CN104063480B - 一种基于电力大数据的负荷曲线并行聚类方法 - Google Patents
一种基于电力大数据的负荷曲线并行聚类方法 Download PDFInfo
- Publication number
- CN104063480B CN104063480B CN201410312530.XA CN201410312530A CN104063480B CN 104063480 B CN104063480 B CN 104063480B CN 201410312530 A CN201410312530 A CN 201410312530A CN 104063480 B CN104063480 B CN 104063480B
- Authority
- CN
- China
- Prior art keywords
- load
- curve
- load curve
- cluster
- parallel
- 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 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000003064 k means clustering Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 3
- 208000006011 Stroke Diseases 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 238000011524 similarity measure Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013642 negative control Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于用电大数据的负荷曲线并行聚类方法，通过dbN小波系对所有负荷曲线进行小波去噪，以降低曲线中的小波动对聚类结果产生的影响，并采用了基于多核并行技术的K均值聚类算法进行负荷曲线聚类，筛选出特征明显的聚类结果，整合分析得到了最终的负荷曲线分类。本发明实现了海量负荷曲线的并行聚类算法，有效地提高了负荷曲线聚类的速度，为研究电力用户负荷特性，进行负荷、电量预测打下了基础。
Description
技术领域
本发明涉及一种基于电力大数据的负荷曲线并行聚类方法，属于电力营销智能应用技术领域。
背景技术
电力营销、生产、调度等信息***产生了海量的电力信息数据，仅江苏用采***，每日需采集全省3000余万居民用户日负荷电量和20余万负控大用户的96点用电量数据，共计30多GB，自2006年以来积累的用电信息数据达39TB之多。江苏电力大数据时代已然来临，但如何驾驭如此海量的数据信息，从中获取有用的信息，挖掘潜在的价值，是江苏电力面临的挑战和机遇。
电力***负荷建模是电力***仿真分析的重要基础，负荷建模的准确性直接关系到仿真计算的可信度和精确性。负荷建模需要建立在对电力负荷特性充分分析的基础之上，而面对江苏省用电采集***中海量的负荷数据，对每一个用户的负荷特性进行分析是不可能的，因此有必要对用户进行负荷聚类，根据聚类结果分析不同用户群的负荷特性。
K-means聚类算法简单易行，操作简便，是目前使用最为广泛的聚类方法之一。它首先选定一组初始聚类中心，通过迭代使得类间保持独立、类内保持紧密，迭代期间将聚类子集中所有数据样本的均值作为类的中心。目前K-means聚类算法在图形分割、客户分类、负荷聚类等领域得到了广泛的应用。
但在用电信息大数据的背景下，数以万亿的日负荷曲线需要进行聚类分析，传统的K-means聚类算法计算难以应付。目前主流的台式电脑、笔记本电脑cpu中均包含多个核心，因此可以充分利用现有的硬件资源，开发基于多核并行技术的K-means聚类算法，以加快负荷聚类的速度，提高负荷聚类的效率。
发明内容
本发明所要解决的技术问题是针对用电大数据背景下的负荷特性分析，提供一种基于多核并行技术的K-means聚类算法，用于提高负荷聚类的速度。
本发明为实现上述目的，采用如下技术方案：
一种基于电力大数据的负荷曲线并行聚类方法，包括如下步骤：
1)收集负荷曲线并进行筛选；
2)对负荷曲线进行归一化；
3)对负荷曲线进行去噪；
4)对负荷进行聚类分析；
5)对所述步骤4)K均值聚类得到的K类负荷聚类结果进行特征分析，摘取用电特征明显的聚类结果，计算所得各类曲线的聚类中心，对各类曲线的聚类中心进行二次分类，得到几种典型的负荷聚类结果。
