CN108898154A - 一种电力负荷som-fcm分层聚类方法 - Google Patents
一种电力负荷som-fcm分层聚类方法 Download PDFInfo
- Publication number
- CN108898154A CN108898154A CN201810475093.1A CN201810475093A CN108898154A CN 108898154 A CN108898154 A CN 108898154A CN 201810475093 A CN201810475093 A CN 201810475093A CN 108898154 A CN108898154 A CN 108898154A
- Authority
- CN
- China
- Prior art keywords
- load
- cluster
- fcm
- electric load
- som
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于负荷波动特征提取的电力负荷SOM‑FCM分层聚类方法,包括下述步骤:S1、将电力负荷有功时序数据作为输入,对负荷数据预处理后,求取波动性特征向量;S2、对步骤S1得到的波动性特征向量采用自组织映射神经网络(SOM)聚类算法进行第一层粗分聚类,获取聚类结果和权值矩阵;S3、将步骤S2中粗分的结果作为自适应模糊C均值算法(FCM)的输入,并加入有效函数判断,最终得到聚类数目最优的聚类结果。本发明通过提取负荷波动性特征参数对电力负荷自适应聚类,解决了电力负荷组成复杂,数目繁多情况下的聚类难题,从负荷曲线波动性本身对负荷进行聚类,分析数据易于获取,计算简便且易于移植。
Description
技术领域
本发明涉及电力***负荷分析技术领域,具体地,涉及一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法。
背景技术
对于高比例新能源接入电网,负荷参与调频、调压是提高能源消纳能力的重要途径。但随着我国经济的快速发展,电网负荷日趋复杂,呈现出各异的波动性。因此在将电力负荷纳入需求侧响应体系中的同时,也应充分考虑到不同种类负荷依据波动特性进行聚合,一方面可以有利于针对负荷波动性进行有功无功协调控制,另一方面,也可以从负荷的波动性中进一步挖掘负荷参与需求侧响应的调节潜力。
电力负荷聚类的本质是对不同的负荷曲线进行聚类,理论上来说,在阶数足够高的情况下,高阶矩可以完全表征采样数据的波动特性。用负荷波动量的高阶矩数据作为波动特征向量可以是数据处理量减小,计算简单且有效。
目前常见的聚类方法主要分为两类,一类是K-means、模糊C均值这一类谱系聚类中的距离法,其分类特征可以归纳为单样本辨识基础上各模型对标准激励的响应空间距离,适用于样本较少且分类数已明确的情形,对于多样本的电力负荷分类则十分困难。另一类是层次聚类等算法,该类算法可以自动确定聚类数,但当聚类数目较多时,不适用于用户较多的电力负荷聚类。
发明内容
为了克服以上现有的技术问题,本发明提供一种电力负荷的两层聚类算法,将SOM神经网络与FCM算法的优点结合起来。本发明对不同负荷的波动量采用SOM神经网络进行第一层粗分,降低了输入空间的维度,减小了FCM算法的输入规模,加快了收敛速度,同时加入有效函数判断,自适应找出最合适的聚类数目,有效解决了电力负荷聚类时样本数较多、分类数目不明确的问题、计算量大、计算结果不准确等问题。
本发明的技术方案如下:
一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法,包括如下步骤:
S1、读取某一区域内n个电力负荷日出力数据作为输入,对每个负荷进行预处理,包括归一化、求波动量、计算波动量高阶矩参数,作为负荷的波动性特征向量P=[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ];
S2、对步骤S1得到的波动性特征向量采用自组织映射神经网络聚类算法进行第一层粗分聚类,获取聚类结果和权值矩阵;
S3、将步骤S2中粗分的结果作为自适应模糊C均值算法的输入,并加入有效函数判断,最终得到聚类数目最优的聚类结果。
进一步地,步骤S1中所述的电力负荷日出力数据是指一天内15min时间尺度采样点,等时间间隔的按时间先后顺序排列的96个负荷有功数据。并做归一化处理,将出力数据化为[0,1]之间的数值。本发明采用最大最小法归一化处理,函数形式为:
xk=(xk-xmean)/(xmax-xmin) (1)
其中xmean为数据序列的均值,xmax和xmin为数据序列最大值和0,经归一化处理后,消除了电力负荷之间的数量级的差别。用归一化后的出力数据依次相减,得到每个负荷95个波动量X1,X2,…,X95。
S12.对负荷出力时序数据和S11求得的波动量数据分别求取标准差、偏度、峰度参数,形成波动性特征向量P=[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ],参数计算公式为:
