CN109064353B - 一种基于改进聚类融合的大型建筑用户行为分析方法 - Google Patents
一种基于改进聚类融合的大型建筑用户行为分析方法 Download PDFInfo
- Publication number
- CN109064353B CN109064353B CN201810771056.5A CN201810771056A CN109064353B CN 109064353 B CN109064353 B CN 109064353B CN 201810771056 A CN201810771056 A CN 201810771056A CN 109064353 B CN109064353 B CN 109064353B
- Authority
- CN
- China
- Prior art keywords
- clustering
- large building
- total load
- load data
- evaluation index
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 14
- 241001229889 Metis Species 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于改进聚类融合的大型建筑用户行为分析方法,该方法用于确定大型建筑用户的用电模式,该方法包括如下步骤:(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据;(2)构建聚类效果综合评价指标,选取多种优质聚类方法;(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到不同聚类结果;(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。与现有技术相比,本发明可以吸取不同单一聚类算法的优点,其有效性与准确度均高于单一聚类方法,且拓展性得到提高。
Description
技术领域
本发明涉及一种大型建筑用户行为分析方法,尤其是涉及一种基于改进聚类融合的大型建筑用户行为分析方法。
背景技术
随着智能电网进程的不断推进,大量的智能信息采集***的投入,在促进智能电网建设的同时,累积了海量的用电数据。大型建筑作为用电用户侧负荷的重要构成部分,其产生的用电数据具有海量、分散、高频的特点,且不同数据间具有相似与关联性。通过处理这些数据挖掘出具有现实意义的内容,是推动智能电网发展研究中的重要内容。因此,利用数据分析的方法,探索用户的用电模式,准确的分析出不同用户的用电习惯与用电行为,可以帮助电力公司了解不同用户的特性与个性化需求,从而制定具有针对性的服务,支持智能化业务的分析与决策,为未来的需求侧响应提供数据上的支撑。
目前,电力大数据方面的研究工作主要侧重于对已知负荷数据集进行用户用电模式的挖掘并分析其对应的现实原因、数据分析算法的改进等,挖掘隐藏在数据中的用电行为习惯,为节能与个性化服务等工作提供重要的决策依据。
用电行为的分析结果与选用的样本内容以及采用的算法具有密切的联系。不同的样本以及不同的算法可能造成结果的差异性。对于不同类型的负荷数据样本往往需要采用不同的算法,因此急需要构造一种算法既可以保证其有效性与准确度,又可以应对不同的负荷数据样本。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进聚类融合的大型建筑用户行为分析方法。
本发明的目的可以通过以下技术方案来实现:
一种基于改进聚类融合的大型建筑用户行为分析方法,该方法用于确定大型建筑用户的用电模式,该方法包括如下步骤:
(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据;
(2)构建聚类效果综合评价指标,选取多种优质聚类方法;
(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到聚类结果;
(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。
步骤(2)具体为:
(21)建立聚类效果综合评价指标:
I(PM)=αI1(PM)+βI2(PM),
I2(PM)=I(CA)×I(NMI)×I(ARI)×γ2,
其中,I(PM)为聚类结果PM的综合评价指标,I1(PM)为聚类结果PM的有效性评价指标,I2(PM)为聚类结果PM的差异性评价指标,α与β分别为有效性与差异性调节系数,I(SIL)、I(DBI)、I(-F)分别为SIL指数、DBI指数与伪F值,I(CA)、I(NMI)和I(ARI)分别为聚类方法的CA、NMI和ARI值,γ1和γ2均为数值调节系数;
(22)分别求取各种聚类方法的综合评价指标值,按照综合评价指标值由大到小对聚类方法进行排序;
(23)选取综合评价指标值大于设定大小的聚类方法作为优质聚类方法。
步骤(3)采用优质聚类方法进行聚类时首先对总负荷数据进行归一化处理,具体为:
式中,x*为归一化后的总负荷数据,x为待归一化的总负荷数据,min(x)为总符合数据中的最小值,max(x)为总负荷数据中的最大值。
步骤(4)采用超图-METIS算法对聚类结果进行融合得到最终用电模式。
该方法在步骤(4)得到最终用电模式后还包括如下操作:对不同用电模式下的不同用电成分进行分析,确定各用电模式下的用电构成。
所述的用电成分包括照明与插座负荷、空调负荷、动力负荷以及其他负荷。
与现有技术相比,本发明具有如下优点:
