CN108681744B - 一种基于数据划分的电力负荷曲线层次聚类方法 - Google Patents
一种基于数据划分的电力负荷曲线层次聚类方法 Download PDFInfo
- Publication number
- CN108681744B CN108681744B CN201810348336.5A CN201810348336A CN108681744B CN 108681744 B CN108681744 B CN 108681744B CN 201810348336 A CN201810348336 A CN 201810348336A CN 108681744 B CN108681744 B CN 108681744B
- Authority
- CN
- China
- Prior art keywords
- clustering
- cluster
- value
- dbi
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于数据划分的电力负荷曲线层次聚类方法,涉及电网领域,本发明基于聚类有效性评价函数DBI,针对电力负荷曲线数据,运用基于数据划分的层次聚类算法对其聚类,同时运用设置阈值的方式进一步减少聚类时间;本发明由于采用了将整体数据划分为若干子集再分别聚类的方法,将电力负荷曲线的聚类时间大幅度缩短,且多次实验表明,当以DBI指数评价聚类质量,基于数据划分的层次聚类算法总体上较传统层次聚类算法的聚类质量提高了约3%。
Description
技术领域
本发明涉及电网领域,尤其是一种电力负荷曲线的聚类方法。
背景技术
随着需求侧响应概念的提出,用户侧资源逐渐受到学术界和工业界的重视。用户侧负荷资源能否参与能源互联网供需调节,对整个电力***的安全稳定运行有重要意义。电网中用户的细分,对制定精准的激励政策,以使用户侧资源参与到电网的供需调节中显得至关重要。负荷曲线作为电力用户最重要的特征,通过用户负荷曲线聚类分析,提取用户用电的负荷模式,对于深刻把握用户用电规律、评估用户需求响应潜力、指导电价制定和制定需求响应激励机制等具有重要意义。
由于需求侧响应概念在近几年才被提出,电力用户用电数据也在近几年逐渐丰富起来,因此,通过电力负荷曲线聚类,挖掘用户用电模式,成为很多学者研究的热点问题。研究伊始,关于负荷曲线聚类的研究都集中在用基本的聚类算法对其聚类,但随着数据规模的不断增大,仅仅用简单的聚类算法会导致聚类时间太长,聚类质量不高,而使得负荷曲线聚类问题成为难求解的问题;在近两年,有学者将两种基本聚类算法结合,来提高聚类质量,降低聚类时间,并且大多数将两种聚类算法相结合的研究都是将k-means算法与另一种算法相结合,但由于k-means算法初始聚类中心的随机性,导致聚类结果是不可重复、不稳定的,同时,两种聚类算法的结合也会增加时间成本;也有学者将降维技术应用到聚类算法中,但不管是利用那种降维技术都会减少原始数据中的部分信息,从而导致聚类的不准确性。
发明内容
为了克服现有技术的不足,本发明提供一种基于数据划分的电力负荷曲线层次聚类方法。本发明基于聚类有效性评价函数DBI,针对更大规模的电力负荷曲线数据,运用基于数据划分的层次聚类算法对其聚类,同时运用设置阈值的方式进一步减少聚类时间;由于本发明运用的基本聚类算法是层次聚类算法,因此在对负荷曲线进行聚类之前,需进行数据的预处理,特别是离群值的处理。
本发明解决其技术问题所采用的技术方案的详细步骤如下:
步骤1:进行数据预处理
假定每条负荷曲线有n个记录,先对原始负荷曲线做如下剔除处理:剔除存在负值记录的负荷曲线,剔除存在空值记录的负荷曲线,剔除n个记录中全部为0值的负荷曲线,经过三种剔除之后,剩余m条负荷曲线,计算每条负荷曲线到其他m-1条曲线的距离,计算公式如下:
其中,Dx表示第x条负荷曲线与其他m-1条曲线的距离之和,fxj和fij分别表示第x条曲线和第i条曲线的第j个负荷记录,x,i=1,2,...,m,j=1,2,...,n,以所有m个距离值为输入数据,利用箱线图方法识别离群值;在箱线图中,用处于箱子上边缘和下边缘的曲线分别代替上边缘以上和下边缘以下的曲线,即获得离群值;
步骤2:数据划分
将m个负荷曲线集合划分为y种子集规模不同的集合群,按照子集的规模由小到大排序,依次为S1,S2,…Sl,…Sy;
