CN103093394A - 一种基于用户用电负荷数据细分的聚类融合方法 - Google Patents
一种基于用户用电负荷数据细分的聚类融合方法 Download PDFInfo
- Publication number
- CN103093394A CN103093394A CN2013100255260A CN201310025526A CN103093394A CN 103093394 A CN103093394 A CN 103093394A CN 2013100255260 A CN2013100255260 A CN 2013100255260A CN 201310025526 A CN201310025526 A CN 201310025526A CN 103093394 A CN103093394 A CN 103093394A
- Authority
- CN
- China
- Prior art keywords
- user
- clustering
- load data
- power utilization
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于用户用电负荷数据细分的聚类融合方法,包括以下步骤:1)采集数据;2)修正数据;3)转换数据;4)标准化数据;5)构造预处理聚类算法集;6)构建共识矩阵;7)运行聚类融合方法;8)归集用户。本发明将不同聚类算法或者同一聚类算法下使用不同参数得到的结果进行自动化合并,通过聚类融合可自动判别并生成最优的聚类结果,提高了聚类分析模型的自适应处理能力,降低用户用电负荷数据聚类分析过程中对先验知识的依赖度,减少人工操作,提高了方法的自动化程度。
Description
技术领域
本发明涉及电力***负荷建模技术领域,特别涉及一种基于用户用电负荷数据细分的聚类融合算法。
背景技术
用户用电负荷数据分析是供电企业了解用户用电负荷模式特性的重要方法,对供电企业规划负荷管理、变电站建设、电网运行状态评估等方面具有重要的作用。通过研究用户的用电负荷模式特性,有助于供电企业更深刻地认识用户,并能够根据不同的用户群制订相应的市场策略、提供针对性的个性化服务。
基于用户用电负荷数据的用户群细分,目前主流的研究方式是依据用户日用电负荷曲线的形态变化,使用聚类分析算法对用户用电负荷数据进行智能分群,从中寻找用户用电行为的典型模式。
应用于用户用电行为研究的聚类分析方法一般包括划分的方法、层次的方法、基于密度的方法。国内的研究大多根据用户用电负荷数据的特性,选定以上某种聚类算法并加以改进,再通过人工比对聚类效果,选取结果较好的聚类模型。由于用户用电负荷数据是不平衡的时间序列数据,数据结构的时序特性严重地影响传统聚类算法的效果。为得到较为可靠的聚类效果,需要根据不同的分析数据和先验知识,对聚类模型进行频繁的人工修整和改造,导致聚类模型适用性、鲁棒性较差,分析结果依赖于人工操作,无法实现***固化。
发明内容
本发明所要解决的技术问题,就是提供一种基于用户用电负荷数据细分的聚类融合方法,将不同聚类算法或者同一聚类算法下使用不同参数得到的结果进行自动化合并,得到比单一算法更加符合数据特性的分析结果,减少人工处理环节,提高聚类分析模型的自适应处理能力,满足频繁波动的用户用电负荷数据的分析需求。
本发明解决其技术问题所采用的技术方案如下:
一种基于用户用电负荷数据细分的聚类融合方法,包括以下步骤:
S1采集指定时刻t用户用电正向有功读数数据Wt和正向无功读数数据Vart;
采集某段时间内各指定时间点t的用户用电正向有功读数数据Wt和正向无功读数数据Vart;
S2对采集的用户用电读数数据进行规范性校对:先删除采集的用户用电读数数据中的冗余数据,再查找用户用电读数数据中的缺失字段,选择作为分析对象的用户,对分析对象的用电读数数据进行修补缺失数据和剔除异常数据处理;
S3根据用户用电正向有功和正向无功读数数据Wt、Vart,计算出各用户在指定时刻t的用电负荷数据St,并列写以用户为行、时刻t用电负荷数据St为列的矩阵S[n][t],其中n为用户数,t为时刻,如0点、1点等;
根据处理后的数据,计算各用户在各指定时间点t的用电负荷数据St,并形成以用户为行,指定时间点的用电负荷数据St为列的矩阵S[N][t],其中,N表示用户数,t表示各指定的时间点,如0点、1点等;
S4对用户用电负荷数据St进行标准化处理,以提取负荷形态;
S5选择一种以上的通用聚类算法构造预处理聚类算法集,根据先验知识设定两组以上运行参数,计算各通用聚类算法在各组运行参数下的用户用电负荷数据细分结果从而得到用户用电负荷数据细分结果集合,集合中对应同一组运行参数和同一通用聚类算法的结果为一个聚类成员,每一个聚类成员中根据各组运行参数的设定情况不同分为若干个簇,用户用电负荷细分结果最终归属于各簇,每个簇为一个以该簇为列、用户为行的单列“0”“1”矩阵,“1”表示某用户属于该簇,“0”表示某用户不属于该簇,簇是某一聚类成员对用户用电负荷数据细分结果的分类标识;
S6根据聚类成员构建共识矩阵,其元素为两两用户属于同一簇的概率;
