基于欧氏动态时间弯曲距离与熵权法的负荷曲线聚类方法

为了改善目前负荷建模中聚类方法相似度衡量不准确及聚类结果质量较差的问题,综合运用k-means及熵权法原理,提出一种基于欧氏距离与动态时间弯曲距离的日负荷曲线聚类方法。首先,采用欧氏距离与动态时间弯曲距离分别衡量日负荷曲线的整体分布特性、局部动态特性与整体动态特性。然后,引入熵权法自适应配置3种特性的权重系数。最后,采用k-means聚类算法,以所提相似度衡量方法为依据,对用电日负荷曲线进行聚类。算例对某省区电网典型用户的日负荷曲线展开聚类分析,结果表明所提方法相似度衡量指标合理,且在聚类质量、鲁棒性等方面具有一定的优越性,可以真实反映该地区的用户用电特性,满足在线负荷建模的应用需求。     

基于聚类分析的用户分类和用电行为分析

针对用户用电行为特性和用户用电负荷特性,利用K均值聚类法和模糊C均值聚类法对用户用电行为进行了分类分析。依据用户用电负荷曲线特性,使用K均值聚类和模糊C均值聚类的方法对用户用电类型进行了分类;依据聚类分析结果对用户用电行为进行了分析,分别分析了各类用户与总负荷曲线的相似度,分析了2种聚类方法的差异,为供电公司针对不同类型用户提高差异化供电服务提供了参考依据。     

基于特性指标降维的日负荷曲线聚类分析

运用数据挖掘中的聚类技术对电力系统日负荷曲线进行分析,提出一种基于特性指标降维的日负荷曲线聚类方法——特性指标聚类(pattern index clustering,PIC),通过负荷率、日峰谷差率等6个日负荷特性指标对日负荷曲线进行降维处理,利用基于聚类有效性修正的德尔菲方法配置各指标权重,以加权欧式距离作为相似性判据,对日负荷曲线进行聚类。算例结果表明所提方法运行时间短,鲁棒性好,提高了负荷曲线聚类质量,能直观反映典型负荷曲线的特点。     

基于多维缩放的日负荷曲线聚类分析

负荷曲线聚类在负荷预测,需求侧响应等方面有重要应用。目前负荷数据日趋海量化和多维化,需要对其进行降维处理,但现有的降维会对曲线信息造成一定程度的损失,为此提出了一种基于多维缩放(Multi-Dimensional Scaling,MDS)降维的日负荷曲线聚类方法。首先使用MDS算法对采集到的负荷数据进行降维处理,然后采用CRITIC—熵权法作为降维指标的权重配置方法,最后通过计及权重的修正轮廓系数选择最优类簇数,以加权欧式距离的K-means算法进行聚类。通过算例表明该方法能最大程度保留原始曲线信息,在聚类准确度和运行时间两方面均有优势。     

基于日负荷指标及改进分布式K-means聚类的用户用电规律研究

负荷聚类不仅能为精细化负荷预测提供高质量数据,还能结合用电规律进行用户行为分析;为应对海量负荷数据挑战,提出一种基于日负荷指标的降维及分布式K-means聚类算法。通过建立日负荷指标,将原始高维负荷数据转化为低维负荷指标;基于负荷指标,利用熵权法改进的分布式K-means算法进行聚类,挖掘出隐藏的典型负荷类型;结合算例,根据得到的典型负荷类型进行用电规律分析,与实际用户类型匹配,实现四类典型用电规律的归纳。     

改进分段线性表示与动态时间弯曲相结合的负荷曲线聚类方法

聚类分析是负荷特性分类与综合的基本方法。针对现有聚类方法应用于基于电网大数据平台的在线负荷建模中在聚类质量、鲁棒性等方面表现的不足,提出一种改进分段线性表示(IPLR)的日负荷曲线降维方法。利用IPLR对数据组进行自适应降维重构的优点,与动态时间弯曲(DTW)距离适用于不等维时间序列间相似度衡量的特点相结合,构造出IPLR与DTW距离相结合的日负荷曲线聚类方法。首先,根据负荷曲线相邻及间隔采样点变化量,提取负荷曲线的特征点,对曲线进行自适应降维重构;然后,以DTW距离作为曲线相似度衡量指标,运用基于Canopy的K均值(CK-means)算法对降维数据组展开聚类分析。将所提出的方法应用于中国某省区电网典型用户日负荷曲线的分类与综合,结果表明所提降维方法与相似度衡量方法相契合,具有良好的综合性能,适用于变电站综合负荷行业构成比例解析。     

结合降维技术的电力负荷曲线集成聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。分析3种典型聚类有效性指标,指出Davies-Bouldin有效性指标更适用于评估负荷曲线的聚类结果。研究基于层次、基于划分、基于密度、基于模型等类型的聚类算法,从聚类效率和聚类质量两方面评价各种算法。层次聚类的质量较高,效率较低;划分聚类的效率较高,质量较低。针对单一聚类算法的不足,研究基于经典聚类算法的集成聚类算法并将其应用于负荷曲线聚类。该算法包括bootstrap重采样、划分聚类、层次聚类3步,对不同规模数据集的聚类结果表明集成算法具有更好的性能,特别适用于大规模数据集聚类。针对电力负荷曲线的特征,研究多种数据集降维算法,在降维后的数据集上进行集成聚类,比较各种降维算法的信息损失和计算效率。研究结果表明,对于大规模电力负荷曲线的聚类问题,结合主成分分析降维的集成聚类算法可以取得最佳效果。     

