CN113159180A - 基于城市能源大数据的负荷及其可调潜力协同聚类方法 - Google Patents
基于城市能源大数据的负荷及其可调潜力协同聚类方法 Download PDFInfo
- Publication number
- CN113159180A CN113159180A CN202110437674.8A CN202110437674A CN113159180A CN 113159180 A CN113159180 A CN 113159180A CN 202110437674 A CN202110437674 A CN 202110437674A CN 113159180 A CN113159180 A CN 113159180A
- Authority
- CN
- China
- Prior art keywords
- load data
- load
- clustering
- data set
- time sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000005611 electricity Effects 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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)
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于城市能源大数据的负荷及其可调潜力协同聚类方法。包括:采集城市能源用户的用电负荷数据;对用电负荷数据进行归一化处理,计算用电负荷数据的调节能力,得到用电负荷数据的时序序列和负荷可调能力时序序列;将用电负荷数据的时序序列和负荷可调能力时序序列以复数形式进行耦合并同时映射到复数域,得到复数域待聚类用电负荷数据集;对复数域待聚类用电负荷数据集进行聚类处理,得到分类后的用电负荷数据。本发明方法通过细分不同负荷组成,提出其由“负荷特性”及“功率可调节潜力”共同组成的负荷特性数据,将两者耦合为复数数据点进行聚类分析,从而细分不同负荷的特性现状并更加精确深度挖掘不同负荷间的可调节潜力。
Description
技术领域
本发明涉及电力负荷聚类技术领域,尤其涉及一种基于城市能源大数据的负荷及其可调潜力协同聚类方法。
背景技术
传统的电力系统的负荷聚类是根据各行业日负荷曲线特点,选取合适的聚类指标,采用一定的聚类算法,将电力系统负荷进行分类的过程。其目的是合理有效地划分电力负荷,通过聚类分析不同类型负荷之间的联系和不同地区负荷之间的差别,从中发现数据之间隐藏的关联性和规律性。从负荷聚类结果中,可以得到变电站供电对象及负荷变化趋势,进而进行负荷预测及电力系统的运行控制,对电力系统的安全稳定运行具有重大意义。
随着灵活可调负荷大量接入电网,目前,现有技术中的电力系统的负荷聚类分析仅仅对负荷进行归类,并分行业进行电力负荷处理已经无法满足电力负荷精细化管理的要求。例如,电动汽车的负荷可调潜力巨大,甚至可以通过V2G技术实现向电网倒送功率。
发明内容
本发明的实施例提供了一种基于城市能源大数据的负荷及其可调潜力协同聚类方法,以实现对用户的用电负荷数据进行精细化分类。
为了实现上述目的,本发明采取了如下技术方案。
一种基于城市能源大数据的负荷及其可调潜力协同聚类方法,包括:
采集城市能源用户的用电负荷数据;
对所述用电负荷数据进行归一化处理,计算用电负荷数据的调节能力,得到用电负荷数据的时序序列和负荷可调能力时序序列;
将所述用电负荷数据的时序序列和负荷可调能力时序序列以复数形式进行耦合并同时映射到复数域,得到复数域待聚类用电负荷数据集;
对所述复数域待聚类用电负荷数据集进行聚类处理,得到分类后的用电负荷数据。
优选地,所述的采集城市能源用户的用电负荷数据,包括:
对城市能源中每一类行业用户,选取若干较有代表性的用户进行调查,采集指定时间段内各行业典型用户的用电负荷数据及其可调能力数据,确定各行业用户的用电负荷的构成情况以及各行业用电负荷组分所占比例。
优选地,所述的对所述用电负荷数据进行归一化处理,计算用电负荷数据的调节能力,得到用电负荷数据的时序序列和负荷可调能力时序序列,包括:
对所述用电负荷数据进行最大值归一化处理,设定待聚类的负荷点共有N个,第n个负荷的用电负荷数据的时序序列为{Pni},i=1,2,…,K,其中K为时序用电负荷数据中的时间断面数量,以{Pni},i=1,2,…,K中的最大值Pn,max为参考值,将所述时序序列中的序列值映射转换到[0,1]之间,对Pni进行下述归一化处理:
ani表示在第i个时间断面上的归一化负荷特性;
基于各行业典型用户的用电负荷数据的可调能力数据构成负荷可调能力时序序列{ΔPni},i=1,2,…,K,{ΔPni},i=1,2,…,K与用电负荷数据的时序序列{Pni},i=1,2,…,K一一对应,将所述用电负荷数据中的序列值以相应的用电负荷数据为基准进行映射,得到bni=ΔPni/Pni,则bi表示在第i个时间断面上的归一化负荷可调节能力。
优选地,所述的将所述用电负荷数据的时序序列和负荷可调能力时序序列以复数形式进行耦合并同时映射到复数域,得到复数域待聚类用电负荷数据集,包括:
