CN109284851A - 一种适用于需求侧响应的用户用电行为分类方法 - Google Patents
一种适用于需求侧响应的用户用电行为分类方法 Download PDFInfo
- Publication number
- CN109284851A CN109284851A CN201810594612.6A CN201810594612A CN109284851A CN 109284851 A CN109284851 A CN 109284851A CN 201810594612 A CN201810594612 A CN 201810594612A CN 109284851 A CN109284851 A CN 109284851A
- Authority
- CN
- China
- Prior art keywords
- power utilization
- cluster
- user power
- demand side
- side response
- 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 41
- 230000004044 response Effects 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000005498 polishing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000003542 behavioural effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于需求侧响应的用户用电行为分类方法,首先通过三次指数平滑法补齐空缺数据,负荷数据归一化;然后利用进化的K‑means算法将用户用电负荷曲线聚类,确定出居民用电行为的种类;最后将新增用户的用电行为用改进的支持向量机法进行分类的更新,把新增用户的用电行为划分到已知的负荷曲线簇。本发明具有良好的泛化能力,能够适用于各种行业的用户用电行为特性分类。
Description
技术领域
本发明属于电力***需求侧信息管理技术领域,具体涉及一种适用于需求侧响应的用户用电行为分类方法。
背景技术
随着智能电网的全面建设,信息通信技术与智能电网紧密联系在一起,同时售电侧放开,以智能电表为基础的高级测量体系能够延伸到普通用户,智能用电领域的智能化和互动化水平逐渐提高。电网改革的推进使得用户的地位明显提高,对用户用电行为充分了解有助于电力公司在争夺用户资源时提升竞争力,并且也是需求侧响应得以实现的基础和前提。需求响应是需求侧管理在竞争性电力市场中的发展,通过价格信号和激励机制来增加需求侧在市场中的作用,可以有效地缓解输电和发电容量迅速扩建的步伐,有利于构建环境友好型社会。因此,适用于用户与电网友好互动的用电特性分类方法研究是针对智能用电的发展趋势,提出的有效的用户用电特性分类方法,为需求侧响应降低峰谷差,错峰管理,电价制定和负荷预测提供有效的支撑。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种适用于需求侧响应的用户用电行为分类方法,用于电力公司指导用户进行高效、便捷地的用电行为。
本发明采用以下技术方案:
一种适用于需求侧响应的用户用电行为分类方法,首先通过三次指数平滑法补齐空缺数据,负荷数据归一化;然后利用进化的K-means算法将用户用电负荷曲线聚类,确定出居民用电行为的种类;最后将新增用户的用电行为用改进的支持向量机法进行分类的更新,把新增用户的用电行为划分到已知的负荷曲线簇。
具体的,三次指数平滑法补齐空缺数据具体为:设每天的负荷序列为X1,...,XT,然后利用三次指数平滑法的预测模型进行数据归一化处理,把负荷数据限制到设定范围内。
进一步的,三次指数平滑法的预测模型具体如下:
其中,m=1,2,...,St为中间变量,β为序列参数。
进一步的,三次中间变量St具体计算如下:
。
具体的,采用层次聚类法改进K-means算法,先应用层次聚类算法得到一个初始的划分,计算每个类内对象的均值,并将它作为K-mean算法的初始聚类中心。
进一步的,利用进化的K-means算法确定出居民用电行为的种类具体为:当使用K-means算法将负荷曲线分为了K个簇,对于簇中的每个向量,分别计算它们的轮廓系数,轮廓系数的值介于[-1,1],在负荷曲线的聚类里选择轮廓系数接近1的类别数作为K-means聚类的K值。
更进一步的,将所有点的轮廓系数求平均,得到该聚类结果总的轮廓系数,轮廓系数中的一个点i向量轮廓系数如下:
其中,a(i)为i向量到同一簇内其他点不相似程度的平均值,b(i)为i向量到其他簇的平均不相似程度的最小值。
具体的,改进的支持向量机法具体为:分别试验不同的核函数,确定核函数后,给定参数C和参数γ范围较大的取值区间,由参数C和参数γ划分出网格区间,然后用枚举的方法寻找最优的参数C和参数γ得到分类结果。
与现有技术相比,本发明至少具有以下有益效果:
本发明提出的算法用三次指数平滑法补齐缺失数据,数据的完整利于提高聚类的效果,然后利用进化的K-means算法将用户用电负荷曲线聚类,确定出居民用电行为的种类;最后将新增用户的用电行为用改进的支持向量机法进行分类的更新,把新增用户的用电行为划分到已知的负荷曲线簇,确定出用户的标签后,新增用户的用电行为用改进的支持向量机算法进行分类,高效快捷的将新增用户归类。
进一步的,用轮廓系数法确定聚类类别,层次聚类法确定聚类中心,减少了迭代次数,提升了运算速度,提高了聚类的准确度。
进一步的,确定出用户的标签后,新增用户的用电行为用改进的支持向量机算法进行分类,高效快捷的将新增用户归类。
综上所述,本发明具有良好的泛化能力,能够适用于各种行业的用户用电行为特性分类。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为用户用电特性行为分类流程图。
具体实施方式
请参阅图1,本发明一种适用于需求侧响应的用户用电行为分类方法,首先提供三次指数平滑法补齐空缺数据;然后用进化的K-means算法将用户用电负荷曲线聚类,确定出居民用电行为的种类;最后将新增用户的用电行为用改进的支持向量机法进行分类的更新,把新增用户的用电行为划分到已知的负荷曲线簇。
其中,进化的K-means算法用轮廓系数法确定聚类类别,层次聚类法确定聚类中心。
在支持向量机分类时,为了可以达到更好的分类效果,分别试验不同的核函数。确定某一种特定的核函数后,给定参数C和参数γ范围较大的取值区间,这样就可以在由参数C和参数γ划分出网格区间,然后用枚举的方法寻找最优的参数C和参数γ,得到精度更高的分类结果。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明提供一种适用于需求侧响应的用户用电行为分类方法,采用三次指数平滑法补齐空缺数据,用进化的K-means算法聚类确定用户标签,新增用户的用电行为用改进的支持向量机算法进行归类,分析不同曲线簇的用电特性,电力公司就可以高效、便捷地指导用户的用电行为。
1)数据预处理;
1.1)空缺数据采用三次指数平滑法补齐,设每天的负荷序列为X1,...,XT,其计算公式为
三次指数平滑法的预测模型为
其中,m=1,2,...,
1.2)数据归一化处理,把负荷数据限制到一定范围内。
2)进化的K-means算法聚类;
2.1)轮廓系数法确定聚类类别
当使用K-means算法将负荷曲线分为了K个簇。对于簇中的每个向量,分别计算它们的轮廓系数。轮廓系数的值介于[-1,1],越趋近于1代表内聚度和分离度都相对较优。对于其中的一个点i来说,i向量轮廓系数就为:
其中a(i)为i向量到同一簇内其他点不相似程度的平均值,b(i)为i向量到其他簇的平均不相似程度的最小值,将所有点的轮廓系数求平均,就是该聚类结果总的轮廓系数。在负荷曲线的聚类里选择轮廓系数更接近为1的类别数作为K-means聚类的K值;
2.2)层次聚类法确定聚类中心
层次聚类方法就是通过对数据集按照某种方法进行层次分解,直到满足某种条件为止。针对K-means算法对初始聚类中心初始值敏感的问题,可以采用层次聚类法改进K-means算法。先应用层次聚类算法得到一个初始的划分,计算每个类内对象的均值,并将它作为K-mean算法的初始聚类中心。
3)改进的支持向量机算法
在支持向量机分类时,惩罚参数C的选取是不确定的,它的取值会影响分类结果。当训练集的数据特点不同时,使用不同的核函数的分类效果也不相同。针对多项式核函数,径向基核函数和S形核函数还会涉及到γ参数的设置。
为了可以达到更好的分类效果,分别试验不同的核函数。确定某一种特定的核函数后,给定参数C和参数γ范围较大的取值区间,这样就可以在由参数C和参数γ划分出网格区间,然后用枚举的方法寻找最优的参数C和参数γ,得到精度更高的分类结果。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (8)
1.一种适用于需求侧响应的用户用电行为分类方法,其特征在于,首先通过三次指数平滑法补齐空缺数据,负荷数据归一化;然后利用进化的K-means算法将用户用电负荷曲线聚类,确定出居民用电行为的种类;最后将新增用户的用电行为用改进的支持向量机法进行分类的更新,把新增用户的用电行为划分到已知的负荷曲线簇。
2.根据权利要求1所述的一种适用于需求侧响应的用户用电行为分类方法,其特征在于,三次指数平滑法补齐空缺数据具体为:设每天的负荷序列为X1,...,XT,然后利用三次指数平滑法的预测模型进行数据归一化处理,把负荷数据限制到设定范围内。
3.根据权利要求2所述的一种适用于需求侧响应的用户用电行为分类方法,其特征在于,三次指数平滑法的预测模型具体如下:
其中,m=1,2,...,St为中间变量,β为序列参数。
4.根据权利要求3所述的一种适用于需求侧响应的用户用电行为分类方法,其特征在于,三次中间变量St具体计算如下:
。
5.根据权利要求1所述的一种适用于需求侧响应的用户用电行为分类方法,其特征在于,采用层次聚类法改进K-means算法,先应用层次聚类算法得到一个初始的划分,计算每个类内对象的均值,并将它作为K-mean算法的初始聚类中心。
6.根据权利要求5所述的一种适用于需求侧响应的用户用电行为分类方法,其特征在于,利用进化的K-means算法确定出居民用电行为的种类具体为:当使用K-means算法将负荷曲线分为了K个簇,对于簇中的每个向量,分别计算它们的轮廓系数,轮廓系数的值介于[-1,1],在负荷曲线的聚类里选择轮廓系数接近1的类别数作为K-means聚类的K值。
7.根据权利要求6所述的一种适用于需求侧响应的用户用电行为分类方法,其特征在于,将所有点的轮廓系数求平均,得到该聚类结果总的轮廓系数,轮廓系数中的一个点i向量轮廓系数如下:
其中,a(i)为i向量到同一簇内其他点不相似程度的平均值,b(i)为i向量到其他簇的平均不相似程度的最小值。
8.根据权利要求1所述的一种适用于需求侧响应的用户用电行为分类方法,其特征在于,改进的支持向量机法具体为:分别试验不同的核函数,确定核函数后,给定参数C和参数γ范围较大的取值区间,由参数C和参数γ划分出网格区间,然后用枚举的方法寻找最优的参数C和参数γ得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810594612.6A CN109284851A (zh) | 2018-06-11 | 2018-06-11 | 一种适用于需求侧响应的用户用电行为分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810594612.6A CN109284851A (zh) | 2018-06-11 | 2018-06-11 | 一种适用于需求侧响应的用户用电行为分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109284851A true CN109284851A (zh) | 2019-01-29 |
Family
ID=65186252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810594612.6A Pending CN109284851A (zh) | 2018-06-11 | 2018-06-11 | 一种适用于需求侧响应的用户用电行为分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284851A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781332A (zh) * | 2019-10-16 | 2020-02-11 | 三峡大学 | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 |
CN110851502A (zh) * | 2019-11-19 | 2020-02-28 | 国网吉林省电力有限公司 | 一种基于数据挖掘技术的负荷特征场景分类方法 |
CN111047465A (zh) * | 2019-12-09 | 2020-04-21 | 湘潭大学 | 一种基于电力大数据的电网友好型负荷响应方法 |
CN112560934A (zh) * | 2020-12-10 | 2021-03-26 | 国家电网有限公司 | 多尺度电力消费行为分析方法 |
CN113435623A (zh) * | 2020-03-23 | 2021-09-24 | 北京沃东天骏信息技术有限公司 | 一种预警方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
CN107680391A (zh) * | 2017-09-28 | 2018-02-09 | 长沙理工大学 | 十字路***通流的二型模糊控制方法 |
-
2018
- 2018-06-11 CN CN201810594612.6A patent/CN109284851A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
CN107680391A (zh) * | 2017-09-28 | 2018-02-09 | 长沙理工大学 | 十字路***通流的二型模糊控制方法 |
Non-Patent Citations (4)
Title |
---|
周莹: ""基于证券理财产品用户行为分析的个性化推荐研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张靖 等: ""优化初始聚类中心的改进k-means算法"", 《计算机工程与设计》 * |
王梅: ""一种改进的核函数参数选择方法"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
黄艳红 等: ""基于三次指数平滑对用户用电量的预测"", 《上海工程技术大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781332A (zh) * | 2019-10-16 | 2020-02-11 | 三峡大学 | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 |
CN110851502A (zh) * | 2019-11-19 | 2020-02-28 | 国网吉林省电力有限公司 | 一种基于数据挖掘技术的负荷特征场景分类方法 |
CN111047465A (zh) * | 2019-12-09 | 2020-04-21 | 湘潭大学 | 一种基于电力大数据的电网友好型负荷响应方法 |
CN111047465B (zh) * | 2019-12-09 | 2024-05-10 | 湘潭大学 | 一种基于电力大数据的电网友好型负荷响应方法 |
CN113435623A (zh) * | 2020-03-23 | 2021-09-24 | 北京沃东天骏信息技术有限公司 | 一种预警方法和装置 |
CN112560934A (zh) * | 2020-12-10 | 2021-03-26 | 国家电网有限公司 | 多尺度电力消费行为分析方法 |
CN112560934B (zh) * | 2020-12-10 | 2024-03-01 | 国家电网有限公司 | 多尺度电力消费行为分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284851A (zh) | 一种适用于需求侧响应的用户用电行为分类方法 | |
CN104200275B (zh) | 基于用户行为特点的用电模式分类和控制方法 | |
Yang et al. | A review of electric load classification in smart grid environment | |
Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
CN108681973A (zh) | 电力用户的分类方法、装置、计算机设备和存储介质 | |
CN107423769A (zh) | 基于形态特征的电力负荷曲线自适应聚类方法 | |
CN108694673A (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
CN107833153B (zh) | 一种基于k-means聚类的电网负荷缺失数据补全方法 | |
CN108805193A (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN107944604A (zh) | 一种用于光伏功率预测的天气类型识别方法和装置 | |
CN112232863B (zh) | 一种基于云边端协同的虚拟资源管理方法及*** | |
Bidoki et al. | Evaluating different clustering techniques for electricity customer classification | |
Yan | Research on green suppliers' evaluation based on AHP & genetic algorithm | |
CN109544029A (zh) | 一种台区线损的分析方法、分析装置及终端 | |
CN116148753A (zh) | 一种智能电能表运行误差监测*** | |
Wang et al. | Big data analytics for price forecasting in smart grids | |
CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
CN115861671A (zh) | 一种考虑负荷特性与可调节潜力的双层自适应聚类方法 | |
CN114004530B (zh) | 基于排序支撑向量机的企业电力信用分建模方法及*** | |
CN115952429A (zh) | 基于无先验权重欧氏距离的自适应dbscan异常电池识别方法 | |
CN105653670A (zh) | 一种基于流形学习聚类算法的智能用电数据挖掘方法 | |
CN110321390A (zh) | 基于有监督和无监督算法结合的负荷曲线数据可视化方法 | |
CN110490220A (zh) | 一种母线负荷辨识方法和*** | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN115829418B (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |