CN106067034B - 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 - Google Patents

一种基于高维矩阵特征根的配电网负荷曲线聚类方法 Download PDF

Info

Publication number
CN106067034B
CN106067034B CN201610364750.6A CN201610364750A CN106067034B CN 106067034 B CN106067034 B CN 106067034B CN 201610364750 A CN201610364750 A CN 201610364750A CN 106067034 B CN106067034 B CN 106067034B
Authority
CN
China
Prior art keywords
load
matrix
clustering
formula
characteristic root
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
Application number
CN201610364750.6A
Other languages
English (en)
Other versions
CN106067034A (zh
Inventor
盛万兴
刘科研
孟晓丽
贾东梨
胡丽娟
何开元
叶学顺
刁赢龙
唐建岗
李雅洁
董伟洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610364750.6A priority Critical patent/CN106067034B/zh
Publication of CN106067034A publication Critical patent/CN106067034A/zh
Application granted granted Critical
Publication of CN106067034B publication Critical patent/CN106067034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出及一种基于高维矩阵特征根的配电网负荷曲线聚类方法，其包括：构建负荷矩阵，定义所述负荷矩阵的样本协方差矩阵；获取样本协方差矩阵的特征根，确定负荷聚类数；采用K‑means聚类算法对多个负荷变化曲线进行聚类，获取负荷聚类结果。该方法能够快速地确定聚类数，提升了负荷聚类结果的准确率，其算法简单且计算量小。

Description

一种基于高维矩阵特征根的配电网负荷曲线聚类方法
技术领域：
本发明属于电力***负荷分析技术领域，具体涉及一种基于高维矩阵特征根的配电网负荷曲线聚类方法。
背景技术
负荷聚类是电力***规划、错峰管理、电价制定和负荷预测的基础，好的负荷聚类方法可以给***规划与运行管理等提供正确的依据和指导。由于电力***用户类型繁多，各种类型的用户呈现不同的负荷特性，如何根据其特性对负荷进行聚类是一个具有重要意义的研究课题。
负荷聚类的本质是对不同的负荷曲线进行聚类，目前常见的负荷聚类方法主要分为两类，一类是K-means聚类法、模糊聚类法等算法，但是此类算法需要预先给定聚类数，有一定的局限性；另外一类是层次聚类法等算法，此类算法可自动确定聚类数，但是当聚类数据较多时计算量冗杂，不适用于用户较多的负荷曲线聚类。
矩阵的特征根可以表示矩阵在对应特征向量方向上的投影长度，特征根越大，说明该方向上的投影长度越长。应用到数据挖掘中，较大的特征根对应特征向量方向上包含较多的信息量，如果某几个特征值很小，说明这几个方向信息量很小，可以用来降维，也就是删除小特征值对应方向的数据，只保留大特征值方向对应的数据，这样做可使数据处理量减小，但有用信息量影响不大。
发明内容
为了克服上述不足，本发明提供一种基于高维矩阵特征根的配电网负荷曲线聚类方法，将矩阵特征根的相关分析应用到负荷聚类方法中，从而确定聚类数并采用聚类算法求出聚类结果。适用于用户较多的负荷曲线聚类，有效解决了计算量大、计算结果不准确的缺陷。
本发明的目的是采用下述技术方案实现的：
一种基于高维矩阵特征根的配电网负荷曲线聚类方法，所述方法包括下述步骤：
(1)构建负荷矩阵，定义所述负荷矩阵的样本协方差矩阵；
(2)获取样本协方差矩阵的特征根，确定负荷聚类数；
(3)采用K-means聚类算法对多个负荷变化曲线进行聚类，获取负荷聚类结果。
优选的，所述步骤(1)中，构建负荷矩阵包括：
读取配电网拓扑信息，确定负荷节点数n，获取n个节点的典型日负荷曲线，构建负荷矩阵P如下式：
Figure BDA0001001608390000021
式(1)中，pi表示第i个节点的典型日负荷曲线，且pi＝[pi1,pi2,…pij,…pim]，pij表示第i个节点的第j个采样点负荷，m表示典型日负荷曲线中采样点负荷个数。
优选的，所述步骤(1)中，定义所述负荷矩阵的样本协方差矩阵包括：通过式(2)构建负荷矩阵P的样本协方差矩阵S，其表达式为：
Figure BDA0001001608390000022
式(2)中，P’为负荷矩阵P的估计值，S为n维方阵。
优选的，所述步骤(2)中，所述样本协方差矩阵S的特征根通过式(3)对样本协方差矩阵S进行特征分解获得：
S＝RΛR′ (3)
式(3)中，Λ＝diag(λ1,...,λn)为n阶对角阵，由S的特征根从大到小排序组成；R为由特征向量组成的n阶矩阵，R’为R的估计值。
进一步地，所述步骤(2)确定负荷聚类数包括：通过式(4)判定特征根是否为较大特征根，所述较大特征根的个数即为负荷曲线的聚类数k；
Figure BDA0001001608390000023
式(4)中，ε为阈值；λk为n阶对角阵中第k个较大特征根，λk+1为n阶对角阵中第k+1个较大特征根。
优选的，所述步骤(3)采用K-means聚类算法对多个负荷变化曲线进行聚类，获取负荷聚类结果，具体过程如下：
3-1)通过式(5)对负荷矩阵P第i列归一化：
Figure BDA0001001608390000031
式(5)中，i＝1,…,n，n为节点个数；
Figure BDA0001001608390000032
表示归一化后的负荷，
Figure BDA0001001608390000033
表示第i个节点典型日负荷曲线上的最大负荷值，
Figure BDA0001001608390000034
根据式(5)对负荷矩阵P归一化处理，获得归一化后的负荷矩阵
Figure BDA0001001608390000035
Figure BDA0001001608390000036
式(6)中，
Figure BDA0001001608390000037
表示归一化后第i个节点的典型日负荷曲线，
Figure BDA0001001608390000038
表示归一化后第i个节点的第j个采样时刻的负荷；
3-2)设聚类数为N，迭代次数h＝0，从n个列向量
Figure BDA0001001608390000039
中随机选取N个类作为K-MEANS聚类的初始聚类中心
Figure BDA00010016083900000310
其中，
Figure BDA00010016083900000311
根据式(7)确定每个列向量到相应聚类中心的欧氏距离；
Figure BDA00010016083900000312
式(7)中，
Figure BDA00010016083900000313
表示第i个列向量
Figure BDA00010016083900000314
到第j个聚类中心
Figure BDA00010016083900000315
的欧氏距离；
3-3)将所有列向量分别划归到欧氏距离最近的类中，生成N个类
Figure BDA00010016083900000316
按照式(8)重新计算N个类的聚类中心
Figure BDA00010016083900000317
其中，
Figure BDA00010016083900000318
Figure BDA00010016083900000319
式(8)中，
Figure BDA00010016083900000320
表示第j个聚类中所有列向量
Figure BDA00010016083900000321
的集合，
Figure BDA00010016083900000322
表示第j个聚类中列向量个数，且
Figure BDA0001001608390000041