标准差:
偏度:
峰度:
式中m1,m2,m3,m4分别表示样本1~4阶距,N表示样本总数,Xi表示按时间序列的波动量,为样本均值。
进一步地,步骤S2中对不同负荷波动向量SOM神经网络第一层聚类操作包括:
S21.确定网络参数:
(a)SOM网络包含输入层和输出层2层神经元,输入层神经元个数为6,输入向量为P=[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ],输出层为q×q二维结构,其中输出层节点个数略大于输入样本个数。
(b)用较小的随机数初始化第一层权值,并将输入向量和初始权值做归一化处理:
其中||p||,分别为输入向量和权值向量的欧几里得范数。
(c)设定权值学习率η、输出层神经元邻域半径d和迭代次数k。
S22迭代计算:
(a)随机抽取样本pr输入网络。样本与权值做内积,内积值最大的神经元便为欧式距离最小的神经元,即获胜神经元。确定邻域神经元时采用欧式距离函数(dist),距离小于邻域大小即为邻域内神经元。
(b)采用Kohonen规则更新获胜神经元及其邻域神经元权值:
获胜神经元权值为:
邻域神经元权值更新公式为:
其中为邻域神经元与相连接权值,为第i个输入神经元的值。
(c)更新学习率及拓扑邻域,并对学习后的权值进行重新归一化。为保证学习的稳定性,在迭代计算过程中,更新学习率和拓扑邻域,减小网络训练速度。在第n次迭代过程中,更新公式为:
η=ηmax-n/k*(ηmax-ηmin) (8)
d=dmax-n/k*(dmax-dmin) (9)
S23.判断敛散性:判断结果是否收敛或是否达到最大迭代次数,若没有,则继续迭代,否则结束算法,输出聚类结果。
进一步地,步骤S3中设置的
较好的FCM聚类结果应满足聚类结果类间的可能性尽可能大而类内聚类小,在电力负荷波动性聚类时,负荷之间的相似性用特征向量之间的欧氏距离表示,有效性函数为:
式中D1表示各类内部距离,D2表示类间距离,c表示聚类数,n为样本数,xi为样本特征向量,m为模糊权重,按经验取值为[1.1,2.5]之间,Pj为聚类中心,uij为第i个样本关于第j类的隶属度,lnc为收敛因子,为样本均值,即特征空间中心向量。本发明在FCM聚类计算时,加入有效性函数,聚类数从2开始依次迭代,每次加1,并求得有效性函数值,当取到函数值最小时,停止迭代,输出聚类结果
进一步地,步骤S3中对步骤S2聚类结果自适应FCM聚类操作包括:
S31.初始化FCM算法参数:给定聚类类别数c,2≤c≤n′,n′为步骤S2聚类结果聚类数,设定终止阈值ε,最大迭代次数k′,初始化聚类中心矩阵P0
S32.计算第n次迭代的隶属度矩阵U(n+1),计算公式为:
式中表示在第n次迭代时样本xi和样本xk之间的欧氏距离。
S33计算第n次迭代的聚类中心P(n+1),计算公式为:
S34.如果||P(n+1)-P(n)||<ε,或者迭代次数大于k′,则迭代终止,跳到步骤S35。否则迭代数加1,跳到步骤S32。
S35.经上述步骤的迭代之后可以求得最终的隶属度矩阵U和聚类中心P,计算目标函数值V,若V小于上一次计算值,则跳到步骤S31,聚类数加1;否则,上一次迭代计算得到的目标函数值为最小值,算法结束。得到最优的聚类数目及其对应的聚类结果,即为电力负荷基于本发明的波动性聚类结果。
本发明的优点在于:
(1)本发明将负荷波动性特征引入负荷聚类中,对负荷较多且成分复杂的电力负荷聚类提供了有效的特征参数提取方法,数据简单易于获取。
(2)本发明在聚类数目的确定上,在SOM聚类时,输出层采用q×q二维结构,其中输出层节点个数略大于输入样本个数;在FCM聚类时,引入有效性函数判断,使得聚类数目最优,聚类数的判断合理且最优。
(3)本发明通过将SOM神经网络和FCM算法结合起来,构成两层聚类模型,解决了单一聚类算法在解决电力负荷波动性聚类时的局限性,利用了SOM神经网络对初值要求不高,对大样本数据分类较好的优点,通过SOM神经网络第一层粗分聚类,降低了FCM聚类算法的输入维度;第二层采用FCM算法,具有计算简单,计算量小且在对样本数较小的样本聚类较好的特点,有效提高了计算速度和分类的有效性。
附图说明
图1是本发明的流程图
图2是本发明具体实施方式的总体流程图
图3是采用本发明实例电力负荷聚类结果图
图4是采用本发明实例聚类后每类曲线图
具体实施方式
下面结合附图和实例对本发明进一步说明,但本发明的实施方式不限于此。
如图1所示,本实施例一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法,包括下述步骤:
S1、读取某一区域内n个电力负荷日出力数据作为输入,对每个负荷进行预处理,包括归一化、求波动量、计算波动量高阶矩参数,作为负荷的波动性特征向量P=[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ];
S2、对步骤S1得到的波动性特征向量采用自组织映射神经网络聚类算法进行第一层粗分聚类,获取聚类结果和权值矩阵;
S3、将步骤S2中粗分的结果作为自适应模糊C均值算法的输入,并加入有效函数判断,最终得到聚类数目最优的聚类结果。
进一步地,图2为本发明分类方法的具体实施方式的总体流程图
S21.确定网络参数:
(a)SOM网络包含输入层和输出层2层神经元,输入层神经元个数为6,输入向量为P=[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ],输出层为q×q二维结构,其中输出层节点个数略大于输入样本个数。
(b)用较小的随机数初始化第一层权值,并将输入向量和初始权值做归一化处理:
其中||p||,分别为输入向量和权值向量的欧几里得范数。
(c)设定权值学习率η、输出层神经元邻域半径d和迭代次数k。
S22迭代计算:
(a)随机抽取样本pr输入网络。样本与权值做内积,内积值最大的神经元便为欧式距离最小的神经元,即获胜神经元。确定邻域神经元时采用欧式距离函数(dist),距离小于邻域大小即为邻域内神经元。
(b)采用Kohonen规则更新获胜神经元及其邻域神经元权值:
获胜神经元权值为:
邻域神经元权值更新公式为:
其中为邻域神经元与相连接权值,为第i个输入神经元的值。
(c)更新学习率及拓扑邻域,并对学习后的权值进行重新归一化。为保证学习的稳定性,在迭代计算过程中,更新学习率和拓扑邻域,减小网络训练速度。在第n次迭代过程中,更新公式为:
η=ηmax-n/k*(ηmax-ηmin) (4)
d=dmax-n/k*(dmax-dmin) (5)
S23.判断敛散性:判断结果是否收敛或是否达到最大迭代次数,若没有,则继续迭代,否则结束算法,输出聚类结果。
S31.初始化FCM算法参数:给定聚类类别数c,2≤c≤n′,n′为步骤S2聚类结果聚类数,设定终止阈值ε,最大迭代次数k′,初始化聚类中心矩阵P0
S32.计算第n次迭代的隶属度矩阵U(n+1),计算公式为:
式中表示在第n次迭代时样本xi和样本xk之间的欧氏距离。
S33计算第n次迭代的聚类中心P(n+1),计算公式为:
S34.如果||P(n+1)-P(n)||<ε,或者迭代次数大于k′,则迭代终止,跳到步骤S35。否则迭代数加1,跳到步骤S32。
S35.经上述步骤的迭代之后可以求得最终的隶属度矩阵U和聚类中心P,计算目标函数值V,若V小于上一次计算值,则跳到步骤S31,聚类数加1;否则,上一次迭代计算得到的目标函数值为最小值,算法结束。得到最优的聚类数目及其对应的聚类结果,即为电力负荷基于本发明的波动性聚类结果。
实施例:为说明本发明的原理,用甘肃某地区负荷监测平台采集到的负荷有功数据进行聚类验证分析。采取的数据为5min时间间隔实测有功数据。对个样本数据按照步骤S1,求得特征向量如下表1所示:
表1负荷波动性特征向量
经步骤S2,S3聚类后,聚类结果如图3所示,图中色块大小表示输出单元之间的距离,色块越大表示距离越小,及两类之间越相似;图块中数字表示此类别包含的样本数。经第二层聚类后聚为4类,如图中标示,每类的聚类中心如表2所示
表2聚类中心
种类 | σx | Skewx | Kurtosisx | σΔ | SkewΔ | KurtosisΔ |
第一类 | 0.514 | 0.396 | -0.205 | 0.138 | 0.094 | -0.264 |
第二类 | 0.309 | -0.679 | -1.166 | 0.248 | 0.320 | 3.516 |
第三类 | 0.143 | 0.648 | -0.243 | 0.112 | -0.540 | 3.575 |
第四类 | 0.146 | 0.885 | -0.279 | 0.101 | -2.902 | 17.859 |
图4为最终聚为4类后每类曲线,结合表2和图4,可以看出,300个负荷曲线已按照波动性特点,分为4类。验证了本发明提出的基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法可行且有效。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的内容和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法,其特征在于,包括下述步骤:
S1、读取某一区域内n个电力负荷日出力数据作为输入,对每个负荷进行预处理,包括归一化、求波动量、计算波动量高阶矩参数,作为负荷的波动性特征向量p=[σ,Skew,Kurtosis];
S2、对步骤S1得到的波动性特征向量采用自组织映射神经网络聚类算法进行第一层粗分聚类,获取聚类结果和权值矩阵;
S3、将步骤S2中粗分的结果作为自适应模糊C均值算法的输入,并加入有效函数判断,最终得到聚类数目最优的聚类结果。
2.根据权利要求1所述的一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法,其特征在于,所述步骤S1中,数据获取与预处理的具体方法为:
S11.读取电力负荷日用电数据(15分钟时间尺度,一天96个数据点)x1,x2,…,x96,并做归一化处理,将出力数据化为[0,1]之间的数值;本发明采用最小的最小法归一化处理,函数形式为:
xk=(xk-xmean)/(xmax-xmin) (1)
其中xmean为数据序列的均值,xmax和xmin为数据序列最大值和0,经归一化处理后,消除了电力负荷之间的数量级的差别;用归一化后的出力数据依次相减,得到每个负荷95个波动量X1,X2,…,X95;
S12.对负荷有功数据及S11求得的波动量数据分别求取标准差、偏度、峰度参数,形成波动性特征向量P=[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ],参数计算公式为:
标准差:
偏度:
峰度:
式中m1,m2,m3,m4分别表示样本1~4阶距,N表示样本总数,Xi表示按时间序列的数据点,为样本均值;对负荷出力时序数据和出力波动序列分别求取以上3个指标值,得到6参数组成的特征向量P=[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ],通过此特征向量可以确定曲线形态。
3.根据权利要求1所述的一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法,其特征在于,所述步骤S2中,对电力负荷采用SOM神经网络进行第一层粗分聚类网络参数确定的具体方法为:
S21.确定网络参数:
(a)SOM网络包含输入层和输出层2层神经元,输入层神经元个数为6,输入向量为P=[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ],输出层为q×q二维结构,其中输出层节点个数略大于输入样本个数;
(b)用较小的随机数初始化第一层权值,并将输入向量和初始权值做归一化处理;设定权值学习率η、输出层神经元邻域半径d和迭代次数k;
S22迭代计算:
(a)随机抽取样本pr输入网络;样本与权值做内积,内积值最大的神经元便为欧式距离最小的神经元,即获胜神经元;
(b)采用Kohonen规则更新获胜神经元及其邻域神经元权值:
(c)更新学习率及拓扑邻域,并对学习后的权值进行重新归一化;
S23.判断敛散性:
判断结果是否收敛或是否达到最大迭代次数,若没有,则继续迭代,否则结束算法,输出聚类结果。
4.根据权利要求1所述的一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法,其特征在于,所述步骤S3中,自适应最优聚类数目,加入有效函数判断具体为:较好的FCM聚类结果应满足聚类结果类间的可能性尽可能大而类内聚类小,在电力负荷波动性聚类时,负荷之间的相似性用特征向量之间的欧氏距离表示,有效性函数为:
式中D1表示各类内部距离,D2表示类间距离,c表示聚类数,n为样本数,pi为样本特征向量,m为模糊权重,按经验取值为[1.1,2.5]之间,uij为第i个样本关于第j类的隶属度,lnc为收敛因子,为样本均值,即特征空间中心向量;本发明在FCM聚类计算时,加入有效性函数,聚类数从2开始依次迭代,每次加1,并求得有效性函数值,当取到函数值最小时,停止迭代,输出聚类结果,此时聚类结果为第二层聚类,即自适应FCM聚类得到的最优聚类数目下的聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810475093.1A CN108898154A (zh) | 2018-09-29 | 2018-09-29 | 一种电力负荷som-fcm分层聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810475093.1A CN108898154A (zh) | 2018-09-29 | 2018-09-29 | 一种电力负荷som-fcm分层聚类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898154A true CN108898154A (zh) | 2018-11-27 |
Family
ID=64343250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810475093.1A Pending CN108898154A (zh) | 2018-09-29 | 2018-09-29 | 一种电力负荷som-fcm分层聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898154A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684673A (zh) * | 2018-12-03 | 2019-04-26 | 三峡大学 | 一种电力***暂态稳定结果的特征提取和聚类分析方法 |
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 |
CN110516589A (zh) * | 2019-08-26 | 2019-11-29 | 东北大学 | 一种管道漏磁数据的边界精确识别方法 |
CN110705645A (zh) * | 2019-10-09 | 2020-01-17 | 重庆医药高等专科学校 | 一种基于sofm神经网络的英语教学质量评估方法 |
CN111191687A (zh) * | 2019-12-14 | 2020-05-22 | 贵州电网有限责任公司 | 基于改进K-means算法的电力通信数据聚类方法 |
CN111199252A (zh) * | 2019-12-30 | 2020-05-26 | 广东电网有限责任公司 | 一种电力通信网络智能运维***的故障诊断方法 |
CN111524098A (zh) * | 2020-04-07 | 2020-08-11 | 北京航天自动控制研究所 | 一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法 |
CN111612319A (zh) * | 2020-05-11 | 2020-09-01 | 上海电力大学 | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 |
CN111754116A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种基于标签画像技术的信用评估方法及装置 |
CN111860634A (zh) * | 2020-07-15 | 2020-10-30 | 国网福建省电力有限公司 | 基于OCHNN-Kmeans算法的负荷聚类方法 |
CN112821559A (zh) * | 2021-01-22 | 2021-05-18 | 西安理工大学 | 一种非侵入式家电负荷深度再识别方法 |
CN113298300A (zh) * | 2021-05-14 | 2021-08-24 | 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 |
CN113469566A (zh) * | 2021-07-21 | 2021-10-01 | 燕山大学 | 一种发电机起始分配方案的确定方法及*** |
CN114050579A (zh) * | 2021-11-15 | 2022-02-15 | 国网江苏省电力有限公司营销服务中心 | 一种代理用户控制的可调负荷控制方法及*** |
CN115343959A (zh) * | 2022-09-23 | 2022-11-15 | 国网北京市电力公司 | 一种电采暖负荷自适应控制方法、装置、设备及介质 |
CN115952443A (zh) * | 2023-03-09 | 2023-04-11 | 湖南纽帕科技有限公司 | 基于som网络的储能应用风电场滑动窗聚类方法 |
CN116526496A (zh) * | 2023-06-16 | 2023-08-01 | 国网山西省电力公司晋城供电公司 | 一种新型电力***负荷控制的辅助决策方法 |
CN116599162A (zh) * | 2023-07-19 | 2023-08-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
WO2024056050A1 (zh) * | 2022-09-15 | 2024-03-21 | 清华大学 | 海量柔性负荷快速聚合控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
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 |
CN108416392A (zh) * | 2018-03-16 | 2018-08-17 | 电子科技大学成都研究院 | 基于som神经网络的建筑物聚类方法 |
-
2018
- 2018-09-29 CN CN201810475093.1A patent/CN108898154A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
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 |
CN108416392A (zh) * | 2018-03-16 | 2018-08-17 | 电子科技大学成都研究院 | 基于som神经网络的建筑物聚类方法 |
