CN107248031A - 一种针对负荷曲线峰谷差的快速电力用户分类方法 - Google Patents

一种针对负荷曲线峰谷差的快速电力用户分类方法 Download PDF

Info

Publication number
CN107248031A
CN107248031A CN201710392694.1A CN201710392694A CN107248031A CN 107248031 A CN107248031 A CN 107248031A CN 201710392694 A CN201710392694 A CN 201710392694A CN 107248031 A CN107248031 A CN 107248031A
Authority
CN
China
Prior art keywords
mrow
power consumer
msub
power
peak
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
Application number
CN201710392694.1A
Other languages
English (en)
Other versions
CN107248031B (zh
Inventor
姜江枫
李更丰
陈振宇
栾开宁
顾晨临
王睿豪
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
Xian Jiaotong University
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Xian Jiaotong University
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, Xian Jiaotong University, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710392694.1A priority Critical patent/CN107248031B/zh
Publication of CN107248031A publication Critical patent/CN107248031A/zh
Application granted granted Critical
Publication of CN107248031B publication Critical patent/CN107248031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种针对负荷曲线峰谷差的快速电力用户分类方法。该方法包括以下步骤：1)获取电力用户的日负荷数据；2)将数据进行归一化操作；3)选取相应的峰谷时段；4)根据相关系数函数，反复迭代，最终得到峰谷时段曲线相似的电力用户分类结果。本发明根据用户的日负荷曲线数据，可以对电力用户进行聚类，方便后续电力公司针对性制定策略来降低峰谷差。

