CN109272058A - 一种集成电力负荷曲线聚类方法 - Google Patents
一种集成电力负荷曲线聚类方法 Download PDFInfo
- Publication number
- CN109272058A CN109272058A CN201811425170.9A CN201811425170A CN109272058A CN 109272058 A CN109272058 A CN 109272058A CN 201811425170 A CN201811425170 A CN 201811425170A CN 109272058 A CN109272058 A CN 109272058A
- Authority
- CN
- China
- Prior art keywords
- class
- cluster
- neuron
- cluster result
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种集成电力负荷曲线聚类方法。在我国电网公司加大需求侧改革力度、更加有效进行电力***运行经济调度的大背景下,本发明专利提出一种快速有效的电力负荷聚类算法。首先使用SOM神经网络对原始电力负荷数据进行粗聚类,获得聚类后的类中心;然后利用DBSCAN算法对粗聚类后的类中心进行聚类,将同类的类中心对应的类簇进行合并;最后将类簇中的偏离元素剔除并放入最相似类中,获得最优聚类结果。
Description
技术领域
本发明属于大数据技术领域,具体涉及一种集成电力负荷曲线聚类方法。
背景技术
在大数据时代,通过对历史电力负荷数据曲线进行聚类分析,获得用户的用电规律和特性,是电力***经济调度和需求侧管理的一项重要的内容。传统的K-Mean算法、SOM神经网络、FCM算法等聚类算法对电力负荷曲线进行聚类的效果并不好。K-Mean算法和FCM算法都需要在聚类之前指定聚类数目,这使得算法难以准确表示用户自身的用电规律;SOM神经网络对数据进行聚类的时候虽然不用指定聚类数目,但其存在着不一定收敛的缺陷。
发明内容
本发明的目的是为了解决上述现有技术的缺陷,提供了一种集成SOM神经网络与DBSCAN算法的电力负荷聚类算法。首先获取原始电力负荷数据,使用SOM神经网络对原始电力负荷数据进行粗聚类,获得聚类结果C1;然后使用DBSCAN算法对聚类结果C1的类中心进行聚类,将同类的类中心对应的类簇合并;最后提出修正偏离元素规则对聚类结果进行调整,更好地对电力负荷曲线数据进行聚类,获得最优聚类结果。
本发明的目的可以通过采取如下技术方案达到:
一种集成电力负荷曲线聚类方法,包括以下步骤:
S1、初始化SOM神经网络神经元的权值向量和获胜神经元领域半径N0:
wij=rand(0,1),1≤i≤m,1≤j≤n (1)
其中,Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win];wij为Wi的第j个分量的值;n为输入层节点的个数,m为输出层神经元的个数;初始获胜神经元领域半径N是一个较大的值N0;
S2、归一化输入向量Xk和SOM输出层神经元的权值向量Wi:
其中,Xk=[xk1,xk2,...,xkn]为第k个输入向量,n=9为输入层节点数;Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win],其中1≤i≤m;||Xk||为输入向量Xk的欧几里得范数;||Wi||为第i个神经元的权值向量的欧几里得范数;
S3、计算输入向量Xk和输出层神经元的权值向量Wi的欧氏距离,获得获胜神经元:
其中,d(Xk,Wi)表示第k个输入向量和第i个神经元的权值向量的欧氏距离。使得d(Xk,Wi)取得最小值的神经元i即为输入向量Xk的获胜神经元;
S4、更新获胜神经元拓扑领域内的神经元的权值向量:
Wt+1=Wt+η(t,Nt)·(Xk-Wt) (5)
其中Wt为输入向量Xk的获胜神经元在t时刻的权值向量;η(t,N)为学习率函数,其表达式为:
S5、更新学习率η和获胜神经元拓扑领域N:
学习率η的更新方式为:
ηt+1=ηt-αt (7)
其中α为大于0的常数;
获胜神经元拓扑领域N的更新方式为:
Nt+1=Nt-βt (8)
其中β为大于0的常数;
S6、判断SOM神经网络是否收敛:
若学习率η<ηmin或者达到最大的迭代次数T,则输出聚类结果C1并转S7;否则转S3;其中ηmin和T为用户预先设定的值;
S7、计算SOM神经网络聚类结果C1的类中心ci:
其中,Xi,Xj均为聚类结果C1的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离;类中心ci集合用R表示;
S8、计算S7中的聚类结果C1的类中心ci集合R的K-距离集合D:
对于数据集合R={c1,c2,c3,...,cm},计算元素ci到R的子集S={c1,c2,c3,...,ci-1,ci+1,...,cm}中所有元素的距离,距离按照从小到大排序,获得排序后的距离集合D′={d1,d2,d3,...,dk,dk+1,...,dm},dk即为K-距离,对集合R中每一个元素ci都计算K-距离,得到所有点的K-距离集合D={dk1,dk2,...,dkm};