前述的步骤1)中，数据收集与筛选是指从省用电采集***库中抽取企业客户的96点负荷曲线，删除其中负荷数据不全和负荷容量为0的曲线，得到数据完整且情况正常的大客户负荷曲线。
前述的步骤2)中，负荷曲线归一化是指对所述步骤1)的每条负荷曲线进行遍历，找出96点中负荷最大的点，作为基准容量，进行曲线归一化，归一化公式如下：
P′i,j＝Pi,j/Pi,max
其中：下标i表示负荷曲线编号，j表示每条负荷曲线中的负荷采集序号，Pi,j表示第i个用户在第j个采集点的负荷值，Pi,max表示第i个用户日负荷96点中的负荷最大值。
前述的步骤3)中，负荷去噪包括以下步骤：
3-1)选择小波函数并确定分解的层数，然后进行小波分解；
3-2)对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理；
3-3)根据小波分解的各层频域系数进行负荷曲线的小波重构，得到去噪后的负荷曲线。
前述的步骤3-1)中，小波函数选定Daubechies小波系中的‘dN4’，分解层数为3层。
前述的步骤4)中，采用基于多核并行技术的K均值聚类算法进行负荷曲线的聚类分析，包括以下步骤：
4-1)检测当前电脑CPU的核心数n，激活所有核心，准备进行计算；
4-2)对所述步骤3)的去噪后的负荷曲线进行相异度分析，找出相异度最大的K条负荷曲线，作为并行K-means聚类算法的初始聚类中心；
4-3)将所有负荷曲线等分成n份，交给当前电脑的n个核心，分别与K个聚类中心进行相似度计算，并将负荷曲线归入相似度最高的作为聚类中心的负荷曲线那一类中；
4-4)所有负荷曲线全部分类完成后，计算并更新各类别当前的聚类中心，检查当前所有聚类中心与上一次迭代得到的聚类中心差值是否均小于预设阀值，若是，则进入步骤4-5)，否则，转入步骤4-3)；
4-5)聚类结束，关闭并行计算进程，释放内存，显示聚类结果。
前述的步骤5)中，典型的负荷聚类结果包括：短时出现高负荷；全天负荷均衡；白天负荷较高；白天负荷较高，但中午略降；夜间负荷较高。
本发明无需建立分布式计算***，仅仅利用现有台式电脑或笔记本电脑的多核CPU，即可实现负荷曲线聚类的并行计算，且该算法可获取当前电脑的CPU核心数，并自动开启所有核心参与聚类，充分利用了当前电脑的计算性能，极大地提高了海量负荷曲线聚类的速度。本发明相较于传统的K均值聚类方法，充分利用了计算机的多核CPU，有效提高了大数据背景下的负荷聚类效率，因此值得推广和应用。
附图说明
图1是本发明方法的主体流程图；
图2是基于多核并行技术的K均值聚类方法的流程图；
图3是江苏某用电大客户日负荷曲线小波软、硬阈值去噪效果比较示意图；
图4是江苏部分用电大客户日负荷曲线K均值聚类得到的曲线聚类结果；
图5是图4聚类后得到的曲线条数分布情况。
具体实施方式
下面结合附图和具体实施方式详细说明本发明。
如图1所示，本发明的基于电力大数据的负荷曲线并行聚类方法包括以下步骤：
一、收集负荷曲线并进行筛选
具体方法为：从省用电采集***库中抽取企业客户的96点负荷曲线，企业客户指的是安装有负荷控制终端的企业用户，删除其中负荷数据不全和负荷容量为0的曲线，得到数据完整且情况正常的大客户负荷曲线。96点负荷曲线是指用户一般15分钟采集1个点，一天96点，构成1个客户的96点负荷曲线。
二、对负荷曲线进行归一化
电力***中各用户的负荷电量、负荷容量千差万别，用电量高的日均用电量高达数十万千瓦时，负荷容量高达十数万千瓦，而用电量低的日均用电量低至几十个千瓦时，负荷容量仅几个千瓦。因此需要对所有负荷曲线进行归一化处理。归一化是指对第一步中的每条负荷曲线进行遍历，找出96点中负荷最大的点，作为基准容量，进行曲线归一化，归一化公式如下：
P′i,j＝Pi,j/Pi,max
其中：下标i表示负荷曲线编号，j表示每条负荷曲线中的负荷采集序号，一般15分钟1个点，一天96点，Pi,j表示第i个用户在第j个采集点的负荷值，Pi,max表示第i个用户日负荷96点中的负荷最大值。
三、对负荷曲线进行去噪
由于目前多数曲线聚类算法均通过曲线的数值相似度进行聚类，而大数据聚类背景下，曲线中存在的小波动并不能代表用户的用电趋势，而且会导致聚类结果不理想、聚类趋势不明朗的问题。因此本发明首先利用Daubechies小波系对每条负荷曲线进行小波分解，通过自定义软阈值小波去噪对负荷曲线进行平滑处理，然后进行小波重构得到去噪后的负荷曲线。进行去噪处理的具体步骤如下：
Step1 选择小波函数并确定分解的层数，然后进行小波分解，本发明的小波函数选定Daubechies小波系中的‘dN4’，分解层数为3层；
