考虑数据不均衡的居民用户负荷曲线分类方法

由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差。为此,提出一种改进K-means与长短期记忆(LSTM)神经网络-卷积神经网络(CNN)分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类(DPC)算法思想,提出一种相对k近邻密度峰值(RKDP)初始聚类中心选取方法,将其作为K-means算法的初始中心进行聚类;然后,为提高RKDP-K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类获得精准类别标签;最后,基于LSTM神经网络和CNN分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例选取了爱尔兰智能电表数据集和伦敦负荷数据集进行实验,验证了所提算法在大规模负荷曲线分类时的有效性和实用性。     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

基于分位数半径动态K-means的分布式负荷聚类算法

针对电力负荷曲线聚类中传统的K-means算法对初始值敏感以及需给定类数目的缺陷,将一种基于分位数半径的动态K-means算法应用到日负荷曲线的聚类分析中,并进行了分布式的改进以优化计算效率。此算法结合了两种思想:分布式聚类中的局部聚类与全局聚类,以及层次K-means中以多次k取定值时K-means运算所得到的中心点来表示该类。将多次的K-means运算分配到不同子站点,并使每次K-means运算中k不断改变。再从类的几何特征出发,引入了分位数半径的概念,规定样本点与各类中心点间距的分位数表示该类的半径,于主站点中对各类的中心点间距与类的半径进行大小比较,并进行筛选融合来获得新的类,从而实现较为快速地识别类数目,并且得到新的聚类初始中心与结果。最终以某地区606个用户某月的日负荷数据为研究对象,验证了该算法在电力负荷曲线聚类分析中的有效性。     

基于自组织中心K-means 算法的用户互动用电行为聚类分析

电力用户参与电网侧互动用电和辅助服务已成为国内外关注热点,用户互动用电行为分析是其中一项核心工作。结合自组织映射SOM神经网络和K-means聚类算法,采用一种自组织中心K-means算法用于用户互动用电行为聚类分析,能够实现更加精准识别和快速聚类。首先,对自组织中心K-means算法原理进行分析,说明其与传统聚类算法相比在用电行为聚类分析中的优势;然后,构建峰谷分时电价背景下,基于用户心理学的调节潜力指标,并分析基于负荷数据和调节潜力指标的用户互动用电行为;最后,以某电力公司管辖区域用户的日常负荷数据为研究对象,将基于自组织中心K-means算法的聚类结果与其他传统聚类方法进行对比,证明基于调节潜力指标的自组织中心K-means算法在用户互动用电行为上的精准识别和准确聚类优势。     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

基于用电采集系统的负荷特性曲线聚类分析

基于用电采集系统的负荷曲线聚类分析,是获得典型负荷分布和按负荷特性对用户分类的重要手段,也是推进电力营销、配电生产与规划等精细化的重要前提。对常用的聚类方法进行了分析,采用K-means算法并编制算法程序,实际计算结果表明,此方法能获取用电负荷特性中很多有价值的认识。     

基于粒计算和双尺度相似性的负荷曲线集成聚类算法

电力负荷曲线聚类通常依靠负荷形态差异和负荷数值差异对负荷曲线进行分类.提出了一种基于粒计算和双尺度相似性的集成聚类算法,采用以欧氏距离和皮尔森相关系数作为相似性度量的K-means算法生成基聚类,再通过粒度距离度量基聚类间的相似性,从而选择部分基聚类参与集成,最后生成相似度矩阵并采用层次聚类获得最终聚类结果.算例结果表...     

基于长短期记忆神经网络和改进型K-means聚类算法的居民峰谷时段划分模型

为了解决传统峰谷时段划分方法因只选取单一典型日而无法在较长时间范围内适用的问题,提出一种基于长短期记忆神经网络（long short-term memory,LSTM）和改进型K-means聚类算法的居民峰谷时段划分模型: 首先对居民用户一整年的负荷数据进行有效性检查和归一化处理,保证数据的准确可靠;接着将处理后的负荷数据按照不同季节及不同日期类型进行相应的分类,保证分类的数据具有较强的相似性;然后将数据按分类分别加入LSTM进行训练,获得用户在不同分类下的负荷特征数据;最后利用改进型K-means聚类算法对训练得到的负荷特征数据进行聚类分析,并依据相应的权重矩阵及划分原则获得最终的时段划分结果。结果表明,相对于经典及当地的时段划分,所提方法的时段划分轮廓系数平均值更大,方差更小,更能反映居民用户实际的用电特点及用电规律,有利于挖掘用户侧需求响应潜力,获得更优的削峰填谷效果。     

基于集群辨识的电力用户需求响应潜力评估

针对电力市场参与需求响应(DR)用户的特性不一、响应能力差异大,导致DR潜力评估难度大的问题,提出了一种自底向上的负荷DR潜力评估方法.首先,对用户的用电行为进行分析,将每个用户的负荷变化分别用基于概率分布和隐马尔科夫模型的聚类方法进行聚类,得到适合价格和激励的DR用户分类.然后,将用户负荷大小用K-means算法进行...     

SOM神经网络和C-均值法在负荷分类中的应用

负荷时变性和分散性已经成为制约负荷模型推广应用的主要因素,而负荷特性分类则是解决这个问题的有效途径.文中提出基于SOM神经网络的C-均值聚类算法的新的负荷分类方法:以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对初始训练样本进行分类,将获得的聚类数目和各类中心点作为C-均值算法的初始输入进一步聚类.最后...     

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。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

基于模拟退火的粗糙集K均值电力负荷聚类分析

为了建立合适的变电站负荷模型,将聚类方法引入到负荷特性分析,提出了一种基于模拟退火的粗糙集K均值电力负荷综合聚类算法。该算法将粗糙集理论、模拟退火思想与K均值相结合,通过模拟退火思想优化K均值聚类算法,采用最大最小原则动态生成K均值聚类数和初始聚类中心,同时结合粗糙集理论的上逼近和下逼近处理边界对象。最后,对变电站综合负荷静态特性进行聚类分析,比较类间距离和类内距离,结果验证了本文算法的可行性和有效性。     

基于数据挖掘算法的通信领域故障信号识别性能分析

针对通信领域故障信号识别的技术问题,提出了基于数据挖掘算法的通信故障信号识别方法。通过K-means聚类算法,使得用户从诸如温度、振动、电网故障、负荷、湿度、谐波、磁场、电网纹波等影响通信质量的样本数据中,根据通信类别样本的某些属性或某类特征,确定聚类簇数K,把通信样本类型归为已确定的某一类别中,使得簇内的通信样本数据能够紧密分布在一起,并通过欧几里得距离公式计算出某个类别范围内的数据。通过对数据进行聚类,使用户快速对影响因子进行分析、计算,大大提高了分类效果及稳定性。然后在聚类的数据中,采用BP神经网络模型再次对获取的聚类数据进行训练、计算,能够映射、处理不同聚类类别故障信息数据之间的复杂非线性关系,更加精确、及时处理数据,使用户对评估故障信号的精确度大大提高,减少了计算误差。     

计及负荷分类及其需求响应的配电网设备利用率提高方法

为提高配电网设备能源利用率,提出一种计及负荷分类及其需求响应的配电网设备能源利用率提高方法。采用LSTM自编码器对典型日负荷进行特征提取,再用改进Kmeans负荷聚类算法对特征序列进行聚类分析。基于负荷分类结果建立计及分类负荷分时需求响应的配电网设备能源利用率优化模型,该模型以设备能源利用率和用户满意度最大为目标。算例分析结果表明,所提方法能更好地激发各类负荷需求响应潜力,通过分类负荷分时需求响应引导用户削峰填谷,有效提高配电网能源利用率;通过合理设置能源利用率和用户满意度目标权重,实现系统能源利用率和用户满意度的平衡。     

基于异常点检测和改进K-means算法的台区用户相别辨识方法

解决配电台区用户线变不匹配问题是推进配电网智能化管理的关键一步。大数据技术的快速普及为实现低成本、高效率的台区用户相别辨识提供了可能。提出了基于异常点检测和改进K-means算法的台区用户相别辨识方法。首先通过局部因子算法对聚类分析数据进行预处理,剔除不属于待分析台区的用户数据。然后,根据实际应用场景特点对K-means算法进行改进,包括确定聚类个数、初始质心,并选用相关系数作为评估样本相似度的指标。最后利用改进的K-means算法对预处理后的数据进行聚类分析,实现低压台区用户相别的精准辨识。算例分析表明,所提方法能够有效提升用户辨识准确率,且在不同的数据环境中可保持较高的稳定性。