S7随即选取m个用户作为典型用户,计算其对应的距离准则函数值,遍历所有典型用户组合,并选择对应最小距离准则函数值的典型用户组合,计算其它各个用户与这组典型用户中的各个用户属于同一簇的概率;
S8设定概率阀值,以对应最小距离准则函数值的典型用户组合为簇中心归集其他用户,得到最终的聚类结果。
作为本发明的优选实施例,上述步骤S2可通过如下步骤实现:
S2-1删除采集的用户用电正向有功、正向无功读数数据Wt、Vart中重复采集或重复记录的冗余数据;
S2-2查找用户用电正向有功、正向无功读数数据Wt、Vart中的缺失字段,选择数据缺失量小于20%的用户作为分析对象,查找分析对象用电读数数据中的缺失字段,用平滑修正函数的计算结果替代,查找分析对象用电读数数据中不符合用电特性的异常数据,用平滑修正函数的计算结果替代;
平滑修正函数的表达式为:
m1为向前采集的点数,m2为向后采集的点数。
作为本发明的优选实施例,上述步骤S4中推荐通过如下标准化公式对各用户的用电负荷数据S[N][t]进行标准化处理:
或
或
作为本发明的推荐实施方式,所述预处理聚类算法集包括SKMEANS(多球面的k均值聚类分析算法)、CCFKMS(共轭凸函数聚类分析算法)、FCM(模糊C均值聚类分析算法)三种通用聚类算法。
上述步骤S6中的共识矩阵可通过如下步骤构建:
S6-1将各聚类成员进行矩阵合并,得到矩阵H;
S6-2通过矩阵H构建共识矩阵A,依据公式:
其中,r为聚类成员总数。
上述步骤S7具体可通过下述步骤实现:
S7-1随机选取m个用户作为典型用户;
S7-2计算其他用户与典型用户中的每个用户属于同一簇的概率prij,依据公式:
其中,i不属于m,j属于m,aij为共识矩阵A中的元素,σ1为惩罚因子;
S7-3再根据上述概率prij计算其他用户与典型用户中的每个用户之间的相异距离Dij,依据公式:
其中,i不属于m,j属于m,d()为距离公式,σ2为惩罚因子;
S7-4根据相异距离Dij依据公式
相对现有技术本发明具有如下有益效果:
①本发明将不同聚类算法或者同一聚类算法下使用不同参数得到的结果进行自动化合并,通过聚类融合可自动判别并生成最优的聚类结果,提高了聚类分析模型的自适应处理能力,降低用户用电负荷数据聚类分析过程中对先验知识的依赖度,减少人工操作,提高了方法的自动化程度;
②本发明降低输入数据时序特性、噪声数据、异常数据等因素对用户用电负荷数据聚类分析过程的影响,提高了方法的鲁棒性;
附图说明
图1是本发明的聚类融合方法的流程框图;
图2是本发明步骤S3中列写的矩阵S[n][t]的示例图;
图3是本发明的聚类成员的示例图;
图4聚类成员进行矩阵合并得到矩阵H的过程图。
具体实施方式
下面结合附图1~4对本发明的一种基于用户用电负荷数据细分的聚类融合方法的原理和过程作进一步详细描述:
S1采集数据
采集计量自动化***中各用户在指定时间段内如一天的24小时内各整点时刻t时的用户用电正向有功读数数据Wt和正向无功读数数据Vart。
S2修正数据
对采集的用户用电数据进行规范性校对:
S2-1删除上述用户用电正向有功、正向无功读数数据Wt、Vart中重复采集或重复记录的冗余数据;
S2-2查找用户用电正向有功、正向无功读数数据Wt、Vart中的缺失字段,选择可以作为分析对象的用户,查找分析对象用电读数数据中的缺失字段,用平滑修正函数的计算结果替代,查找分析对象用电读数数据中不符合用电特性的异常数据,用平滑修正函数的计算结果替代;平滑修正函数的表达式为:
m1为向前采集的点数,m2为向后采集的点数,默认值为2;
选择作为分析对象的用户的标准为,若某用于的用电读数数据的缺失量达到该用户用电读数数据总量的20%以上,则不将该用户作为分析对象;异常数据主要包括读数骤降、激增或为负的数据等。
S3转换数据
根据处理后的数据,计算各用户在步骤S1中各整点时刻t的用电负荷数据St,依据如下公式计算用户在各整点时刻t的用电负荷数据St:
并列写以用户X1~XN为行、上述整点时刻0:00~23:00的用电负荷数据St为列的矩阵S[N][t],如图2所示,其中N为用户数、t表示各指定的时间点,本实施例中,即为步骤S1中的各整点时刻。
S4标准化数据
为消除用电负荷的数量级对聚类分析和模式识别的影响,分别对用户用电负荷数据St进行标准化,以提取负荷形态,依据以下三个标准化公式均可实现对用户用电负荷数据St的标准化处理:
或
或
其中,T为天数,Sij为第i个用户在j时刻的用电负荷数据。
S5构造预处理聚类算法集
S5-1选择通用聚类算法中的SKMEANS(多球面的k均值聚类分析算法)、CCFKMS(共轭凸函数聚类分析算法)、FCM(模糊C均值聚类分析算法)构造预处理聚类算法集,根据先验知识设定三组运行参数;
S5-2计算各通用聚类算法在各组运行参数下的用户用电负荷数据细分结果,得到初步的九组用户用电负荷细分结果,即九个聚类成员记为H1,H2,H3,...,H9。每一个聚类成员中根据各组运行参数的设定情况不同可分为若干个簇,如第一组运行参数设定的聚类数目为k,如图3所示,聚类成员H1拥有簇h1~hk,簇为一个以该簇为列、用户为行的单列“0”“1”矩阵,其中数字“1”表示用电用户xi(此处i属于N)属于簇hj,反之,数字“0”表示该用户不属于该簇。
S6构建共识矩阵
S6-1将各聚类成员H1,H2,...,H9进行矩阵合并,如图4所示,得到矩阵H;
