CN111429045A - 一种基于区域对称性的能源互联网聚类方法 - Google Patents

一种基于区域对称性的能源互联网聚类方法 Download PDF

Info

Publication number
CN111429045A
CN111429045A CN202010529891.5A CN202010529891A CN111429045A CN 111429045 A CN111429045 A CN 111429045A CN 202010529891 A CN202010529891 A CN 202010529891A CN 111429045 A CN111429045 A CN 111429045A
Authority
CN
China
Prior art keywords
clustering
symmetry
energy internet
index
region
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
Application number
CN202010529891.5A
Other languages
English (en)
Other versions
CN111429045B (zh
Inventor
谢伟
明阳阳
曹军威
杨洁
黄旭东
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.)
Sichuan Huatai Electrical Co ltd
Original Assignee
Sichuan Huatai Electrical Co ltd
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 Sichuan Huatai Electrical Co ltd filed Critical Sichuan Huatai Electrical Co ltd
Priority to CN202010529891.5A priority Critical patent/CN111429045B/zh
Publication of CN111429045A publication Critical patent/CN111429045A/zh
Application granted granted Critical
Publication of CN111429045B publication Critical patent/CN111429045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q10/04—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

Landscapes

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

Abstract

本发明提供了一种基于区域对称性的能源互联网聚类方法，所述方法包括：获得具有二维属性的待聚类能源互联网对象，设定聚类数范围；以聚类数范围中的每个聚类数分别对所述待聚类能源互联网对象进行预聚类，对应得到多个聚类结果；计算所述多个聚类结果对应的区域对称性，并根据区域对称性确定目标聚类数；以目标聚类数和该目标聚类数下的聚类结果作为最终聚类结果。本发明能够通过结合区域对称性的聚类，能够获得属性分布更加对称的聚类结果，有利于实现自适应高效聚类，还提升了聚类的准确性和适合性；能够通过聚类的方式提取出用户生产或消费的典型模式，提高了用户能源生产和消费的可预测性，从而为后续的分析和策略生成奠定基础。