Non-Patent Citations (3)
Title |
---|
NING MA等: "《Exploiting Deep Neural Networks and Head Movements for Robust Binaural Localization of Multiple Sources in Reverberant Environments》", 《IEEE/ACM TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING》 * |
宋辞等: "《基于特征的时间序列聚类方法研究进展》", 《地理科学进展》 * |
李杨等: "《基于SOM-FCM算法的脑MR多参数图像分割》", 《中国医学物理学杂志》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684673A (zh) * | 2018-12-03 | 2019-04-26 | 三峡大学 | 一种电力***暂态稳定结果的特征提取和聚类分析方法 |
CN109684673B (zh) * | 2018-12-03 | 2023-03-24 | 三峡大学 | 一种电力***暂态稳定结果的特征提取和聚类分析方法 |
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 |
CN110516589A (zh) * | 2019-08-26 | 2019-11-29 | 东北大学 | 一种管道漏磁数据的边界精确识别方法 |
CN110705645A (zh) * | 2019-10-09 | 2020-01-17 | 重庆医药高等专科学校 | 一种基于sofm神经网络的英语教学质量评估方法 |
CN111191687A (zh) * | 2019-12-14 | 2020-05-22 | 贵州电网有限责任公司 | 基于改进K-means算法的电力通信数据聚类方法 |
CN111191687B (zh) * | 2019-12-14 | 2023-02-10 | 贵州电网有限责任公司 | 基于改进K-means算法的电力通信数据聚类方法 |
CN111199252A (zh) * | 2019-12-30 | 2020-05-26 | 广东电网有限责任公司 | 一种电力通信网络智能运维***的故障诊断方法 |
CN111524098A (zh) * | 2020-04-07 | 2020-08-11 | 北京航天自动控制研究所 | 一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法 |
CN111524098B (zh) * | 2020-04-07 | 2023-05-12 | 北京航天自动控制研究所 | 一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法 |
CN111612319A (zh) * | 2020-05-11 | 2020-09-01 | 上海电力大学 | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 |
CN111754116A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种基于标签画像技术的信用评估方法及装置 |
CN111860634A (zh) * | 2020-07-15 | 2020-10-30 | 国网福建省电力有限公司 | 基于OCHNN-Kmeans算法的负荷聚类方法 |
CN112821559A (zh) * | 2021-01-22 | 2021-05-18 | 西安理工大学 | 一种非侵入式家电负荷深度再识别方法 |
CN112821559B (zh) * | 2021-01-22 | 2023-08-01 | 物兴科技(深圳)有限公司 | 一种非侵入式家电负荷深度再识别方法 |
CN113298300A (zh) * | 2021-05-14 | 2021-08-24 | 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 |
CN113469566A (zh) * | 2021-07-21 | 2021-10-01 | 燕山大学 | 一种发电机起始分配方案的确定方法及*** |
CN113469566B (zh) * | 2021-07-21 | 2022-11-11 | 燕山大学 | 一种发电机起始分配方案的确定方法及*** |
CN114050579A (zh) * | 2021-11-15 | 2022-02-15 | 国网江苏省电力有限公司营销服务中心 | 一种代理用户控制的可调负荷控制方法及*** |
WO2024056050A1 (zh) * | 2022-09-15 | 2024-03-21 | 清华大学 | 海量柔性负荷快速聚合控制方法及装置 |
CN115343959A (zh) * | 2022-09-23 | 2022-11-15 | 国网北京市电力公司 | 一种电采暖负荷自适应控制方法、装置、设备及介质 |
CN115343959B (zh) * | 2022-09-23 | 2024-04-16 | 国网北京市电力公司 | 一种电采暖负荷自适应控制方法、装置、设备及介质 |
CN115952443A (zh) * | 2023-03-09 | 2023-04-11 | 湖南纽帕科技有限公司 | 基于som网络的储能应用风电场滑动窗聚类方法 |
CN116526496A (zh) * | 2023-06-16 | 2023-08-01 | 国网山西省电力公司晋城供电公司 | 一种新型电力***负荷控制的辅助决策方法 |
CN116526496B (zh) * | 2023-06-16 | 2023-09-08 | 国网山西省电力公司晋城供电公司 | 一种新型电力***负荷控制的辅助决策方法 |
CN116599162A (zh) * | 2023-07-19 | 2023-08-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
CN116599162B (zh) * | 2023-07-19 | 2023-09-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898154A (zh) | 一种电力负荷som-fcm分层聚类方法 | |
Lai et al. | A robust correlation analysis framework for imbalanced and dichotomous data with uncertainty | |
CN108280479B (zh) | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 | |
CN112037009A (zh) | 一种基于随机森林算法的消费信贷场景的风险评估方法 | |
CN110266672B (zh) | 基于信息熵和置信度下采样的网络入侵检测方法 | |
CN111314353B (zh) | 一种基于混合采样的网络入侵检测方法及*** | |
CN111080442A (zh) | 信用评分模型的构建方法、装置、设备及存储介质 | |
CN112613552B (zh) | 一种结合情感类别注意力损失的卷积神经网络情感图像分类方法 | |
CN106203478A (zh) | 一种用于智能电表大数据的负荷曲线聚类方法 | |
CN103324980A (zh) | 一种风电场风速预测方法 | |
CN109034194A (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
CN110245783B (zh) | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN112001788B (zh) | 一种基于rf-dbscan算法的***违约欺诈识别方法 | |
CN109873779A (zh) | 一种基于lstm的分级式无线信号调制类型识别方法 | |
CN115048988B (zh) | 基于高斯混合模型的不平衡数据集分类融合方法 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及*** | |
CN115801374A (zh) | 网络入侵数据分类方法、装置、电子设备及存储介质 | |
Wang et al. | Big data analytics for price forecasting in smart grids | |
CN115640969A (zh) | 一种基于设备状态与运行年限的电网运维成本分配方法 | |
Lingqing et al. | Detection method for power theft based on SOM neural network and K-means clustering algorithm | |
CN108446740B (zh) | 一种用于脑影像病历特征提取的多层一致协同方法 | |
CN111028086A (zh) | 基于聚类与lstm网络的增强指数跟踪方法 | |
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 |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |
|
RJ01 | Rejection of invention patent application after publication |