S6-2通过矩阵H构建共识矩阵A,依据公式:
其中,r为聚类成员总数,共识矩阵A中第i行第j列元素aij表示用户i与用户j属于同一簇的概率。
S7运行聚类融合方法
S7-1随机选取m个用户作为典型用户,根据先验知识,m的默认值为4;
S7-2计算用户i(i不属于m)与典型用户中的每个用户属于同一簇的概率prij,依据公式:
其中,i不属于m,j属于m,aij为共识矩阵A中的元素,σ1为惩罚因子,默认值为所有prij值构成概率关系矩阵Pr,prij第i个用户与第j个典型用户属于同一簇的概率;
S7-3再根据上述概率关系矩阵Pr计算其他用户与典型用户中的每个用户之间的相异距离Dij,依据公式:
S7-4根据相异距离Dij依据公式:
S7-5选取距离准则函数的最小值输出对应的概率关系矩阵Pr’。
S8归集用户
设定概率阈值,默认值为0.5,将pr'ij(pr'ij为步骤S7-5中概率关系矩阵Pr’中的元素)大于阈值的用户i(i不属于m)归集到以典型用户j(j属于m)为中心的簇,得到最终的聚类结果。
使用本发明的聚类融合方法得到的分析结果可用于供电企业有序用电、错峰避峰、节能减排等业务领域,可辅助供电企业规划、制定有针对性的工作方案。
Claims (6)
1.一种基于用户用电负荷数据细分的聚类融合方法,其特征在于,包括以下步骤:
S1采集某段时间内各指定时间点t的用户用电正向有功读数数据Wt和正向无功读数数据Vart;
S2对采集的用户用电读数数据进行规范性校对:先删除采集的用户用电读数数据中的冗余数据,再查找用户用电读数数据中的缺失字段,选择作为分析对象的用户,对分析对象的用电读数数据进行修补缺失数据和剔除异常数据处理;
S3根据处理后的数据,计算各用户在各指定时间点t的用电负荷数据St,并形成以用户为行,指定时间点的用电负荷数据St为列的矩阵S[N][t],其中,N表示用户数,t表示各指定的时间点;
S4对用户用电负荷数据St进行标准化处理,以提取负荷形态;
S5选择一种以上的通用聚类算法构造预处理聚类算法集,根据先验知识设定两组以上运行参数,计算各通用聚类算法在各组运行参数下的用户用电负荷数据细分结果从而得到用户用电负荷数据细分结果集合,集合中对应同一组运行参数和同一通用聚类算法的结果为一个聚类成员,每一个聚类成员中根据各组运行参数的设定情况不同分为若干个簇,每个簇为一个以该簇为列、用户为行的单列“0”、“1”矩阵,“1”表示某用户属于该簇,“0”表示某用户不属于该簇;
S6根据聚类成员构建共识矩阵,其元素为两两用户属于同一簇的概率;
S7随即选取m个用户作为典型用户,计算其对应的距离准则函数值,遍历所有典型用户组合,并选择对应最小距离准则函数值的典型用户组合,计算其它各个用户与这组典型用户中的各个用户属于同一簇的概率;
S8设定概率阀值,以对应最小距离准则函数值的典型用户组合为簇中心归集其他用户,得到最终的聚类结果。
2.根据权利要求1所述的基于用户用电负荷数据细分的聚类融合方法,其特征在于,上述步骤S2通过如下步骤实现:
S2-1删除采集的用户用电正向有功、正向无功读数数据Wt、Vart中重复采集或重复记录的冗余数据;
S2-2查找用户用电正向有功、正向无功读数数据Wt、Vart中的缺失字段,选择数据缺失量小于20%的用户作为分析对象,查找分析对象用电读数数据中的缺失字段,用平滑修正函数的计算结果替代,查找分析对象用电读数数据中不符合用电特性的异常数据,用平滑修正函数的计算结果替代;
平滑修正函数的表达式为:
m1为向前采集的点数,m2为向后采集的点数。
3.根据权利要求1所述的基于用户用电负荷数据细分的聚类融合方法,其特征在于,上述步骤S4中通过如下标准化公式对各用户的用电负荷数据S[N][t]进行标准化处理:
或
或
其中,T为天数,Sij为第i个用户在j时刻的用电负荷数据。
4.根据权利要求1所述的基于用户用电负荷数据细分的聚类融合方法,其特征在于,上述步骤S5中所述预处理聚类算法集包括SKMEANS、CCFKMS、FCM三种通用聚类算法。
5.根据权利要求1所述的基于用户用电负荷数据细分的聚类融合方法,其特征在于,上述步骤S6中的共识矩阵通过如下步骤构建:
S6-1将各聚类成员进行矩阵合并,得到矩阵H;
S6-2通过矩阵H构建共识矩阵A,依据公式:
其中,r为聚类成员总数。
6.根据权利要求1所述的基于用户用电负荷数据细分的聚类融合方法,其特征在于,上述步骤S7具体通过下述步骤实现:
S7-1随机选取m个用户作为典型用户;
S7-2计算其他用户与典型用户中的每个用户属于同一簇的概率prij,依据公式:
其中,i不属于m,j属于m,aij为共识矩阵A中的元素,σ1为惩罚因子;
S7-3再根据上述概率prij计算其他用户与典型用户中的每个用户之间的相异距离Dij,依据公式:
其中,i不属于m,j属于m,d()为距离公式,σ2为惩罚因子;
S7-4根据相异距离Dij依据公式
LH=∑wbDij,其中wb为权重