Description

一种基于区域对称性的能源互联网聚类方法
技术领域
本发明涉及能源生产、传输和消费领域，尤其涉及一种广泛应用于能源互联网电力生产、管理和消费过程中的对象聚类方法。
背景技术
作为目前最先进的能源***，能源互联网基于泛在、高效的信息通信基础设施和开放、共享的互联网理念，结合物联网技术与信息物理融合***，能够实现源-网-荷-储的整体协调，并通过能源梯级利用和多能互补，最大化能源利用效率，大幅降低能源生产和消费成本，促进环境保护和降低废气排放，为社会和谐发展和人类幸福生活提供坚实的能源保障。
根据能源互联网的发展趋势，分布式可再生能源的大规模接入将是能源互联网的一个典型特征和应用。分布式可再生能源发电的一个显著缺点就是难以保证发电的平稳性和持续性；以广泛接入分布式能源为主要特征的能源互联网，其平稳、高效运行建立在对电力生产特性和消费特性的精确理解基础之上。
对此，发明人表示：精确理解能源互联网的前提在于对能源生产节点和消费节点的精确聚类或分类。
发明内容
本发明的目的在于解决现有技术存在的上述不足中的至少一项。例如，本发明的目的之一在于提供一种对能源互联网对象进行更加准确和完善的聚类处理的方法。
为了实现上述目的，本发明提供了一种基于区域对称性的能源互联网聚类方法，所述能源互联网聚类方法包括以下步骤：获得具有二维属性的待聚类能源互联网对象，设定聚类数范围；以聚类数范围中的每个聚类数分别对所述待聚类能源互联网对象进行预聚类，对应得到多个聚类结果；计算所述多个聚类结果对应的区域对称性，并根据区域对称性确定目标聚类数；以目标聚类数和该目标聚类数下的聚类结果作为最终聚类结果。
在本发明的一个示例性实施例中，所述计算多个聚类结果对应的区域对称性的步骤还可包括：对所述多个聚类结果中的每个聚类结果，以该聚类结果的一维度属性的平均值与中位值的归一化距离作为第一维度属性对称性指标，并以该聚类结果的另一维度属性的平均值与中位值的归一化距离作为第二维度属性对称性指标，联合考虑第一维度属性对称性指标和第二维度对称性指标确定整体对称性指标，以所述整体对称性指标来表示该聚类结果的区域对称性。
在本发明的一个示例性实施例中，所述根据区域对称性确定目标聚类数的步骤可以以具有最优的整体对称性指标的聚类结果的聚类数作为所述目标聚类数；或者可以以加权和的形式综合考虑整体对称性指标和除区域对称性外的其它判断属性，以确定所述目标聚类数。
与现有技术相比，本发明的有益效果包括以下内容中的一项或多项：
能够针对能源互联网的能源生产或用户电力消费所遵循的模式和运行趋势大致具有周期重复的特点，通过聚类的方式提取出用户生产或消费的典型模式，提高了用户能源生产和消费的可预测性，从而为后续的分析和策略生成奠定基础；
通过结合区域对称性的聚类，能够获得属性分布更加对称的聚类结果，有利于实现自适应高效聚类，还提升了聚类的准确性和适合性，从而能够进一步提升客户服务质量、提高产品营销效率和保证***鲁棒、平稳运行，充分体现能源互联网的优越性。
附图说明
图1示出了本发明的基于区域对称性的能源互联网聚类方法的一个示例性实施例的流程示意图。
图2示出了本发明的基于区域对称性的能源互联网聚类方法的一个示例性实施例中计算第一维度属性对称性指标的示意图。
具体实施方式
在下文中，将结合附图和示例性实施例来详细说明本发明的基于区域对称性的能源互联网聚类方法。
实施例1
图1示出了本发明的基于区域对称性的能源互联网聚类方法的一个示例性实施例的流程示意图。
在本发明的一个示例性实施例中，如图1所示，基于区域对称性的能源互联网聚类方法可包括以下步骤：
步骤1：获取待聚类能源互联网对象，设定聚类数范围。
具体来讲，获得具有二维属性的待聚类能源互联网对象。待聚类能源互联网对象可以为能源互联网的能源生产节点和/或消费节点、以及管理节点等等。对具有属性维度超过二维的待聚类能源互联网对象而言，可通过对其进行主成分分析的方式进行降维，以将其降至具有二维属性。例如，本实施例的方法，可以假定聚类对象位于一个二维平面中，即基于对象的二维属性值进行聚类。对于多维属性的对象而言，聚类处理前可以通过主成分分析方法降低维度，从而本实施例的方法可以很容易的扩展到多维属性聚类处理中。
随后针对待聚类对象，设置聚类数范围。例如，可以将聚类数设置为2到N，N属于大于2的自然数。对于聚类数范围的设定可人为设定，也可根据对相关***实际性能要求估计而设定。
步骤2：预聚类，以得到多个聚类结果。