设迭代次数为h＝h+1，重复步骤3-2)和3-3)，直到满足如下收敛条件：
Figure BDA0001001608390000042
此时，
Figure BDA0001001608390000043
为最终的负荷聚类结果，表示由相同类型负荷组成的集合；
ε为阈值；
Figure BDA0001001608390000044
为最终的聚类中心，表示该类负荷典型日负荷曲线的变化趋势。
与最接近的现有技术相比，本发明的有益效果为：
本发明将矩阵的特征根的分析引入负荷聚类中，提出一种基于高维矩阵特征根分析的配电网负荷曲线聚类方法，该方法根据矩阵较大特征根的个数确定负荷曲线的聚类数，然后采用K-means聚类算法进行聚类，最终得出聚类结果；由此快速地确定聚类数。
本发明方法简单，计算量小，有效地提升了计算速度。
附图说明
图1为本发明提供的配电网负荷曲线聚类方法流程图；
具体实施方式：
鉴于现有负荷曲线聚类方法在确定聚类数和计算量大且算法复杂等多方面不足，本发明将矩阵的特征根的分析应用到负荷聚类中，提出一种基于高维矩阵特征根的配电网负荷曲线聚类方法，该方法首先根据负荷曲线形成负荷矩阵，对该矩阵进行特征根分析，根据较大特征根的个数确定聚类数，并采用K-means聚类算法进行聚类，得出最终的负荷聚类结果。与现有方法相比，本方法能够快速地确定聚类数，方法简单，计算量小。
如图1所示，所述方法包括下述步骤：
(1)构建负荷矩阵，定义所述负荷矩阵的样本协方差矩阵；
步骤(1)中，构建负荷矩阵包括：
读取配电网拓扑信息，确定负荷节点数n，获取n个节点的典型日(典型荷计算日)负荷曲线，构建负荷矩阵P如下式：
Figure BDA0001001608390000051
式(1)中，pi表示第i个节点的典型日负荷曲线，且pi＝[pi1,pi2,…pij,…pim]，pij表示第i个节点的第j个采样点负荷，m表示典型日负荷曲线中采样点负荷个数；一般取24或48，对应采样间隔分别为1小时或者30分钟。
定义所述负荷矩阵的样本协方差矩阵包括：通过式(2)构建负荷矩阵P的样本协方差矩阵S，其表达式为：
Figure BDA0001001608390000052
式(2)中，P’为负荷矩阵P的估计值，S为n维方阵。
(2)获取样本协方差矩阵的特征根，确定负荷聚类数；
步骤(2)中，所述样本协方差矩阵S的特征根通过式(3)对样本协方差矩阵S进行特征分解获得：
S＝RΛR′ (3)
式(3)中，Λ＝diag(λ1,...,λn)为n阶对角阵，由S的特征根从大到小排序组成；R为由特征向量组成的n阶矩阵，R’为R的估计值。
确定负荷聚类数包括：通过式(4)判定特征根是否为较大特征根，所述较大特征根的个数即为负荷曲线的聚类数k；
Figure BDA0001001608390000053
式(4)中，ε为阈值；λk为n阶对角阵中第k个较大特征根，λk+1为n阶对角阵中第k+1个较大特征根。
(3)采用K-means聚类算法对多个负荷变化曲线进行聚类，获取负荷聚类结果。
具体过程如下：
3-1)通过式(5)对负荷矩阵P第i列归一化：
Figure BDA0001001608390000061
式(5)中，i＝1,…，n，n为节点个数；
Figure BDA0001001608390000062
表示归一化后的负荷，
Figure BDA0001001608390000063
表示第i个节点典型日负荷曲线上的最大负荷值，
Figure BDA0001001608390000064
根据式(5)对负荷矩阵P归一化处理，获得归一化后的负荷矩阵
Figure BDA0001001608390000065
Figure BDA0001001608390000066
式(6)中，
Figure BDA0001001608390000067
表示归一化后第i个节点的典型日负荷曲线，
Figure BDA0001001608390000068
表示归一化后第i个节点的第j个采样时刻的负荷；
3-2)设聚类数为N，迭代次数h＝0，从n个列向量
Figure BDA0001001608390000069
中随机选取N个类作为K-MEANS聚类的初始聚类中心
Figure BDA00010016083900000610
其中，
Figure BDA00010016083900000611
根据式(7)确定每个列向量到相应聚类中心的欧氏距离；
Figure BDA00010016083900000612
式(7)中，
Figure BDA00010016083900000613
表示第i个列向量
Figure BDA00010016083900000614
到第j个聚类中心
Figure BDA00010016083900000615
的欧氏距离；
3-3)将所有列向量分别划归到欧氏距离最近的类中，生成N个类
Figure BDA00010016083900000616
按照式(8)重新计算N个类的聚类中心
Figure BDA00010016083900000617
其中，
Figure BDA00010016083900000618
Figure BDA00010016083900000619
式(8)中，
Figure BDA00010016083900000620
表示第j个聚类中所有列向量
Figure BDA00010016083900000621
的集合，
Figure BDA00010016083900000622
表示第j个聚类中列向量个数，且
Figure BDA0001001608390000071
设迭代次数为h＝h+1，重复步骤3-2)和3-3)，直到满足如下收敛条件：
Figure BDA0001001608390000072
此时，
Figure BDA0001001608390000073
为最终的负荷聚类结果，表示由相同类型负荷组成的集合；
ε为阈值，
Figure BDA0001001608390000074
为最终的聚类中心，表示该类负荷典型日负荷曲线的变化趋势。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于高维矩阵特征根的配电网负荷曲线聚类方法，其特征在于，所述方法包括下述步骤：
(1)构建负荷矩阵，定义所述负荷矩阵的样本协方差矩阵；
(2)获取样本协方差矩阵的特征根，确定负荷聚类数；
(3)采用K-means聚类算法对多个负荷变化曲线进行聚类，获取负荷聚类结果；
所述步骤(3)采用K-means聚类算法对多个负荷变化曲线进行聚类，获取负荷聚类结果，具体过程如下：
3-1)通过式(5)对负荷矩阵P第i列归一化：
Figure FDA0003247341780000011
式(5)中，i＝1,…,n，n为节点个数；
Figure FDA0003247341780000012
表示归一化后的负荷，
Figure FDA0003247341780000013
表示第i个节点典型日负荷曲线上的最大负荷值，
Figure FDA0003247341780000014
根据式(5)对负荷矩阵P归一化处理，获得归一化后的负荷矩阵
Figure FDA0003247341780000015
Figure FDA0003247341780000016
式(6)中，
Figure FDA0003247341780000017
表示归一化后第i个节点的典型日负荷曲线，
Figure FDA0003247341780000018
表示归一化后第i个节点的第j个采样时刻的负荷；
3-2)设聚类数为N，迭代次数h＝0，从n个列向量
Figure FDA0003247341780000019
中随机选取N个类作为K-MEANS聚类的初始聚类中心
Figure FDA00032473417800000110
其中，
Figure FDA00032473417800000111
根据式(7)确定每个列向量到相应聚类中心的欧氏距离；
Figure FDA0003247341780000021
式(7)中，
Figure FDA0003247341780000022
表示第i个列向量
Figure FDA0003247341780000023
到第j个聚类中心
Figure FDA0003247341780000024
的欧氏距离；
3-3)将所有列向量分别划归到欧氏距离最近的类中，生成N个类
Figure FDA0003247341780000025
按照式(8)重新计算N个类的聚类中心
Figure FDA0003247341780000026
其中，
Figure FDA0003247341780000027
Figure FDA0003247341780000028
式(8)中，
Figure FDA0003247341780000029
表示第j个聚类中所有列向量
Figure FDA00032473417800000210
的集合，
Figure FDA00032473417800000211
表示第j个聚类中列向量个数，且
Figure FDA00032473417800000212
设迭代次数为h＝h+1，重复步骤3-2)和3-3)，直到满足如下收敛条件：
Figure FDA00032473417800000213
此时，
Figure FDA00032473417800000214
为最终的负荷聚类结果，表示由相同类型负荷组成的集合；ε为阈值；
Figure FDA00032473417800000215
为最终的聚类中心，表示该类负荷典型日负荷曲线的变化趋势。
2.如权利要求1所述的方法，其特征在于，所述步骤(1)中，构建负荷矩阵包括：
读取配电网拓扑信息，确定负荷节点数n，获取n个节点的典型日负荷曲线，构建负荷矩阵P如下式：
Figure FDA0003247341780000031
式(1)中，pi表示第i个节点的典型日负荷曲线，且pi＝[pi1,pi2,…pij,…pim]，pij表示第i个节点的第j个采样点负荷，m表示典型日负荷曲线中采样点负荷个数。
3.如权利要求1或2所述的方法，其特征在于，所述步骤(1)
中，定义所述负荷矩阵的样本协方差矩阵包括：通过式(2)构建负荷矩阵P的样本协方差矩阵S，其表达式为：
Figure FDA0003247341780000032
式(2)中，P’为负荷矩阵P的估计值，S为n维方阵。
4.如权利要求1或3所述的方法，其特征在于，所述步骤(2)中，所述样本协方差矩阵S的特征根通过式(3)对样本协方差矩阵S进行特征分解获得：
S＝RΛR' (3)
式(3)中，Λ＝diag(λ1,...,λn)为n阶对角阵，由S的特征根从大到小排序组成；R为由特征向量组成的n阶矩阵，R’为R的估计值。
5.如权利要求1或4所述的方法，其特征在于，所述步骤(2)确定负荷聚类数包括：通过式(4)判定特征根是否为较大特征根，所述较大特征根的个数即为负荷曲线的聚类数k；
Figure FDA0003247341780000041
式(4)中，ε为阈值；λk为n阶对角阵中第k个较大特征根，λk+1为n阶对角阵中第k+1个较大特征根。
CN201610364750.6A 2016-05-27 2016-05-27 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 Active CN106067034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610364750.6A CN106067034B (zh) 2016-05-27 2016-05-27 一种基于高维矩阵特征根的配电网负荷曲线聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610364750.6A CN106067034B (zh) 2016-05-27 2016-05-27 一种基于高维矩阵特征根的配电网负荷曲线聚类方法

Publications (2)

Publication Number Publication Date
CN106067034A CN106067034A (zh) 2016-11-02
CN106067034B true CN106067034B (zh) 2022-03-18

Family

ID=57421009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610364750.6A Active CN106067034B (zh) 2016-05-27 2016-05-27 一种基于高维矩阵特征根的配电网负荷曲线聚类方法

Country Status (1)

Country Link
CN (1) CN106067034B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480685B (zh) * 2016-06-08 2021-02-23 国家计算机网络与信息安全管理中心 一种基于GraphX的分布式幂迭代聚类方法和装置
CN107132454A (zh) * 2017-05-04 2017-09-05 国网上海市电力公司 基于随机矩阵谱半径法的电网异常快速检测方法
CN107039987B (zh) * 2017-05-10 2021-03-16 中国电力科学研究院 一种配电网的无功优化方法及***
CN108345908A (zh) * 2018-02-10 2018-07-31 武汉轻工大学 电网数据的分类方法、分类设备及存储介质
CN109473975B (zh) * 2018-09-12 2022-01-11 国网浙江省电力有限公司嘉兴供电公司 一种区域配网变压器台区优化方法
CN109657891B (zh) * 2018-09-18 2022-11-25 深圳供电局有限公司 一种基于自适应k-means++算法的负荷特性分析方法
CN110503145A (zh) * 2019-08-21 2019-11-26 广东电网有限责任公司 一种基于k-shape聚类的典型负荷曲线获取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008209977A (ja) * 2007-02-23 2008-09-11 Nippon Telegr & Teleph Corp <Ntt> 重要度算出装置，重要度算出方法，その方法を実装した重要度算出プログラム及びそのプログラムを格納した記録媒体
CN102722642A (zh) * 2012-05-25 2012-10-10 重庆市电力公司长寿供电局 大波动电网负荷短期预测方法
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
CN103903189A (zh) * 2014-03-20 2014-07-02 华南理工大学 基于模糊聚类的低压配网台区聚类方法
CN105303468A (zh) * 2015-11-20 2016-02-03 国网天津市电力公司 一种基于主成分聚类分析的智能电网建设综合评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008209977A (ja) * 2007-02-23 2008-09-11 Nippon Telegr & Teleph Corp <Ntt> 重要度算出装置，重要度算出方法，その方法を実装した重要度算出プログラム及びそのプログラムを格納した記録媒体
CN102722642A (zh) * 2012-05-25 2012-10-10 重庆市电力公司长寿供电局 大波动电网负荷短期预测方法
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
CN103903189A (zh) * 2014-03-20 2014-07-02 华南理工大学 基于模糊聚类的低压配网台区聚类方法
CN105303468A (zh) * 2015-11-20 2016-02-03 国网天津市电力公司 一种基于主成分聚类分析的智能电网建设综合评价方法

Also Published As

Publication number Publication date
CN106067034A (zh) 2016-11-02

Similar Documents

Publication Publication Date Title
CN106067034B (zh) 一种基于高维矩阵特征根的配电网负荷曲线聚类方法
CN106600059B (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN106485262B (zh) 一种母线负荷预测方法
CN104881706B (zh) 一种基于大数据技术的电力***短期负荷预测方法
CN112115419B (zh) ***状态估计方法、***状态估计装置
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
Huang et al. Graphgdp: Generative diffusion processes for permutation invariant graph generation
CN105846448B (zh) 一种基于随机矩阵理论的配电网无功补偿容量确定方法
CN105718999B (zh) 一种启发式代谢共表达网络的构建方法及***
CN109492748B (zh) 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法
CN106778838A (zh) 一种预测空气质量的方法
CN110795690A (zh) 风电场运行异常数据检测方法
CN111460001A (zh) 一种配电网理论线损率评估方法及***
CN110796159A (zh) 基于k-means算法的电力数据分类方法及***
CN116226689A (zh) 一种基于高斯混合模型的配电网典型运行场景生成方法
CN112149052A (zh) 一种基于plr-dtw的日负荷曲线聚类方法
CN111553434A (zh) 一种电力***负荷分类方法及***
CN111026741A (zh) 基于时间序列相似性的数据清洗方法及装置
CN116050119A (zh) 一种基于二元表示的正负图分割多视图聚类方法
CN106327079B (zh) 一种配电网无功优化控制的评价方法
CN115935212A (zh) 一种基于纵向趋势预测的可调节负荷聚类方法及***
CN113378900B (zh) 一种基于聚类的大规模不规则kpi时间序列的异常检测方法
CN113112092A (zh) 一种短期概率密度负荷预测方法、装置、设备和存储介质

Legal Events

Date Code Title Description
C06 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