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310025526.0A CN103093394B (zh) | 2013-01-23 | 2013-01-23 | 一种基于用户用电负荷数据细分的聚类融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310025526.0A CN103093394B (zh) | 2013-01-23 | 2013-01-23 | 一种基于用户用电负荷数据细分的聚类融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103093394A true CN103093394A (zh) | 2013-05-08 |
CN103093394B CN103093394B (zh) | 2016-06-22 |
Family
ID=48205931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310025526.0A Active CN103093394B (zh) | 2013-01-23 | 2013-01-23 | 一种基于用户用电负荷数据细分的聚类融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103093394B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678766A (zh) * | 2013-11-08 | 2014-03-26 | 国家电网公司 | 一种基于pso算法的异常用电客户检测方法 |
CN104240144A (zh) * | 2014-08-25 | 2014-12-24 | 河海大学 | 一种基于需求响应的电力负荷聚类方法 |
CN105021888A (zh) * | 2015-07-06 | 2015-11-04 | 广州供电局有限公司 | 基于数据聚类的谐波数据监测方法 |
CN105184479A (zh) * | 2015-09-01 | 2015-12-23 | 广州地理研究所 | 基于智能水表的城市居民用水行为分类方法 |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及*** |
CN105844294A (zh) * | 2016-03-21 | 2016-08-10 | 全球能源互联网研究院 | 一种基于fcm聚类算法的用电行为分析方法 |
CN106022578A (zh) * | 2016-05-12 | 2016-10-12 | 国网天津市电力公司 | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 |
CN106022803A (zh) * | 2016-05-18 | 2016-10-12 | 国网浙江省电力公司绍兴供电公司 | 电力营销多点分布用户智能识别管理方法 |
CN106780121A (zh) * | 2016-12-06 | 2017-05-31 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
CN107248086A (zh) * | 2017-02-21 | 2017-10-13 | 国网江苏省电力公司南通供电公司 | 基于用户用电行为分析的广告投放辅助分析方法 |
CN107423769A (zh) * | 2017-08-03 | 2017-12-01 | 四川大学 | 基于形态特征的电力负荷曲线自适应聚类方法 |
CN107784314A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种多变量报警***的正常异常数据划分方法及*** |
CN108596654A (zh) * | 2018-04-10 | 2018-09-28 | 广州供电局有限公司 | 用电信息采集方法、装置、计算机设备和存储介质 |
CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和*** |
CN108596362A (zh) * | 2018-03-22 | 2018-09-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
CN108804696A (zh) * | 2018-06-15 | 2018-11-13 | 深圳华建电力工程设计有限公司 | 电力用户电器指纹库的创建方法及其*** |
CN109064353A (zh) * | 2018-07-13 | 2018-12-21 | 国网上海市电力公司 | 一种基于改进聚类融合的大型建筑用户行为分析方法 |
CN109242030A (zh) * | 2018-09-21 | 2019-01-18 | 京东方科技集团股份有限公司 | 画单生成方法及装置,电子设备,计算机可读存储介质 |
CN109858522A (zh) * | 2018-12-29 | 2019-06-07 | 国网天津市电力公司电力科学研究院 | 一种基于数据挖掘的管理线损异常识别方法 |
CN110033031A (zh) * | 2019-03-27 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 群组检测方法、装置、计算设备和机器可读存储介质 |
CN110852370A (zh) * | 2019-11-06 | 2020-02-28 | 国网湖南省电力有限公司 | 基于聚类算法的大工业用户细分方法 |
CN111026791A (zh) * | 2019-12-26 | 2020-04-17 | 广东电网有限责任公司电力科学研究院 | 一种基于居民细粒度用电数据的用户类型判定方法 |
CN111062502A (zh) * | 2019-12-17 | 2020-04-24 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN111898839A (zh) * | 2019-05-05 | 2020-11-06 | 中国农业大学 | 电力用户的重要程度分类方法及装置 |
CN112016770A (zh) * | 2020-10-21 | 2020-12-01 | 平安科技(深圳)有限公司 | 一种医保费用预测方法、装置、设备及存储介质 |
CN112199376A (zh) * | 2020-11-05 | 2021-01-08 | 北京三维天地科技股份有限公司 | 一种基于聚类分析的标准知识库管理方法及*** |
CN116723136A (zh) * | 2023-08-09 | 2023-09-08 | 南京华飞数据技术有限公司 | 应用fcm聚类算法的网络检测数据的方法 |
CN116992220A (zh) * | 2023-09-25 | 2023-11-03 | 国网北京市电力公司 | 一种低冗余用电数据智能采集方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002169613A (ja) * | 2000-12-04 | 2002-06-14 | Hitachi Ltd | 電力ロードカーブの分析方法およびシステム |
CN101222140A (zh) * | 2007-12-21 | 2008-07-16 | 湖南大学 | 预想事故电力***电压稳定快速在线分析与预防控制方法 |
-
2013
- 2013-01-23 CN CN201310025526.0A patent/CN103093394B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002169613A (ja) * | 2000-12-04 | 2002-06-14 | Hitachi Ltd | 電力ロードカーブの分析方法およびシステム |
CN101222140A (zh) * | 2007-12-21 | 2008-07-16 | 湖南大学 | 预想事故电力***电压稳定快速在线分析与预防控制方法 |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678766A (zh) * | 2013-11-08 | 2014-03-26 | 国家电网公司 | 一种基于pso算法的异常用电客户检测方法 |
CN103678766B (zh) * | 2013-11-08 | 2016-12-07 | 国家电网公司 | 一种基于pso算法的异常用电客户检测方法 |
CN104240144B (zh) * | 2014-08-25 | 2017-12-22 | 河海大学 | 一种基于需求响应的电力负荷聚类方法 |
CN104240144A (zh) * | 2014-08-25 | 2014-12-24 | 河海大学 | 一种基于需求响应的电力负荷聚类方法 |
CN105021888A (zh) * | 2015-07-06 | 2015-11-04 | 广州供电局有限公司 | 基于数据聚类的谐波数据监测方法 |
CN105021888B (zh) * | 2015-07-06 | 2018-09-18 | 广州供电局有限公司 | 基于数据聚类的谐波数据监测方法 |
CN105184479A (zh) * | 2015-09-01 | 2015-12-23 | 广州地理研究所 | 基于智能水表的城市居民用水行为分类方法 |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及*** |
CN105630885B (zh) * | 2015-12-18 | 2019-05-28 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及*** |
CN105844294A (zh) * | 2016-03-21 | 2016-08-10 | 全球能源互联网研究院 | 一种基于fcm聚类算法的用电行为分析方法 |
CN106022578A (zh) * | 2016-05-12 | 2016-10-12 | 国网天津市电力公司 | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 |
