CN117113126A - 一种基于改进聚类算法的行业用电特性分析方法 - Google Patents
一种基于改进聚类算法的行业用电特性分析方法 Download PDFInfo
- Publication number
- CN117113126A CN117113126A CN202311131339.0A CN202311131339A CN117113126A CN 117113126 A CN117113126 A CN 117113126A CN 202311131339 A CN202311131339 A CN 202311131339A CN 117113126 A CN117113126 A CN 117113126A
- Authority
- CN
- China
- Prior art keywords
- clustering
- cluster
- data
- center
- centers
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 16
- 238000010248 power generation Methods 0.000 abstract description 3
- 230000010485 coping Effects 0.000 abstract description 2
- 238000003064 k means clustering Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000013107 unsupervised machine learning method 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进聚类算法的行业用电特性分析方法,属于用电特性分析技术领域。针对目前电特性分析和聚类算法结合后显露出数据量巨大、数据分布不均、数据动态变化、数据质量低的问题,本发明提供了一种基于改进聚类算法的行业用电特性分析方法,采集用户用电数据样本基于误差平方和的elbow method确定最佳聚类簇数,计算出聚类中心;采用原始K‑means算法迭代并更新中心点,直到聚类中心不再发生变化;得到用户用电情况画像,作为对用户用电行为习惯的分析依据。本发明方法能及时地识别出不同用户的用电习惯,提高对用户用电习惯的识别精度和效率,细致地划分不同类型的电力用户,为制定合理的发配电计划,应对用电高低峰的情况,提供有效的依据。
Description
技术领域
本发明属于用电特性分析技术领域,具体涉及一种基于改进聚类算法的行业用电特性分析方法。
背景技术
在用电特性分析领域,随着电力市场的逐步开放和综合能源系统的不断发展,诸如用户能源消耗方式多样化等问题日益突出,随着智能电表的普及,用户用电数据的规模和复杂度不断增加,对用电特性分析提出了新的挑战和需求。用电特性分析是通过对用户用电数据的挖掘和用电特性的感知,有效识别用户用电模式、评估需求响应潜力,从而做到指导电价制定等。聚类算法是一种无监督的机器学习方法,可以将数据根据相似度分成不同的类别,从而发现数据的内在结构和规律。因此,用电特性分析和聚类算法具有良好的相性,二者的结合具有重要的理论意义和实际价值。
然而,在近些年对二者结合的技术的研究与实践过程中,显露出一些困难和问题,如数据量巨大、数据分布不均、数据动态变化、数据质量低等,这些都给聚类分析带来了困难和不确定性。目前的研究大多集中在依据聚类算法将不同电力用户划分成不同类型的簇,但其初始聚类中心的选取无法避免聚类算法自身的缺陷,对不同的电力用户的划分存在误差,且对不同行业中的用户用电行为没有细化,其用电行为分类的准确性有待验证。为了能够准确地分析用户用电行为特征,需要一种既能满足精度要求,又能进行细致划分的技术方案。
发明内容
针对目前电特性分析和聚类算法结合后显露出数据量巨大、数据分布不均、数据动态变化、数据质量低的问题,本发明提供了一种基于改进聚类算法的行业用电特性分析方法,对用户用电行为特征进行分析和预测,以提高聚类的准确性和稳定性,从而更好地刻画用户用电行为特征。
为了达到上述目的,本发明采用了下列技术方案:
一种基于改进聚类算法的行业用电特性分析方法,包括如下步骤:
步骤1,采集用户用电数据样本,组成数据集,基于误差平方和的elbow method确定聚类簇的个数k,以及最佳聚类簇数k;
步骤2,计算数据集中任意两样本的欧氏距离并进行比较,选择所有比较结果数据中最小的一点作为第一个初始聚类中心;
