基于K-均值聚类算法的大客户用电行为分析

为掌握大客户的用电习惯和用电特征、满足不断变化的客户用电需求、逐步提升大客户领域供电服务水平,本文采用K-均值聚类算法、二八定律、归一化算法等统计分析方法,运用SPSS等数学分析工具,从行业特点、客户价值、用电需求、成长性等方面刻画用电客户群体特征,挖掘大客户用电数据中的隐藏数据和潜在价值,得出五类典型的大客户用电负荷特征曲线,建立对应的五类典型用户分类,得到了五类用电行为特征的结果,通过结果分析得出半数以上用户的用电特点、同类型的船舶制造业仍然具有不同的用电特点、电能紧张时优先对建筑业和采矿业实施有序用电可以取得较好效果,最终对企业的电力营销和调度进行决策支撑,为用电需求侧管理、优化客户服务管理规范提供辅助决策。     

基于模糊C均值聚类算法的用电行为模式分类

通过对负荷数据的归类分析,可以得到电力用户的用电行为特征,为需求响应策略制定和效果评估提供支撑。首先,对负荷数据进行预处理,包括非正常数识别与处理,以及平滑处理去除毛刺数据;其次,针对模糊C均值聚类算法对初始聚类中心敏感、易陷入局部最优和受噪声影响大等问题,提出采用最短距离法聚类为模糊C聚类提供初始聚类中心、利用有效性分析类内样本相似程度和不同类之间独立程度来判别聚类结果优劣、以及通过数据密度识别并剔除噪声点等改进措施,提升了模糊C均值聚类算法性能;最后,通过对比其他方法以及对某纺织企业负荷聚类分析,验证了改进算法的正确性与有效性。     

基于K-Means聚类算法的行业用电行为分析

利用数据挖掘与数理统计的相关技术,分析某省各个地区行业用电行为,进而研究各地区行业用电特征以及客户群体特征,在一定程度上指导电力营销的行业方向和地区重点,同时也能作为用电量运营监测的参考。     

基于ISODATA改进K均值聚类算法的NLOS识别技术

针对超宽带信号中非视距误差造成定位系统定位偏差的问题,提出了一种改进无监督算法的NLOS识别技术。本文提取信道脉冲冲激响应波形的8种特征参量,选择主成分分析算法对多维特征进行降维处理;采用基于迭代自组织数据分析法改进的K均值聚类算法,自适应地选择K值来区分视距和非视距信号;最后,结合特征参量的冗余性、相关性对分类结果进行判别。实验结果表明,该方法能有效地识别出NLOS信号,且具有较好的环境适应性,识别准确度达到95%。     

基于K均值聚类算法的谐振接地系统故障区段定位方法

现有的谐振接地配电网单相接地故障定位方法存在通信依赖过度、特征分析复杂和阈值设置困难等问题,现场运行的适用性较低。本文基于深度融合智能开关在配电网中的应用,研究三相电流变化量的波形特征,提出基于K均值聚类算法的就地选段方法。该方法提取各区段数据特征量,发挥K均值聚类算法无监督学习的优点,使各检测节点只需处理本地故障信号,从而减轻通信压力。利用仿真和现场数据验证该方法的可行性,结果表明,该方法在多种故障工况下都表现出较高的可靠性,并且能够较好地适应现场环境。     

基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析

海量用户用电特性的挖掘与分析对实现电网与用户间的双向互动具有十分重要的意义。提出一种适用于海量用户用电行为聚类及分析的算法,以降低算法时间复杂度,提升海量用户负荷数据分析效率。提取用户用电行为特征,构建多层去噪自编码网络,实现多维特征的降维;利用小批优化K均值算法进行聚类分析,并对算法进行初始聚类质心优化与超参数优化的改进以提升算法收敛速度与效果,其中超参数优化利用基于高斯过程的贝叶斯优化算法进行;利用类间分离度和类内内聚度的相关指标对聚类效果进行评价;通过互信息筛选有效聚类特征,实现用户画像。算例结果表明,所提方法在特征优化、聚类效果与收敛速度上均有较好的表现。     