CN106022803A (zh) * | 2016-05-18 | 2016-10-12 | 国网浙江省电力公司绍兴供电公司 | 电力营销多点分布用户智能识别管理方法 |
CN107784314A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种多变量报警***的正常异常数据划分方法及*** |
CN106780121A (zh) * | 2016-12-06 | 2017-05-31 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
CN106780121B (zh) * | 2016-12-06 | 2020-10-09 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
CN107248086A (zh) * | 2017-02-21 | 2017-10-13 | 国网江苏省电力公司南通供电公司 | 基于用户用电行为分析的广告投放辅助分析方法 |
CN107423769A (zh) * | 2017-08-03 | 2017-12-01 | 四川大学 | 基于形态特征的电力负荷曲线自适应聚类方法 |
CN107423769B (zh) * | 2017-08-03 | 2019-10-01 | 四川大学 | 基于形态特征的电力负荷曲线自适应聚类方法 |
CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和*** |
CN108596362A (zh) * | 2018-03-22 | 2018-09-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
CN108596362B (zh) * | 2018-03-22 | 2021-12-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
CN108596654A (zh) * | 2018-04-10 | 2018-09-28 | 广州供电局有限公司 | 用电信息采集方法、装置、计算机设备和存储介质 |
CN108804696A (zh) * | 2018-06-15 | 2018-11-13 | 深圳华建电力工程设计有限公司 | 电力用户电器指纹库的创建方法及其*** |
CN109064353A (zh) * | 2018-07-13 | 2018-12-21 | 国网上海市电力公司 | 一种基于改进聚类融合的大型建筑用户行为分析方法 |
CN109242030A (zh) * | 2018-09-21 | 2019-01-18 | 京东方科技集团股份有限公司 | 画单生成方法及装置,电子设备,计算机可读存储介质 |
CN109858522A (zh) * | 2018-12-29 | 2019-06-07 | 国网天津市电力公司电力科学研究院 | 一种基于数据挖掘的管理线损异常识别方法 |
CN110033031A (zh) * | 2019-03-27 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 群组检测方法、装置、计算设备和机器可读存储介质 |
CN110033031B (zh) * | 2019-03-27 | 2023-04-18 | 创新先进技术有限公司 | 群组检测方法、装置、计算设备和机器可读存储介质 |
CN111898839B (zh) * | 2019-05-05 | 2023-12-15 | 中国农业大学 | 电力用户的重要程度分类方法及装置 |
CN111898839A (zh) * | 2019-05-05 | 2020-11-06 | 中国农业大学 | 电力用户的重要程度分类方法及装置 |
CN110852370A (zh) * | 2019-11-06 | 2020-02-28 | 国网湖南省电力有限公司 | 基于聚类算法的大工业用户细分方法 |
CN111062502A (zh) * | 2019-12-17 | 2020-04-24 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN111062502B (zh) * | 2019-12-17 | 2023-07-14 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN111026791B (zh) * | 2019-12-26 | 2021-08-10 | 广东电网有限责任公司电力科学研究院 | 一种基于居民细粒度用电数据的用户类型判定方法 |
CN111026791A (zh) * | 2019-12-26 | 2020-04-17 | 广东电网有限责任公司电力科学研究院 | 一种基于居民细粒度用电数据的用户类型判定方法 |
CN112016770A (zh) * | 2020-10-21 | 2020-12-01 | 平安科技(深圳)有限公司 | 一种医保费用预测方法、装置、设备及存储介质 |
