CN110781332A - 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 - Google Patents

基于复合聚类算法的电力居民用户日负荷曲线聚类方法 Download PDF

Info

Publication number
CN110781332A
CN110781332A CN201910983879.9A CN201910983879A CN110781332A CN 110781332 A CN110781332 A CN 110781332A CN 201910983879 A CN201910983879 A CN 201910983879A CN 110781332 A CN110781332 A CN 110781332A
Authority
CN
China
Prior art keywords
clustering
data
algorithm
daily load
centers
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
Application number
CN201910983879.9A
Other languages
English (en)
Inventor
游文霞
金之榆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201910983879.9A priority Critical patent/CN110781332A/zh
Publication of CN110781332A publication Critical patent/CN110781332A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于复合聚类算法的电力居民用户日负荷曲线聚类方法，获取电力居民用户日负荷数据，该数据包含有P个样本，每个样本有Q个时间点属性的数据集矩阵；对电力居民用户日负荷数据进行预处理，获得初始群集；对初始群集进行降维处理，获得降维群集；采用聚类算法1对降维群集进行初步聚类，得到初始聚类中心；采用聚类算法2对聚类算法1得到的初始聚类中心进行聚类，并使用聚类有效性指标，对聚类结果进行评估，最终得到M个聚类中心；采用得到的M个聚类中心，作为聚类算法2的初始聚类中心，对数据进行聚类，获得行为相似的用户群。本发明把庞大零散的日负荷数据聚类成行为相似的用户群。电力企业管理人对聚类成的用户群进行分析，可以更好地预测用电量高峰和低谷，为电力业务的管理提供更可靠地方法。