S9、初始化DBSCAN算法的领域半径Eps和最小密度MinPts:
MinPts的值由用户指定,其值即为S8中的K-距离的K值;领域半径Eps为S8中计算的K-距离曲线D中斜率最大的点所对应的值,若存在多个点均为斜率最大点,则取这些点的平均值作为领域半径Eps的值;
S10、使用DBSCAN算法对聚类结果C1的类中心ci集合R进行聚类:
根据S8和S9所确定的DBSCAN算法的参数,对R进行聚类,获得聚类结果C2;
S11、对聚类结果C1进行并类获得聚类结果C3;
S12、计算聚类结果C3的类中心c′i;
S13、计算聚类结果C3中第i类簇的平均距离Mi;
S14、计算聚类结果C3中第i类簇的偏离元素X′i;
S15、将S14中的偏离元素X′i归入其相似类中,获得电力负荷数据的最终聚类结果C4。
进一步地,所述的步骤S11对聚类结果C1进行并类获得聚类结果C3,进一步包括:
将聚类结果C2中为同一类簇的类中心ci,cj所对应聚类结果C1中的第i类簇和第j类簇的数据进行合并,获得聚类结果C3。
进一步地,所述的步骤S12计算聚类结果C3的类中心c′i,进一步包括:
其中,Xi,Xj均为聚类结果C3的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离。
进一步地,所述的步骤S13计算聚类结果C3中第i类簇的平均距离Mi,进一步包括:
其中,Xi,Xj均为聚类结果C3的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离。
进一步地,所述的步骤S14计算聚类结果C3中第i类簇的偏离元素X′i,进一步包括:
若C3中第i类簇中的元素Xi到类中心c′i的欧氏距离大于λ倍的平均距离,则Xi即为C3中第i类簇的一个偏离元素X′i,即:
其中λ为偏离因子,为一大于1的常数;将偏离元素从该类簇中剔除出去。
进一步地,所述的步骤S15将S14中的偏离元素X′i归入其相似类中,获得最终聚类结果C4,进一步包括:
计算从第i类簇中剔除出来的偏离元素X′i与其他类簇的类中心c′j的欧氏距离,将X′i并入使得距离d(X′i,c′j)取最小值的c′j所对应的类簇中;获得最终聚类结果C4。
进一步地,在所述的步骤S1之前,进一步包括:获取电力负荷数据。
优选的,α取值为0.0002,β取值为0.0005。
优选的,ηmin取值为0.000002,最大迭代次数T取值为2000。
优选的,λ取值为1.5。
与现有技术相比,本发明提供的集成电力负荷曲线聚类方法至少具有下述的有益效果或优点:计算速度快、聚类效果好;较好地满足电网公司对电力负荷聚类分析的需要。
附图说明
以下将结合附图对本发明做进一步详细说明;
图1是本发明的集成电力负荷曲线聚类方法流程图;
图2(a)是本发明的实施案例第一类负荷数据的聚类结果图;
图2(b)为本发明的实施案例第二类负荷数据的聚类结果图。
具体实施方式
结合附图来说明本发明的具体实施方式,为了证明本发明的优越性,下面将本发明采用某公司的电力负荷数据进行验证,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
本发明的一种集成电力负荷曲线聚类方法,如图1所示,其具体实施案例实施步骤如下,:
S1、获取电力负荷数据。从某工厂获取电力负荷数据并选取2018年1月1日至2018年8月15日的电力负荷数据作为实验用数据。其中电力负荷数据的格式为从当天0.00开始到当天23.45每隔15分钟对负荷采样一次,一天共96个点电力负荷数据组成当天的电力负荷曲线。
S2、初始化SOM神经网络神经元的权值向量和获胜神经元领域半径N0:
wij=rand(0,1),1≤i≤m,1≤j≤n (1)
其中,Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win];wij为Wi的第j个分量的值;n=9为输入层节点的个数,m=16为输出层神经元的个数;初始获胜神经元领域半径N是一个较大的值N0=8。
S3、归一化输入向量Xk和SOM输出层神经元的权值向量Wi:
其中,Xk=[xk1,xk2,...,xkn]为第k个输入向量,n=9为输入层节点数;Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win],其中1≤i≤m,m=16;||Xk||为输入向量Xk的欧几里得范数;||Wi||为第i个神经元的权值向量的欧几里得范数。
S4、计算输入向量Xk和输出层神经元的权值向量Wi的欧氏距离,获得获胜神经元:
其中,d(Xk,Wi)表示第k个输入向量和第i个神经元的权值向量的欧氏距离。使得d(Xk,Wi)取得最小值的神经元i即为输入向量Xk的获胜神经元。
S5、更新获胜神经元拓扑领域内的神经元的权值向量:
Wt+1=Wt+η(t,Nt)·(Xk-Wt) (5)
其中Wt为输入向量Xk的获胜神经元在t时刻的权值向量;η(t,N)为学习率函数,其表达式为:
(本发明实施案例中初始学习率η为0.006)
S6、更新学习率η和获胜神经元拓扑领域N:
学习率η的更新方式为:
ηt+1=ηt-αt (7)
其中α为大于0的常数(本发明实施案例为0.0002)。