步骤3,根据数据集中除第一个初始聚类中心以外的点与当前已有聚类中心的距离确定下一个聚类中心;
步骤4,重复步骤3,直至选出k个聚类中心;
步骤5,采用原始K-means算法,在k个聚类中心基础上反复迭代,并更新聚类中心,直到聚类中心不再发生变化;
步骤6,将聚类结果进行整理,得到k种不同特征的用户用电情况画像,作为对用户用电行为习惯的分析依据。
进一步,步骤1:输入用户用电数据样本X={x1,x2,x3,x4,x5,…,xm};定初始聚类簇数k,取不同k值(1,2,…,k),使用原始K-means算法对数据进行预处理;
计算每个k值下的总的误差平方和,误差平方和的公式表示为:
其中,
式中,k为聚类簇数,得到k个簇C={Ci,i=1,2,…,k},Ci为第i个簇,x为Ci中的样本点,di为Ci的质心(Ci中所有样本的均值)
将用户用电数据的误差平方和SSE绘制成曲线,然后利用肘部法则(elbowmethod)来确定最佳聚类簇数k(适合的聚类数目,也是应对用户用电特性划分的分类数)。
首先使用K-means算法对数据集进行预处理,其目的是得到误差平方和(sum ofthe squared errors,SSE)的最优解。误差平方和(SSE)的基本原理为:当k值小于真实聚类数附近的阈值时,由于簇内距离较大,SSE会随着k值的增大而显著下降,此时曲线呈陡峭下降趋势;当k值超过该阈值时,由于簇内距离较小,SSE会随着k值的增大而缓慢下降,此时曲线呈平缓下降趋势。该方法通过绘制SSE与聚类数k的关系曲线,找出曲线的拐点,作为最佳的聚类数。
进一步,步骤2,在用户用电数据样本X={x1,x2,x3,x4,x5,…,xm}中,计算出所有数据样本间的欧氏距离;任意两样本欧氏距离表示为:
式中,n为数据维度,i、j代表不同样本点,i≠j;i,j=1,2,3,4,…,m,m为总样本点数目;
选择所有数据样本间欧氏距离最小的一点,取该点的xi作为第一个初始聚类中心a1;
进一步,步骤3,对于数据集中除第一个初始聚类中心以外的点,计算它到最近的聚类中心的欧氏距离D(xi),并将所有这些距离求和得到∑D(xi);
其中,j为已有初始聚类中心数;j=1时,a1为第一个初始聚类中心,i代表不同样本点,i=1,2,3,4,…,m-1;
依次遍历未被选为聚类中心的点,计算公式表示为:
K=K-D(xi) (5)
其中K为[0,∑D(xi)]区间内取的一个随机数;
不断更新K值,直至K≤K-D(xi),此时的点作为下一个聚类中心a2;
进一步,步骤4:重复步骤3,直至选出k个聚类中心;这些初始聚类中心可以替代原始K-means聚类算法中随机选取的初始聚类中心,避免其选取结果受噪点影响,从而实现对行业内不同电力用户用电行为的精确划分,同时也能对用户用电行为进行细化分析。
进一步,步骤5:采用原始K-means算法,在k个聚类中心基础上反复迭代,并更新聚类中心,直到聚类中心不再发生变化;
使用K-means算法进行迭代,计算每个样本点到各个聚类中心的欧氏距离,根据最近邻原则将每个样本划分到距离最近的聚类中心所在的簇中;然后,对于每个簇,计算簇内所有样本的均值向量,
式中,为此簇的质心,u=1,2,3,…,k;v表示一个簇内包含的样本点数量,Xl、Yl为一个簇内样本点的坐标,h表示起始值;
将得到的坐标作为此簇的新聚类中心;接着,重复上述步骤,直到聚类中心收敛或达到预设的最大迭代次数,完成聚类过程。
进一步,步骤6:将聚类结果进行整理,得到k种不同特征的用户用电情况画像,作为对用户用电行为习惯的分析依据。
与现有技术相比本发明具有以下优点:
本发明方法能及时地识别出不同用户的用电习惯,提高对用户用电习惯的识别精度和效率,细致地划分不同类型的电力用户,为制定合理的发配电计划,应对用电高低峰的情况,提供有效的依据。
附图说明
图1为改进后的k值、即用户用电行为分类数的确定方法。
图2为改进后的初始聚类中心选取方法。
图3利用改进K-means算法对用户用电行为进行分类的流程。
图4用户用电数据的误差平方和SSE绘制成的曲线图。
图5为用电数据聚类示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明实施方案作进一步的详细描述。
关于用户用电数据的选择,我们以某地区一个月的用电数据作为参考。这个数据集是三维的,包含了id(代表不同用户)、date(代表时间)和energy_use(代表用电量)。时间中包含了年月日和具体时间。为了更好地避免用电行为的差异,我们删除了空缺值,并过滤掉了时间为周末的用电数据。最后,我们按照数据透视表的方式将不同的时间分列,完成了数据集的处理。