以步骤1中的聚类数范围中的每个聚类数分别对待聚类能源互联网对象进行预聚类，从而得到相对应的多个聚类结果。例如，预聚类的过程可包括初始位置选取、中心位置计算和聚类范围计算相迭代的过程，当迭代收敛或达到预定次数时，获得聚类结果。例如，预聚类可以为k均值（k-means）聚类、模糊（fuzzy）聚类等。
步骤3：考量区域对称性，确定目标聚类数。
对于步骤2所获得的多个聚类结果而言，每个聚类结果均对应一个已知的聚类数和一个待确定的区域对称性（例如，整体对称性指标）。针对每个聚类结果，均可通过计算确定区域对称。具体来讲，对于每个聚类结果而言，可以用该聚类结果的一维度属性的平均值与该维度属性的中位值的归一化距离作为第一维度属性对称性指标；并以该聚类结果的另一维度属性的平均值与该另一维度属性的中位值的归一化距离作为第二维度属性对称性指标；通过选取最大值、加和、乘积或比值等方式联合考虑第一维度属性对称性指标和第二维度对称性指标，从而确定整体对称性指标，并以所述整体对称性指标来表示该聚类结果的区域对称性。
例如，对于每个聚类结果而言，其整体对称性指标可通过以下方式获得：
第一维度属性对称性指标和第二维度属性对称性指标分别通过式（1）和式（2）得到。
Figure 269807DEST_PATH_IMAGE001
（1）
其中，symvalue(x)为第一维度属性对称性指标，x为第一维度属性，meanvalue(x)为第一维度属性的平均值，medianvalue(x)为第一维度属性的中值，range(x)函数为第一维度属性的取值范围总体长度，count(x)为第一维度属性值的数目。
Figure 96948DEST_PATH_IMAGE002
（2）
其中，symvalue(y)为第二维度属性对称性指标，y为第二维度属性，meanvalue(y)为第二维度属性的平均值，medianvalue(y)为第二维度属性的中值，range(y)函数为第二维度属性的取值范围总体长度，count(y)为第二维度属性值的数目。
随后，整体对称性指标可通过式（3）得到，且整体对称性指标越小，则区域对称性越好。也就是说，可用具有最小的整体对称性指标的聚类结果对应的聚类数作为所述目标聚类数。其中，式（3）可从以下三式中任意选择一个：
Figure 38360DEST_PATH_IMAGE003
Figure 479705DEST_PATH_IMAGE004
（3）
Figure 404936DEST_PATH_IMAGE005
其中，
Figure 629244DEST_PATH_IMAGE006
为整体对称性指标。
此外，整体对称性指标也可通过式（4）得到，且整体对称性指标越接近1，则区域对 称性越好。也就是说，在
Figure 425162DEST_PATH_IMAGE007
不等于零的情况下，可以用具有最接近1的整体对称性 指标的聚类结果对应的聚类数作为所述目标聚类数。
Figure 53720DEST_PATH_IMAGE008
（4）
其中，
Figure 528564DEST_PATH_IMAGE009
为整体对称性指标。
随后，从每个聚类结果所对应的整体对称性指标构成的集合中，选择出最优的整体对称性指标对应的聚类结果，以这个聚类结果的聚类数作为目标聚类数。
步骤4：通过目标聚类数确定最终聚类结果。
以步骤3确定的目标聚类数和该目标聚类数下的聚类结果作为最终聚类结果，从而针对能源互联网的诸如能源生产节点、消费节点和/或管理节点等等待聚类能源互联网对象，在考虑区域对称性的情况下，获得聚类性能更优的聚类结果，进而为后续的分析和策略生成奠定基础，也能进一步提升客户服务质量、提高产品营销效率和保证***鲁棒、平稳运行，充分体现能源互联网的优越性。
实施例2
在本发明的另一个示例性实施例中，基于区域对称性的能源互联网聚类方法可采用上述示例性实施例的步骤1和步骤2，获得多个聚类结果；然后通过以下步骤3′和步骤4′实现基于区域对称性的能源互联网聚类。
步骤3′：综合考量区域对称性和其它判断属性，以确定目标聚类数。
对于步骤2所获得的多个聚类结果而言，每个聚类结果均对应一个已知的聚类数和一个待确定的区域对称性（例如，整体对称性指标）。针对每个聚类结果，均可通过计算确定区域对称。具体来讲，对于每个聚类结果而言，可以用该聚类结果的一维度属性的平均值与该维度属性的中位值的归一化距离作为第一维度属性对称性指标；并以该聚类结果的另一维度属性的平均值与该另一维度属性的中位值的归一化距离作为第二维度属性对称性指标；通过选取最大值、加和、乘积或比值等方式联合考虑第一维度属性对称性指标和第二维度对称性指标，从而确定整体对称性指标，并以所述整体对称性指标来表示该聚类结果的区域对称性。
例如，对于每个聚类结果而言，其整体对称性指标可通过以下方式获得：
第一维度属性对称性指标和第二维度属性对称性指标分别通过上面的式（1）和式（2） 得到。随后，整体对称性指标可通过上面的式（3）或上面的式（4）得到。对于式（3）而言，整体 对称性指标越小，则区域对称性越好；对于式（4）而言，在
Figure 290983DEST_PATH_IMAGE010
不等于零的情况下，整 体对称性指标越接近1，则区域对称性越好。
然后，用加权和的形式综合考虑整体对称性指标和除区域对称性外的其它判断属性，以得出每个聚类结果的加权判定指标。权系数可根据对称性指标和所采用的除区域对称性外的其它判断属性的重要性程度进行设定。
随后，从每个聚类结果所对应的加权判定指标构成的集合中，选择出最优的加权判定指标对应的聚类结果，以这个聚类结果的聚类数作为目标聚类数。
步骤4′：通过目标聚类数确定最终聚类结果。
以步骤3′确定的目标聚类数和该目标聚类数下的聚类结果作为最终聚类结果，从而针对能源互联网的诸如能源生产节点、消费节点和/或管理节点等等待聚类能源互联网对象，在综合考虑区域对称性和除区域对称性外的其它判断属性的情况下，获得聚类性能更优的聚类结果，进而为后续的分析和策略生成奠定基础，也能进一步提升客户服务质量、提高产品营销效率和保证***鲁棒、平稳运行，充分体现能源互联网的优越性。
实施例3
在本示例性实施例中，基于区域对称性的能源互联网聚类方法假定聚类对象位于一个二维平面中，即基于对象的二维属性值进行聚类。对于多维属性的对象而言，聚类处理前可以通过主成分分析方法降低维度，从而本实施例的方法可以很容易的扩展到多维属性聚类处理中。
然后，可根据***实际性能要求估计，设定聚类数范围，如2到N。
接下来，以k-means聚类算法对每个聚类数进行预聚类。k-means聚类过程可包括初始位置选取、中心位置计算和聚类范围计算相迭代等过程，当迭代收敛或达到一定次数时，获得最终聚类结果。
随后，以上述式（1）、式（2）和式（3）或者以式（1）、式（2）和式（4）计算每种聚类数目聚类结果的区域对称性，根据对称性选择最佳的聚类数。相关示意图可如图2所示。图2示出了计算第一维度属性对称性指标的示意图，也可称为分布式平均指标的计算示意图。
然后，以对称性最佳的聚类数和该聚类数目下的最佳聚类结果为最终聚类结果。
实施例4
在本发明的另一个示例性实施例中，基于区域对称性的能源互联网聚类方法可采用上述实施例1的步骤1至步骤4，所不同的是：
在步骤2中，对于每个聚类数，对待聚类能源互联网对象进行多次（例如，3多次以上）随机的预聚类，例如，每次预聚类的初始位置的选取采用随机性采样的方式，这样对于每个聚类数则会得到一组（例如，每组3个以上）聚类结果；
在步骤3中，从每个聚类数对应的各组聚类结果中，以上述式（1）、式（2）和式（3）或者以式（1）、式（2）和式（4），得出所有聚类结果的整体对称性指标，并以这些整体对称性指标来相应表示各个聚类结果的区域对称性。随后，以所有聚类结果中区域对称性最好的聚类结果对应的聚类数作为目标聚类数。
在步骤4中，以目标聚类数和所有聚类结果中区域对称性最好的聚类结果作为最后的聚类结果。
综上所述，本发明的基于区域对称性的能源互联网聚类方法的优点包括：
能够针对能源互联网的能源生产或用户电力消费所遵循的模式和运行趋势大致具有周期重复的特点，有利于通过聚类的方式提取出用户生产或消费的典型模式，提高了用户能源生产和消费的可预测性，从而为后续的分析和策略生成奠定基础；
通过结合区域对称性的聚类，能够获得属性分布更加对称的聚类结果，有利于实现自适应高效聚类，还提升了聚类的准确性和适合性，从而能够进一步提升客户服务质量、提高产品营销效率和保证***鲁棒、平稳运行，充分体现能源互联网的优越性。
也就是说，本发明的方法能够通过更加精确和适合的聚类，可以对用户消费模式和能源生产模式进行有效识别，挖掘其潜在特性，从而为后续分析和策略制定提供基础条件。
此外，本发明的方法除了能够应用在基于用户特性聚类结果有针对性的提供客户服务和进行营销活动之外，还能够应用于在能源互联网运行过程中，需要依靠聚类算法的相关策略和应用中，例如负荷建模、负荷预测、状态评估、电能质量监测与控制、需求侧管理与响应、分布式能源接入、多能调度规划、自动故障定位、***安全与态势感知等。
尽管上面已经结合示例性实施例及附图描述了本发明，但是本领域普通技术人员应该清楚，在不脱离权利要求的精神和范围的情况下，可以对上述实施例进行各种修改。

Claims (9)

1.一种基于区域对称性的能源互联网聚类方法，其特征在于，所述能源互联网聚类方法包括以下步骤：
获得具有二维属性的待聚类能源互联网对象，设定聚类数范围；
以聚类数范围中的每个聚类数分别对所述待聚类能源互联网对象进行预聚类，对应得到多个聚类结果；
计算所述多个聚类结果对应的区域对称性，并根据区域对称性确定目标聚类数；
以目标聚类数和该目标聚类数下的聚类结果作为最终聚类结果。
2.根据权利要求1所述的基于区域对称性的能源互联网聚类方法，其特征在于，所述计算多个聚类结果对应的区域对称性的步骤包括：对所述多个聚类结果中的每个聚类结果，以该聚类结果的一维度属性的平均值与中位值的归一化距离作为第一维度属性对称性指标，并以该聚类结果的另一维度属性的平均值与中位值的归一化距离作为第二维度属性对称性指标，联合考虑第一维度属性对称性指标和第二维度对称性指标确定整体对称性指标，以所述整体对称性指标来表示该聚类结果的区域对称性。
3.根据权利要求2所述的基于区域对称性的能源互联网聚类方法，其特征在于，所述根据区域对称性确定目标聚类数的步骤以具有最优的整体对称性指标的聚类结果的聚类数作为所述目标聚类数。
4.根据权利要求2所述的基于区域对称性的能源互联网聚类方法，其特征在于，所述根据区域对称性确定目标聚类数的步骤以加权和的形式综合考虑整体对称性指标和除区域对称性外的其它判断属性，以确定所述目标聚类数。
5.根据权利要求2～4中任意一项所述的基于区域对称性的能源互联网聚类方法，其特征在于，所述第一维度属性对称性指标和第二维度属性对称性指标分别通过式1和式2得到，式1为：
Figure 907411DEST_PATH_IMAGE001
，
Figure 628242DEST_PATH_IMAGE002
为第一维度属性对称性指标，x为第一维度属性，
Figure 934590DEST_PATH_IMAGE003
为第一维度属 性的平均值，
Figure 766280DEST_PATH_IMAGE004
为第一维度属性的中值，
Figure 599106DEST_PATH_IMAGE005
函数为第一维度属性的取 值范围总体长度，
Figure 897364DEST_PATH_IMAGE006
为第一维度属性值的数目；
式2为：
Figure 956587DEST_PATH_IMAGE007
，
Figure 732913DEST_PATH_IMAGE008
为第二维度属性对称性指标，y为第二维度属性，
Figure 623508DEST_PATH_IMAGE009
为第二维度 属性的平均值，
Figure 217301DEST_PATH_IMAGE010
为第二维度属性的中值，
Figure 826137DEST_PATH_IMAGE011
函数为第二维度属性的取值 范围总体长度，
Figure 999629DEST_PATH_IMAGE012
为第二维度属性值的数目。
6.根据权利要求5所述的基于区域对称性的能源互联网聚类方法，其特征在于，所述整体对称性指标通过式3得到，且整体对称性指标越小，则区域对称性越好，其中，式3从以下三式中选择一个：
Figure 947993DEST_PATH_IMAGE013
Figure 56895DEST_PATH_IMAGE014
Figure 684185DEST_PATH_IMAGE015
，
其中，
Figure 802314DEST_PATH_IMAGE016
为整体对称性指标。
7.根据权利要求5所述的基于区域对称性的能源互联网聚类方法，其特征在于，所述整体对称性指标通过式4得到，且整体对称性指标越接近1，则区域对称性越好，其中，式4为：
Figure 933081DEST_PATH_IMAGE017
，
其中，
Figure 603097DEST_PATH_IMAGE018
为整体对称性指标。
8.根据权利要求1所述的基于区域对称性的能源互联网聚类方法，其特征在于，所述获得具有二维属性的待聚类能源互联网对象的步骤包括：对具有不少于三维属性的待聚类能源互联网对象进行主成分分析以将其降至具有二维属性。
9.根据权利要求1所述的基于区域对称性的能源互联网聚类方法，其特征在于，所述待聚类能源互联网对象为能源互联网的能源生产节点和/或消费节点。
CN202010529891.5A 2020-06-11 2020-06-11 一种基于区域对称性的能源互联网聚类方法 Active CN111429045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010529891.5A CN111429045B (zh) 2020-06-11 2020-06-11 一种基于区域对称性的能源互联网聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010529891.5A CN111429045B (zh) 2020-06-11 2020-06-11 一种基于区域对称性的能源互联网聚类方法