步骤3:对Sl中每个子集用Havg层次聚类算法聚类,其中,l=1,…,y;将每个子集分别聚为2-8类,选择戴维森堡丁指数(Davies-Bouldin Index,DBI)最小的聚类结果作为该子集的聚类结果;
步骤4:求每个子集聚类中心的并集,并对该并集运用Havg算法进行聚类;
步骤5:运用聚类效果评价函数DBI对步骤4的聚类效果进行评价,当DBI的值达到阈值α时,进入步骤6;若未达到该阈值,则重复步骤3,同时步骤3中的l加1,直至DBI的值达到阈值;当l=y,则将步骤2所得到的所有划分中DBI值最小的聚类结果作为步骤5的最终聚类结果,同时进入步骤6;
取DBI指数的最低值为γ,阈值α的取值范围为2γ>α>γ;
步骤6:合并步骤5得到的聚类结果中聚类中心距离小于阈值β的簇,以各聚类中心之间的距离作为箱线图的绘制数据绘制箱线图,β为箱线图的下边缘处的值,聚类中心的计算方式如下所示:
式(2)中,Cw为第w个簇的聚类中心,V表示该簇所包含的曲线数量,Xi为第w个簇中的第i条负荷曲线;
至此,得到了与步骤5不同的新的聚类结果;
步骤7:将步骤5和步骤6得到的聚类结果的DBI值进行比较,DBI值小的聚类结果作为最终的聚类结果。
步骤6中所述合并为在聚类结果中,簇L和簇H的聚类中心距离如小于阈值β,将簇L和簇H中的负荷曲线合并为一个新簇G,并更新聚类结果,即保留新簇G,删除簇L和簇H。
本发明的有益效果在于由于采用了将整体数据划分为若干子集再分别聚类的方法,将电力负荷曲线的聚类时间大幅度缩短,以900条数据为例,基于数据划分的层次聚类算法较传统层次聚类算法聚类时间降低了约79%;且多次实验表明,当以DBI指数评价聚类质量,基于数据划分的层次聚类算法总体上较传统层次聚类算法的聚类质量提高了约3%。
附图说明
图1是本发明基于数据划分的电力负荷曲线层次聚类算法流程图。
图2是本发明不同算法基于a、b两组数据的DBI指标和聚类数的关系示意图。
图3是本发明实施例中10523条工业电力用户负荷曲线聚类结果。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
随着电力负荷数据量和数据维度的增加,传统的聚类方法在聚类时间和聚类质量的均衡上已不能满足电力负荷曲线聚类的要求,因此,本发明旨在在不减少原始信息量的条件下,进一步降低聚类时间,同时满足聚类质量的要求。
如图1所示,本发明的详细步骤如下:
步骤1:进行数据预处理
假定每条负荷曲线有n个记录,对原始负荷曲线做如下剔除处理:剔除存在负值记录的负荷曲线;剔除存在空值记录的负荷曲线;剔除n个记录中全部为0值的负荷曲线,经过三种剔除之后,剩余m条负荷曲线,计算每条负荷曲线到其他m-1条曲线的距离,计算公式如下:
其中,Dx表示第x条负荷曲线与其他m-1条曲线的距离之和,fxj和fij分别表示第x条曲线和第i条曲线的第j个负荷记录,x,i=1,2,...,m,j=1,2,...,n,以所有m个距离值为输入数据,利用箱线图方法识别离群值;在箱线图中,用处于箱子上边缘和下边缘的曲线分别代替上边缘以上和下边缘以下的曲线,即获得离群值;
在数据预处理时,不能进行归一化处理,否则不同负荷水平,相同负荷曲线形状的负荷曲线之间的差异将不再明显;
步骤2:数据划分
将m个负荷曲线集合划分为y种子集规模不同的集合群,基于时间因素的考虑,每个子集的数据量控制在200-500条,将所有数据划分为y种子集,按照子集的规模由小到大排序,依次为S1,S2,…Sl,…Sy;
该步骤的主要目的便是降低聚类时间,不管是划分子集,控制子集大小还是将子集按顺序排列,都是为了缩短聚类时间;
步骤3:对Sl中每个子集用Havg层次聚类算法聚类,其中,l=1,…,y;将每个子集分别聚为2-8类,选择戴维森堡丁指数(Davies-Bouldin Index,DBI)最小的聚类结果作为该子集的聚类结果;
步骤4:求每个子集聚类中心的并集,并对该并集运用Havg算法进行聚类;
步骤5:运用聚类效果评价函数DBI对步骤4的聚类效果进行评价,当DBI的值达到阈值α时,进入步骤6;若未达到该阈值,则重复步骤3,同时步骤3中的l加1;当l=y,则将步骤2所得到的所有划分中DBI值最小的聚类结果作为步骤5的最终聚类结果,同时进入步骤6;
取DBI指数的最低值为γ,阈值α的取值范围为2γ>α>γ;
步骤6:合并步骤5得到的聚类结果中聚类中心距离小于阈值β的簇,以各聚类中心之间的距离作为箱线图的绘制数据绘制箱线图,β为箱线图的下边缘处的值,聚类中心的计算方式如下所示:
式(2)中,Cw为第w个簇的聚类中心,V表示该簇所包含的曲线数量,Xi为第w个簇中的第i条负荷曲线;
至此,得到了与步骤5不同的新的聚类结果;
该步骤是为了防止在实际应用中,可以被当做同一类进行分析的数据,被分成两类,从而加大在随后的实际情况分析中的工作量;
步骤7:将步骤5和步骤6得到的聚类结果的DBI值进行比较,DBI值小的聚类结果作为最终的聚类结果。
步骤6中所述合并步骤为:
在聚类结果中,簇L和簇H的聚类中心距离如小于阈值β,将簇L和簇H中的负荷曲线合并为一个新簇G,并更新聚类结果,即保留新簇G,删除簇L和簇H。
本实施例采用取自某生态城工业电力用户的10523条日负荷曲线(该数据集合为在初始数据集上剔除负值、零值和离群值的剩余数据),日负荷曲线的采集间隔时间为15min,每条数据共计96个数据点。在本部分实验中,α和β均取值分别为0.8和0.2,划分子集的大小分别为200、300、500,在最先运行的子集大小为200的划分中,DBI的值为0.7247<0.8,因此子集大小为300和500的划分均未运行,聚类时间为1065.6s,聚类结果如图2所示。
由图可知,该生态城有4条典型的日负荷曲线。其中两条日负荷曲线分别在不同负荷水平趋于平稳,一条曲线在一天当中的早上十点和晚上八点之间达到高峰,还有一条曲线在晚上十点和早上十点之间达到高峰。因此,可以针对该生态城中负荷有所波动的工业电力用户,为其制定相应的激励政策,使其参与到电网供需平衡的调节中。
如图2所示,该实验采用a和b两组数据,数据集a和b分别为两家不同工业用电单位一年(365天)中349天的日负荷曲线(剔除了因未采集到数据而全部显示为0的16天的数据),日负荷曲线的采集从当日00:00开始,间隔时间为15min,每条数据共计96个数据点。基于K-means、Hmin、Hmax、Havg和Hcen五种算法,对349条负荷曲线聚类分析。其中,由于K-means算法受初始聚类中心的影响较大,因此在本实验中,通过对K-means算法运行100次,取其最小值来确定它的聚类效果。基于DBI指标对五种算法进行评价,图2中(a)和(b)分别是基于数据组a和b的实验结果。
根据簇之间邻近性的定义方式不同,凝聚层次聚类分为Hmin、Hmax、Havg、Hward和Hcen。其中Hmin定义簇的邻近度为不同簇的两个最近的数据之间的邻近度;Hmax定义簇的邻近度为不同簇的两个最远的数据之间的邻近度;Havg定义簇的邻近度为所有数据对邻近度的平均值;Hward定义簇的邻近度为两个簇合并时导致的平方误差的增量;Hcen定义簇的邻近度为两个簇的质心的邻近度。由于当两个数据之间的邻近度取它们之间距离的平方时,Hward和Havg两种方法非常相似,因此,在这里我们仅比较研究Hmin、Hmax、Havg和Hcen四种方法。而K-means算法是划分聚类算法的典型代表。
由图2可知,在这五种算法中,Havg的聚类效果相对比较稳定,且质量较好,并且在以DBI为评价指标时,DBI的极小值点可以很容易找到,即聚类数量很容易确定,数据集(a)聚类数为3时聚类效果最好,数据集(b)聚类数为5时聚类效果最好;Hmin算法的聚类效果最好,但其极值点不易找到,从而,聚类数不易确定;K-means算法和Hmax算法的聚类质量相对较差。
表1基于数据划分的Havg算法与传统算法的比较
在本部分的实验中,随机选择某生态城工业电力用户的900条数据开展实验。表1是运用传统Havg算法、K-means算法和基于数据划分的Havg算法分别聚类的聚类结果展示(标题为avg的行表示五次计算的均值)。在基于数据划分的层次聚类算法中,分别将900条数据平均划分为2、3、4个子集,每种划分得到的子集分别包含450、300、225条数据;运用基于数据划分的层次聚类算法进行聚类,由于这个新方法探索阶段的实验,因此没有运用阈值限制运行时间,而是将所有划分都运行之后才得出聚类结果。图3为本实施例中10523条工业电力用户负荷曲线聚类结果。
由表1可知,基于数据划分的Havg算法相较于传统Havg算法,运行时间大大减少,且DBI指标的值相差无几,甚至更好;Havg算法和基于数据划分的Havg算法相较于K-means算法运行时间较长,但DBI指标大幅度降低,同时,基于数据划分的Havg算法的聚类时间在可接受范围内。
Claims (2)
1.一种基于数据划分的电力负荷曲线层次聚类的方法,其特征在于包括下述步骤:
步骤1:进行数据预处理
假定每条负荷曲线有n个记录,先对原始负荷曲线做如下剔除处理:剔除存在负值记录的负荷曲线,剔除存在空值记录的负荷曲线,剔除n个记录中全部为0值的负荷曲线,经过三种剔除之后,剩余m条负荷曲线,计算每条负荷曲线到其他m-1条曲线的距离,计算公式如下:
其中,Dx表示第x条负荷曲线与其他m-1条曲线的距离之和,fxj和fij分别表示第x条曲线和第i条曲线的第j个负荷记录,x,i=1,2,...,m,j=1,2,...,n,以所有m个距离值为输入数据,利用箱线图方法识别离群值;在箱线图中,用处于箱子上边缘和下边缘的曲线分别代替上边缘以上和下边缘以下的曲线,即获得离群值;
步骤2:数据划分
将m个负荷曲线集合划分为y种子集规模不同的集合群,按照子集的规模由小到大排序,依次为S1,S2,…Sl,…Sy;
步骤3:对Sl中每个子集用Havg层次聚类算法聚类,其中,l=1,…,y;将每个子集分别聚为2-8类,选择戴维森堡丁指数(Davies-Bouldin Index,DBI)最小的聚类结果作为该子集的聚类结果;
步骤4:求每个子集聚类中心的并集,并对该并集运用Havg算法进行聚类;
步骤5:运用聚类效果评价函数DBI对步骤4的聚类效果进行评价,当DBI的值达到阈值α时,进入步骤6;若未达到该阈值,则重复步骤3,同时步骤3中的l加1,直至DBI的值达到阈值;当l=y,则将步骤2所得到的所有划分中DBI值最小的聚类结果作为步骤5的最终聚类结果,同时进入步骤6;
取DBI指数的最低值为γ,阈值α的取值范围为2γ>α>γ;
步骤6:合并步骤5得到的聚类结果中聚类中心距离小于阈值β的簇,以各聚类中心之间的距离作为箱线图的绘制数据绘制箱线图,β为箱线图的下边缘处的值,聚类中心的计算方式如下所示:
式(2)中,Cw为第w个簇的聚类中心,V表示该簇所包含的曲线数量,Xa为第w个簇中的第a条负荷曲线;
至此,得到了与步骤5不同的新的聚类结果;
步骤7:将步骤5和步骤6得到的聚类结果的DBI值进行比较,DBI值小的聚类结果作为最终的聚类结果。
2.根据权利要求1所述的一种基于数据划分的电力负荷曲线层次聚类的方法,其特征在于:
步骤6中所述合并为在聚类结果中,簇L和簇H的聚类中心距离如小于阈值β,将簇L和簇H中的负荷曲线合并为一个新簇G,并更新聚类结果,即保留新簇G,删除簇L和簇H。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810348336.5A CN108681744B (zh) | 2018-04-18 | 2018-04-18 | 一种基于数据划分的电力负荷曲线层次聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810348336.5A CN108681744B (zh) | 2018-04-18 | 2018-04-18 | 一种基于数据划分的电力负荷曲线层次聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681744A CN108681744A (zh) | 2018-10-19 |
CN108681744B true CN108681744B (zh) | 2021-09-17 |
Family
ID=63801085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810348336.5A Expired - Fee Related CN108681744B (zh) | 2018-04-18 | 2018-04-18 | 一种基于数据划分的电力负荷曲线层次聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681744B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800766A (zh) * | 2018-12-11 | 2019-05-24 | 湖北工业大学 | 一种基于凝聚层次树的快速迭代重建方法 |
CN110570312B (zh) * | 2019-09-17 | 2021-05-28 | 深圳追一科技有限公司 | 样本数据获取方法、装置、计算机设备和可读存储介质 |
CN110705616A (zh) * | 2019-09-23 | 2020-01-17 | 广东电力交易中心有限责任公司 | 基于用电偏好进行用户负荷曲线聚类的方法及*** |