对比例1
首先,输入一个从1开始的整数作为聚类的簇数k,然后用K-means算法对用户用电数据进行一轮迭代,根据迭代结果,计算误差平方和。接着,以k为横坐标,误差平方和为纵坐标,绘制坐标图,从中选出最合适的k值。
然后,利用欧氏距离计算数据集中任意两点之间的相似性,并找出距离最小的一对点,将其中任意一点作为第一个初始聚类中心。这样做的目的是避免原始的K-means聚类算法在随机选择初始聚类中心时,可能选到噪声点而影响聚类效果。
最后,在剩余的数据点中,选择与第一个聚类中心最远,且相似度较高的一对点,将其中任意一点作为第二个初始聚类中心。这样做的目的是避免原始的K-means聚类算法在随机选择初始聚类中心时,可能将本属于同一簇的点分别作为聚类中心而导致不必要的聚类复杂度。
重复上述过程,直到得到k个初始聚类中心。接下来,按照K-means聚类算法的步骤,根据数据点与聚类中心的距离进行分组,并迭代更新聚类中心,直到达到最大迭代次数或者收敛为止。
实施例1
本发明一种基于改进聚类算法的行业用电特性分析方法,包括如下步骤:
步骤1:输入用户用电数据样本X={x1,x2,x3,x4,x5,…,xm};定初始聚类簇数k,取不同k值(1,2,…,k),使用原始K-means算法对数据进行预处理;
计算每个k值下的总的误差平方和,误差平方和的公式表示为:
其中,
式中,k为聚类簇数,得到k个簇C={Ci,i=1,2,…,k},Ci为第i个簇,x为Ci中的样本点,di为Ci的质心(Ci中所有样本的均值)
将用户用电数据的误差平方和SSE绘制成曲线,然后利用肘部法则(elbowmethod)来确定最佳聚类簇数k(适合的聚类数目,也是应对用户用电特性划分的分类数)。
步骤2,在用户用电数据样本X={x1,x2,x3,x4,x5,…,xm}中,计算出所有数据样本间的欧氏距离;任意两样本欧氏距离表示为:
式中,n为数据维度,i、j代表不同样本点,i≠j;i,j=1,2,3,4,…,m,m为总样本点数目;t表示样本点所在簇的编号;
选择所有数据样本间欧氏距离最小的一点,取该点的xi作为第一个初始聚类中心a1;
步骤3,对于数据集中除第一个初始聚类中心以外的点,计算它到最近的聚类中心的欧氏距离D(xi),并将所有这些距离求和得到∑D(xi);
其中,j为已有初始聚类中心数;j=1时,a1为第一个初始聚类中心,i代表不同样本点,i=1,2,3,4,…,m-1;
依次遍历未被选为聚类中心的点,计算公式表示为:
K=K-D(xi) (5)
其中K为[0,∑D(xi)]区间内取的一个随机数;
不断更新K值,直至K≤K-D(xi),此时的点作为下一个聚类中心a2;
步骤4:重复步骤3,直至选出k个聚类中心;
步骤5:采用原始K-means算法,在k个聚类中心基础上反复迭代,并更新聚类中心,直到聚类中心不再发生变化,如图3为利用K-means算法对用户用电行为进行聚类的流程。
使用K-means算法进行迭代,计算每个样本点到各个聚类中心的欧氏距离,根据最近邻原则将每个样本划分到距离最近的聚类中心所在的簇中;然后,对于每个簇,计算簇内所有样本的均值向量,
式中,为此簇的质心,u=1,2,3,…,k;v表示一个簇内包含的样本点数量,Xl、Yl为一个簇内样本点的坐标,h表示起始值;
将得到的坐标作为此簇的新聚类中心;接着,重复上述步骤,直到聚类中心收敛或达到预设的最大迭代次数,完成聚类过程。
步骤6:将聚类结果进行整理,得到k种不同特征的用户用电情况画像,作为对用户用电行为习惯的分析依据。
实施例2
算力数据选取中国南方某城市小区198户用户从20190601T000000到20190831T234500的负荷数据,为方便调度,采样周期与电力市场交易时段相同,为15min,一天96个时段。整体数据规模为198(户)×92(天)×96(时段)。
首先,基于实施例1给出的选取聚类簇数的方法,计算每个k值下的总的误差平方和,将用户用电数据的误差平方和SSE绘制成曲线,然后利用肘部法则来确定最佳聚类簇数k,SSE随k的变化曲线如图4所示。由图可得,最佳聚类簇数为4,取k=4,再按照本发明中给出的聚类方法,对用电数据进行聚类,得到四类聚类中心,曲线如图5所示。从图中可以看出,用户用电行为有相似之处,用户画像可分为四类。负荷于晚间20:00开始快速上升,到23:00左右到达最高峰,之后开始下降,并于第二日早上8:00左右降至低谷,除中午时段略有回升以外,基本会维持在低负荷水平直到第二日20:00。此外,不同典型负荷曲线间主要差异在于平均用电水平的差异,有一部分用户如聚类中心3的画像,用电负荷就显著比其它用户高。分析其原因,可能是由于用户选取区域集中,各用户用电特征相近。聚类最终输出结果为四类典型负荷曲线与各用户各天所属的负荷类型。基于用户用电数据聚类的用户画像技术可为针对用户的个性化服务提供数据基础,为电网合理调整发电配电策略提供支撑。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种基于改进聚类算法的行业用电特性分析方法,其特征在于:包括如下步骤:
步骤1,采集用户用电数据样本,组成数据集,基于误差平方和的elbow method确定聚类簇的个数k,以及最佳聚类簇数k;
步骤2,计算数据集中任意两样本的欧氏距离并进行比较,选择所有比较结果数据中最小的一点作为第一个初始聚类中心;
步骤3,根据数据集中除第一个初始聚类中心以外的点与当前已有聚类中心的距离确定下一个聚类中心;
步骤4,重复步骤3,直至选出k个聚类中心;
步骤5,采用原始K-means算法,在k个聚类中心基础上反复迭代,并更新聚类中心,直到聚类中心不再发生变化;
步骤6,将聚类结果进行整理,得到k种不同特征的用户用电情况画像,作为对用户用电行为习惯的分析依据。
2.根据权利要求1所述的一种基于改进聚类算法的行业用电特性分析方法,其特征在于:所述采集用户用电数据样本,组成数据集,基于误差平方和的elbow method确定聚类簇的个数k,以及最佳聚类簇数k的具体方法是:
输入用户用电数据样本X={x1,x2,x3,x4,x5,…,xm};定初始聚类簇数k,取不同k值(1,2,…,k),使用原始K-means算法对数据进行预处理;
计算每个k值下的总的误差平方和,误差平方和的公式表示为:
其中,k为聚类簇数,得到k个簇C={Ci,i=1,2,…,k},Ci为第i个簇,x为Ci中的样本点,di为Ci的质心,Ci中所有样本的均值;
将用户用电数据的误差平方和绘制成曲线,然后利用elbow method来确定最佳聚类簇数k。
3.根据权利要求1所述的一种基于改进聚类算法的行业用电特性分析方法,其特征在于:所述步骤2计算任意两样本欧氏距离并进行比较,选择所有数据中最小的一点作为第一个初始聚类中心的具体方法是:
在用户用电数据样本X={x1,x2,x3,x4,x5,…,xm}中,计算出所有数据样本间的欧氏距离;任意两样本欧氏距离表示为:
式中,n为数据维度,i、j代表不同样本点,i≠j;i,j=1,2,3,4,…,m,m为总样本点数目;t表示样本点所在簇的编号;
选择所有数据样本间欧氏距离最小的一点,取该点的xi作为第一个初始聚类中心a1。
4.根据权利要求1所述的一种基于改进聚类算法的行业用电特性分析方法,其特征在于:所述步骤3,根据数据集中除第一个初始聚类中心以外的点与当前已有聚类中心的距离确定下一个聚类中心的具体方法是:
对于数据集中除第一个初始聚类中心以外的点,计算它到最近的聚类中心的欧氏距离D(xi),并将所有这些距离求和得到ΣD(xi);
其中,j为已有初始聚类中心数;j=1时,a1为第一个初始聚类中心,i代表不同样本点,i=1,2,3,4,…,m-1;
依次遍历未被选为聚类中心的点,计算公式表示为:
K=K-D(xi)
其中K为[0,ΣD(xi)]区间内取的一个随机数;
不断更新K值,直至K≤K-D(xi),此时的点作为下一个聚类中心a2。
5.根据权利要求1所述的一种基于改进聚类算法的行业用电特性分析方法,其特征在于:所述步骤5采用原始K-means算法,在k个聚类中心基础上反复迭代,并更新聚类中心,直到聚类中心不再发生变化具体为:
利用步骤1~4的改进初始聚类中心方法选取的k个初始聚类中心,再使用原始K-means算法的迭代过程进行迭代,计算每个样本点到各个聚类中心的欧氏距离,根据最近邻原则将每个样本划分到距离最近的聚类中心所在的簇中;然后,对于每个簇,计算簇内所有样本的均值向量,
式中,为此簇的质心,u=1,2,3,…,k;v表示一个簇内包含的样本点数量,Xl、Yl为一个簇内样本点的坐标,h表示起始值;
将得到的坐标作为此簇的新聚类中心;接着,重复上述步骤,直到聚类中心收敛或达到预设的最大迭代次数,完成聚类过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131339.0A CN117113126A (zh) | 2023-09-04 | 2023-09-04 | 一种基于改进聚类算法的行业用电特性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131339.0A CN117113126A (zh) | 2023-09-04 | 2023-09-04 | 一种基于改进聚类算法的行业用电特性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117113126A true CN117113126A (zh) | 2023-11-24 |