获胜神经元拓扑领域N的更新方式为:
Nt+1=Nt-βt (8)
其中β为大于0的常数(本发明实施案例为0.0005)。
S7、判断SOM神经网络是否收敛:
若学习率η<ηmin或者达到最大的迭代次数T,则输出聚类结果C1并转S8;否则转S4。其中ηmin和T为用户预先设定的值(本发明实施案例ηmin取值为0.000002,最大迭代次数T取值为2000)。
S8、计算SOM神经网络聚类结果C1的类中心ci:
其中,Xi,Xj均为聚类结果C1的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离;类中心ci集合用R表示。
S9、计算S8中的聚类结果C1的类中心ci集合R的K-距离集合D:
对于数据集合R={c1,c2,c3,...,cm},计算元素ci到R的子集S={c1,c2,c3,...,ci-1,ci+1,...,cm}中所有元素的距离,距离按照从小到大排序,获得排序后的距离集合D′={d1,d2,d3,...,dk,dk+1,...,dm},dk即为K-距离,对集合R中每一个元素ci都计算K-距离,得到所有点的K-距离集合D={dk1,dk2,...,dkm}。
S10、初始化DBSCAN算法的领域半径Eps和最小密度MinPts:
MinPts的值由用户指定,其值即为S9中的K-距离的K值;领域半径Eps为S9中计算的K-距离曲线D中斜率最大的点所对应的值,若存在多个点均为斜率最大点,则取这些点的平均值作为领域半径Eps的值(本发明实施案例中MinPts为4,Eps为1.25)。
S11、使用DBSCAN算法对聚类结果C1的类中心ci集合R进行聚类:
根据S9和S10所确定的DBSCAN算法的参数,对R进行聚类,获得聚类结果C2。
S12、对聚类结果C1进行并类:将聚类结果C2中为同一类簇的类中心ci,cj所对应聚类结果C1中的第i类簇和第j类簇的数据进行合并,获得聚类结果C3。
S13、计算聚类结果C3的类中心c′i:
其中,Xi,Xj均为聚类结果C3的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离。
S14、计算聚类结果C3中第i类簇的平均距离Mi:
其中,Xi,Xj均为聚类结果C3的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离。
S15、计算聚类结果C3中第i类簇的偏离元素X′i:
若C3中第i类簇中的元素Xi到类中心c′i的欧氏距离大于λ倍的平均距离,则Xi即为C3中第i类簇的一个偏离元素X′i,即:
其中λ为偏离因子,为一大于1的常数;将偏离元素从该类簇中剔除出去(本发明实施案例中λ为1.5)。
S16、将S15中的偏离元素X′i归入与其欧式距离最小的类中心c′j中:
计算从第i类簇中剔除出来的偏离元素X′i与其他类簇的类中心c′j的欧氏距离,将X′i并入使得距离d(X′i,c′j)取最小值的c′j所对应的类簇中。获得最终聚类结果C4。第一类负荷数据和第二类负荷数据的聚类结果如图2(a)-2(b)所示。
S17、结束算法。
以上所述,仅为本发明专利优选的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种集成电力负荷曲线聚类方法,其特征在于,所述方法包括以下步骤:
S1、初始化SOM神经网络神经元的权值向量和获胜神经元领域半径N0:
wij=rand(0,1),1≤i≤m,1≤j≤n (1)
其中,Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win];wij为Wi的第j个分量的值;n为输入层节点的个数,m为输出层神经元的个数;初始获胜神经元领域半径N是一个较大的值N0;
S2、归一化输入向量Xk和SOM输出层神经元的权值向量Wi:
其中,Xk=[xk1,xk2,...,xkn]为第k个输入向量,n=9为输入层节点数;Wi为输出层第i个神经元的权值向量,Wi=[wi1,wi2,...,win],其中1≤i≤m;||Xk||为输入向量Xk的欧几里得范数;||Wi||为第i个神经元的权值向量的欧几里得范数;
S3、计算输入向量Xk和输出层神经元的权值向量Wi的欧氏距离,获得获胜神经元:
其中,d(Xk,Wi)表示第k个输入向量和第i个神经元的权值向量的欧氏距离;使得d(Xk,Wi)取得最小值的神经元i即为输入向量Xk的获胜神经元;
S4、更新获胜神经元拓扑领域内的神经元的权值向量:
Wt+1=Wt+η(t,Nt)·(Xk-Wt) (5)
其中Wt为输入向量Xk的获胜神经元在t时刻的权值向量;η(t,N)为学习率函数,其表达式为:
S5、更新学习率η和获胜神经元拓扑领域N:
学习率η的更新方式为:
ηt+1=ηt-αt (7)
其中α为大于0的常数;
获胜神经元拓扑领域N的更新方式为:
Nt+1=Nt-βt (8)
其中β为大于0的常数;
S6、判断SOM神经网络是否收敛:
若学习率η<ηmin或者达到最大的迭代次数T,则输出聚类结果C1并转S7;否则转S3;其中ηmin和T为用户预先设定的值;
S7、计算SOM神经网络聚类结果C1的类中心ci:
其中,Xi,Xj均为聚类结果C1的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离;类中心ci集合用R表示;
S8、计算S7中的聚类结果C1的类中心ci集合R的K-距离集合D:
对于数据集合R={c1,c2,c3,...,cm},计算元素ci到R的子集S={c1,c2,c3,...,ci-1,ci+1,...,cm}中所有元素的距离,距离按照从小到大排序,获得排序后的距离集合D′={d1,d2,d3,...,dk,dk+1,...,dm},dk即为K-距离,对集合R中每一个元素ci都计算K-距离,得到所有点的K-距离集合D={dk1,dk2,...,dkm};
S9、初始化DBSCAN算法的领域半径Eps和最小密度MinPts:
MinPts的值由用户指定,其值即为S8中的K-距离的K值;领域半径Eps为S8中计算的K-距离曲线D中斜率最大的点所对应的值,若存在多个点均为斜率最大点,则取这些点的平均值作为领域半径Eps的值;
S10、使用DBSCAN算法对聚类结果C1的类中心ci集合R进行聚类:
根据S8和S9所确定的DBSCAN算法的参数,对R进行聚类,获得聚类结果C2;
S11、对聚类结果C1进行并类获得聚类结果C3;
S12、计算聚类结果C3的类中心c′i;
S13、计算聚类结果C3中第i类簇的平均距离Mi;
S14、计算聚类结果C3中第i类簇的偏离元素X′i;
S15、将S14中的偏离元素X′i归入其相似类中,获得电力负荷数据的最终聚类结果C4。
2.根据权利要求1所述的集成电力负荷曲线聚类方法,其特征在于,所述的步骤S11对聚类结果C1进行并类获得聚类结果C3,进一步包括:
将聚类结果C2中为同一类簇的类中心ci,cj所对应聚类结果C1中的第i类簇和第j类簇的数据进行合并,获得聚类结果C3。
3.根据权利要求1所述的集成电力负荷曲线聚类方法,其特征在于,所述的步骤S12计算聚类结果C3的类中心c′i,进一步包括:
其中,Xi,Xj均为聚类结果C3的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离。
4.根据权利要求1所述的集成电力负荷曲线聚类方法,其特征在于,所述的步骤S13计算聚类结果C3中第i类簇的平均距离Mi,进一步包括:
其中,Xi,Xj均为聚类结果C3的第i类簇中的元素;r为第i类簇中包含的元素个数;d(Xi,Xj)为Xi,Xj的欧氏距离。
5.根据权利要求1所述的集成电力负荷曲线聚类方法,其特征在于,所述的步骤S14计算聚类结果C3中第i类簇的偏离元素X′i,进一步包括:
若C3中第i类簇中的元素Xi到类中心c′i的欧氏距离大于λ倍的平均距离,则Xi即为C3中第i类簇的一个偏离元素X′i,即:
其中λ为偏离因子,为一大于1的常数;将偏离元素从该类簇中剔除出去。
6.根据权利要求1所述的集成电力负荷曲线聚类方法,其特征在于,所述的步骤S15将S14中的偏离元素X′i归入其相似类中,获得最终聚类结果C4,进一步包括:
计算从第i类簇中剔除出来的偏离元素Xi′与其他类簇的类中心c′j的欧氏距离,将X′i并入使得距离d(X′i,c′j)取最小值的c′j所对应的类簇中;获得最终聚类结果C4。
7.根据权利要求1所述的集成电力负荷曲线聚类方法,其特征在于,在所述的步骤S1之前,进一步包括:获取电力负荷数据。
8.根据权利要求1所述的集成电力负荷曲线聚类方法,其特征在于,α取值为0.0002,β取值为0.0005。
9.根据权利要求1所述的集成电力负荷曲线聚类方法,其特征在于,ηmin取值为0.000002,最大迭代次数T取值为2000。
10.根据权利要求5所述的集成电力负荷曲线聚类方法,其特征在于,λ取值为1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811425170.9A CN109272058B (zh) | 2018-11-27 | 2018-11-27 | 一种集成电力负荷曲线聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811425170.9A CN109272058B (zh) | 2018-11-27 | 2018-11-27 | 一种集成电力负荷曲线聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272058A true CN109272058A (zh) | 2019-01-25 |
CN109272058B CN109272058B (zh) | 2020-06-05 |
Family
ID=65186430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811425170.9A Active CN109272058B (zh) | 2018-11-27 | 2018-11-27 | 一种集成电力负荷曲线聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272058B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934301A (zh) * | 2019-03-22 | 2019-06-25 | 广东电网有限责任公司 | 一种电力负荷聚类分析方法、装置和设备 |
CN110795610A (zh) * | 2019-09-18 | 2020-02-14 | 国网江苏省电力有限公司 | 一种基于聚类的电力负荷分析方法 |
CN112288561A (zh) * | 2020-05-25 | 2021-01-29 | 百维金科(上海)信息科技有限公司 | 基于dbscan算法的互联网金融欺诈行为检测方法 |
CN113743519A (zh) * | 2021-09-09 | 2021-12-03 | 中国南方电网有限责任公司 | 电网母线典型负荷曲线识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011161186A1 (en) * | 2010-06-23 | 2011-12-29 | Biocrates Life Sciences Ag | Method for in vitro diagnosing sepsis utilizing biomarker composed of more than two different types of endogenous biomolecules |
CN102545229A (zh) * | 2010-12-30 | 2012-07-04 | 山东电力集团公司潍坊供电公司 | 地区电网无功电压自动控制*** |
CN106204321A (zh) * | 2016-06-30 | 2016-12-07 | 西安美林数据技术股份有限公司 | 一种智能制定电力客户削峰填谷策略的方法 |
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 |
CN106447403A (zh) * | 2016-10-17 | 2017-02-22 | 国网重庆市电力公司电力科学研究院 | 一种大用户直购电环境下用户优先级分类方法 |
CN106570526A (zh) * | 2016-10-27 | 2017-04-19 | 清华大学 | 用于输变电主设备负荷曲线挖掘的分类器集成方法 |
US20170105672A1 (en) * | 2015-10-16 | 2017-04-20 | Covidien Lp | System and method for identifying autoregulation zones |
US20180133484A1 (en) * | 2016-11-11 | 2018-05-17 | Medtronic, Inc. | Stimulation vector selection using pulse width data |
-
2018
- 2018-11-27 CN CN201811425170.9A patent/CN109272058B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011161186A1 (en) * | 2010-06-23 | 2011-12-29 | Biocrates Life Sciences Ag | Method for in vitro diagnosing sepsis utilizing biomarker composed of more than two different types of endogenous biomolecules |
CN102545229A (zh) * | 2010-12-30 | 2012-07-04 | 山东电力集团公司潍坊供电公司 | 地区电网无功电压自动控制*** |
US20170105672A1 (en) * | 2015-10-16 | 2017-04-20 | Covidien Lp | System and method for identifying autoregulation zones |
CN106204321A (zh) * | 2016-06-30 | 2016-12-07 | 西安美林数据技术股份有限公司 | 一种智能制定电力客户削峰填谷策略的方法 |
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 |
CN106447403A (zh) * | 2016-10-17 | 2017-02-22 | 国网重庆市电力公司电力科学研究院 | 一种大用户直购电环境下用户优先级分类方法 |
CN106570526A (zh) * | 2016-10-27 | 2017-04-19 | 清华大学 | 用于输变电主设备负荷曲线挖掘的分类器集成方法 |
US20180133484A1 (en) * | 2016-11-11 | 2018-05-17 | Medtronic, Inc. | Stimulation vector selection using pulse width data |
Non-Patent Citations (1)
Title |
---|