Step2 对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理；
Step3 根据小波分解的各层频域系数进行负荷曲线的小波重构，得到去噪后的负荷曲线。
本发明选定Daubechies小波系中的‘dN4’作为小波函数，分解层数为3层。Matlab的强制和默认阈值去噪会改变负荷曲线的走势，因此本方法采用自定义软阈值去噪。
四、对负荷进行聚类分析
用电大数据背景下，用户负荷曲线的数量非常庞大，传统的K均值聚类方法进行聚类时速度非常缓慢，本发明采用基于多核并行技术的K均值聚类算法进行负荷曲线的聚类分析，以提高聚类分析的速度。参见图2，具体步骤如下：
4-1)检测当前电脑CPU的核心数n，激活所有核心，准备进行计算；
4-2)对第三步去噪后的负荷曲线进行相异度分析，找出相异度最大的K条负荷曲线，作为并行K-means聚类算法的初始聚类中心；
4-3)将所有负荷曲线等分成n份，交给当前电脑的n个核心，分别与K个聚类中心进行相似度计算，并将负荷曲线归入相似度最高的作为聚类中心的负荷曲线那一类中；
4-4)所有负荷曲线全部分类完成后，对各类别下的所有曲线群取平均值，并以此平均值曲线更新各类别当前的聚类中心，检查当前所有聚类中心与上一次迭代得到的聚类中心差值是否均小于预设阀值，若是，则进入步骤4-5)，否则，转入步骤4-3)；
4-5)聚类结束，关闭并行计算进程，释放内存，显示聚类结果。
五、对第四步K均值聚类得到的K类负荷聚类结果进行特征分析，摘取用电特征明显的聚类结果，如具有全天负荷均衡、白天负荷较高、晚上负荷较高的特征，计算所得各类曲线的聚类中心，辨识各类曲线的特征，对各类曲线的聚类中心进行二次分类，得到几种典型的负荷聚类结果。典型的负荷聚类结果包括短时出现高负荷；全天负荷均衡；白天负荷较高；白天负荷较高，但中午略降；夜间负荷较高。
下面通过一个具体实施例详细说明本发明。
从江苏省用电采集***中抽取45,000个企业客户某一日的96点负荷曲线，删除其中负荷数据不全和负荷容量为0的曲线，得到数据完整且情况正常的41487条负荷曲线。为减少聚类的计算量，将96点曲线等效为24小时日负荷曲线。
按照本发明，进行归一化处理和去噪处理后某用电大客户日负荷曲线小波软、硬阈值去噪效果比较如图3所示。
可见硬阈值小波降噪后，曲线从双峰变为单峰，失去了中午负荷降低的特性；而自定义阈值小波降噪后，曲线变得更为平滑，且基本特性均得以保留。
为了提高用电曲线大数据聚类的速度，采用基于并行技术的改进K均值聚类方法将40,000多条负荷曲线聚为20类，即对41487条负荷曲线进行相异度分析，找出相异度最大的20条负荷曲线，作为并行K-means聚类算法的初始聚类中心。在处理器为Intel Corei7-2600K，核心数为4，内存4GB的电脑上进行聚类，即将41487条负荷曲线等分成4份，交给4个核心分别与20个聚类中心进行相似度计算，并将曲线归入相似度最高的作为聚类中心的负荷曲线所在的类别。
多核并行算法与传统算法的计算时间比较如表1所示。
表1并行K均值聚类计算时间
| 并行核心数 | 1 | 2 | 4 |
| 计算时间/s | 20.61 | 11.90 | 7.25 |
由表1可以看出，4核并行计算时时间缩短为原来的35.18％，这对大数据背景下的聚类分析是非常有利的。
所有负荷曲线全部分类完成后，计算并更新各类别当前的聚类中心，检查当前所有聚类中心与上一次迭代得到的聚类中心差值是否均小于预设阀值，若是，则聚类结束，输出结果，否则，重新进行聚类计算。
聚类结束后，从聚类得到20类曲线中，选取用电特征明显(例如全天负荷均衡、白天负荷较高、晚上负荷较高的特征)的16类曲线(共计35204条，占总数的84.86％)，如图4所示，图中白色曲线表示该类曲线的聚类中心。16类曲线的条数分布如图5所示。
上述16类曲线按照其用电特征可以划归为如表2所示的五大类：
表2五大类负荷曲线
| 大类 | 所含类别 | 曲线条数 | 用电特征 |
| I | 1,2,3,4 | 7896 | 短时出现高负荷 |
| II | 5,6,7 | 9842 | 全天负荷均衡 |
| III | 8,9,10,11 | 9892 | 白天负荷较高 |
| IV | 12,13 | 4911 | 白天负荷较高(午休略降) |
| V | 14,15,16 | 2663 | 夜间负荷较高 |
分类结果表明，本发明所采用的并行聚类算法效果显著，切实可行，是解决大数据背景下负荷曲线聚类的一种有效途径。
以上已以较佳实施例公布本发明如上，然其并非用以限制本发明，凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (6)