Family
ID=88801944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311131339.0A Pending CN117113126A (zh) | 2023-09-04 | 2023-09-04 | 一种基于改进聚类算法的行业用电特性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113126A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312899A (zh) * | 2023-11-30 | 2023-12-29 | 国网浙江省电力有限公司 | 光伏出力典型场景生成方法、系统和存储介质 |
-
2023
- 2023-09-04 CN CN202311131339.0A patent/CN117113126A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312899A (zh) * | 2023-11-30 | 2023-12-29 | 国网浙江省电力有限公司 | 光伏出力典型场景生成方法、系统和存储介质 |
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 | |
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 | |
CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
CN109657891B (zh) | 一种基于自适应k-means++算法的负荷特性分析方法 | |
CN117113126A (zh) | 一种基于改进聚类算法的行业用电特性分析方法 | |
CN111784093A (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
CN116933962A (zh) | 一种面向电力用户负荷特性和可调节潜力的聚类方法 | |
CN112766590B (zh) | 一种居民典型电力消费模式的提取方法与系统 | |
Prahastono et al. | A review of electricity load profile classification methods | |
CN112257778B (zh) | 一种基于用户用电行为的两阶段精细化聚类方法 | |
CN113392877A (zh) | 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法 | |
CN111324790A (zh) | 基于支持向量机分类的负荷类型识别方法 | |
CN111914900A (zh) | 一种用户用电模式分类方法 | |
CN117056761A (zh) | 一种基于x-dbscan算法的客户细分方法 | |
CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
CN114722098A (zh) | 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法 | |
CN114970660A (zh) | 一种电力负荷聚类方法 | |
CN114417972A (zh) | 一种基于主成分分析和密度峰值聚类的用户用电行为分析方法 | |
Wang et al. | Analysis of user’s power consumption behavior based on k-means | |
CN111860634A (zh) | 基于OCHNN-Kmeans算法的负荷聚类方法 | |
CN110932265B (zh) | 一种静态电压稳定性评估方法及系统 | |
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 |