Description

基于复合聚类算法的电力居民用户日负荷曲线聚类方法
技术领域
本发明涉及电力居民用户用电技术领域，尤其是一种基于复合聚类算法的电力居民用户日负荷曲线聚类方法。
背景技术
随着电力行业的快速发展，以及智能电表的普及，获取电力居民用户的用电情况变得更加方便，同时，电力公司会获得更加庞大以及详细的用户用电数据。
面对庞大的用电数据，利用现有的数据挖掘和分析技术，对电力用户日负荷数据进行规律分析以及特征提取，从而便于电力公司根据电价政策为用户提供更加高质量的供电服务。其中，居民用户用电细分是电力公司提供优质服务的重要方面，面对日益增长的居民用户用电负荷那比例的增加，使用合理，高效的数据聚类算法对用户进行分析可以帮助电力公司根据用户的特征提供更加合理，个性化的供电方案，让用户获得更好的体验。
但是，单一的原始的聚类算法聚类效率低，聚类效果差，例如，K-means算法由于对于初始聚类中心的选择是随机的，这使得对于样本数据量大的数据集，容易使聚类结果陷入局部最优。无法确定最佳聚类数目，需要研究人员逐个测试，导致聚类效率低下。从而不能很好地反映用户用电数据中的潜在规律以及用电特征，从而无法为电力公司在居民用户聚类方面提供良好的支持。
发明内容
本发明提供一种基于复合聚类算法的电力居民用户日负荷曲线聚类方法，该方法根据实时采集用电负荷的智能电表中的数据，对负荷曲线进行聚类，进而将有相同用电行为的用户聚到一起。
本发明采取的技术方案为：
基于复合聚类算法的电力居民用户日负荷曲线聚类方法，包括以下步骤：
步骤1：获取电力居民用户日负荷数据，该数据包含有P个样本，每个样本有Q个时间点属性的数据集矩阵；
步骤2：对电力居民用户日负荷数据进行预处理，获得初始群集；
步骤3：对初始群集进行降维处理，获得降维群集；
步骤4：采用聚类算法1对降维群集进行初步聚类，得到初始聚类中心；
步骤5：采用聚类算法2对聚类算法1得到的初始聚类中心进行聚类，并使用聚类有效性指标，对聚类结果进行评估，最终得到M个聚类中心；
步骤6：采用步骤5得到的M个聚类中心，作为聚类算法2的初始聚类中心，对数据进行聚类，获得行为相似的用户群，并对获得的行为相似的用户群进行行为特征分析。
所述步骤1中，对于P个样本，每个样本有Q个时间点属性的电力居民用户日负荷数据集，具体包括：
P个样本为居民用户样本，居民生活主要受季节变化、气温变化、收人水平、空调、电炊拥有率等因素影响，不用的因素会导致不同的日负荷曲线；Q为每日各个时间点由智能电表采集的该时间点的用电功率，Q的值根据智能电表采集数据的时间间隔而定。
所述步骤2中，预处理包括缺失值处理、数据标准化、数据正则化处理；
缺失值处理，对含有较多缺失值的数据进行删除，对含有较少缺失值的数据进行补全；
数据标准化，将原始数据线性化的方法转换到[0，1]的范围；
数据正则化处理，将每个属性减去该属性对应的均值，然后，再除以该属性对应方差。
所述步骤3中，降维处理采用PCA(Principal Component Analysis)，即主成分分析方法；获取的降维集群为p个样本、每个样本有q个属性的数据集矩阵。
所述步骤4中，采用聚类算法1对降维群集做初步聚类，获得行为相似的用户群，具体包括，采用Mean-shift算法，将数据集中的p个样本聚成N类，其中，N为正整数。
所述步骤5中，采用聚类算法2对聚类算法1得到的聚类中心进行聚类，采用聚类有效性指标评估聚类结果，具体包括：采用K-means算法对Mean-shift算法得到的N个聚类中心进行聚类，在聚类数目N范围内，对[2，N]分别聚类，其中，N为正整数，并使用Calinski-Harabasz(CH)指标对聚类结果进行评估，选取CH值最大的结果，最终得到M个聚类中心，其中，M为[2，N]中的正整数。
所述步骤6中，采用得到的M个聚类中心作为K-means算法的初始聚类中心，对数据集中的每个样本，即每个用户或每条记录进行聚类，最后得到M个类的用户。
本发明一种基于复合聚类算法的电力居民用户日负荷曲线聚类方法，以电力居民用户日负荷数据为分析对象，通过数据预处理，数据降维，以及特征聚类等多个算法过程，其中，特征聚类算法优选Mean-shift算法与K-means算法相结合。把庞大零散的日负荷数据聚类成行为相似的用户群。电力企业管理人对聚类成的用户群进行分析，可以更好地预测用电量高峰和低谷，为电力业务的管理提供更可靠地方法，为电力客户提供更优质的服务。
附图说明
图1为本发明方法实施例1的流程图。
图2为本发明方法实施例2的流程图。
具体实施方式
实施例1：
基于复合聚类算法的电力居民用户日负荷曲线聚类方法，包括以下步骤：
步骤1：获取电力居民用户日负荷数据，该数据包含有P个样本，每个样本有Q个时间点属性的数据集矩阵；
步骤2：对电力居民用户日负荷数据进行预处理，获得初始群集；
步骤3：对初始群集进行降维处理，获得降维群集；
步骤4：采用聚类算法1对降维群集进行初步聚类，得到N个初始聚类中心；