CN111126445A (zh) * | 2019-11-29 | 2020-05-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种面向智能电表海量数据的多步聚合负荷预测方法 |
CN111110232B (zh) * | 2020-01-14 | 2023-06-09 | 宁波柏厨集成厨房有限公司 | 一种橱柜高度的人机匹配方法 |
CN112651797B (zh) * | 2020-12-18 | 2024-04-12 | 国网青海省电力公司 | 一种基于聚类算法的典型日供需比曲线形成方法 |
CN112667754B (zh) * | 2020-12-30 | 2021-09-28 | 深圳信息职业技术学院 | 大数据处理方法、装置、计算机设备及存储介质 |
CN113379580A (zh) * | 2021-07-06 | 2021-09-10 | 河北先进环保产业创新中心有限公司 | 基于环境监测多数据源融合溯源分析方法、装置及终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573050A (zh) * | 2015-01-20 | 2015-04-29 | 安徽科力信息产业有限责任公司 | 一种基于Canopy聚类和BIRCH层次聚类的连续属性离散化方法 |
JP2016163445A (ja) * | 2015-03-03 | 2016-09-05 | 東京電力ホールディングス株式会社 | 契約メニュー作成方法 |
CN106203478A (zh) * | 2016-06-27 | 2016-12-07 | 南昌大学 | 一种用于智能电表大数据的负荷曲线聚类方法 |
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 |
CN107273911A (zh) * | 2017-04-24 | 2017-10-20 | 国网江西省电力公司赣州供电分公司 | 一种基于模糊c均值聚类分析的台区负荷精确分类方法 |
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 |
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 |
-
2018
- 2018-04-18 CN CN201810348336.5A patent/CN108681744B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573050A (zh) * | 2015-01-20 | 2015-04-29 | 安徽科力信息产业有限责任公司 | 一种基于Canopy聚类和BIRCH层次聚类的连续属性离散化方法 |
JP2016163445A (ja) * | 2015-03-03 | 2016-09-05 | 東京電力ホールディングス株式会社 | 契約メニュー作成方法 |
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 |
CN106203478A (zh) * | 2016-06-27 | 2016-12-07 | 南昌大学 | 一种用于智能电表大数据的负荷曲线聚类方法 |
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 |
CN107273911A (zh) * | 2017-04-24 | 2017-10-20 | 国网江西省电力公司赣州供电分公司 | 一种基于模糊c均值聚类分析的台区负荷精确分类方法 |
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 |
Non-Patent Citations (3)
Title |
---|
"Comparison of Several Clustering Methods in the Case of Electrical Load Curves Classification";S.M.Bidoki等;《IEEE Xplore》;20110616;第1-7页 * |
"一种基于双层迭代聚类分析的负荷模式可控精细化识别方法";卜凡鹏 等;《电网技术》;20180331;第42卷(第3期);第903-910页 * |
