CN117113114A - 基于信息熵的aco-fcm与特征选择的非侵入式负荷监测方法 - Google Patents
基于信息熵的aco-fcm与特征选择的非侵入式负荷监测方法 Download PDFInfo
- Publication number
- CN117113114A CN117113114A CN202311102572.6A CN202311102572A CN117113114A CN 117113114 A CN117113114 A CN 117113114A CN 202311102572 A CN202311102572 A CN 202311102572A CN 117113114 A CN117113114 A CN 117113114A
- Authority
- CN
- China
- Prior art keywords
- load
- information entropy
- fcm
- aco
- clustering
- 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 19
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 241000257303 Hymenoptera Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 208000033182 PLCG2-associated antibody deficiency and immune dysregulation Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于信息熵的ACO‑FCM与特征选择的非侵入式负荷监测方法，包括以下步骤：步骤S1，对待选择的负荷特征集进行负荷特征选择，得到筛选后的负荷特征集；步骤S2，对筛选后的负荷特征集采用基于信息熵的ACO算法进行第一阶段的聚类，获得聚类结果；步骤S3，将第一阶段的聚类结果作为FCM算法的输入，采用FCM算法进行第二阶段的聚类，得到聚类结果。本发明可以有效地提高无监督负荷识别的聚类准确率。
Description
技术领域
本发明涉及非侵入式负荷监测的无监督负荷识别技术领域，具体涉及一种基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法。
背景技术
20世纪80年代，Hart提出了NILM(Non-intrusive load monitor)方。NILM是通过入户的总线测量装置采集到总的用电信号，通过一些计算机处理手段将总负荷分化成多个单一设备负荷，从而实现对单一设备的识别。智能电表技术的发展促进了NILM实践应用的发展。NILM主要问题在于总用户电信号数据的处理，通常处理方法是机器学习(Machinelearning，ML)技术和深度学习(Deep learning，DL)技术。由于成本低、用户接受度好、装置简单，非侵入式负荷监测显现出广泛的应用价值与极大的发展前景。
目前，NILM技术主要采用有监督学习和无监督学习两种分解与识别算法。监督学习算法需要对数据进行标记以得到训练集，然后根据训练好的标签对设备的运行状态进行识别。监督学习算法可以认为是机器学习的分类任务，而基于非监督学习的负荷识别不需要提前预知标签数据，具有人工干预少、实用性高的优点。其中聚类算法作为无监督负荷识别的代表，广受研究学者关注。传统基于聚类的无监督负荷识别算法主要有以下几点不足之处：一是聚类的负荷特征往往以功率特征为主，容易出现小功率事件误检、错检现象；二是部分聚类算法的辨识准确度较低，算法有待改进。
本申请涉及的一些术语：
ACO算法，蚁群算法；
FCM算法，模糊C均值算法；
Relief算法，Relief算法是一种特征权重算法；1994年Kononeill对其进行了扩展，得到了Relief-F算法。
发明内容
为解决现有技术中的至少一个技术问题，本发明实施例提供一种基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法，可以有效地提高无监督负荷识别的聚类准确率。为实现以上技术目的，本发明实施例采用的技术方案是：
本发明实施例提供了一种基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法，包括以下步骤：
步骤S1，对待选择的负荷特征集进行负荷特征选择，得到筛选后的负荷特征集；
步骤S2，对筛选后的负荷特征集采用基于信息熵的ACO算法进行第一阶段的聚类，获得聚类结果；
步骤S3，将第一阶段的聚类结果作为FCM算法的输入，采用FCM算法进行第二阶段的聚类，得到聚类结果。
具体地，所述对待选择的负荷特征集进行负荷特征选择，包括：
步骤S11，对待选择的负荷特征集进行Relief-F分数排序，Relief-F分数指Relief-F算法中特征的重要性，设置阈值，筛选出重要性高的负荷特征，得到初筛特征集；
步骤S12，对初筛特征集进行最大信息系数计算，得到MIC矩阵，设定最大信息系数阈值，剔除冗余特征，得到筛选后的负荷特征集。
具体地，所述对筛选后的负荷特征集采用基于信息熵的ACO算法进行第一阶段的聚类，包括：
步骤S21，初始化确定基于信息熵的ACO算法最大循环次数；
步骤S22，计算负荷特征样本的信息熵E(x)：
步骤S23，通过计算的信息熵进行蚂蚁处理样本数据；对于蚂蚁行为按照如下方式决定：
如无负载的蚂蚁移动到样本数据xi所处的网格位置，计算比较未拾取xi该邻域的信息熵E1和拾起xi后该邻域的信息熵E2，若E1＞E2，则拾起xi；当负载xi的蚂蚁移动到空白位置，计算比较若未放下xi时该邻域的E1和放下xi邻域后的E2，若E1＜E2，则不放下xi。
具体地，所述采用FCM算法进行第二阶段的聚类，包括：
步骤S31，进行初始化，包括：设置聚类数目与模糊加权系数，设置初始聚类中心，设置最大迭代次数与停止阈值；
步骤S32，计算有隶属度值组成的分类矩阵；
步骤S33，更新聚类中心；
步骤S34，在约束条件下计算FCM目标函数；
步骤S35，判断目标函数是否达到最小值，如否则继续迭代，如是则输出样本聚类结果。
本发明实施例提供的技术方案带来的有益效果是：本申请提出的基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法在收敛速度和目标函数降低效果方面有了一定的改进；另外，为了解决PQ特征难以辨识中小功率负荷的问题，本申请使用Relief-F分数检验选择重要性高的特征，同时使用最大信息系数矩阵剔除冗余特征，经过特征筛选后的负荷特征可以有效地提高无监督负荷识别的聚类准确率。
附图说明
图1为本发明实施例中的非侵入式负荷监测方法流程图。
图2为本发明实施例中的FCM算法进行第二阶段的聚类流程图。
图3为本发明实施例中的特征子集MIC系数矩阵热力图。
图4为本发明实施例中的中小功率负荷筛选后特征子集平均特征值。
图5为本发明实施例中的分组1改进的ACO-FCM算法与传统FCM算法PQ特征聚类目标函数曲线。
图6为本发明实施例中的分组2改进的ACO-FCM算法与传统FCM算法PQ特征聚类目标函数曲线。
图7为本发明实施例中的分组2改进的ACO-FCM算法与传统FCM算法PQ特征聚类目标函数曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电气连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提出的一种基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法，如图1所示，包括以下步骤：
步骤S1，对待选择的负荷特征集进行负荷特征选择，得到筛选后的负荷特征集；
步骤S2，对筛选后的负荷特征集采用基于信息熵的ACO算法进行第一阶段的聚类，获得聚类结果；
步骤S3，将第一阶段的聚类结果作为FCM算法的输入，采用FCM算法进行第二阶段的聚类，得到聚类结果。
具体地，所述对待选择的负荷特征集进行负荷特征选择，包括：
步骤S11，对待选择的负荷特征集进行Relief-F分数排序，Relief-F分数指Relief-F算法中特征的重要性，先计算每个特征的重要性ωr即Relief-F特征权重得分；
ωr可以通过公式(1)计算：
其中，ωr表示第r个特征的特征重要性，m表示样本迭代更新抽样计算的次数，Oj(C)表示所属不同类C中第j个最近邻样本，p(C)表示属于类C中的样本在总样本中所占的比重，class(Ui)表示抽取的样本所属类，diff(Fr,Ui,Yj)为距离函数，表示样本Ui和Yj在特征Fr下的距离；class(R)表示当前训练集的随机抽取样本所属的类别，p(class(R))表示抽取样本的所属类R在总样本中占的比重，k表示和R同类别的样本选取k个最近邻样本；
ωr越大表示特征越重要，按照ωr大小排序选择重要的特征；进而进行Relief-F分数排序，设置阈值，筛选出重要性高的负荷特征，得到初筛特征集；
步骤S12，对初筛特征集进行最大信息系数计算，得到MIC矩阵，设定最大信息系数阈值，剔除冗余特征，得到筛选后的负荷特征集；
具体地，所述对筛选后的负荷特征集采用基于信息熵的ACO算法进行第一阶段的聚类，包括：
步骤S21，初始化确定基于信息熵的ACO算法最大循环次数；
步骤S22，计算负荷特征样本的信息熵E(x)：
其中p(x)表示取得x的概率；
对于多属性的负荷特征样本x＝{x1,x2,...,xn}，将信息熵E(x)定义为：
步骤S23，通过计算的信息熵进行蚂蚁处理样本数据；
根据信息熵的概念，可以根据信息熵来判断蚂蚁的行为；
对于一个样本数据xi，样本数据xi附件邻域内的信息熵反映样本数据和邻域数据的相似度；对于蚂蚁行为按照如下方式决定：
如无负载的蚂蚁移动到样本数据xi所处的网格位置，计算比较未拾取xi该邻域的信息熵E1和拾起xi后该邻域的信息熵E2，若E1＞E2，则拾起xi；当负载xi的蚂蚁移动到空白位置，计算比较若未放下xi时该邻域的E1和放下xi邻域后的E2，若E1＜E2，则不放下xi；
基于信息熵的ACO聚类算法对于蚂蚁行为判断通过比较信息熵值，相比于传统的概率转换函数判断，减少了需要设置的参数，在确保结果稳定性的同时加快收敛速度并有利于判断迭代运行的条件；
具体地，所述采用FCM算法进行第二阶段的聚类，包括：
步骤S31，进行初始化，包括：设置聚类数目与模糊加权系数，设置初始聚类中心，设置最大迭代次数与停止阈值；
步骤S32，计算隶属度值组成的分类矩阵；
步骤S33，更新聚类中心；
步骤S34，在约束条件下计算FCM目标函数；
步骤S35，判断目标函数是否达到最小值，如否则继续迭代，如是则输出样本聚类结果。
相较于传统的FCM算法，本申请提出的基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法(以下简称ACO-FCM算法)在收敛速度和目标函数降低效果方面有了一定的改进，经过Relief-F与MIC结合的特征筛选后的负荷特征可以有效地提高无监督负荷识别的聚类准确率。
具体实施例
为验证本申请提出的基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法的优越性，基于MATLAB2019b进行，实验选取的数据集主要是PLAID数据集。
下面针对PLAID数据集分别采用K-means、FCM与本申请ACO-FCM算法对数据集中的负荷特征(本申请为PQ特征，PQ即电力质量指标)进行负荷聚类识别实验；为了更方便地查看聚类算法的结果和多组试验以比较算法的性能，对于数据集选取了三组分别进行下面的实验；实验分组信息如下表1；
表1实验具体分组表
为了提高负荷识别的准确率，本实施例采用了多种负荷特征组合，包括电流与谐波特征、功率特征以及V-I轨迹特征等，特征数据集一共有58个特征，特征数量众多，需要进行筛选；Relief-F分数排序的阈值时0.1，表2展示了Relief-F分数超过0.1的特征；图3为筛选后的16个负荷特征的特征子集MIC系数矩阵热力图；
表2特征Relief-F分数表
| 特征 | Relief-F分数 |
| 1稳态有功功率 | 0.4548037264 |
| 2稳态电流峰峰值 | 0.449752145 |
| 3循环方向 | 0.439708159 |
| 4VI轨迹平均线曲率 | 0.158312993 |
| 5VI轨迹最值点角度 | 0.155377228 |
| 6电流稳态有效值 | 0.152025643 |
| 7稳态电流最小值 | 0.148323411 |
| 8无功功率 | 0.146036877 |
| 9稳态电流峰均比 | 0.144792221 |
| 10稳态电流最大值 | 0.140697998 |
| 11稳态电流波形系数 | 0.135701052 |
| 12VI轨迹面积 | 0.122711011 |
| 13瞬时导纳标准差 | 0.11541254 |
| 14暂态电流峰值 | 0.114408667 |
| 15 3次谐波占比 | 0.110003277 |
| 16稳态电流绝对平均值 | 0.100727122 |
在表2中，稳态有功功率反映负荷的功率特征，稳态电流波形系数、瞬时导纳标准差可以区分电阻性负荷和非线性负荷，而3次谐波占比可以在一定程度上区分不同的非线性负荷。
由图4可知，对于白炽灯、风扇、空调功率相近负荷可以通过瞬时导纳标准差和暂态电流峰值可以进行区分；而笔记本在稳态电流峰均比、三次谐波、稳态电流波形系数和其他负荷均有较大差异；由此可以推断：经过筛选后的组合多类型特征可以减少中小功率负荷由于功率特征相近而发生误分类的问题。
通过图5～图6可以发现，比较传统的FCM聚类算法和本申请提出的ACO-FCM算法的目标函数曲线可以发现，ACO-FCM算法比传统FCM算法收敛的速度提高，目标函数下降地更快，下降的更低，具有一定的改良作用。
查看表3也可以发现本申请改进的ACO-FCM算法相较于传统的FCM算法有着更好的准确度，说明改进是有效的。
表3 PQ特征聚类识别纯度对比
综上，本申请提出的ACO-FCM算法的目标函数曲线有更好的表现，具有更高的聚类精度和更快的收敛速度，能够更好地满足实际应用的需求。
Claims (4)
1.一种基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法，其特征在于，包括以下步骤：
步骤S1，对待选择的负荷特征集进行负荷特征选择，得到筛选后的负荷特征集；
步骤S2，对筛选后的负荷特征集采用基于信息熵的ACO算法进行第一阶段的聚类，获得聚类结果；
步骤S3，将第一阶段的聚类结果作为FCM算法的输入，采用FCM算法进行第二阶段的聚类，得到聚类结果。
2.如权利要求1所述的基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法，其特征在于，
所述对待选择的负荷特征集进行负荷特征选择，包括：
步骤S11，对待选择的负荷特征集进行Relief-F分数排序，Relief-F分数指Relief-F算法中特征的重要性，设置阈值，筛选出重要性高的负荷特征，得到初筛特征集；
步骤S12，对初筛特征集进行最大信息系数计算，得到MIC矩阵，设定最大信息系数阈值，剔除冗余特征，得到筛选后的负荷特征集。
3.如权利要求1所述的基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法，其特征在于，
所述对筛选后的负荷特征集采用基于信息熵的ACO算法进行第一阶段的聚类，包括：
步骤S21，初始化确定基于信息熵的ACO算法最大循环次数；
步骤S22，计算负荷特征样本的信息熵E(x)：
步骤S23，通过计算的信息熵进行蚂蚁处理样本数据；对于蚂蚁行为按照如下方式决定：
如无负载的蚂蚁移动到样本数据xi所处的网格位置，计算比较未拾取xi该邻域的信息熵E1和拾起xi后该邻域的信息熵E2，若E1＞E2，则拾起xi；当负载xi的蚂蚁移动到空白位置，计算比较若未放下xi时该邻域的E1和放下xi邻域后的E2，若E1＜E2，则不放下xi。
4.如权利要求1所述的基于信息熵的ACO-FCM与特征选择的非侵入式负荷监测方法，其特征在于，
所述采用FCM算法进行第二阶段的聚类，包括：
步骤S31，进行初始化，包括：设置聚类数目与模糊加权系数，设置初始聚类中心，设置最大迭代次数与停止阈值；
步骤S32，计算隶属度值组成的分类矩阵；
步骤S33，更新聚类中心；
步骤S34，在约束条件下计算FCM目标函数；
步骤S35，判断目标函数是否达到最小值，如否则继续迭代，如是则输出样本聚类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311102572.6A CN117113114A (zh) | 2023-08-30 | 2023-08-30 | 基于信息熵的aco-fcm与特征选择的非侵入式负荷监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311102572.6A CN117113114A (zh) | 2023-08-30 | 2023-08-30 | 基于信息熵的aco-fcm与特征选择的非侵入式负荷监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117113114A true CN117113114A (zh) | 2023-11-24 |
Family
ID=88803718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311102572.6A Pending CN117113114A (zh) | 2023-08-30 | 2023-08-30 | 基于信息熵的aco-fcm与特征选择的非侵入式负荷监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113114A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117874497A (zh) * | 2024-03-11 | 2024-04-12 | 国网北京市电力公司 | 一种负荷特征提取方法、装置、设备及介质 |
-
2023
- 2023-08-30 CN CN202311102572.6A patent/CN117113114A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117874497A (zh) * | 2024-03-11 | 2024-04-12 | 国网北京市电力公司 | 一种负荷特征提取方法、装置、设备及介质 |
| CN117874497B (zh) * | 2024-03-11 | 2024-05-07 | 国网北京市电力公司 | 一种负荷特征提取方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443302B (zh) | 基于特征融合与深度学习的负荷辨识方法及其应用 | |
| CN110533089B (zh) | 基于随机森林的自适应非侵入式负荷识别方法 | |
| CN108875783A (zh) | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 | |
| CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
| CN117113114A (zh) | 基于信息熵的aco-fcm与特征选择的非侵入式负荷监测方法 | |
| CN112381181B (zh) | 一种建筑能耗异常的动态检测方法 | |
| CN114114039B (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
| WO2013081717A2 (en) | System and method employing a hierarchical load feature database to identify electric load types of different electric loads | |
| CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
| CN113255236B (zh) | 基于孪生网络的非侵入式负荷自适应识别方法 | |
| CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
| 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 | |
| CN111784093A (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
| CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
| CN111999088A (zh) | 一种船舶制冷系统故障诊断方法、装置及存储介质 | |
| CN114359674A (zh) | 基于度量学习的非侵入式负荷识别方法 | |
| CN116894744A (zh) | 一种基于改进k均值聚类算法的电网用户数据分析方法 | |
| CN116796271A (zh) | 一种居民用能异常识别方法 | |
| CN104182511B (zh) | 一种簇特征加权的模糊紧致散布聚类方法 | |
| CN111652478A (zh) | 基于伞式算法的电力系统电压稳定评估误分类约束方法 | |
| CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
| CN112163595B (zh) | 用户典型用电模式的获取方法、获取装置和电子设备 | |
| CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
| CN117493922A (zh) | 一种基于数据驱动的配电网户变关系识别方法 | |
| CN114626422A (zh) | Dtw波形相似度聚类与朴素贝叶斯的级联负荷识别方法 |
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 |