96列的特征矩阵X,对于特征矩阵X:
第一步首先计算特征矩阵X的样本的相关系数矩阵C;
第二步计算相关系数矩阵C的特征向量e1,e2,…,eN,以及对应的特征值,并将这些特征向量按对应特征值大小从上到下按行排列成矩阵,取前n列组成矩阵P=[e],其中n为降维后维数,取2。例如最大的特征向量为e3与e4,那么P=[e3,e4]T。
第三步利用公式(5)投影数据到特征向量张成的空间之中,其中newX是降维后的X;
newX=XP (5)
之后求取各类中96维负荷曲线在邻域内的点值作为Z轴数据,弥补前面降维的信息损失。最终得到各初次聚类类别中负荷曲线的分布密度。
进一步地,步骤(4)中设定相应滤值阈值,所述滤值阈值根据使用者预想的精细化程度求得:
式中,epsilonm为滤值阈值,Dmax m为第m个聚类簇的类内最大距离,K为使用者预想再细分的类数;
通过以上操作,得到了各聚类簇的三维数据。通过三角形线性插补方式将三维数据加工成三维网格数据。作出三维网格图和颜色地形图,根据图像中的山峰数目选出适当滤值。具体的滤值选择方法为,降低滤值设定,直到大于滤值线的不连续数据段数大于设定的细分类数;
根据邻域点数对原96维数据进行滤值后,再通过K-means聚类,得到精细化聚类结果。
本发明的有益效果在于:
本发明提出了一种基于用户用电行为的两阶段精细化聚类方法,该方法采用两阶段聚类算法,首先对负荷进行初次聚类,确定各个簇的大体形状,之后从簇内数据分布的连续性上来确定该簇是否能够被继续细分,该方法能有效克服现有方法中仅采用单次负荷聚类无法有效区分纷杂用户负荷的问题,且能够避免简单的增加聚类类数造成新增类的负荷曲线相似性太高的问题。本发明方法能够有效提高用户负荷聚类的准确性。
附图说明
图1用户负荷K-means聚类后的聚类中心示意图;
图2处理后的初次聚类结果簇内数据分布三维网格图(含滤值面);
图3晚高峰型负荷处理后的颜色地形图;
图4晚高峰型负荷二次分类的结果;
图5单峰型负荷处理后的三维网格图(含滤值面);
图6晚高峰型负荷二次分类的结果;
图7平稳型负荷处理后的三维网格图(含滤值面);
图8平稳型负荷二次分类的结果;
图9平稳型负荷处理后的三维网格图(含滤值面);
图10平稳型负荷二次分类的结果。
具体实施方式
下面结合实施例和附图对本发明作进一步的说明。
一种基于用户用电行为的两阶段精细化聚类方法,具体包括如下步骤:
(1)以待聚类用户的每15min一点的负荷曲线为基础,归一化后形成待聚类用户负荷曲线数据集;
(2)采用K-means算法对步骤(1)建立的待聚类用户负荷曲线进行初次聚类,获得初次聚类结果,该结果包含各类用户负荷曲线的所属类别的对应编号以及相应的聚类中心;
(3)采用标准主成分分析PCA方法对步骤(2)中获得的初次聚类结果进行降维,将从属于各个聚类中心的负荷曲线从96维降至2维;并求取各类中96维负荷曲线在邻域内的点值作为Z轴数据,弥补前面降维的信息损失;最终得到各初次聚类类别中负荷曲线的分布密度;
(4)根据步骤(3)中获得的分布密度与使用者预想的再细分精度选择滤值阈值,根据邻域点数对原96维数据进行滤值后,再通过K-means聚类,得到精细化聚类结果。
上述技术方案中,进一步地,所述步骤(1)具体为:
记第i个用户的有功量测数据为:pi=[p1,…,pd,…,pD]T,其中d=1,…,D,D为日负荷曲线采样点数。
由于在聚类中,主要考虑负荷曲线的形状特征,首先对这些数据进行归一化,归一化方法具体为:
其中pd’为归一化后的d时间点上用户i的负荷值,max(pd)为pi中的最大值,min(pd)为pi中的最小值。
进一步地,所述步骤(2)具体为:
为克服按行业性质划分的不足,首先对众多的用户负荷依照其负荷曲线进行聚类,建立用户聚类模型,该模型采用欧式距离作为用户负荷的特征向量相似性评价指标,其目标函数为:
式中,clow为用户的类数,U为用户总数,表示第n1个用户的负荷特征向量到第m1类的类中心的欧氏距离,为二进制变量,等于1表示第n1个用户属于第m1类,等于0则表示不属于该类。为保证各用户能且只能划分到某一类中,需满足:
同时为保证所有类均不为空集,还需满足:
之后采用传统的K-means聚类算法求解上述模型,获得初次聚类结果。该结果包含各类用户负荷曲线的所属类别的对应编号以及相应的聚类中心。
进一步地,所述步骤(3)具体为:
采用标准主成分分析PCA方法对步骤(2)中获得的初次聚类结果进行降维,将从属于各个聚类中心的负荷曲线从96维降至2维,具体为:
待聚类的U个用户的96维负荷曲线,可以被写为共U行,96列的特征矩阵X,对于特征矩阵X:
第一步首先计算特征矩阵X的样本的相关系数矩阵C;