"结合降维技术的电力负荷曲线集成聚类算法";张斌 等;《中国电机工程学报》;20150805;第35卷(第15期);第3741-3749页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108681744A (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681744B (zh) | 一种基于数据划分的电力负荷曲线层次聚类方法 | |
US11043808B2 (en) | Method for identifying pattern of load cycle | |
De Carvalho et al. | Fuzzy K-means clustering algorithms for interval-valued data based on adaptive quadratic distances | |
CN106408008A (zh) | 一种基于负荷曲线距离和形状的负荷分类方法 | |
CN109657891B (zh) | 一种基于自适应k-means++算法的负荷特性分析方法 | |
CN106529707A (zh) | 一种负荷用电模式识别方法 | |
CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN111126499A (zh) | 一种基于二次聚类的用电行为模式分类方法 | |
Novaliendry et al. | The optimized K-means clustering algorithms to analyzed the budget revenue expenditure in Padang | |
CN111460001A (zh) | 一种配电网理论线损率评估方法及*** | |
CN111339167A (zh) | 基于K-means和主成分线性回归的台区线损率影响因素分析方法 | |
CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
CN108898273A (zh) | 一种基于形态分析的用户侧负荷特征聚类评价方法 | |
Sompolska-Rzechuła | Selection of the Optimal Way of Linear Ordering of Objects: Case of Sustainable Development in EU Countries. | |
CN107093005A (zh) | 基于大数据挖掘算法实现办税服务厅自动分级的方法 | |
CN113392877A (zh) | 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法 | |
CN116502939A (zh) | 一种负荷调节评估方法、装置、设备及介质 | |
CN113989073B (zh) | 一种基于大数据挖掘的光伏高占比配网电压时空多维评估方法 | |
CN114417972A (zh) | 一种基于主成分分析和密度峰值聚类的用户用电行为分析方法 | |
CN109064353A (zh) | 一种基于改进聚类融合的大型建筑用户行为分析方法 | |
Poledníková et al. | Evaluation of regional disparities in Visegrad four countries, Germany and Austria using the cluster analysis | |
CN112419084A (zh) | 一种配电网设备利用率的优化方法及装置 | |
Konecka-Szydłowska et al. | Spatial differences in the level of population and settlement development in Wielkopolskie voivodship (1) | |
de Almeida et al. | IFKCN: Applying fuzzy Kohonen clustering network to interval data |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210917 |