步骤5：采用聚类算法2对聚类算法1得到的初始聚类中心进行聚类，并使用聚类有效性指标，对聚类结果进行评估，最终得到M个聚类中心；
步骤6：采用步骤5得到的M个聚类中心，作为聚类算法2的初始聚类中心，对数据进行聚类，获得行为相似的用户群，并对获得的行为相似的用户群进行行为特征分析。
实施例2：
基于复合聚类算法的电力居民用户日负荷曲线聚类方法，包括以下步骤：
首先，获取电力居民用户日负荷数据，该数据包含有P个样本、每个样本有Q个时间点属性的数据集矩阵。
一般情况下，电网公司营销***经过的数据集包括数万或更多的样本，每个样本为一个电力居民用户，随着智能电表的普及，统计每个用户的居民用户日负荷数据变得非常容易。
然后，对获取的电力居民用户日负荷数据进行预处理，获得初始群集，其中，本实施例中，预处理过程包括对电力居民用户日负荷用电数据进行缺失值处理，数据标准化，数据正则化以及数据降维，经过以上处理后，获得的初始群集为p个样本、每个样本有q个属性的数据集矩阵。
其中，缺失值处理具体为，对有效值少的样本进行删除，对有效值多的样本的缺失值进行补全。当然，在删除有效值少的属性时，可一并将冗余属性进行删除。
删除样本的过程中，若删除n个样本，则剩余p个样本，其中，p＝P-n。另外，对缺失值进行补充的方式有多种，本申请中，对已有有效性取其平均作为缺失值的填充值。本领域技术人员可根据选择其他补充方法，其不均不影响之后的分析过程。
数据标准化具体为，将原始数据线性化的方法转换到[0，1]的范围，最大-最小归一化的计算公式为
Figure BDA0002236086600000041
该方法实现对原始数据的等比例缩放，其中，Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。
数据正则化具体为，将每个属性减去该属性对应的均值，然后，再除以该属性对应方差。经过标准化与正则化处理后，每个属性的数据都聚集在0附近，且方差为1，即获得的样本数据具有零均值和单位方差。
数据降维具体为，采用PCA(Principal Component Analysis)，即主成分分析方法，对数据集进行降维，得到处理后的降维群集R。
降维的过程中，若降维数为q，那么降维后的降维群集R则为p个样本、每个样本有q个属性的数据集矩阵。
之后，采用聚类算法，对数据集R内的数据进行聚类，获得用电行为相似的的用户群，具体包括，首先，采用Mean-shift算法，将数据集中的p个样本聚成N类，其中N为正整数，然后采用K-means算法对Mean-shift算法得到的N个聚类中心进行聚类，在聚类数目N范围内，对[2，N]分别聚类，其中，N为正整数，并使用Calinski-Harabasz(CH)指标对聚类结果进行评估，选取CH值最大的结果，最终得到M个聚类中心，其中M为[2，N]中的正整数，最后，采用得到的M个聚类中心作为K-means算法的初始聚类中心对数据集中的每个样本，即每个用户或每条记录，进行聚类，最后得到M个类的用户。
本实施例中，Mean-shift算法的具体过程包括：
首先，从数据集中找到任意一样本i，对该样本点进行均值漂移向量计算并改变当前中心点位置；然后，平移窗口，重新计算概率密度；最终收敛到概率密度极大值处，Mean-shift处理数据集R中的下一个对象。
同一个类中的数据属性值越相似或者相等，这个类中的样本密度就越大。每个行为相似的用户群称为一个类，最终获得多个相似的类，每个类都有其中心样本点，用户群依次命名为类1，类2…，类N。
本实施例中，K-means算法的具体过程包括：
第一步，将N个中心样本点记为X＝{x1,x2,...,xN}，从集群X中任意找到k个点Y＝{y1,y2,...,yk}作为聚类中心，其中k属于[2，N]；
第二步，计算集群X中的每个点到Y中k个聚类中心点的距离，并将其分到距离最小的聚类中心点所对应的类中；
第三步，对每个聚类中心进行重新计算；
第四步，重复第二步和第三步直到聚类中心的位置不再变化；
第五步，计算出对应k值的Calinski-Harabasz(CH)指标；
第六步，使用对于从2到N的每个k值，重复第一步到第五步，选取Calinski-Harabasz(CH)指标最大值对应的k值记为K，对应聚类中心记为Z＝{Z1,Z2,...,ZK}；
第七步，计算数据集R中每个点到Z中K个聚类中心点的距离，并将其分到距离最小的聚类中心点所对应的类中；
第八步，重复第七步和第三步直到聚类中心的位置不再变化；
第九步，输出聚类结果。
本实施例中，Calinski-Harabasz(CH)指标的具体计算过程如下所示：
Figure BDA0002236086600000051
其中，g表示聚类的数目，h表示当前的类，trB(h)表示类间离差矩阵的迹，trW(h)表示类内离差矩阵的迹。CH越大代表着类自身越紧密，类与类之间越分散，即更优的聚类结果。

Claims (7)

1.基于复合聚类算法的电力居民用户日负荷曲线聚类方法，其特征在于包括以下步骤：
步骤1：获取电力居民用户日负荷数据，该数据包含有P个样本，每个样本有Q个时间点属性的数据集矩阵；
步骤2：对电力居民用户日负荷数据进行预处理，获得初始群集；
步骤3：对初始群集进行降维处理，获得降维群集；
步骤4：采用聚类算法1对降维群集进行初步聚类，得到初始聚类中心；
步骤5：采用聚类算法2对聚类算法1得到的初始聚类中心进行聚类，并使用聚类有效性指标，对聚类结果进行评估，最终得到M个聚类中心；
步骤6：采用步骤5得到的M个聚类中心，作为聚类算法2的初始聚类中心，对数据进行聚类，获得行为相似的用户群。
2.根据权利要求1所述基于复合聚类算法的电力居民用户日负荷曲线聚类方法，其特征在于：所述步骤1中，对于P个样本，每个样本有Q个时间点属性的电力居民用户日负荷数据集，包括：P个样本为居民用户样本，居民生活主要受季节变化、气温变化、收人水平、空调、电炊拥有率等因素影响，不用的因素会导致不同的日负荷曲线；Q为每日各个时间点由智能电表采集的该时间点的用电功率，Q的值根据智能电表采集数据的时间间隔而定。
3.根据权利要求1所述基于复合聚类算法的电力居民用户日负荷曲线聚类方法，其特征在于：所述步骤2中，预处理包括缺失值处理、数据标准化、数据正则化处理；
缺失值处理，对含有较多缺失值的数据进行删除，对含有较少缺失值的数据进行补全；
数据标准化，将原始数据线性化的方法转换到[0，1]的范围；
数据正则化处理，将每个属性减去该属性对应的均值，然后，再除以该属性对应方差。
4.根据权利要求1所述基于复合聚类算法的电力居民用户日负荷曲线聚类方法，其特征在于：所述步骤3中，降维处理采用PCA(Principal Component Analysis)，即主成分分析方法；获取的降维集群为p个样本、每个样本有q个属性的数据集矩阵。
5.根据权利要求1所述基于复合聚类算法的电力居民用户日负荷曲线聚类方法，其特征在于：所述步骤4中，采用聚类算法1对降维群集做初步聚类，获得行为相似的用户群，具体包括，采用Mean-shift算法，将数据集中的p个样本聚成N类，其中，N为正整数。
6.根据权利要求1所述基于复合聚类算法的电力居民用户日负荷曲线聚类方法，其特征在于：所述步骤5中，采用聚类算法2对聚类算法1得到的聚类中心进行聚类，采用聚类有效性指标评估聚类结果，具体包括：采用K-means算法对Mean-shift算法得到的N个聚类中心进行聚类，在聚类数目N范围内，对[2，N]分别聚类，其中，N为正整数，并使用Calinski-Harabasz(CH)指标对聚类结果进行评估，选取CH值最大的结果，最终得到M个聚类中心，其中，M为[2，N]中的正整数。
7.根据权利要求1所述基于复合聚类算法的电力居民用户日负荷曲线聚类方法，其特征在于：所述步骤6中，采用得到的M个聚类中心作为K-means算法的初始聚类中心，对数据集中的每个样本，即每个用户或每条记录进行聚类，最后得到M个类的用户。
CN201910983879.9A 2019-10-16 2019-10-16 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 Pending CN110781332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910983879.9A CN110781332A (zh) 2019-10-16 2019-10-16 基于复合聚类算法的电力居民用户日负荷曲线聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910983879.9A CN110781332A (zh) 2019-10-16 2019-10-16 基于复合聚类算法的电力居民用户日负荷曲线聚类方法

Publications (1)

Publication Number Publication Date
CN110781332A true CN110781332A (zh) 2020-02-11

Family

ID=69385688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910983879.9A Pending CN110781332A (zh) 2019-10-16 2019-10-16 基于复合聚类算法的电力居民用户日负荷曲线聚类方法

Country Status (1)