罗育辉: "《基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法》", 《计算机应用研究》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934301A (zh) * | 2019-03-22 | 2019-06-25 | 广东电网有限责任公司 | 一种电力负荷聚类分析方法、装置和设备 |
CN109934301B (zh) * | 2019-03-22 | 2022-10-04 | 广东电网有限责任公司 | 一种电力负荷聚类分析方法、装置和设备 |
CN110795610A (zh) * | 2019-09-18 | 2020-02-14 | 国网江苏省电力有限公司 | 一种基于聚类的电力负荷分析方法 |
CN110795610B (zh) * | 2019-09-18 | 2022-02-18 | 国网江苏省电力有限公司 | 一种基于聚类的电力负荷分析方法 |
CN112288561A (zh) * | 2020-05-25 | 2021-01-29 | 百维金科(上海)信息科技有限公司 | 基于dbscan算法的互联网金融欺诈行为检测方法 |
CN113743519A (zh) * | 2021-09-09 | 2021-12-03 | 中国南方电网有限责任公司 | 电网母线典型负荷曲线识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109272058B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272058A (zh) | 一种集成电力负荷曲线聚类方法 | |
CN107423769B (zh) | 基于形态特征的电力负荷曲线自适应聚类方法 | |
WO2019056753A1 (zh) | 一种分布式光伏电站集群的动态等值建模方法 | |
CN107800140A (zh) | 一种考虑负荷特征的大用户供电接入决策方法 | |
CN103093394A (zh) | 一种基于用户用电负荷数据细分的聚类融合方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
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 | |
CN109861211B (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN110400018B (zh) | 用于燃煤火力电厂制粉***的运行控制方法、***和装置 | |
CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
CN112650894A (zh) | 一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法 | |
CN105529714B (zh) | 基于正态分布组合特征的快速概率潮流计算方法 | |
CN110163420A (zh) | 一种基于分解文化进化算法的多目标生态调度方法和*** | |
Svendsen | Grid model reduction for large scale renewable energy integration analyses | |
CN104504127B (zh) | 用于电力用户分类的隶属度确定方法和*** | |
CN110275868A (zh) | 一种智能工厂中多模态制造数据预处理的方法 | |
CN103164487B (zh) | 一种基于密度与几何信息的数据聚类方法 | |
CN104219682A (zh) | 农田混合供电无线传感器网络的网络层次构建方法及*** | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及*** | |
CN107609690A (zh) | 一种负荷主动管理决策优化的方法 | |
CN116667369A (zh) | 一种基于图卷积神经网络的分布式光伏电压控制方法 | |
CN115021269B (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
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 | |
CN110034585A (zh) | 一种分布式电源快速规划方法 | |
CN113780347B (zh) | 负荷曲线多重聚类集成方法、***及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210315 Address after: 510700 room 3010, No. 26, Ningcai Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Guangdong Anheng Power Technology Co.,Ltd. Address before: 528402, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE |