CN108205721A - 基于聚类的样条插值典型日负荷曲线选取装置 - Google Patents
基于聚类的样条插值典型日负荷曲线选取装置 Download PDFInfo
- Publication number
- CN108205721A CN108205721A CN201611168907.4A CN201611168907A CN108205721A CN 108205721 A CN108205721 A CN 108205721A CN 201611168907 A CN201611168907 A CN 201611168907A CN 108205721 A CN108205721 A CN 108205721A
- Authority
- CN
- China
- Prior art keywords
- load curve
- cluster
- module
- daily load
- typical day
- 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
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000007621 cluster analysis Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 abstract description 6
- 239000002245 particle Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 239000010755 BS 2869 Class G Substances 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于聚类的样条插值典型日负荷曲线选取装置,包括:聚类分析模块,用于从配置模块获取聚类算法,从数据获取模块获取数据;根据聚类算法,对日负荷曲线数据进行聚类操作,最终将日负荷曲线聚为若干类并得到每类日负荷曲线的聚类中心;甄别出聚类日负荷曲线最多的一类作为聚类结果,将聚类结果输入基准日负荷曲线获取模块,并将聚类日负荷曲线最多的一类的聚类中心作为初步典型日负荷曲线,输入插值修正模块。本发明使得典型日负荷曲线的选取更加科学合理,使其更具区域、季度代表性,为了解区域用电情况以及制定相关的决策提供事实依据。
Description
技术领域
本发明涉及一种基于聚类的样条插值典型日负荷曲线选取装置。
背景技术
日负荷曲线是一日内按时间顺序以整点负荷绘制的负荷曲线。在电力营销领域,典型日负荷曲线是可代表一个时间段内各日负荷特点的日负荷曲线,对于电力负荷特性研究、分析用电规律及辅助决策具有重要意义。供电公司需要通过选取出具有代表性的典型日负荷曲线来准确把握地区用电情况,做出准确的用电预测,从而做好前期用电准备。
目前典型日负荷曲线的选取尚属业内研究热点。供电公司广泛采用的典型日负荷曲线选取方式主要有:
一是通过人工经验选取某日负荷曲线作为典型日负荷曲线,这种方法依赖于业务人员的经验,具有很大的主观性和偏差性;
二是通过选取当月最大负荷日或者通过求当月所有日负荷的平均值作为典型日,这种方式通用性较差,受该段时间所有数据准确与否影响较大,具有很大的局限性。
发明内容
本发明的目的就是为了解决上述问题,提供一种基于聚类的样条插值典型日负荷曲线选取装置,使得典型日负荷曲线的选取更加科学合理,使其更具区域、季度代表性,为了解区域用电情况以及制定相关的决策提供事实依据。
为了实现上述目的,本发明采用如下技术方案:
基于聚类的样条插值典型日负荷曲线选取装置,包括:
聚类分析模块,用于从配置模块获取聚类算法,从数据获取模块获取数据;根据聚类算法,对日负荷曲线数据进行聚类操作,最终将日负荷曲线聚为若干类并得到每类日负荷曲线的聚类中心;甄别出聚类日负荷曲线最多的一类作为聚类结果,将聚类结果输入基准日负荷曲线获取模块,并将聚类日负荷曲线最多的一类的聚类中心作为初步典型日负荷曲线,输入插值修正模块。
所述基准日负荷曲线获取模块,用于按照配置模块获取的基准日负荷曲线选取规则,从聚类分析模块获取的聚类结果中计算得到基准日负荷曲线,并将得到的基准日负荷曲线输入插值修正模块,基准日负荷曲线选取规则包括对指定时间段聚类结果求平均。
所述数据获取模块,用于从配置模块获取聚类分析对象,按照聚类分析对象从外部数据基础***获取用户指定时间段内的日负荷曲线所需数据,将获取的数据传递给聚类分析模块。
所述插值修正模块,用于通过与从基准日负荷曲线获取模块获取的基准日负荷曲线比较,对从聚类分析模块获取到的初步典型日负荷曲线进行修正,修正初步典型日负荷曲线的异常点,并利用样条插值法得到典型日负荷曲线。
所述配置模块,用于接受数据获取模块、聚类分析模块和基准日负荷曲线获取模块的调用,从用户交互模块中获取用户需求,根据用户需求从算法存储模块读取配置信息;
所述算法存储模块,用于存储从实际工作中提取出的聚类算法、所需的聚类分析对象和基准日负荷曲线选取规则,与用户进行交互实现信息的新增、更改及删除,接收配置模块调用将选定聚类算法所需配置信息传递给配置模块。
所述用户交互模块,用于实现与用户的交互,从装置用户处获取用户需求及参数,根据需求及参数向配置模块发送分析指令,根据用户需求将从插值修正模块获取的典型日负荷曲线提供给装置用户,提供查询指令和主动推送两种交互方式。
外部数据基础***包括用电信息采集***;
从算法存储模块获取的配置信息包括聚类分析对象、聚类算法、基准日负荷曲线选取规则等信息;
聚类算法包括最短距离聚类算法、基于反一致自适应可能性C均值聚类算法、K-means聚类算法等,基准日负荷曲线选取规则包括平均值法。
本发明的有益效果:
(1)本发明可实现典型日负荷曲线选取的优化,提升典型日可应用于供电公司负荷预测、市场分析,通过装置用户预先制定选取算法并在使用时由用户自主选择算法,通过样条插值的修正得出较为真实准确的典型日负荷曲线,提高典型日负荷曲线的精度,为决策提供依据。
(2)本发明提供用户交互功能,通过用户自主选择聚类和选取方式,可以将得到的典型日进行对比,更有利分析用电情况,得到的典型日负荷曲线具有代表性。
附图说明
图1为本发明提出的一种基于聚类的样条插值典型日负荷曲线选取装置。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
图1,是基于本发明实现的一种基于聚类的样条插值典型日负荷曲线选取装置,包括数据获取模块1、聚类分析模块2、基准日负荷曲线获取模块3、插值修正模块4、配置模块5、算法存储模块6、用户交互模块7。
数据获取模块1,用于从配置模块5获取聚类分析对象等配置信息,按照聚类分析对象从用电信息采集***等外部数据基础***获取用户某段时间内的日负荷曲线数据,将这些数据传递给聚类分析模块2。
聚类分析模块2,用于从配置模块5获取的聚类算法等配置信息,从数据获取模块1获取数据;根据配置信息中的聚类算法,如基于反一致自适应可能性C均值聚类算法,对日负荷曲线数据进行聚类操作,最终将日负荷曲线聚为若干类;甄别出聚类日负荷曲线最多的一类作为聚类结果,将聚类结果输入基准日负荷曲线获取模块3,并将该类的聚类中心作为初步典型日负荷曲线,输入插值修正模块4。
基准日负荷曲线获取模块3,用于按照配置模块5获取的基准日负荷曲线选取规则,从聚类分析模块2获取的聚类结果中计算得到基准日负荷曲线,并将得到的基准日负荷曲线输入插值修正模块,基准日负荷曲线选取规则包括对指定时间段聚类结果求平均。
插值修正模块4,用于通过与从基准日负荷曲线获取模块获取的基准日负荷曲线比较,对从聚类分析模块2获取到的初步典型日负荷曲线进行修正,修正初步典型日负荷曲线的异常点,并利用样条插值法得到典型日负荷曲线。
配置模块5,用于接受数据获取模块1、聚类分析模块2和基准日负荷曲线获取模块3的调用,从算法存储模块6获取配置信息,包括聚类分析对象、聚类算法、基准日负荷曲线选取规则等信息;从用户交互模块7中获取用户需求,据此从算法存储模块6读取聚类算法和基准日负荷曲线选取规则。
算法存储模块6,用于存储从实际工作中提取出的适用的聚类方法及所需的聚类分析对象、基准日负荷曲线选取规则等信息,聚类方法包括最短距离聚类算法、基于反一致自适应可能性C均值聚类算法、K-means聚类算法等,基准日负荷曲线选取规则包括平均值法等,可与用户进行交互实现配置信息的新增、更改及删除,接收配置模块5调用将选定聚类算法所需配置信息传递给配置模块5。
用户交互模块7,用于实现与用户的交互,从用户处获取用户需求及参数,根据需求及参数向配置模块5发送分析指令,根据用户需求将从插值修正模块4获取的修正后的典型日负荷曲线提供给用户,提供查询指令和主动推送两种交互方式。
以山东某地区单位一个月的电力负荷曲线为例,本发明的工作过程介绍如下:
(一)用户提供了以下聚类算法和基准日负荷曲线选取方法:
(1)最短距离聚类算法
通过计算类之间的欧式距离,选择距离最小的两类进行合并的方法。
样本xi与xj之间的距离用dij表示,类Gi和Gi之间的距离用Dij表示。
类Gi和Gi之间的距离为2类最近样本的距离定义为:
类Gp与Gq合并后的新类为Gr,任一类Gk与Gr的距离为
Step1初始化距离矩阵。将每个样本归为一类,计算每两个样本之间的距离,Dij=dij,得到初始距离矩阵D0。
Step2根据最小距离,合并类。对于D0上非对角线上的最小元素,记为Dpq,将Gp与Gq合并为一类,记为Gr,则Gr={Gp,Gq}。
Step3重新计算新类之间的距离。根据公式(b)计算出新类之间的距离,得到新矩阵D1。
Step4重复Step2和Step3,直到所有元素合并成一类。
(2)基于反一致自适应可能性C均值聚类算法
可能性C均值聚类的最小化目标函数为:
其中,uij表示样本xj对于类i的可能值,uij∈[0,1],θi为聚类中心,m为模糊指标,ηi为尺度参数。
PCM的聚类中心和模糊隶属度公式为:
反一致性函数构造为:
其中θi表示聚类中心,c表示聚类数。
反一致自适应可能性C均值聚类算法(ACAPCM)目标函数为
JACAPCM(U,P)=JPCM(U,P)+g(θ) (h)
ACAPCM的模糊隶属度公式为
利用粒子群算法对聚类中心进行编码,第i个粒子的位置用向量xi=(xi1,xi2,…,xid)表示,粒子的速度用vi=(vi1,vi2,…,vid)表示,粒子的速度和位置更新公式分别为:
vij(t+1)=wvij(t)+c1r1[pij(t)-xij(t)]+c2r2[gj(t)-xij(t)]
(j)
xij(t+1)=xij(t)+vij(t+1) (k)
其中,pij表示粒子i的自身最优值pbest,gj表示粒子群的最优值gbest,c1,c2为加速因子,r1,r2为[0,1]之间的随机数,w为惯性因子。
粒子群适应度函数为
Step1数据预处理。对一个月份的所有工作日96点的日负荷曲线进行数据处理。第i条负荷曲线表示为xi=[xi1,xi2,…,xi96],为了方便数据的比较,将日负荷进行归一化处理,x′i=xi/max(xi)。
Step2初始聚类数c设置为2,聚类数的自适应函数L(1)=0。
Step3初始化粒子群位置和速度。每个粒子为c×d维,其中d=96,代表96个负荷点。
Step4粒子的位置的每d维分量构成第i类的聚类中心,得到聚类中心矩阵P(k),k的初始值为0。
Step5利用公式(i)计算该月份所有日负荷的模糊隶属度;根据公式(h)、(l)计算粒子的适应度函数。
Step6如果达到迭代停止条件或者群体最优解收敛,则迭代停止,执行Step8,否则执行步骤Step7。
Step7更新个体最优解和粒子群的最优解,同时利用公式(j)、(k)更新粒子的速度和位置,置k=k+1,返回Step4。
Step8计算L(c)的值,如果L(c-1)>L(c-2)并且L(c-1)>L(c),同时2<c<n,则整个聚类过程结束,执行步骤Step9,否则,置c=c+1,返回步骤Step3。
Step9根据聚类的结果,选取出日负荷数目最多的一类,并将该类所有日负荷曲线的平均值作为该月的基准日。该类的聚类中心作为典型日。其他类别作为畸变日剔除。
(3)K-means聚类算法
基于距离的聚类算法,任意选取k个对象作为k个初始聚类中心,对于数据集中剩余的每个对象,计算其与每个聚类中心的距离,把该对象归并到最近的聚类中心一类中,完成一次迭代计算后,计算每一类的新的中心点。继续迭代,直到聚类中心不再发生变化为止。新的聚类中心以该类中的样本均值作为新的中心点。
(4)平均值法,指对一类日负荷曲线96个点的每个点分别求平均值。
(二)将聚类算法和选取算法通过规则描述语言表示成一系列产生式规则,生成的产生式规则表示为If(条件)Then(行为)的结构,存储在算法存储模块6中。
(三)用户通过用户交互模块7向装置提交典型日负荷曲线获取需求,用户交互模块7向配置模块5发出解析的分析指令,配置模块5根据指令从算法存储模块6中获取所需的聚类算法、基准日负荷曲线选取规则等配置信息。
(四)聚类分析模块2从配置模块5获取聚类算法,将从数据获取模块1输入的数据进行聚类操作,如果采用基于反一致自适应可能性C均值聚类算法,步骤包括:数据预处理,确定初始聚类数和种群,采用粒子群算法初始化聚类中心位置和速度,计算日负荷曲线的模糊隶属度和粒子的适应度函数,判断若达到迭代停止条件或者群体最优解收敛则判定日负荷曲线所属聚类类别,判断若未达到则更新个体最优解和粒子群最优解、调整粒子的速度和位置、对新粒子群体的位置计算适应度以及日负荷曲线的模糊隶属度、判断是否达到迭代停止条件或者群体最优解收敛,最终将日负荷曲线聚为若干类并得到每类日负荷曲线的聚类中心;甄别出聚类日负荷曲线最多的一类作为聚类结果,将聚类结果输入基准日负荷曲线获取模块3,并将对应的聚类中心作为初步典型日负荷曲线,输入插值修正模块4。