Country Link
CN (1) CN110781332A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523794A (zh) * 2020-04-21 2020-08-11 国网四川省电力公司电力科学研究院 基于污染排放企业用电特性的环保管控措施响应研判方法
CN111612033A (zh) * 2020-04-15 2020-09-01 广东电网有限责任公司 基于引力搜索与密度峰值聚类的配电变压器故障诊断方法
CN111724278A (zh) * 2020-06-11 2020-09-29 国网吉林省电力有限公司 一种面向电力多元负荷用户的精细分类方法及***
CN111784093A (zh) * 2020-03-27 2020-10-16 国网浙江省电力有限公司 一种基于电力大数据分析的企业复工辅助判断方法
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
CN111898857A (zh) * 2020-04-07 2020-11-06 沈阳工业大学 基于BEMD和kmeans电力用户特征分析方法及***
CN112270338A (zh) * 2020-09-27 2021-01-26 西安理工大学 一种电力负荷曲线聚类方法
CN112381137A (zh) * 2020-11-10 2021-02-19 重庆大学 新能源电力***可靠性评估方法、装置、设备及存储介质
CN112836769A (zh) * 2021-03-10 2021-05-25 广东电网有限责任公司电力调度控制中心 基于主成分分析的需求响应用户分类方法及***
CN113011702A (zh) * 2021-02-07 2021-06-22 国网浙江省电力有限公司金华供电公司 一种基于曲线聚类算法的用户用能特征挖掘方法
CN113449793A (zh) * 2021-06-28 2021-09-28 国网北京市电力公司 用电状态的确定方法及装置
CN113743977A (zh) * 2021-06-28 2021-12-03 国网上海市电力公司 一种基于用户行为的用电数据特征提取方法及***
CN113837311A (zh) * 2021-09-30 2021-12-24 南昌工程学院 一种基于需求响应数据的居民客户聚类方法及装置
CN114336651A (zh) * 2022-01-04 2022-04-12 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN115049021A (zh) * 2022-08-11 2022-09-13 江西合一云数据科技股份有限公司 应用于公众集群管理的数据处理方法和装置及其设备
CN115687955A (zh) * 2023-01-03 2023-02-03 南昌工程学院 基于投票表决的居民用户负荷曲线聚类方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090142029A1 (en) * 2007-12-03 2009-06-04 Institute For Information Industry Motion transition method and system for dynamic images
CN103942606A (zh) * 2014-03-13 2014-07-23 国家电网公司 基于果蝇智能优化算法的居民用电客户细分方法
CN104992297A (zh) * 2015-07-10 2015-10-21 国家电网公司 基于大数据平台聚类算法的电费回收风险评估装置及方法
CN109284851A (zh) * 2018-06-11 2019-01-29 西安交通大学 一种适用于需求侧响应的用户用电行为分类方法
CN109522934A (zh) * 2018-10-22 2019-03-26 云南电网有限责任公司 一种基于聚类算法的电力用户聚类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090142029A1 (en) * 2007-12-03 2009-06-04 Institute For Information Industry Motion transition method and system for dynamic images
CN103942606A (zh) * 2014-03-13 2014-07-23 国家电网公司 基于果蝇智能优化算法的居民用电客户细分方法
CN104992297A (zh) * 2015-07-10 2015-10-21 国家电网公司 基于大数据平台聚类算法的电费回收风险评估装置及方法
CN109284851A (zh) * 2018-06-11 2019-01-29 西安交通大学 一种适用于需求侧响应的用户用电行为分类方法
CN109522934A (zh) * 2018-10-22 2019-03-26 云南电网有限责任公司 一种基于聚类算法的电力用户聚类方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784093A (zh) * 2020-03-27 2020-10-16 国网浙江省电力有限公司 一种基于电力大数据分析的企业复工辅助判断方法
CN111784093B (zh) * 2020-03-27 2023-07-11 国网浙江省电力有限公司 一种基于电力大数据分析的企业复工辅助判断方法
CN111898857A (zh) * 2020-04-07 2020-11-06 沈阳工业大学 基于BEMD和kmeans电力用户特征分析方法及***
CN111612033A (zh) * 2020-04-15 2020-09-01 广东电网有限责任公司 基于引力搜索与密度峰值聚类的配电变压器故障诊断方法
CN111523794A (zh) * 2020-04-21 2020-08-11 国网四川省电力公司电力科学研究院 基于污染排放企业用电特性的环保管控措施响应研判方法
CN111724278A (zh) * 2020-06-11 2020-09-29 国网吉林省电力有限公司 一种面向电力多元负荷用户的精细分类方法及***
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
CN112270338A (zh) * 2020-09-27 2021-01-26 西安理工大学 一种电力负荷曲线聚类方法
CN112381137A (zh) * 2020-11-10 2021-02-19 重庆大学 新能源电力***可靠性评估方法、装置、设备及存储介质
CN112381137B (zh) * 2020-11-10 2024-06-07 重庆大学 新能源电力***可靠性评估方法、装置、设备及存储介质
CN113011702A (zh) * 2021-02-07 2021-06-22 国网浙江省电力有限公司金华供电公司 一种基于曲线聚类算法的用户用能特征挖掘方法
CN112836769A (zh) * 2021-03-10 2021-05-25 广东电网有限责任公司电力调度控制中心 基于主成分分析的需求响应用户分类方法及***
CN112836769B (zh) * 2021-03-10 2024-02-02 广东电网有限责任公司电力调度控制中心 基于主成分分析的需求响应用户分类方法及***
CN113449793A (zh) * 2021-06-28 2021-09-28 国网北京市电力公司 用电状态的确定方法及装置
CN113743977A (zh) * 2021-06-28 2021-12-03 国网上海市电力公司 一种基于用户行为的用电数据特征提取方法及***
CN113837311B (zh) * 2021-09-30 2023-10-10 南昌工程学院 一种基于需求响应数据的居民客户聚类方法及装置
CN113837311A (zh) * 2021-09-30 2021-12-24 南昌工程学院 一种基于需求响应数据的居民客户聚类方法及装置
CN114336651A (zh) * 2022-01-04 2022-04-12 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN114336651B (zh) * 2022-01-04 2023-08-01 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN115049021A (zh) * 2022-08-11 2022-09-13 江西合一云数据科技股份有限公司 应用于公众集群管理的数据处理方法和装置及其设备
CN115687955A (zh) * 2023-01-03 2023-02-03 南昌工程学院 基于投票表决的居民用户负荷曲线聚类方法及装置