(1)针对单一聚类方法伸缩性与拓展性差的问题,本发明提出通过优选方法进行聚类融合,可以吸取不同单一聚类算法的优点,其有效性与准确度均高于单一聚类方法,且拓展性得到提高;
(2)本发明提出聚类效果综合评价指标,结合了聚类评价的有效性与差异性,使得不同评价指标评价结果混乱的现象得到一定程度的消失,从而有效选取优质聚类方法,使得聚类结果更加准确;
(3)利用改进的聚类融合算法进行用户用电行为分析,不仅分析了其用电模式,并对不同模式的用电构成进行细致分析,可以对用户行为进行更细致的划分。
附图说明
图1为本发明基于改进聚类融合的用电行为分析流程图;
图2为本发明提供的改进聚类融合算法流程图;
图3为本发明提供的METIS原理图;
图4为实施例中不同聚类数目对应的类内平方误差和图;
图5为实施例中用电负荷特征曲线图;
图6为实施例中不同聚类结果的用电构成图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1、图2所示,一种基于改进聚类融合的大型建筑用户行为分析方法,该方法用于确定大型建筑用户的用电模式,这里的用电模式是指:对于的不同的用户,用电的行为和习惯必然是不一样的,例如有的用户早上就开始用电,一直到晚上,有的用户白天用电比较少,夜晚用电比较多;对于同样的用户,其在时间尺度上也存在不同的规律,在春天和在夏天的用电必然是不一样。这种不同的用电习惯最后在负荷上的表现就叫做用电模式。
本发明基于改进聚类融合的大型建筑用户行为分析方法包括如下步骤:
(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据,具体地:
对大型建筑用户进行数据采集,采集的频率为15min一个点,即每天96点数据,负荷数据内容包括:总负荷数据、各分项计量数据(包括照明与插座、空调、动力、其他四大类)。
(2)构建聚类效果综合评价指标,选取多种优质聚类方法;
聚类效果评价是为了从海量的聚类算法中选择出具有良好性能的聚类算法以作为聚类融合的基本方法。而单一聚类评价指标对算法评价结果的不一致性,本发明提出了结合聚类有效性与差异性建立聚类效果综合评价指标。因此,步骤(2)具体为:
(21)建立聚类效果综合评价指标:
I(PM)=αI1(PM)+βI2(PM),
其中,I(PM)为聚类结果PM的综合评价指标,I1(PM)为聚类结果PM的有效性评价指标,I2(PM)为聚类结果PM的差异性评价指标,α与β分别为有效性与差异性调节系数,且α+β=1。考虑到有效性与差异性关系的复杂性,本实施例取α=β=0.5。
聚类有效性是指是否合理的进行分簇。常用的有效性指标包括DBI、SIL(Silhouette index)、伪F值、DVI、CH(Calinski-Harabasz index)等,本发明选用DBI、SIL与伪F值,SIL与伪F值均为值越大代表聚类效果越好,DBI为值越小聚类效果越好,有效性指标具体如下:
γ1为数值调节系数,γ1取0.01,I(SIL)、I(DBI)、I(-F)分别为SIL指数、DBI指数与伪F值,I1(PM)的值越大,则代表聚类结果类内结构越紧密且类间的距离越大。
聚类的差异性是通过聚类结果与已知的分布进行比较,相似性越高说明原差异性越高。常用的差异性指标有NMI(Normalized Mutual Information)、ARI(Adjusted RandIndex)、CA(Classification Accuracy)、JC(Jaccard Index),其中NMI、ARI、CA的值越大,则I2(PM)越大,表示聚类成员之间的差异性越大,所以差异性指标详细如下:
I2(PM)=I(CA)×I(NMI)×I(ARI)×γ2,
I(CA)、I(NMI)和I(ARI)分别为聚类方法的CA、NMI和ARI值,γ2为数值调节系数,其中I(CA)、I(NMI)和I(ARI)的值越大,则I2(PM)越大,表示聚类成员之间的差异性越大。
(22)分别求取各种聚类方法的综合评价指标值,按照综合评价指标值由大到小对聚类方法进行排序;
(23)选取综合评价指标值大于设定大小的聚类方法作为优质聚类方法。
目前聚类算法十分多样,要相对每一种算法都进行评价是一件颇有难度的事情,本发明从算法的丰富性与可用性出发,对R语言库中的方法进行评价。评价采用的现有的已经聚类好的数据集,这些数据集与待处理的样本数据集具有一定的相似性,这里采用UNI数据库中的iris data set与wine data set。大致结果如表1与表2。
表1 iris数据集不同算法的指标情况(前6)
表2 wine数据集不同算法的指标情况(前6)
根据综合指标的排序结果,选择多个数据集效果均比较好的单一聚类算法,确定最终的聚类方法为:基于划分的kmeans算法、cmeans(模糊C均值)算法、基于层次的hclust/ward.D2以及cluster.Sim算法。
(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到聚类结果,所述的聚类结果对应于初步用电模式,步骤(3)采用优质聚类方法进行聚类时首先对总负荷数据进行归一化处理,具体为:
式中,x*为归一化后的总负荷数据,x为待归一化的总负荷数据,min(x)为总符合数据中的最小值,max(x)为总负荷数据中的最大值。
(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。步骤(4)采用超图-METIS算法对聚类结果进行融合得到最终用电模式。具体地:
对待处理的数据样本用上述的每一种单一聚类方法进行独立的聚类,得到4个聚类结果。需要对这四个聚类结果进行融合,具体步骤如下:
①得到聚类结果后,对聚类结果进行转换与集合,构成H矩阵。H1、H2……Hn为n个聚类成员,h1、h2……hn为每个聚类的不同聚类簇,详细如表3所示。
则共识矩阵S为:
共识矩阵S中每个元素Sij为数据i与j同属于某类结果的概率。
表3 H矩阵的构造
②超图转换
将数据点转化为图的顶点,两数据被划分在同一类中的概率表示两点之间的权重。
③METIS多层划分
METIS多层划分法,目标是最小化分支之间边的权值,实现平衡约束。其精度略高于热门的谱聚类方法,METIS原理图如图3所示,具体包括如下部分:
1.粗化(Coarsening)
将原图中的点进行融合,使得原图G0=(V0,E0)变成更小的图Gi=(Vi,Ei)。粗化后的图要能够反映原始图中的点和权值,且保持原图中所有的连接信息,所以将粗化后的点的权值设置成原图中对应点的点集的所有权值之和,不同边的权值也为对应原边集合的所有权值之和,这保证在下一步划分的时候对粗化后的图与原图效果保持一致。
2.K路划分(Initial Partitioning)
对原始图进行不断粗化,直到只剩下少量的顶点,一般为2-4次,对粗化图Gm=(Vm,Em)计算划分Pm,使得划分后的每部分大致均匀地含有原图的|V0|/k个顶点。由于在粗化的过程中,粗化图顶点和边的权值可以反映原图的权值状况,因此Gm包含了足够的信息可以对图在保证最小边格的情况下进行有效的平衡划分。
3.细化(Refinement)
粗化后图的划分并不是最终的结果,需要将每一级的粗化图Gm的划分Pm通过恢复算法进行回溯上一级的Gm-1,Gm-2……直到G0。由于Gi+1的每一个顶点都包含粗化图Gi顶点集合的一个独立子集,所以仅需要将Gi的顶点集合中对应的点分配到Pi+1中即可。
该方法在步骤(4)得到最终用电模式后还包括如下操作:对不同用电模式下的不同用电成分进行分析,确定各用电模式下的用电构成。用电成分包括照明与插座负荷、空调负荷、动力负荷以及其他负荷。
本实施例在聚类过程中,获取不同聚类数目对应的类内平方误差和曲线图,如图4所示,根据不同聚类数目对应的类内平方误差和曲线图确定聚类数为4。对最后融合的结果进行分析,计算不同聚类簇的聚类中心为该类型的用户用电模式,如图5所示。对不同分项计量的数据采用同样的聚类标签,计算不同类别的不同用电成分,如图6所示。
最后对聚类效果进行评价,根据表4,本文的聚类融合算法在不同的指标上均优于单个聚类方法,具有更好的聚类效果。
表4不同算法的指标情况
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (5)
1.一种基于改进聚类融合的大型建筑用户行为分析方法,该方法用于确定大型建筑用户的用电模式,其特征在于,该方法包括如下步骤:
(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据;
(2)构建聚类效果综合评价指标,选取多种优质聚类方法;
(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到聚类结果;
(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式;
步骤(2)具体为:
(21)建立聚类效果综合评价指标:
I(PM)=αI1(PM)+βI2(PM),
I2(PM)=I(CA)×I(NMI)×I(ARI)×γ2,
其中,I(PM)为聚类结果PM的综合评价指标,I1(PM)为聚类结果PM的有效性评价指标,I2(PM)为聚类结果PM的差异性评价指标,α与β分别为有效性与差异性调节系数,I(SIL)、I(DBI)、I(-F)分别为SIL指数、DBI指数与伪F值,I(CA)、I(NMI)和I(ARI)分别为聚类方法的CA、NMI和ARI值,γ1和γ2均为数值调节系数;
(22)分别求取各种聚类方法的综合评价指标值,按照综合评价指标值由大到小对聚类方法进行排序;
(23)选取综合评价指标值大于设定大小的聚类方法作为优质聚类方法。
3.根据权利要求1所述的一种基于改进聚类融合的大型建筑用户行为分析方法,其特征在于,步骤(4)采用超图-METIS算法对聚类结果进行融合得到最终用电模式。
4.根据权利要求1所述的一种基于改进聚类融合的大型建筑用户行为分析方法,其特征在于,该方法在步骤(4)得到最终用电模式后还包括如下操作:对不同用电模式下的不同用电成分进行分析,确定各用电模式下的用电构成。
5.根据权利要求4所述的一种基于改进聚类融合的大型建筑用户行为分析方法,其特征在于,所述的用电成分包括照明与插座负荷、空调负荷、动力负荷以及其他负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810771056.5A CN109064353B (zh) | 2018-07-13 | 2018-07-13 | 一种基于改进聚类融合的大型建筑用户行为分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810771056.5A CN109064353B (zh) | 2018-07-13 | 2018-07-13 | 一种基于改进聚类融合的大型建筑用户行为分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064353A CN109064353A (zh) | 2018-12-21 |
CN109064353B true CN109064353B (zh) | 2022-07-01 |
Family
ID=64816513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810771056.5A Active CN109064353B (zh) | 2018-07-13 | 2018-07-13 | 一种基于改进聚类融合的大型建筑用户行为分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064353B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111322716B (zh) * | 2020-02-24 | 2021-08-03 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN112884013A (zh) * | 2021-01-26 | 2021-06-01 | 山东历控能源有限公司 | 基于数据挖掘技术的能耗分区方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110055036A1 (en) * | 2009-09-03 | 2011-03-03 | Meishar Immediate Community | Methods and systems for managing electricity delivery and commerce |
CN103093394B (zh) * | 2013-01-23 | 2016-06-22 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN103226736B (zh) * | 2013-03-27 | 2016-03-30 | 东北电力大学 | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 |
CN103632203B (zh) * | 2013-09-23 | 2017-06-06 | 国家电网公司 | 一种基于综合评价的配电网供电区域划分方法 |
-
2018
- 2018-07-13 CN CN201810771056.5A patent/CN109064353B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109064353A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
WO2022110557A1 (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN105186525B (zh) | 风电接入下无功电压控制分区方法 | |
CN112818458B (zh) | 一种建筑绿色性能设计优化方法及*** | |
CN108681744B (zh) | 一种基于数据划分的电力负荷曲线层次聚类方法 | |
CN109657891B (zh) | 一种基于自适应k-means++算法的负荷特性分析方法 | |
CN108376262A (zh) | 一种风电出力典型特性的分析模型构建方法 | |
Broderick et al. | Clustering methodology for classifying distribution feeders | |
CN113837311B (zh) | 一种基于需求响应数据的居民客户聚类方法及装置 | |
CN109064353B (zh) | 一种基于改进聚类融合的大型建筑用户行为分析方法 | |
CN112215512A (zh) | 计及微电网功能特性的综合评价指标权重量化方法及*** | |
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 | |
CN113159106A (zh) | 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备 | |
CN115796559A (zh) | 一种考虑需求响应场景的可调负荷排序方法及*** | |
CN117113126A (zh) | 一种基于改进聚类算法的行业用电特性分析方法 | |
KR102447048B1 (ko) | 에너지 시뮬레이션 모델 생성 장치 및 방법 | |
CN108898273A (zh) | 一种基于形态分析的用户侧负荷特征聚类评价方法 | |
CN114239962B (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
CN117043794A (zh) | 基于多元线性回归和聚类分析的建筑能耗预测方法和*** | |
CN110489893B (zh) | 一种基于可变权值的母线负荷预测方法及*** | |
CN109165854B (zh) | 空管运行效率等级评估方法及其装置 | |
CN116862137A (zh) | 基于数据融合的充电桩负荷柔性调度方法及装置 | |
CN116502939A (zh) | 一种负荷调节评估方法、装置、设备及介质 | |
CN112052430B (zh) | 一种基于改进topsis的光伏场站相关性综合评估*** | |
CN115081533A (zh) | 基于两级聚类和mgru-at的客户侧负荷预测方法与*** |
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 |