Description

一种针对负荷曲线峰谷差的快速电力用户分类方法
技术领域
本发明属于电力***需求侧信息管理技术领域，具体涉及一种针对负荷曲线峰谷差的快速电力用户分类方法。
背景技术
随着社会发展和人民生活水平的提高，居民的用电特性也日趋多样化，用电量持续上升，加重了电力供需矛盾的紧张状况，导致电网峰谷差持续增大。并且在大力提倡低碳经济和推行清洁能源的形式下，大量新能源接入电网也增加了电网的调峰压力，使电网的调峰问题日益突出。同时，随着智能电网的建设，用户侧的需求响应机制已成为电网稳定运行必不可少的重要资源。因而，需要研究电力用户的需求响应行为，充分利用其调度潜力，削峰填谷，缓解电网调峰压力。然而，不同的负荷类型具有不同的负荷特性，在研究电力用户的需求响应行为之前，对电力用户进行分类就显得很有必要。
现有技术中对于电力负荷曲线聚类的方法有一定文献报道。但是，文献中对于所有的负荷曲线所有的时间点进行了计算，且聚类方法复杂，存在着计算量大的问题。
发明内容
本发明的目的在于提供一种针对负荷曲线峰谷差的快速电力用户分类方法。
为实现上述发明目的，本发明采用了以下技术方案：
1)获取待分类电力用户日负荷曲线；
2)将获取的各个电力用户的日负荷曲线进行归一化处理，然后根据选取的峰谷时段，得到各个电力用户各自的负荷数据，转步骤3)；
3)计算尚未分类的电力用户两两之间负荷的欧式距离，根据欧式距离确定作为聚类中心的电力用户；
4)在尚未分类的电力用户中分别计算其余电力用户的负荷与作为聚类中心的电力用户的负荷的相关系数，根据相关系数将在所述峰谷时段内日负荷曲线相似的电力用户与作为聚类中心的电力用户分为一类；
5)通过重复步骤3)和4)进行迭代，直至达到迭代终止条件。
所述负荷数据包括日负荷曲线上选取的峰谷时段所对应各时间点上的用电功率的归一化结果。
所述归一化处理按照以下公式进行：
式中：TS表示日负荷曲线时间点集合，Pit表示第i个待分类电力用户在第t个时间点上的用电功率，xit表示Pit归一化后的数据。
所述峰谷时段的选取数量根据电力公司制定峰谷差调控策略时所研究实际峰谷时段情况确定。
所述步骤3)具体包括以下步骤：
3.1)计算电力用户之间负荷的欧式距离，形成n×n维矩阵Dis：
式中，dij表示第i个电力用户的负荷与第j个电力用户的负荷之间的欧式距离，i＝1,...,n,j＝1,...,n，T表示所选取峰谷时段的时间点集合，xik和xjk分别表示第i个和第j个电力用户在第k个时间点上的用电功率归一化数据；
3.2)将矩阵Dis按行求和，得到n个电力用户中每个电力用户与其余电力用户之间的负荷的欧式距离和，选取矩阵Dis中距离和最小的行所对应的电力用户为聚类中心。
所述步骤4)中，相关系数按照以下公式进行计算：
式中，表示第i个电力用户在选取的峰谷时段内用电功率归一化数据xik的均值，i不为作为聚类中心的电力用户，表示作为聚类中心的电力用户在选取的峰谷时段内用电功率归一化数据xmk的均值。
所述日负荷曲线相似的判据为相关系数≥0.8。
所述迭代的终止条件为：所述尚未分类的电力用户数≤2或者所述其余电力用户的负荷与作为聚类中心的电力用户的负荷的相关系数均<0.8。
所述步骤2)中，峰谷时段由电力公司根据地区总负荷曲线选取，待分类电力用户均为该地区内用户。
本发明的有益效果体现在：
本发明将欧式距离和相关系数应用于针对峰谷差的电力用户分类中，通过选取相对应的峰谷时段进行欧式距离和相关系数的计算，而非全时段的计算，可以达到快速、准确分类的目的，且聚类方法简单高效，为后续研究电力用户的需求响应行为奠定基础，方便后续电力公司针对性地制定峰谷差调控策略。
进一步的，本发明可以通过选取相关系数的下限，控制曲线的相似程度和分类数目的数量，以达到分类精细化的目的。
附图说明
图1为针对负荷曲线峰谷差的快速电力用户分类方法流程图。
图2为仿真中参考的地区总负荷曲线。
图3a、图3b、图3c为不同类别用户的聚类结果。
具体实施方式
下面结合附图和实施例对本发明做详细说明。所述是对本发明的解释，而不是限定。