基于最小最大核K均值聚类算法的水电机组振动故障诊断

基于聚类分析的故障诊断方法能够按照故障样本之间的相似性无监督地将同类故障聚为一簇,当前已成为一类有效的故障诊断策略。为解决传统聚类算法受初始聚类中心的影响,易陷入局部最优解的问题,提出一种最小最大核K均值聚类方法。该方法在聚类过程中为簇内方差赋以与其大小成正比的自动修正的权重,并引入核函数技术以处理低维输入空间的线性不可分问题,大大提高了聚类的精确性。在标准数据上将所提方法与标准K-means及K-means++比较,显示了所提算法的有效性和优越性。基于这一聚类方法提出了一种具有自学习能力的故障诊断模型。将该诊断模型应用于水电机组振动故障诊断,实例验证了模型的可行性。     

模糊C均值聚类算法在用电异常稽查中的应用

在电力系统电能损失中,非技术损失占有相当大的比例。为了有效稽查出电力系统中的用电异常用户,文中使用电力用户负荷历史曲线数据和模糊C均值算法进行聚类分析,得到电力用户负荷典型曲线,然后通过比较用户实际负荷曲线与相应行业负荷典型曲线的Camberra距离,分析可能发生异常用电的用户,从而对相应用户进行针对性用电异常稽查。     

基于最小最大核K均值聚类算法的水电机组 振动故障诊断

基于聚类分析的故障诊断方法能够按照故障样本之间的相似性无监督地将同类故障聚为一簇,当前已成为一类有效的故障诊断策略。为解决传统聚类算法受初始聚类中心的影响,易陷入局部最优解的问题,提出一种最小最大核K均值聚类方法。该方法在聚类过程中为簇内方差赋以与其大小成正比的自动修正的权重,并引入核函数技术以处理低维输入空间的线性不可分问题,大大提高了聚类的精确性。在标准数据上将所提方法与标准K-means及K-means++比较,显示了所提算法的有效性和优越性。基于这一聚类方法提出了一种具有自学习能力的故障诊断模型。     

基于聚类的用户用电行为及其影响因素分析

随着我国产业结构的不断调整,用户的用电特性也不断变化,且用户的用电行为逐渐向个性化发展。首先利用离散小波变换对用户负荷进行特征提取;然后利用改进快速密度峰值聚类算法进行聚类,根据用户特征聚类结果的不同,将用户分为不同群组,分析负荷群的时间分布特征;采用互信息方法分析用电量数据与经济、气温、行业关键指标等的相关性,提取出关键影响因素;最后,基于某省某行业典型用户的仿真实例验证了本文所提方法的有效性。     

基于人工免疫系统聚类算法的用电客户信用分析

在分析人工免疫系统聚类算法的基础上研究基于人工免疫系统聚类算法的用电客户信用分析原理,建立用电客户信用分析指标体系,根据电力公司客户数据,采用人工免疫系统聚类分析方法对用电客户信用进行分析,将用电客户信用按高、中、低三类进行聚类,经计算得到信用高、中、低的用电客户分别为2家、3家、1家。结果表明人工免疫系统聚类分析方法只要确定了浓度阈值和聚类个数就可得到结果,计算过程简单,能够适用于大数据量,对专业知识的要求较低,对于数据的顺序不敏感,是一种进行用电客户信用分析的较好方法。     

基于灰色关联分析和K均值聚类的短期负荷预测

在基于相似日的短期电力负荷预测技术中,相似日的选取影响着负荷预测精度,提出一种基于灰色关联分析(grey relation analysis,GRA)和K均值(K-means)聚类选取相似日的短期负荷预测模型.首先,采用灰色关联分析方法选取相似日粗集,再对相似日粗集的外部因素使用K均值聚类.然后,计算待预测日与聚类中心...     

基于K均值聚类的组织损伤等级判定研究

利用高强度聚焦超声(HIFU)对新鲜离体猪肉组织进行辐照,可对猪肉组织造成3个等级程度的损伤。从B超图像处理方向出发,提出一种基于K均值聚类并结合双参数的组织损伤等级判定方法。通过B超仪器实时获取HIFU辐照前后的134例猪肉组织图像,并做预处理获得焦斑区域的减影图像。再提取减影图像的灰度均值和小波系数均值,利用K均值聚类的方法对猪肉样本组织的损伤等级进行分类处理。实验结果表明,灰度均值参数能较好地区分第2、3等级程度的损伤,小波系数均值能较好地区分第1、2等级程度的损伤,而基于K均值聚类并结合双参数的分类方法结合了前两者的优点,在组织损伤等级的总辨识率上分别提高了5.23%和3.43%,更能准确地判定组织的损伤等级,便于临床医生客观地监控HIFU治疗过程,对提高HIFU疗效有实际意义。     

基于K均值聚类的光伏电站运行状态模式识别研究

在阐述光伏电站运行状态模式识别意义的基础上,提取了表征光伏电站运行状态的相关特征参量。基于K-means聚类原理,对广东佛山某光伏电站的实际运行数据进行相关数据处理得到相应的特征矩阵。利用K均值算法进行聚类分析,结果表明K均值聚类算法在光伏电站运行状态的模式识别上具有良好的聚类综合能力,可有效解决光伏电站运行状态模式分类处理的复杂性问题,具有重要的理论和应用价值。     

基于最优K均值聚类算法的负荷大数据任务均衡调度研究

传统电力负荷大数据均衡调度方法无法应用于多源数据,导致负荷数据的划分精度偏低,开销较大,电力负载均衡性改善效果不明显。为此,提出基于最优K均值聚类算法的负荷大数据任务调度均衡方法。采用K均值聚类算法划分电力负荷大数据,并利用密度法优化K均值聚类算法的初始聚类中心点,获取电力负荷大数据最优分类结果;通过提取各分类结果的关联特征,获取电力大数据跨域调度的输出特征量,结合自适应权重学习方法,完成电力负荷大数据的跨源调度。实验测试结果表明：该方法可根据不同的电力负荷特点,高效完成用户电力负荷大数据分类。具备良好的负荷大数据跨源调度均衡性,且负载均衡离差均低于0.19,调度开销低于0.95 s,以上数据表明所提的电力负荷大数据跨源调度方法具有实用性。     

基于模糊C均值聚类算法的电力行业负荷特性分析

采用模糊C均值(FCM)聚类方法,对电力行业负荷特性进行分析。首先研究了FCM聚类算法,然后根据用户日负荷曲线走势,使用FCM算法分析同行业内不同用户的日负荷曲线特征。通过对实际用户负荷数据的计算分析,表明该方法可以有效区分不同用户的负荷特征,将负荷曲线走势相近的用户归为一类,实现电力行业内大量用户的类型识别。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

基于改进聚类融合的办公型建筑用电行为分析

以上海市长宁区的大型办公建筑为研究对象,利用数据分析方法分析其用电行为与节能潜力。针对传统用电行为分析,采用单一聚类算法拓展性较差的问题,文章提出通过优选方法进行聚类融合以吸收不同算法优点,增强算法适应能力。首先进行方法优选,针对聚类效果评价指标的不一致问题,提出综合聚类评价指标并对R语言库中大量的单一聚类方法进行评价,采用基于簇的相似度划分算法（CSPA）进行聚类融合。试验集的结果表明该聚类融合方法具有更好的有效性。利用该改进聚类融合算法对用户负荷曲线进行聚类,提取用户用电模式,分析其用电构成与特征,并进行节能策略的分析。结果表明,该办公类建筑具有4类基本用电模式,且有一定节能潜力。     

基于模糊聚类的异常用电行为识别研究

窃电等异常用电行为的识别是用电检查的重点和难点。由于数据采集问题,以往研究大多专注于大客户窃电行为方面,对居民窃电行为的研究相对较为薄弱。针对小用户级别的窃电等窃电监测问题,提出一种基于聚类的异常用电行为识别方法。该方案从智能电表收集的数据中提取用电特征,使用模糊聚类分析数据结构,提取出正常用户的行为特征。在真实数据集上的实验结果表明了该方法的有效性。