(五)基准日负荷曲线获取模块3从配置模块5获取基准日负荷曲线选取方法,如平均值法,将聚类分析模块2输入的结果求平均得出基准日负荷曲线,输入插值修正模块4。
(六)插值修正模块4从聚类分析模块2、基准日负荷曲线获取模块3分别获取初步典型日负荷曲线、基准日负荷曲线,将初步典型日负荷曲线与基准日负荷曲线进行对比分析,根据设置的差值阈值参数,若初步典型日负荷曲线与基准日负荷曲线的整点负荷差值大于该阈值,则对典型日负荷曲线进行调整。选取典型日前后四天的日负荷与基准日进行比较,用最接近基准日的负荷替换需要调整的典型日的负荷点。将调整后的典型日负荷进行三次样条插值处理,得到较为平滑的典型日负荷曲线,并通过用户交互模块7输出给装置用户。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于聚类的样条插值典型日负荷曲线选取装置,其特征是,包括:
聚类分析模块,用于从配置模块获取聚类算法,从数据获取模块获取数据;根据聚类算法,对日负荷曲线数据进行聚类操作,最终将日负荷曲线聚为若干类并得到每类日负荷曲线的聚类中心;甄别出聚类日负荷曲线最多的一类作为聚类结果,将聚类结果输入基准日负荷曲线获取模块,并将聚类日负荷曲线最多的一类的聚类中心作为初步典型日负荷曲线,输入插值修正模块。
2.如权利要求1所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,所述基准日负荷曲线获取模块,用于按照配置模块获取的基准日负荷曲线选取规则,从聚类分析模块获取的聚类结果中计算得到基准日负荷曲线,并将得到的基准日负荷曲线输入插值修正模块,基准日负荷曲线选取规则包括对指定时间段聚类结果求平均。
3.如权利要求1所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,所述数据获取模块,用于从配置模块获取聚类分析对象,按照聚类分析对象从外部数据基础***获取用户指定时间段内的日负荷曲线所需数据,将获取的数据传递给聚类分析模块。
4.如权利要求1所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,所述插值修正模块,用于通过与从基准日负荷曲线获取模块获取的基准日负荷曲线比较,对从聚类分析模块获取到的初步典型日负荷曲线进行修正,修正初步典型日负荷曲线的异常点,并利用样条插值法得到典型日负荷曲线。
5.如权利要求2或3所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,所述配置模块,用于接受数据获取模块、聚类分析模块和基准日负荷曲线获取模块的调用,从用户交互模块中获取用户需求,根据用户需求从算法存储模块读取配置信息。
6.如权利要求5所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,所述算法存储模块,用于存储从实际工作中提取出的聚类算法、所需的聚类分析对象和基准日负荷曲线选取规则,与用户进行交互实现信息的新增、更改及删除,接收配置模块调用将选定聚类算法所需配置信息传递给配置模块。
7.如权利要求5所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,所述用户交互模块,用于实现与用户的交互,从装置用户处获取用户需求及参数,根据需求及参数向配置模块发送分析指令,根据用户需求将从插值修正模块获取的典型日负荷曲线提供给装置用户,提供查询指令和主动推送两种交互方式。
8.如权利要求3所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,外部数据基础***包括用电信息采集***。
9.如权利要求5所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,从算法存储模块获取的配置信息包括聚类分析对象、聚类算法、基准日负荷曲线选取规则。