Similar Documents

Publication Publication Date Title
CN110781332A (zh) 基于复合聚类算法的电力居民用户日负荷曲线聚类方法
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及***
Li et al. Multi-resolution load profile clustering for smart metering data
Jiang et al. A fused load curve clustering algorithm based on wavelet transform
CN101615248B (zh) 年龄估计方法、设备和人脸识别***
CN106529707A (zh) 一种负荷用电模式识别方法
CN112819299A (zh) 一种基于中心优化的差分K-means负荷聚类方法
CN111177216B (zh) 综合能源消费者行为特征的关联规则生成方法及装置
CN107784518A (zh) 一种基于多维指标的电力客户细分方法
Shamim et al. Multi-domain feature extraction for improved clustering of smart meter data
CN107248031B (zh) 一种针对负荷曲线峰谷差的快速电力用户分类方法
CN105653670B (zh) 一种基于流形学习聚类算法的智能用电数据挖掘方法
CN108428055A (zh) 一种考虑负荷纵向特性的负荷聚类方法
Mohammadi et al. An unsupervised learning schema for seeking patterns in rms voltage variations at the sub-10-minute time scale
CN111461197A (zh) 一种基于特征提取的空间负荷分布规律研究方法
Wang et al. Singular value decomposition‐based load indexes for load profiles clustering
Sawalha et al. Towards an efficient big data management schema for IoT
CN114202012A (zh) 一种基于递归图与卷积自编码器的高维负荷聚类方法
CN111259965A (zh) 一种对基于降维的电气特征数据进行均值聚类的方法及***
CN111898857A (zh) 基于BEMD和kmeans电力用户特征分析方法及***
CN114372835B (zh) 综合能源服务潜力客户识别方法、***及计算机设备
CN115526264A (zh) 一种基于自编码器的用户用电行为分类分析方法
CN111062502B (zh) 用户用电行为细分方法及其故障分析方法
CN112241922B (zh) 基于改进朴素贝叶斯分类的电网资产综合价值评估方法
Yan et al. A clustering method for power time series curves based on improved self-organizing mapping algorithm

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: 20200211

RJ01 Rejection of invention patent application after publication