1.一种基于电力大数据的负荷曲线并行聚类方法，其特征在于，包括如下步骤：
1)收集负荷曲线并进行筛选；
2)对负荷曲线进行归一化；
3)对负荷曲线进行去噪；
4)对负荷进行聚类分析，是指采用基于多核并行技术的K均值聚类算法进行负荷曲线的聚类分析，包括以下步骤：
4-1)检测当前电脑CPU的核心数n，激活所有核心，准备进行计算；
4-2)对所述步骤3)的去噪后的负荷曲线进行相异度分析，找出相异度最大的K条负荷曲线，作为并行K-means聚类算法的初始聚类中心；
4-3)将所有负荷曲线等分成n份，交给当前电脑的n个核心，分别与K个聚类中心进行相似度计算，并将负荷曲线归入相似度最高的作为聚类中心的负荷曲线那一类中；
4-4)所有负荷曲线全部分类完成后，计算并更新各类别当前的聚类中心，检查当前所有聚类中心与上一次迭代得到的聚类中心差值是否均小于预设阀值，若是，则进入步骤4-5)，否则，转入步骤4-3)；
4-5)聚类结束，关闭并行计算进程，释放内存，显示聚类结果；
5)对所述步骤4)K均值聚类得到的K类负荷聚类结果进行特征分析，摘取用电特征明显的聚类结果，计算所得各类曲线的聚类中心，对各类曲线的聚类中心进行二次分类，得到几种典型的负荷聚类结果。
2.根据权利要求1所述的一种基于电力大数据的负荷曲线并行聚类方法，其特征在于，所述步骤1)中，数据收集与筛选是指从省用电采集***库中抽取企业客户的96点负荷曲线，删除其中负荷数据不全和负荷容量为0的曲线，得到数据完整且情况正常的大客户负荷曲线。
3.根据权利要求1所述的一种基于电力大数据的负荷曲线并行聚类方法，其特征在于，所述步骤2)中，负荷曲线归一化是指对所述步骤1)的每条负荷曲线进行遍历，找出96点中负荷最大的点，作为基准容量，进行曲线归一化，归一化公式如下：
P′i，j＝Pi,j/Pi,max
其中：下标i表示负荷曲线编号，j表示每条负荷曲线中的负荷采集序号，Pi,j表示第i个用户在第j个采集点的负荷值，Pi,max表示第i个用户日负荷96点中的负荷最大值。
4.根据权利要求1所述的一种基于电力大数据的负荷曲线并行聚类方法，其特征在于，所述步骤3)中，负荷去噪包括以下步骤：
3-1)选择小波函数并确定分解的层数，然后进行小波分解；
3-2)对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理；
3-3)根据小波分解的各层频域系数进行负荷曲线的小波重构，得到去噪后的负荷曲线。
5.根据权利要求4所述的一种基于电力大数据的负荷曲线并行聚类方法，其特征在于，所述步骤3-1)中，小波函数选定Daubechies小波系中的‘dN4’，分解层数为3层。
6.根据权利要求1所述的一种基于电力大数据的负荷曲线并行聚类方法，其特征在于，所述步骤5)中，典型的负荷聚类结果包括：短时出现高负荷；全天负荷均衡；白天负荷较高；白天负荷较高，但中午略降；夜间负荷较高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410312530.XA CN104063480B (zh) | 2014-07-02 | 2014-07-02 | 一种基于电力大数据的负荷曲线并行聚类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410312530.XA CN104063480B (zh) | 2014-07-02 | 2014-07-02 | 一种基于电力大数据的负荷曲线并行聚类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104063480A CN104063480A (zh) | 2014-09-24 |
| CN104063480B true CN104063480B (zh) | 2016-09-21 |
Family
ID=51551194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410312530.XA Active CN104063480B (zh) | 2014-07-02 | 2014-07-02 | 一种基于电力大数据的负荷曲线并行聚类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104063480B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376402B (zh) * | 2014-10-31 | 2017-06-13 | 国家电网公司 | 一种基于频域指标的负荷特性分类与综合方法 |