本发明所述的针对负荷曲线峰谷差的快速电力用户分类方法，涉及了电力用户的日负荷数据(峰谷时段)，通过从待分类电力用户集合N中选取能够使与该集合中其他电力用户对应时段日负荷数据欧式距离之和最小的电力用户作为聚类中心，然后通过分别计算其他电力用户与作为聚类中心的电力用户对应时段日负荷数据的相关系数，选取出日负荷曲线具有相似特征的电力用户并归为一类，反复迭代，直至完成集合N中电力用户的聚类。
依据相关性进行相似负荷曲线聚类时，主要考虑以下两方面：
第一、通过聚类需要得到在峰谷时段具有很强相似性的曲线，相似性与相关系数数值的关系参见表1；
第二、避免由于相关系数下限值取得太大，导致负荷曲线分类数目过多的情况，最终选用的判据为相关系数r≥0.8。
表1.相似性判据
本发明的具体步骤如下，参见图1：
步骤一、获取s个(通常s>2)待分类电力用户的日负荷数据以及相应电力用户的编号，日负荷数据包括相应时间点的功率。常用的电力用户日负荷数据取自对应电力用户日负荷曲线上24个或者96个时间点(间隔1小时或间隔15分钟)的用电功率。
步骤二、将电力用户日负荷数据进行归一化操作，计算公式如下所示：
式中：a表示电力用户日用电功率总和，TS表示日负荷曲线时间点集合，Pit表示第i个电力用户在第t个时间点上的用电功率，xit表示Pit归一化后的数据。通过归一化不仅消除了量纲，而且消除了不同数量级对聚类的影响。
步骤三、由于电力公司可以根据实际情况选择地区总负荷曲线一个或多个峰谷时段进行研究，所以需要选定日负荷曲线中的对应的峰谷时段，峰谷时段在文献中没有严格的定义，都是电力公司制定电价时，根据当地地区情况定义的，一个峰谷时段包括一个峰荷时段和一个谷荷时段。例如，选择地区总负荷曲线中最大峰荷中的一段(时间点t1～t2间)以及最大谷荷中的一段(时间点t3～t4间)作为一个峰谷时段。选定峰谷时段后，依照时间顺序保留选定的峰谷时段内各时间点的数据，去除日负荷曲线上其余时间点的数据，将保留的数据依照时间顺序重新整合，形成n个尚未分类电力用户各自占据一行的电力用户负荷数据矩阵，每行的数据元素个数取决于选定峰谷时段内时间点总数，n的初始值为s。
步骤四、计算电力用户负荷数据的欧式距离，得到矩阵：
式中，dij表示第i个电力用户的负荷与第j个电力用户的负荷之间的欧式距离，i＝1,...,n,j＝1,...,n，T表示峰谷时段的时间点集合。
步骤五、将矩阵Dis按行求和，选取欧式距离之和最小的行(由于计算精度的限制，当出现两个欧式距离之和相等且均为最小的行时，任意选择其中一行继续下面的步骤)，将该行所对应的电力用户记为m。分别计算矩阵Dis中其余n-1行所对应电力用户的负荷与用户m负荷的相关系数：
式中：表示第i个电力用户在选定的峰谷时段内用电功率归一化数据的均值，i≠m，表示电力用户m在选定的峰谷时段内用电功率归一化数据的均值；
选取相关系数r≥0.8的负荷数据所在行，将这些行对应的电力用户和电力用户m归为一类，并记录这些电力用户对应的初始行号m1、m2…，记录的结果用向量V表示：
V＝[m1,m2,…]
步骤六、当向量V为空集时，则跳转到步骤八，否则继续执行下一步。
步骤七，当n≤2时，则跳转至步骤九。否则，从电力用户负荷数据矩阵中去除向量V元素所在行的数据，返回步骤四。
步骤八、将其余n-1行所对应用户给予单独标记(未能够聚类，可能存在采集误差等问题)，继续执行下一步。
步骤九、输出程序结果(聚类结果和未能够聚类的用户)。
仿真算例
以某地区800名用户的日负荷数据为例，地区总负荷曲线见图2，其中谷荷时段为11～13时，峰荷时段为21～24时，共计包含的时间点数为7个。最终得到的用户分类有10类。从图3a～c可以看出，通过分类，日负荷曲线具有相似峰谷时段的用户得到了有效的分类。
综上所述，本发明运用欧式距离，从全局找寻聚类中心点，再通过相关系数，将负荷曲线峰谷时段相似的用户，归为一类，使聚类结果更加合理。本发明可以根据用户的日负荷数据(峰谷时段)，实现快速的用户分类，为进一步研究用户用电行为和需求响应行为奠定基础，方便后续电力公司针对性制定策略来降低峰谷差。