Publications (2)

Publication Number Publication Date
CN111429045A true CN111429045A (zh) 2020-07-17
CN111429045B CN111429045B (zh) 2020-10-02

Family

ID=71551356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010529891.5A Active CN111429045B (zh) 2020-06-11 2020-06-11 一种基于区域对称性的能源互联网聚类方法

Country Status (1)

Country Link
CN (1) CN111429045B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169511A (zh) * 2017-04-27 2017-09-15 华南理工大学 基于混合聚类集成选择策略的聚类集成方法
CN107767293A (zh) * 2017-09-20 2018-03-06 国网浙江省电力公司电力科学研究院 一种基于改进AP和K‑means聚类的电力大用户细分方法
CN109117872A (zh) * 2018-07-24 2019-01-01 贵州电网有限责任公司信息中心 一种基于自动最优聚类算法的用户用电行为分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169511A (zh) * 2017-04-27 2017-09-15 华南理工大学 基于混合聚类集成选择策略的聚类集成方法
CN107767293A (zh) * 2017-09-20 2018-03-06 国网浙江省电力公司电力科学研究院 一种基于改进AP和K‑means聚类的电力大用户细分方法
CN109117872A (zh) * 2018-07-24 2019-01-01 贵州电网有限责任公司信息中心 一种基于自动最优聚类算法的用户用电行为分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王勇 等: "高效率的K-means 最佳聚类数确定算法", 《计算机应用》 *
谢娟英 等: "一种新聚类评价指标", 《陕西师范大学学报（自然科学版）》 *

Also Published As

Publication number Publication date
CN111429045B (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
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
TWI464604B (zh) 資料分群方法與裝置、資料處理裝置及影像處理裝置
CN111091247A (zh) 基于深度神经网络模型融合的电力负荷预测方法、装置
CN117078048B (zh) 基于数字孪生的智慧城市资源管理方法及***
CN110503113A (zh) 一种基于低秩矩阵恢复的图像显著性目标检测方法
CN112308341A (zh) 电力数据的处理方法和装置
CN116993555A (zh) 国土空间规划重点区域识别的分区方法、***及存储介质
CN108829846B (zh) 一种基于用户特征的业务推荐平台数据聚类优化***及方法
CN111429045B (zh) 一种基于区域对称性的能源互联网聚类方法
Shi et al. PSO-based community detection in complex networks
CN115795368B (zh) 一种基于人工智能的企业内训数据处理方法及***
CN111487873B (zh) 一种能源互联网能量分散协同控制方法
CN114268625B (zh) 特征选择方法、装置、设备及存储介质
CN109685101B (zh) 一种多维数据自适应采集方法及***
CN115545107B (zh) 一种基于海量电力数据的云计算方法、***
Gao et al. Daily power load curves analysis based on grey wolf optimization clustering algorithm
Peng et al. Community Detection Algorithm for Heterogeneous Networks Based on Central Node and Seed Community Extension
CN117834455B (zh) 一种电力物联网数据传输仿真方法和***
Lin et al. Load Data Analysis Based on Timestamp-Based Self-Adaptive Evolutionary Clustering
Yan Data mining method of false transaction in webcast platform based on Cluster Learning
CN116089847B (zh) 基于协方差代理的分布式可调资源聚类方法
CN115271274B (zh) 电力***短期日负荷预测方法及相关设备
CN110932265B (zh) 一种静态电压稳定性评估方法及***
CN114564623B (zh) 基于实体与关系聚合图的知识图谱嵌入模型
CN114385359B (zh) 一种物联网云边端任务时序协同方法

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
GR01 Patent grant
GR01 Patent grant