CN112199376B (zh) * | 2020-11-05 | 2021-07-20 | 北京三维天地科技股份有限公司 | 一种基于聚类分析的标准知识库管理方法及*** |
CN112199376A (zh) * | 2020-11-05 | 2021-01-08 | 北京三维天地科技股份有限公司 | 一种基于聚类分析的标准知识库管理方法及*** |
CN116723136A (zh) * | 2023-08-09 | 2023-09-08 | 南京华飞数据技术有限公司 | 应用fcm聚类算法的网络检测数据的方法 |
CN116723136B (zh) * | 2023-08-09 | 2023-11-03 | 南京华飞数据技术有限公司 | 应用fcm聚类算法的网络检测数据的方法 |
CN116992220A (zh) * | 2023-09-25 | 2023-11-03 | 国网北京市电力公司 | 一种低冗余用电数据智能采集方法 |
CN116992220B (zh) * | 2023-09-25 | 2023-12-19 | 国网北京市电力公司 | 一种低冗余用电数据智能采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103093394B (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103093394B (zh) | 一种基于用户用电负荷数据细分的聚类融合方法 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN105260797B (zh) | 一种微网储能电站规划控制方法 | |
CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
CN112564109B (zh) | 一种基于储能***参与含大规模海上风电的调频优化运行方法 | |
CN104573947A (zh) | 区域智能配电网低压台区综合评价方法 | |
CN105303263A (zh) | 一种区域电网的负荷预测***及其方法 | |
CN106651660B (zh) | 基于g1-熵权法寻找电网静态薄弱点的综合评价方法 | |
CN112670999B (zh) | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 | |
CN112650894A (zh) | 一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法 | |
CN113887141A (zh) | 一种基于联邦学习的微电网群运行策略进化方法 | |
CN113452033A (zh) | 分区自治的含高比例光伏配电网电压控制方法及存储介质 | |
CN111680469A (zh) | 一种中低压配电网线损极限值计算方法 | |
Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
CN104821580B (zh) | 一种基于无功源聚类分析的三阶段无功控制分区方法 | |
CN111082446B (zh) | 一种考虑电池自消耗的储能优化配置方法 | |
CN105354761B (zh) | 一种风电接入电网的安全与效能评估方法及*** | |
CN110676871A (zh) | 一种分布式光伏规模化接入农村配电网的组群划分方法 | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
CN108183496B (zh) | 一种光伏储能***的能量管理方法 | |
CN110414776A (zh) | 分行业用电特性快速响应分析*** | |
CN115293649A (zh) | 一种区配电网智能精细化降损方法 | |
CN104734201A (zh) | 一种电力***中风电配送方案的确定方法及装置 | |
Bo et al. | Research of Typical Line Loss Rate in Transformer District Based on Data-Driven Method | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 510062, Guangdong, Guangzhou province Yuexiu District Dongfeng East Road water all Gang No. 8, No. eighteen, building 6 Patentee after: GUANGDONG POWER GRID CO., LTD. INFORMATION CENTER Address before: Guangzhou City, Guangdong province Yuexiu District 510000 Dongfeng Road Plaza 4 Building 25 floor Patentee before: Information Center of Guangdong Power Grid Corporation |