| CN104680261A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 |
| CN106022509B (zh) * | 2016-05-07 | 2019-11-26 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
| CN107403247A (zh) * | 2016-05-18 | 2017-11-28 | 中国电力科学研究院 | 基于自适应寻找聚类核心算法的负荷分类聚合分析方法 |
| CN106354803B (zh) * | 2016-08-26 | 2020-04-10 | 清华大学 | 基于特性指标的电力输变电设备负荷坏数据检测方法 |
| CN106408008A (zh) * | 2016-09-08 | 2017-02-15 | 国网江西省电力公司赣州供电分公司 | 一种基于负荷曲线距离和形状的负荷分类方法 |
| CN106446967A (zh) * | 2016-10-28 | 2017-02-22 | 国网福建省电力有限公司 | 一种新型电力***负荷曲线聚类方法 |
| CN108205721B (zh) * | 2016-12-16 | 2021-11-02 | 国家电网公司 | 基于聚类的样条插值典型日负荷曲线选取装置 |
| CN107145986B (zh) * | 2017-05-24 | 2021-02-05 | 北京中电普华信息技术有限公司 | 一种充电电量预测方法及装置 |
| CN107194600A (zh) * | 2017-06-01 | 2017-09-22 | 国网山东省电力公司济南市历城区供电公司 | 一种电力负荷季节特性分类方法 |
| CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
| CN109636101A (zh) * | 2018-11-02 | 2019-04-16 | 国网辽宁省电力有限公司朝阳供电公司 | 基于大数据的开放售电环境下大用户用电行为分析方法 |
| CN109829916A (zh) * | 2019-03-04 | 2019-05-31 | 国网内蒙古东部电力有限公司 | 一种基于cnn的变压器故障诊断方法 |
| CN110069467A (zh) * | 2019-04-16 | 2019-07-30 | 沈阳工业大学 | 基于皮尔逊系数与MapReduce并行计算的电网尖峰负荷聚类提取法 |
| CN110659699A (zh) * | 2019-09-30 | 2020-01-07 | 重庆大学 | 一种基于特征指标降维的分布式双层聚类分析方法 |
| CN113052938A (zh) * | 2019-12-26 | 2021-06-29 | 新奥数能科技有限公司 | 一种构建锅炉能效曲线的方法及装置 |
| CN113761700A (zh) * | 2020-06-05 | 2021-12-07 | 国家电网有限公司华东分部 | 基于动态聚类的负荷建模与在线修正方法及*** |
| CN111600304B (zh) * | 2020-06-17 | 2021-11-26 | 广东工业大学 | 一种楼宇电力调度方法、装置和设备 |
| US11977925B2 (en) * | 2020-08-04 | 2024-05-07 | Smart Software, Inc. | Clustering and visualizing demand profiles of resources |
| CN111950620A (zh) * | 2020-08-07 | 2020-11-17 | 国网能源研究院有限公司 | 基于DBSCAN和K-means算法的用户筛选方法 |
| CN112330051A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于Kmeans与FR-DBN的短期负荷预测方法 |
| CN113298300B (zh) * | 2021-05-14 | 2022-10-28 | 上海电机学院 | 一种基于hp滤波器及重标极差法的负荷序列聚类方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706778A (zh) * | 2008-08-27 | 2010-05-12 | 王阳 | 一种电力负荷预测的方法 |