将所述用电负荷数据的时序序列{Pni},i=1,2,…,K和所述负荷可调能力时序序列{ΔPni},i=1,2,…,K以复数形式进行耦合,并同时映射到复数域,即ynk=ank+bnk*1j,其中1j为复数算子,得到复数域待聚类用电负荷数据集X;
X为复数域的N×K矩阵的数据集合。
优选地,所述的对所述复数域待聚类用电负荷数据集进行聚类处理,得到分类后的用电负荷数据,包括:
对所述聚类用电负荷数据集X进行初始分类,每个行业的样本用电负荷数据自成一类,计算各类用电负荷数据之间的距离,产生一个对称的距离矩阵,找出所述距离矩阵中的最小元素,并将所述最小元素对应的两类用电负荷数据合并为一类用电负荷数据,判断当前聚类结果是否达到预期的聚类结果,如果是,结束所述聚类用电负荷数据集X的聚类过程,输出分类后的用电负荷数据;否则,继续计算计算各类用电负荷数据之间的距离,产生一个对称的距离矩阵,重复执行上述处理过程,直到当前聚类结果达到预期的聚类结果。
优选地,所述的对所述复数域待聚类用电负荷数据集进行聚类处理,得到分类后的用电负荷数据,包括:
步骤S4:设定预期的聚类结果包括Cres类,对所述所述复数域待聚类用电负荷数据集进行初始分类,C表示聚类数量,令C=n,即将每个行业的样本用电负荷数据自身视为一类;用r进行聚类合并次数的计数,并令r=0;表示第r次合并时的第p类数据集;对于初始分类其中p=1,2,…,N,i=p;
步骤S5:分别计算各类间的距离Du,v,其中u代表第u类电负荷数据集U为第u类电负荷数据集的负荷编号集合,则第u类电负荷数据集的中心为v代表第v类电负荷数据集V为第v类电负荷数据集的负荷编号集合,则第v类电负荷数据集的中心为则 和均为1×K维复数域行向量,Du,v为两个复数域行向量差的2-范数,生成一个对称的距离矩阵D(r)=(Du,v)C*C,其中C为聚类数,距离矩阵D(r)=(Du,v)C*C中的各个元素为各类别之间的距离,D(r)为实数域的正定对称矩阵;
步骤S6:找出矩阵D(r)中非对角线最小元素,假设为Du,v,则Du,v是电负荷数据集和电负荷数据集之间的距离,则将电负荷数据集和电负荷数据集合并成一类,并令聚类合并次数r=r+1,令聚类数量C=C-1,为进行下一层次的聚类做好准备;
由上述本发明的实施例提供的技术方案可以看出,本发明实施例的负荷及其可调潜力协同聚类方法通过细分不同负荷组成,且考虑了各个组分的可调节潜力,提出其由“负荷特性”及“功率可调节潜力”共同组成的负荷特性数据,将两者耦合为复数数据点进行聚类分析,从而深入了解细分不同负荷的特性现状并同时更加精确深度挖掘不同负荷间的可调节潜力。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于城市能源大数据的负荷及其可调潜力协同聚类方法的处理流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例在负荷自身变化特性的基础上有必要着重分析其可调潜力,将负荷特性及其可调潜力同时考虑并进行聚类,提出了一种能够考虑电力负荷组成及可调度潜力的聚类算法,能够以此深度挖掘不同行业电力负荷的不同组成成分间的可调度潜力,达到电力负荷精细化管理及可调节度进一步提升的需求。
本发明实施例提出了一种基于城市能源大数据的负荷及其可调潜力协同聚类方法,以进一步挖掘不同电力行业负荷间的相似可调节潜力,提出了一种以对不同行业电力负荷的组成成分及可调节潜力为聚类指标的聚类分析算法,深度挖掘不同负荷间的可调节潜力。
本发明实施例提出的一种基于城市能源大数据的负荷及其可调潜力协同聚类方法的处理流程如图1所示,包括如下的处理步骤:
步骤S1:采集原始用电负荷数据。
以城市能源的典型用电设备构成情况的调查统计为基础,对城市能源中每一类行业用户,选取若干较有代表性的用户进行调查,采集指定时间段内各行业典型用户的用电负荷数据及其可调能力数据,确定各行业用户的用电负荷的构成情况以及各行业用电负荷组分所占比例。此处可调能力数据是负荷的功率可调增或调减的量,随着负荷状态的变化而变化。负荷可调能力的量化评估有很多种手段,如现场调研、参数建模、随机模拟等方法,本发明专利中关注的是负荷可调能力的聚类方法,因此直接使用了负荷可调能力的结果。
步骤S2:对用电负荷数据进行预处理,归一化:在负荷聚类分析中,为了去除负荷的数量级对负荷变化模式分析的影响,对负荷序列进行最大值归一化。
设定待聚类的负荷点共有N个,第n个负荷的用电负荷数据的时序序列为{Pni},i=1,2,…,K,其中K为时序用电负荷数据中的时间断面数量。以{Pni},i=1,2,…,K中的最大值Pn,max为参考值,将序列值映射转换到[0,1]之间。然后,对Pni进行下述归一化处理:
ani表示在第i个时间断面上的归一化负荷特性。
基于各行业典型用户的用电负荷数据的可调能力数据构成负荷可调能力时序序列{ΔPni},i=1,2,…,K,{ΔPni},i=1,2,…,K与用电负荷数据的时序序列{Pni},i=1,2,…,K一一对应。将序列值以相应的用电负荷数据为基准进行映射,得到bni=ΔPni/Pni,则bi表示在第i个时间断面上的归一化负荷可调节能力。
步骤S3:综合考虑负荷{Pni},i=1,2,…,K及其可调节能力{ΔPni},i=1,2,…,K,将两者以复数形式进行耦合并同时映射到复数域,即ynk=ank+bnk*1j,其中1j为复数算子。进而得到复数域待聚类用电负荷数据集
X为复数域的N×K矩阵的数据集合。
步骤S4:对所述聚类用电负荷数据集X进行初始分类,每个行业的样本用电负荷数据自成一类,计算各类用电负荷数据之间的距离,产生一个对称的距离矩阵,找出所述距离矩阵中的最小元素,并将所述最小元素对应的两类用电负荷数据合并为一类用电负荷数据,判断当前聚类结果是否达到预期的聚类结果,如果是,结束所述聚类用电负荷数据集X的聚类过程,输出精细分类后的用电负荷数据;否则,继续计算各类用电负荷数据之间的距离,产生一个对称的距离矩阵,重复执行上述处理过程,直到当前聚类结果达到预期的聚类结果。上述预期的聚类结果可以为聚类数量达到设定预期的聚类结果分类数量Cres,Cres的确定由实际需要得到的聚类精度决定:聚类精度要求越高,Cres越大,反之Cres越小。
设定预期的聚类结果分为Cres类。初始分类,C表示聚类数量,令C=n,即将每个负荷样本自身视为一类;用r进行聚类合并次数的计数,并令r=0;表示第r次合并时的第p类数据集;对于初始分类其中p=1,2,…,N,i=p。
步骤S5:分别计算各类间的距离Du,v,其中u代表第u类数据集U为第u类数据集的负荷编号集合,则第u类数据集的中心为v代表第v类数据集V为第v类数据集的负荷编号集合,则第v类数据集的中心为则由于此处和均为1×K维复数域行向量,则Du,v为两个复数域行向量差的2-范数。由此生成一个对称的距离矩阵D(r)=(Du,v)C*C,其中C为聚类数,距离矩阵中的各个元素为各类别之间的距离,D(r)为实数域的正定对称矩阵。
步骤S6:找出矩阵D(r)中非对角线最小元素,假设为Du,v,则Du,v是数据集和数据集之间的距离,则将数据集和数据集合并成一类。并令聚类合并次数r=r+1,令聚类数量C=C-1,为进行下一层次的聚类做好准备。
步骤S7:检查聚类数量,若聚类数量C>Cres,则转至步骤S5,否则聚类结束,输出精细分类后的用电负荷数据,原始的N个负荷被分为Cres类,即原始的N个负荷分别被归为Cres个结果集合之中,p=1,2,…,Cres,且不同的之间交集为空集。
综上所述,本发明实施例面向的对象是基于城市能源大数据的负荷及其可调潜力协同聚类方法,通过细分不同负荷组成且考虑了各个组分的可调节潜力,提出其由“负荷特性”及“功率可调节潜力”共同组成的负荷特性数据,将两者耦合为复数数据点进行聚类分析,从而深入了解细分不同负荷的特性现状并同时更加精确深度挖掘不同负荷间的可调节潜力,从而提高对负荷的调度管控能力,进而提升电力系统灵活性。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于城市能源大数据的负荷及其可调潜力协同聚类方法,其特征在于,包括:
采集城市能源用户的用电负荷数据;
对所述用电负荷数据进行归一化处理,计算用电负荷数据的调节能力,得到用电负荷数据的时序序列和负荷可调能力时序序列;
将所述用电负荷数据的时序序列和负荷可调能力时序序列以复数形式进行耦合并同时映射到复数域,得到复数域待聚类用电负荷数据集;
对所述复数域待聚类用电负荷数据集进行聚类处理,得到分类后的用电负荷数据。
2.根据权利要求1所述的方法,其特征在于,所述的采集城市能源用户的用电负荷数据,包括:
对城市能源中每一类行业用户,选取若干较有代表性的用户进行调查,采集指定时间段内各行业典型用户的用电负荷数据及其可调能力数据,确定各行业用户的用电负荷的构成情况以及各行业用电负荷组分所占比例。
3.根据权利要求2所述的方法,其特征在于,所述的对所述用电负荷数据进行归一化处理,计算用电负荷数据的调节能力,得到用电负荷数据的时序序列和负荷可调能力时序序列,包括:
对所述用电负荷数据进行最大值归一化处理,设定待聚类的负荷点共有N个,第n个负荷的用电负荷数据的时序序列为{Pni},i=1,2,…,K,其中K为时序用电负荷数据中的时间断面数量,以{Pni},i=1,2,…,K中的最大值Pn,max为参考值,将所述时序序列中的序列值映射转换到[0,1]之间,对Pni进行下述归一化处理:
ani表示在第i个时间断面上的归一化负荷特性;
基于各行业典型用户的用电负荷数据的可调能力数据构成负荷可调能力时序序列{ΔPni},i=1,2,…,K,{ΔPni},i=1,2,…,K与用电负荷数据的时序序列{Pni},i=1,2,…,K一一对应,将所述用电负荷数据中的序列值以相应的用电负荷数据为基准进行映射,得到bni=ΔPni/Pni,则bi表示在第i个时间断面上的归一化负荷可调节能力。
5.根据权利要求4所述的方法,其特征在于,所述的对所述复数域待聚类用电负荷数据集进行聚类处理,得到分类后的用电负荷数据,包括:
对所述聚类用电负荷数据集X进行初始分类,每个行业的样本用电负荷数据自成一类,计算各类用电负荷数据之间的距离,产生一个对称的距离矩阵,找出所述距离矩阵中的最小元素,并将所述最小元素对应的两类用电负荷数据合并为一类用电负荷数据,判断当前聚类结果是否达到预期的聚类结果,如果是,结束所述聚类用电负荷数据集X的聚类过程,输出分类后的用电负荷数据;否则,继续计算计算各类用电负荷数据之间的距离,产生一个对称的距离矩阵,重复执行上述处理过程,直到当前聚类结果达到预期的聚类结果。
6.根据权利要求5所述的方法,其特征在于,所述的对所述复数域待聚类用电负荷数据集进行聚类处理,得到分类后的用电负荷数据,包括:
步骤S4:设定预期的聚类结果包括Cres类,对所述所述复数域待聚类用电负荷数据集进行初始分类,C表示聚类数量,令C=n,即将每个行业的样本用电负荷数据自身视为一类;用r进行聚类合并次数的计数,并令r=0;表示第r次合并时的第p类数据集;对于初始分类其中p=1,2,…,N,i=p;
步骤S5:分别计算各类间的距离Du,v,其中u代表第u类电负荷数据集U为第u类电负荷数据集的负荷编号集合,则第u类电负荷数据集的中心为v代表第v类电负荷数据集V为第v类电负荷数据集的负荷编号集合,则第v类电负荷数据集的中心为则 和均为1×K维复数域行向量,Du,v为两个复数域行向量差的2-范数,生成一个对称的距离矩阵D(r)=(Du,v)C*C,其中C为聚类数,距离矩阵D(r)=(Du,v)C*C中的各个元素为各类别之间的距离,D(r)为实数域的正定对称矩阵;
步骤S6:找出矩阵D(r)中非对角线最小元素,假设为Du,v,则Du,v是电负荷数据集和电负荷数据集之间的距离,则将电负荷数据集和电负荷数据集合并成一类,并令聚类合并次数r=r+1,令聚类数量C=C-1,为进行下一层次的聚类做好准备;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110437674.8A CN113159180B (zh) | 2021-04-22 | 2021-04-22 | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110437674.8A CN113159180B (zh) | 2021-04-22 | 2021-04-22 | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159180A true CN113159180A (zh) | 2021-07-23 |
CN113159180B CN113159180B (zh) | 2023-09-19 |
Family
ID=76869574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110437674.8A Active CN113159180B (zh) | 2021-04-22 | 2021-04-22 | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159180B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485042A (zh) * | 2023-06-16 | 2023-07-25 | 国网上海能源互联网研究院有限公司 | 一种基于负荷聚类的园区能源系统运行的优化方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107591803A (zh) * | 2017-09-21 | 2018-01-16 | 国网上海市电力公司 | 一种基于需求响应的电力负荷行为预测方法 |
WO2018138973A1 (ja) * | 2017-01-30 | 2018-08-02 | 株式会社日立製作所 | 系統運用意思決定支援装置および方法 |
CN111724278A (zh) * | 2020-06-11 | 2020-09-29 | 国网吉林省电力有限公司 | 一种面向电力多元负荷用户的精细分类方法及系统 |
-
2021
- 2021-04-22 CN CN202110437674.8A patent/CN113159180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018138973A1 (ja) * | 2017-01-30 | 2018-08-02 | 株式会社日立製作所 | 系統運用意思決定支援装置および方法 |
CN107591803A (zh) * | 2017-09-21 | 2018-01-16 | 国网上海市电力公司 | 一种基于需求响应的电力负荷行为预测方法 |
CN111724278A (zh) * | 2020-06-11 | 2020-09-29 | 国网吉林省电力有限公司 | 一种面向电力多元负荷用户的精细分类方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘蓉晖;李仲恒;: "模糊ISODATA算法在城市负荷分类中的应用", 水电能源科学, no. 05, pages 200 - 203 * |
朱天博;傅军;杨一帆;孙志杰;周辛南;: "基于用电信息采集系统用户负荷特性聚类分析", 电测与仪表, no. 1, pages 78 - 81 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485042A (zh) * | 2023-06-16 | 2023-07-25 | 国网上海能源互联网研究院有限公司 | 一种基于负荷聚类的园区能源系统运行的优化方法及装置 |
CN116485042B (zh) * | 2023-06-16 | 2023-09-01 | 国网上海能源互联网研究院有限公司 | 一种基于负荷聚类的园区能源系统运行的优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113159180B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | An objective-based scenario selection method for transmission network expansion planning with multivariate stochasticity in load and renewable energy sources | |
Pinzón et al. | Real-time multi-state classification of short-term voltage stability based on multivariate time series machine learning | |
CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
Bastos et al. | Machine learning-based prediction of distribution network voltage and sensor allocation | |
CN108765189A (zh) | 基于智能诊断算法的开放式局部放电大数据管理系统 | |
CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
CN103425994A (zh) | 一种用于模式分类的特征选择方法 | |
CN111950620A (zh) | 基于DBSCAN和K-means算法的用户筛选方法 | |
CN110009125A (zh) | 基于emd-vmd-pso-bpnn的短期电力负荷预测模型建立方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN109374997A (zh) | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 | |
CN108898273B (zh) | 一种基于形态分析的用户侧负荷特征聚类评价方法 | |
CN110796159A (zh) | 基于k-means算法的电力数据分类方法及系统 | |
CN113657678A (zh) | 一种基于信息新鲜度的电网电力数据预测方法 | |
CN113159180A (zh) | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 | |
CN111259965A (zh) | 一种对基于降维的电气特征数据进行均值聚类的方法及系统 | |
Li et al. | A demand-side load event detection algorithm based on wide-deep neural networks and randomized sparse backpropagation | |
CN111737924A (zh) | 一种基于多源数据选取典型负荷特性变电站的方法 | |
Yang et al. | Constructing the linear regression models for the symbolic interval-values data using PSO algorithm | |
Yang et al. | An adaptive clustering algorithm based on CFSFDP | |
CN112488416B (zh) | 一种电网运行态势监测方法及系统 | |
Gao et al. | Estimation of Distribution Algorithms for Knapsack Problem. | |
CN114372835A (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
Zhang et al. | Ranking consistency analysis and evaluation of multiple attribute decision making method | |
Zhang et al. | Extraction of spatial-temporal features of bus loads in electric grids through clustering in a dynamic model space |
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 |