10.如权利要求9所述的基于聚类的样条插值典型日负荷曲线选取装置,其特征是,聚类算法包括最短距离聚类算法、基于反一致自适应可能性C均值聚类算法或K-means聚类算法,基准日负荷曲线选取规则包括平均值法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611168907.4A CN108205721B (zh) | 2016-12-16 | 2016-12-16 | 基于聚类的样条插值典型日负荷曲线选取装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611168907.4A CN108205721B (zh) | 2016-12-16 | 2016-12-16 | 基于聚类的样条插值典型日负荷曲线选取装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108205721A true CN108205721A (zh) | 2018-06-26 |
CN108205721B CN108205721B (zh) | 2021-11-02 |
Family
ID=62602542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611168907.4A Active CN108205721B (zh) | 2016-12-16 | 2016-12-16 | 基于聚类的样条插值典型日负荷曲线选取装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108205721B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828375A (zh) * | 2018-08-17 | 2018-11-16 | 国网江苏省电力有限公司电力科学研究院 | 基于双回路智能电能表的空调用电监控***及监控方法 |
CN112952814A (zh) * | 2021-03-04 | 2021-06-11 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156814A (zh) * | 2011-04-06 | 2011-08-17 | 广东省电力设计研究院 | 基于聚类的典型日负荷曲线选取方法及装置 |
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 |
CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
CN104992238A (zh) * | 2015-06-24 | 2015-10-21 | 国网山东省电力公司电力科学研究院 | 一种基于典型日负荷特性的电力负荷预测方法 |
CN105303263A (zh) * | 2015-11-16 | 2016-02-03 | 深圳合纵能源技术有限公司 | 一种区域电网的负荷预测***及其方法 |
CN105574606A (zh) * | 2015-12-10 | 2016-05-11 | 济南大学 | 一种基于负荷特性指标体系的用电避峰方法 |
CN105678314A (zh) * | 2015-10-15 | 2016-06-15 | 东南大学 | 一种基于模糊c聚类的典型需求侧用户筛选方法 |
-
2016
- 2016-12-16 CN CN201611168907.4A patent/CN108205721B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156814A (zh) * | 2011-04-06 | 2011-08-17 | 广东省电力设计研究院 | 基于聚类的典型日负荷曲线选取方法及装置 |
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 |
CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
CN104992238A (zh) * | 2015-06-24 | 2015-10-21 | 国网山东省电力公司电力科学研究院 | 一种基于典型日负荷特性的电力负荷预测方法 |
CN105678314A (zh) * | 2015-10-15 | 2016-06-15 | 东南大学 | 一种基于模糊c聚类的典型需求侧用户筛选方法 |
CN105303263A (zh) * | 2015-11-16 | 2016-02-03 | 深圳合纵能源技术有限公司 | 一种区域电网的负荷预测***及其方法 |
CN105574606A (zh) * | 2015-12-10 | 2016-05-11 | 济南大学 | 一种基于负荷特性指标体系的用电避峰方法 |
Non-Patent Citations (6)
Title |
---|
刘辉舟 等: "基于模糊负荷聚类的不良负荷数据辨识与修正", 《中国电力》 * |
孙谦 等: "基于最优交集相似日选取的短期母线负荷综合预测", 《中国电机工程学报》 * |
孟建良 等: "一种基于Spark和聚类分析的辨识电力***不良数据新方法", 《电力***保护与控制》 * |
文传军 等: "反一致可能性C均值聚类算法", 《计算机科学》 * |
蔡国伟 等: "一种基于最短距离聚类与关联度分析的典型日选取新方法", 《中国电力》 * |
赵晖: "用样条插值法模拟典型日负荷曲线", 《电网技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828375A (zh) * | 2018-08-17 | 2018-11-16 | 国网江苏省电力有限公司电力科学研究院 | 基于双回路智能电能表的空调用电监控***及监控方法 |
CN108828375B (zh) * | 2018-08-17 | 2020-08-14 | 国网江苏省电力有限公司电力科学研究院 | 基于双回路智能电能表的空调用电监控***及监控方法 |
CN112952814A (zh) * | 2021-03-04 | 2021-06-11 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
CN112952814B (zh) * | 2021-03-04 | 2022-12-09 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108205721B (zh) | 2021-11-02 |
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 | |
CN108154430A (zh) | 一种基于机器学习和大数据技术的信用评分构建方法 | |
CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN103559655A (zh) | 基于数据挖掘的微网新型馈线负荷的预测方法 | |
CN108448620A (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
CN113378954B (zh) | 一种基于粒子群改进k均值算法的负荷曲线聚类方法及*** | |
Romoozi et al. | Genetic algorithm for energy efficient and coverage-preserved positioning in wireless sensor networks | |
CN108921324A (zh) | 基于配变聚类的台区短期负荷预测方法 | |
CN107909221A (zh) | 基于组合神经网络的电力***短期负荷预测方法 | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和*** | |
CN110162390A (zh) | 一种雾计算***的任务分配方法及*** | |
CN113270898A (zh) | 一种基于两阶段规划的分布式光伏优化配置方法 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、***、设备和存储介质 | |
CN108205721A (zh) | 基于聚类的样条插值典型日负荷曲线选取装置 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
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 | |
CN109086952A (zh) | 一种基于遗传算法-神经网络的热负荷预测方法 | |
CN113344073A (zh) | 一种基于融合进化算法的日负荷曲线聚类方法及*** | |
CN106777298A (zh) | 一种基于分形技术的分布式聚类方法 | |
CN113947321A (zh) | 一种分布式信息能源网络拓扑结构构建方法和*** | |
Liu et al. | Hybrid relevance vector machine model for wind power forecasting |
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 |