| CN102999791A (zh) * | 2012-11-23 | 2013-03-27 | 广东电网公司电力科学研究院 | 一种电力行业中基于客户分群的电力负荷预测方法 |
| CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳（集团）有限公司 | 一种用于电力负荷聚类的方法及装置 |
| CN103577883A (zh) * | 2013-11-18 | 2014-02-12 | 国家电网公司 | 一种网-荷智能互动方法及装置 |
-
2014
- 2014-07-02 CN CN201410312530.XA patent/CN104063480B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104063480A (zh) | 2014-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104063480B (zh) | 一种基于电力大数据的负荷曲线并行聚类方法 | |
| CN108596362B (zh) | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 | |
| CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
| CN109871860A (zh) | 一种基于核主成分分析的日负荷曲线降维聚类方法 | |
| CN106203478A (zh) | 一种用于智能电表大数据的负荷曲线聚类方法 | |
| CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
| CN111723876B (zh) | 一种考虑双尺度相似性的负荷曲线集成谱聚类方法 | |
| CN110263873A (zh) | 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法 | |
| CN106778826A (zh) | 基于自适应元胞遗传与优选模糊c‑均值的混合聚类算法 | |
| CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
| CN113159106B (zh) | 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备 | |
| CN107248031B (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
| CN109034370A (zh) | 一种基于特征映射剪枝的卷积神经网络精简方法 | |
| CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
| CN108428055A (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
| CN114444539A (zh) | 电力负荷识别方法、装置、设备、介质和程序产品 | |
| CN109544029A (zh) | 一种台区线损的分析方法、分析装置及终端 | |
| CN111309718B (zh) | 一种配网电压数据缺失填补方法及装置 | |
| Liu et al. | An unsupervised feature selection algorithm: Laplacian score combined with distance-based entropy measure | |
| CN117743870A (zh) | 一种基于大数据的水利数据管理*** | |
| CN107122420A (zh) | 一种旅游热点事件检测方法及*** | |
| Shen et al. | A Novel AI-based Method for EV Charging Load Profile Clustering | |
| CN115511297A (zh) | 一种虚拟电厂应用效益评估方法、设备及存储介质 | |
| CN109670526A (zh) | 一种电网的干扰源类型辨识方法、装置、设备及存储介质 | |
| CN115017988A (zh) | 一种用于状态异常诊断的竞争聚类方法 |
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 |