第二步计算相关系数矩阵C的特征向量e1,e2,…,eN,以及对应的特征值,并将这些特征向量按对应特征值大小从上到下按行排列成矩阵,取前n列组成矩阵newX=XP,其中n为降维后维数,取2。例如最大的特征向量为e3与e4,那么P=[e3,e4]T。
第三步利用公式(5)投影数据到特征向量张成的空间之中;其中newX是降维后的X;
newX=XP (5)
之后求取各类中96维负荷曲线在邻域内的点值作为Z轴数据,弥补前面降维的信息损失。最终得到各初次聚类类别中负荷曲线的分布密度。
进一步地,所述步骤(4)具体为:
根据(3)中获得的分布密度选择滤值,根据邻域点数对原96维数据进行滤值后,再次通过K-means聚类,得到精细化聚类结果。首先设定相应滤值阈值,所述滤值阈值根据使用者预想的精细化程度求得:
式中,epsilonm为滤值阈值,Dmax m为第m个聚类簇的类内最大距离,K为使用者预想再细分的类数;
通过以上操作,得到了各聚类簇的三维数据。通过三角形线性插补方式将三维数据加工成三维网格数据。作出三维网格图和颜色地形图,根据图像中的山峰数目选出适当滤值。滤值选择方法为,降低滤值设定,直到大于滤值线的不连续数据段数大于设定的细分类数。
根据邻域点数对原96维数据进行滤值后,再通过K-means聚类,得到精细化聚类结果。
实施例:
首先对用户负荷曲线进行归一化处理,处理方法详见说明书步骤(1)。
根据步骤(2),对用户负荷采用K-means算法进行初次聚类,得到5类负荷曲线如图1所示,与后续图中类似,图中横坐标为时间,纵坐标为对应的负荷值。
1.晚高峰负荷分类结果分析
其中晚高峰型负荷数据共11186条,对其进行二次分类处理,
根据步骤(3),经过降维得到三维网格图形和颜色地形图,分别如图2、3所示。根据数据连续性,预想再细分类数为3类,根据步骤(4),计算滤值为320。将邻域点值小于320的用户负荷删去后,共剩用户负荷数据311条。经过k=3的K-means聚类,可以得到细分结果如图4所示。
观察上述分类结果,可以发现细分后的三类用户负荷基本保留了晚高峰型负荷的基本走势,相互之间的差异主要体现在6-8点时的用电量不同。观察这一结果可以发现该二次分类方法应用效果较好,但仅仅应用在晚高峰型负荷上无法证明其实用性,因此发明人还将该方法在单峰型和平稳型负荷簇上进行了测试。
2.单峰型负荷分类结果分析
单峰型负荷数据共4206条,预想细分成3类,经过处理得到三维网格图如图5所示。根据数据连续性设定滤值为90后,经过过滤,共得到71条用户负荷,经过k=3的K-means聚类,可以得到细分结果如图6所示。
观察上述结果图,其实可以发现单峰型负荷处理后绘制出的三维网格图只有一个高峰,这说明了该类数据本身只有一个大类,无其他类,无需再进行细分。K-means聚类后得到的三类细分的负荷曲线彼此之间也十分密集,再次佐证了无需细分的判断。这也说明了该处理方法可以给使用者一种直观的视角来判断一次K-means聚类结果各簇是否需要细分,且细分程度如何。
3.平稳型负荷分类结果分析
平稳型负荷数据共698条,预想细分成3类,经过处理得到三维网格图如图7所示。根据数据连续性设定滤值为3.5后,经过过滤,共得到20条用户负荷,经过k=3的K-means聚类,可以得到细分结果如图8所示。
观察上述结果可以发现,三维网格图普遍处于低值,只有几个尖峰,过滤后的数据偏少,且细分的负荷曲线形状存在问题。负荷曲线存在问题是预处理不当导致的。分析上述现象产生,可能是平稳型负荷数量较少,细分成三类时的滤值阈值epsilon较小,导致三维网格图整体偏低,滤值过小。因此将k设为2,经过处理得到三维网格图如图9所示。根据数据连续性设定滤值为25后,经过过滤,共得到37条用户负荷,经过k=2的K-means聚类,可以得到细分结果如图10所示。总体而言再次细分效果较为明显。
Claims (4)
1.一种基于用户用电行为的两阶段精细化聚类方法,其特征在于,具体包括如下步骤:
(1)以待聚类用户的每15min一点的负荷曲线为基础,归一化后形成待聚类用户负荷曲线数据集;
(2)采用K-means算法对步骤(1)建立的待聚类用户负荷曲线进行初次聚类,获得初次聚类结果,该结果包含各类用户负荷曲线的所属类别的对应编号以及相应的聚类中心;
(3)采用标准主成分分析PCA方法对步骤(2)中获得的初次聚类结果进行降维,将从属于各个聚类中心的负荷曲线从96维降至2维;并求取各类中96维负荷曲线在邻域内的点值作为Z轴数据,弥补前面降维的信息损失;最终得到各初次聚类类别中负荷曲线的分布密度;
(4)根据步骤(3)中获得的分布密度与使用者预想的再细分精度选择滤值阈值,根据邻域点数对原96维数据进行滤值后,再通过K-means聚类,得到精细化聚类结果;
步骤(4)中设定相应滤值阈值,所述滤值阈值根据使用者预想的精细化程度求得:
式中,epsilonm为滤值阈值,Dmaxm为第m个聚类簇的类内最大距离,K为使用者预想再细分的类数;
通过以上操作,得到各聚类簇的三维数据,通过三角形线性插补方式将三维数据加工成三维网格数据,作出三维网格图和颜色地形图,根据图像中的山峰数目选择滤值,滤值选择的具体方法为,降低滤值设定,直到大于滤值线的不连续数据段数大于设定的细分类数。
4.根据权利要求1所述的基于用户用电行为的两阶段精细化聚类方法,其特征在于,所述步骤(3)中:
采用标准主成分分析PCA方法对步骤(2)中获得的初次聚类结果进行降维,将从属于各个聚类中心的负荷曲线从96维降至2维,具体为:
待聚类的U个用户的96维负荷曲线,被写为U行,96列的特征矩阵X,对于特征矩阵X:
第一步首先计算特征矩阵X的样本的相关系数矩阵C;
第二步计算相关系数矩阵C的特征向量e1,e2,…,eN,以及对应的特征值,并将这些特征向量按对应特征值大小从上到下按行排列成矩阵,取前n列组成矩阵P=[e],其中n为降维后维数,取2;
第三步利用公式(6)投影数据到特征向量张成的空间之中;其中newX是降维后的X;
newX=XP (6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136144.1A CN112257778B (zh) | 2020-10-22 | 2020-10-22 | 一种基于用户用电行为的两阶段精细化聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136144.1A CN112257778B (zh) | 2020-10-22 | 2020-10-22 | 一种基于用户用电行为的两阶段精细化聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257778A CN112257778A (zh) | 2021-01-22 |
CN112257778B true CN112257778B (zh) | 2022-07-08 |
Family
ID=74264741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011136144.1A Active CN112257778B (zh) | 2020-10-22 | 2020-10-22 | 一种基于用户用电行为的两阶段精细化聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257778B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378956B (zh) * | 2021-06-23 | 2023-11-24 | 北京化工大学 | 一种基于二级松弛聚类的设备退化数据便捷标注方法 |
CN113837778A (zh) * | 2021-10-28 | 2021-12-24 | 国网辽宁省电力有限公司阜新供电公司 | 基于改进狼群优化K-means的用户投诉聚类分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463738A (zh) * | 2017-07-26 | 2017-12-12 | 浙江大学 | 一种考虑构成的变电站负荷两层聚类方法 |
CN107977771A (zh) * | 2017-11-07 | 2018-05-01 | 国家电网公司 | 一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法 |
CN108805213A (zh) * | 2018-06-15 | 2018-11-13 | 山东大学 | 计及小波熵降维的电力负荷曲线双层谱聚类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8918346B2 (en) * | 2011-11-28 | 2014-12-23 | Eaton Corporation | System and method employing a minimum distance and a load feature database to identify electric load types of different electric loads |
-
2020
- 2020-10-22 CN CN202011136144.1A patent/CN112257778B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463738A (zh) * | 2017-07-26 | 2017-12-12 | 浙江大学 | 一种考虑构成的变电站负荷两层聚类方法 |
CN107977771A (zh) * | 2017-11-07 | 2018-05-01 | 国家电网公司 | 一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法 |
CN108805213A (zh) * | 2018-06-15 | 2018-11-13 | 山东大学 | 计及小波熵降维的电力负荷曲线双层谱聚类方法 |
Non-Patent Citations (2)
Title |
---|
《Two-stage pattern recognition of load curves for classification of electricity customers》;Tsekouras, G.J.,et al;《IEEE Transactions on Power Systems》;20071231;第22卷(第3期);第1120-1128页 * |
《一种基于双层迭代聚类分析的负荷模式可控精细化识别方法》;卜凡鹏,等;《电网技术》;20180331;第42卷(第3期);第903-910页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257778A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615014B (zh) | 一种基于kl散度优化的3d物体数据分类系统与方法 | |
CN112257778B (zh) | 一种基于用户用电行为的两阶段精细化聚类方法 | |
EP3500964A1 (en) | System and method of classification of biological particles | |
CN109034504A (zh) | 一种短期负荷预测模型建立方法及装置 | |
Liu et al. | Bone marrow cells detection: a technique for the microscopic image analysis | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
CN101968853A (zh) | 基于改进的免疫算法优化支持向量机参数的表情识别方法 | |
CN110795690A (zh) | 风电场运行异常数据检测方法 | |
CN104484600B (zh) | 一种基于改进密度聚类的入侵检测方法及装置 | |
CN103425994A (zh) | 一种用于模式分类的特征选择方法 | |
CN117113126A (zh) | 一种基于改进聚类算法的行业用电特性分析方法 | |
CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
CN113780343B (zh) | 一种基于lttb降维的双边斜率dtw距离负荷谱聚类方法 | |
CN111324790A (zh) | 基于支持向量机分类的负荷类型识别方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN112270338A (zh) | 一种电力负荷曲线聚类方法 | |
CN111914930A (zh) | 一种基于自适应微簇融合的密度峰值聚类方法 | |
CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
CN109063733A (zh) | 一种基于双参数离群因子的离群点检测方法 | |
CN115017988A (zh) | 一种用于状态异常诊断的竞争聚类方法 | |
CN109741091B (zh) | 基于基础负荷削减策略的用户负荷分类方法 | |
Zhang et al. | Clustering analysis of user load characteristics under new power system based on improved k-means clustering algorithm | |
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 |