Claims (9)

1.一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：包括以下步骤：
1)获取待分类电力用户日负荷曲线；
2)将获取的各个电力用户的日负荷曲线进行归一化处理，然后根据选取的峰谷时段，得到各个电力用户各自的负荷数据；
3)计算尚未分类的电力用户两两之间负荷的欧式距离，根据欧式距离确定作为聚类中心的电力用户；
4)分别计算其余电力用户的负荷与作为聚类中心的电力用户的负荷的相关系数，根据相关系数将在所述峰谷时段内日负荷曲线相似的电力用户与作为聚类中心的电力用户分为一类；
5)通过重复步骤3)和4)进行迭代，直至达到迭代终止条件。
2.根据权利要求1所述一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：所述负荷数据包括日负荷曲线对应时间点上的用电功率的归一化结果。
3.根据权利要求1所述一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：所述归一化处理按照以下公式进行：
<mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>a</mi> </mfrac> <mo>&amp;CenterDot;</mo> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>,</mo> <mi>a</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <mi>T</mi> <mi>S</mi> </mrow> </munder> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> </mrow>
式中：TS表示日负荷曲线时间点集合，Pit表示第i个待分类电力用户在第t个时间点上的用电功率，xit表示Pit归一化后的数据。
4.根据权利要求1所述一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：所述峰谷时段的选取数量根据电力公司制定峰谷差调控策略时所研究实际峰谷时段情况确定。
5.根据权利要求1所述一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：所述步骤3)具体包括以下步骤：
3.1)计算电力用户之间负荷的欧式距离，形成n×n维矩阵Dis：
式中，dij表示第i个电力用户的负荷与第j个电力用户的负荷之间的欧式距离，i＝1,...,n,j＝1,...,n，T表示所选取峰谷时段的时间点集合，xik和xjk分别表示第i个和第j个电力用户在第k个时间点上的用电功率归一化数据；
3.2)将矩阵Dis按行求和，得到n个电力用户中每个电力用户与其余电力用户之间的负荷的欧式距离和，选取矩阵Dis中距离和最小的行所对应的电力用户为聚类中心。
6.根据权利要求1所述一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：所述步骤4)中，相关系数按照以下公式进行计算：
<mrow> <mi>r</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>&amp;Element;</mo> <mi>T</mi> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <mover> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>m</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <mover> <msub> <mi>x</mi> <mi>m</mi> </msub> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <msqrt> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>&amp;Element;</mo> <mi>T</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <mover> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <msqrt> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>&amp;Element;</mo> <mi>T</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mrow> <mi>m</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <mover> <msub> <mi>x</mi> <mi>m</mi> </msub> <mo>&amp;OverBar;</mo> </mover> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>)</mo> </mrow> </mrow> 1
式中，表示第i个电力用户在选取的峰谷时段内用电功率归一化数据xik的均值，i不为作为聚类中心的电力用户，表示作为聚类中心的电力用户在选取的峰谷时段内用电功率归一化数据xmk的均值，T表示所选取峰谷时段的时间点集合。
7.根据权利要求1所述一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：所述日负荷曲线相似的判据为相关系数≥0.8。
8.根据权利要求1所述一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：所述迭代的终止条件为：所述尚未分类的电力用户数≤2或者所述其余电力用户的负荷与作为聚类中心的电力用户的负荷的相关系数均<0.8。
9.根据权利要求1所述一种针对负荷曲线峰谷差的快速电力用户分类方法，其特征在于：所述步骤2)中，峰谷时段根据地区总负荷曲线选取，待分类电力用户均为该地区内用户。
CN201710392694.1A 2017-05-27 2017-05-27 一种针对负荷曲线峰谷差的快速电力用户分类方法 Active CN107248031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710392694.1A CN107248031B (zh) 2017-05-27 2017-05-27 一种针对负荷曲线峰谷差的快速电力用户分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710392694.1A CN107248031B (zh) 2017-05-27 2017-05-27 一种针对负荷曲线峰谷差的快速电力用户分类方法

Publications (2)

Publication Number Publication Date
CN107248031A true CN107248031A (zh) 2017-10-13
CN107248031B CN107248031B (zh) 2021-07-13

Family

ID=60017805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710392694.1A Active CN107248031B (zh) 2017-05-27 2017-05-27 一种针对负荷曲线峰谷差的快速电力用户分类方法

Country Status (1)

Country Link
CN (1) CN107248031B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210755A (zh) * 2019-05-30 2019-09-06 国网山东省电力公司泰安供电公司 一种基于K_means聚类算法的用户需求响应能力评估方法
CN111738340A (zh) * 2020-06-24 2020-10-02 西安交通大学 一种分布式K-means电力用户分类方法、存储介质及分类设备
CN111754090A (zh) * 2020-06-08 2020-10-09 深圳供电局有限公司 一种基于大数据的电力用户需求侧调控方法
CN111754091A (zh) * 2020-06-08 2020-10-09 深圳供电局有限公司 一种电力用户需求侧调控***
CN111967723A (zh) * 2020-07-24 2020-11-20 南昌大学 一种基于数据挖掘的用户调峰潜力分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120252430A1 (en) * 2009-08-21 2012-10-04 Imes Kevin R Establishing proximity detection using 802.11 based networks
CN103914621A (zh) * 2014-04-03 2014-07-09 国家电网公司 一种基于结构特征的配变日负荷典型曲线分析方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120252430A1 (en) * 2009-08-21 2012-10-04 Imes Kevin R Establishing proximity detection using 802.11 based networks
CN103914621A (zh) * 2014-04-03 2014-07-09 国家电网公司 一种基于结构特征的配变日负荷典型曲线分析方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱晓清: "电力负荷的分类方法及其应用", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210755A (zh) * 2019-05-30 2019-09-06 国网山东省电力公司泰安供电公司 一种基于K_means聚类算法的用户需求响应能力评估方法
CN110210755B (zh) * 2019-05-30 2023-04-18 国网山东省电力公司泰安供电公司 一种基于K_means聚类算法的用户需求响应能力评估方法
CN111754090A (zh) * 2020-06-08 2020-10-09 深圳供电局有限公司 一种基于大数据的电力用户需求侧调控方法
CN111754091A (zh) * 2020-06-08 2020-10-09 深圳供电局有限公司 一种电力用户需求侧调控***
CN111754090B (zh) * 2020-06-08 2024-06-11 深圳供电局有限公司 一种基于大数据的电力用户需求侧调控方法
CN111738340A (zh) * 2020-06-24 2020-10-02 西安交通大学 一种分布式K-means电力用户分类方法、存储介质及分类设备
CN111738340B (zh) * 2020-06-24 2022-05-20 西安交通大学 一种分布式K-means电力用户分类方法、存储介质及分类设备
US11768858B2 (en) 2020-06-24 2023-09-26 Xi'an Jiaotong University Method of power user classification based on distributed K-means, storage medium and classification device
CN111967723A (zh) * 2020-07-24 2020-11-20 南昌大学 一种基于数据挖掘的用户调峰潜力分析方法
CN111967723B (zh) * 2020-07-24 2022-05-20 南昌大学 一种基于数据挖掘的用户调峰潜力分析方法

Also Published As

Publication number Publication date
CN107248031B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN107248031A (zh) 一种针对负荷曲线峰谷差的快速电力用户分类方法
CN103559655B (zh) 基于数据挖掘的微网新型馈线负荷的预测方法
Huang et al. A clustering based grouping method of nearly zero energy buildings for performance improvements
Shao et al. A new electricity price prediction strategy using mutual information-based SVM-RFE classification
CN105117810A (zh) 一种阶梯电价机制下居民用电中期负载预测方法
CN106446967A (zh) 一种新型电力***负荷曲线聚类方法
CN112184070B (zh) 一种协同生态流量需求的梯级水电站多目标优化调度方法及***
CN107133652A (zh) 基于K‑means聚类算法的用电客户价值评估方法及***
CN102999791A (zh) 一种电力行业中基于客户分群的电力负荷预测方法
Zhang et al. Analysis of power consumer behavior based on the complementation of K-means and DBSCAN
CN109146252A (zh) 基于调节潜力指标的用户用电行为聚类分析方法和***
CN109117872A (zh) 一种基于自动最优聚类算法的用户用电行为分析方法
CN110109971A (zh) 一种低压台区用户用电负荷特性分析方法
CN104239968A (zh) 一种快速模糊粗糙集短期负荷预测方法
CN111460001B (zh) 一种配电网理论线损率评估方法及***
CN103942606A (zh) 基于果蝇智能优化算法的居民用电客户细分方法
CN108428055A (zh) 一种考虑负荷纵向特性的负荷聚类方法
Campbell et al. Methodologies for load forecasting
CN106777005A (zh) 基于大数据技术改进聚类算法的用户用电行为分析方法
CN107748944A (zh) 一种售电侧放开环境下用户侧需求响应方法
CN110380444A (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN104376402B (zh) 一种基于频域指标的负荷特性分类与综合方法
CN112465403A (zh) 一种区域电力需求侧响应潜力评估方法
Wang et al. Big data analytics for price forecasting in smart grids
CN105653670A (zh) 一种基于流形学习聚类算法的智能用电数据挖掘方法

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
GR01 Patent grant
GR01 Patent grant