基于灰狼优化聚类算法的日负荷曲线聚类分析

针对模糊C-均值聚类算法(Fuzzy C-Means,FCM)应用于日负荷曲线聚类分析时存在易受初始聚类中心影响,易收敛于局部最优值以及日负荷曲线的内在特性难以通过距离得到充分反映的问题,利用日负荷特征值指标对日负荷曲线进行数据降维处理。提出了基于灰狼算法(Grey Wolf Optimizer,GWO)优化的模糊C-均值聚类算法(GWO-FCM)。该算法利用GWO为FCM优化初始聚类中心,结合了GWO的全局搜索能力和FCM的局部搜索能力。算例结果表明所提方法可有效提高日负荷曲线聚类效果,算法鲁棒性好。     

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征，聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题，提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征，并配合K-means进行负荷聚类任务，最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证，结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index, DBI)相较于传统聚类方法 K-means、PCA+K-means等下降明显，说明类内更加紧密，类间更加远离，提高了聚类质量。然后利用高斯距离加权改进了聚类中心，提取到更加典型日负荷曲线，使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。     

基于FCM配电侧典型电力日负荷曲线分类研究

关于典型电力日负荷曲线,利用模糊C均值(FCM)的聚类方法,通过对典型工作日负荷历史数据进行聚类,得到典型工作日季节性电力日负荷曲线。该典型电力日负荷曲线对于负荷预测、控制、用电异常甚至是电价目录制定和开发营销策略等都有着指导作用。     

基于数据驱动方法的疫情阶段电力用户负荷特性画像模型

电力用户负荷画像建模是一种面向用户的、通过挖掘用电数据中的负荷特性建立差异化画像标签的重要方法,现有研究方法多侧重于画像方法的研究,而缺乏完善的负荷特性标签体系.文章提出了一种基于数据驱动的负荷特性分析通用方法,从调度部门最关注的用电规律性、平顺度、负荷调控能力以及疫情影响度四方面构建负荷特性标签体系.首先,采用模糊C...     

陕西省典型行业日负荷曲线拟合方法

研究行业的负荷曲线对于了解各行业的负荷特性有很大帮助,目前的研究多应用模糊C均值聚类法拟合行业日负荷曲线,然而该方法对于专业知识要求高,计算量大,实际应用难度大。首先采用随机抽样与非随机抽样相结合的方式抽取典型用户,然后从统计学原理出发,依据样本到总体的思路,计算各行业的扩大系数,进而进行行业的负荷曲线拟合,并采用负控系统采集的大量实际用户日负荷曲线进行应用检验。实际应用表明,本文所提出的行业负荷曲线拟合方法能很好地描述实际情况,且应用简便。     

一种基于改进模糊聚类算法的自适应典型日选取方法

考虑单一算法在选取典型日负荷曲线上的不足,将改进后的可能模糊C均值聚类算法（PFCM）与模糊线性判别法（FLDA）相结合提出一种新的集成聚类方法。首先将原有的PFCM改进,得到改进后的PFCM,并将其应用于最佳聚类数的选取;然后将改进后的PFCM与FLDA相结合,将该集成聚类算法应用于负荷曲线的聚类。最后,通过某电网全年负荷数据验证了所提方法在典型日选取上的有效性。     

一种基于时间序列数据挖掘的用户负荷曲线分析方法

针对目前用户负荷曲线分析方法研究中传统方法在单一用户典型负荷曲线提取以及负荷曲线特征提取的不足,提出了一种基于时间序列数据挖掘的用户负荷曲线分析方法。该方法首先基于分段聚合近似方法对单一用户的负荷曲线降维,并基于符号聚合近似方法对该用户一段时期内的负荷曲线重表达,用符号化序列表示该用户的负荷曲线,提取该用户的典型负荷曲线。然后结合不同用户典型负荷曲线的负荷特性、指标特征和时间序列特征,基于k-means算法对不同用户的典型负荷曲线聚类分析,分析不同类型用户的用电特征。以UCI一个测试数据集进行算例分析,结果表明所提方法能够挖掘出用户的典型用电行为特征,并提升用户负荷曲线分析效率与聚类质量。     

基于负荷特性的大用户业扩辅助分析方法

业扩报装是供电公司面向用户用电的一项重要业务,对保证配电网安全稳定运行、提高配电网经济效益具有十分重要的意义。当前供电公司在制定业扩报装供电方案时,一般只考虑用户的最大负荷,忽略了大用户负荷的时序特性,导致电源点负荷日峰谷差不断增大等一系列问题。为进一步提高大用户业扩报装方案的精准化程度,提出了基于负荷特性的大用户业扩辅助分析方法。首先,通过模糊C均值聚类(FCM)建立大用户负荷特征库;其次,通过梯度提升树模型建立了负荷模式识别方法;最后,建立大用户供电接入方案优化模型,确定供电接入优化策略。文中所提方法可降低电源点负荷峰谷差率,提高电力系统安全稳定性。     

基于负荷特征库的大用户供电接入决策方法

业扩报装业务是电改背景下提升大用户供电服务水平和电网资产利用率的重要环节。当前业扩报装业务在制定供电接入方案时,由于忽略了大用户负荷的时序特征,易造成同类型负荷集中接入同一供电点,导致供配电设施利用率不高等一系列问题。为此,提出基于负荷特征库的大用户供电接入决策方法。首先,采用模糊C均值聚类从历史用电数据中提取若干负荷模式,构建大用户典型负荷特征库;其次利用决策树模型对新接入大用户进行负荷模式识别;随后提出供电接入组合优化模型;最后通过典型算例验证所提方法的有效性。