基于电力用户负荷特性曲线的聚类分析模型设计
|
摘要
现有ME-Wheel模型不能在限定时间内对用户的耗电行为进行定向分析。为解决上述问题,设计基于电力用户负荷特性曲线的聚类分析模型。在电力负荷特性曲线网格中,通过计算用户负载特征参数、确定约束载荷施加量的方式完成基于电力负荷特性曲线的用户耗电特征分析。在此基础上,针对电力用户负荷原始数据矩阵中的数据参量进行标准化处理,达到完善模型应用流程的目的,实现基于电力用户负荷特性曲线聚类分析模型的搭建。实验结果表明:与现有ME-Wheel模型相比,应用基于电力用户负荷特性曲线的聚类分析模型后,单位时间内用户耗电行为分析完整度得到大幅提升。
The existing ME-Wheel model cannot conduct directional analysis of users' consumption behavior within a limited time. To solve the above problems,a cluster analysis model based on load characteristic curve of power users was designed. In the grid of power load characteristic curve,the power consumption characteristic analysis based on power load characteristic curve was completed by calculating the characteristic parameters of user load and determining the applied amount of constraint load. On this basis,the data parameters in the original data matrix of power user load were standardized to improve the application process of the model,and the clustering analysis model based on power user load characteristic curve was built. The experimental results show that compared with the existing ME-Wheel model,the clustering analysis model based on power user load characteristiccurve can greatly improve the integrity of power consumption behavior analysis per unit time.
The existing ME-Wheel model cannot conduct directional analysis of users' consumption behavior within a limited time. To solve the above problems,a cluster analysis model based on load characteristic curve of power users was designed. In the grid of power load characteristic curve,the power consumption characteristic analysis based on power load characteristic curve was completed by calculating the characteristic parameters of user load and determining the applied amount of constraint load. On this basis,the data parameters in the original data matrix of power user load were standardized to improve the application process of the model,and the clustering analysis model based on power user load characteristic curve was built. The experimental results show that compared with the existing ME-Wheel model,the clustering analysis model based on power user load characteristiccurve can greatly improve the integrity of power consumption behavior analysis per unit time.
引文
[1]潘茂,李兆杰,张衍垒.平流层飞艇太阳电池输出特性计算模型研究[J].计算机仿真,2018,35(5):117-122.
[2]刘念,刘宇.基于聚类分析算法的海量关系数据可视化技术研究[J].电子设计工程,2018,26(10):92-95.
[3]张振敏.基于脉冲神经网络的聚类算法研究[J].重庆理工大学学报(自然科学),2016,30(8):99-104.
[4]张阳,何丽,朱颢东.一种改进的K-means动态聚类算法[J].重庆师范大学学报(自然科学版),2016(1):97-101.
[5]徐明钊,杨春,范健,等.一种基于网格的等密度线聚类算法[J].兵器装备工程学报,2017,38(2):88-91.
[6]曾静,赵晓红.基于灰色聚类方法评估大学生亚健康状况[J].重庆工商大学学报(自然科学版),2016,33(1):43-46.
[7]刘思,傅旭华,叶承晋,等.应用聚类分析与非参数核密度估计的空间负荷分布规律[J].电网技术,2017,41(2):604-609.
[8]许元斌,李国辉,郭昆,等.基于改进的并行K-Means算法的电力负荷聚类研究[J].计算机工程与应用,2017,53(17):260-265.
[9]孙毅,冯云,崔灿,等.基于动态自适应K均值聚类的电力用户负荷编码与行为分析[J].电力科学与技术学报,2017,32(3):3-8.
[10]徐源,程潜善,李阳,等.基于大数据聚类的电力系统中长期负荷预测[J].电力系统及其自动化学报,2017,29(8):43-48.
[11]王星华,许炫壕,周亚武.一种基于Pearson相关系数的电力用户负荷曲线聚类算法[J].黑龙江电力,2017,39(5):397-401.
[12]刘凤魁,邓春宇,王晓蓉,等.基于改进快速密度峰值聚类算法的电力大数据异常值检测[J].电力信息与通信技术,2017,15(6):36-41.
[13]皇甫汉聪,肖招娣,余永忠.基于熵权法与改进的PCA聚类算法的电力客户价值分类与应用[J].现代电子技术,2017,40(7):183-186.
[14]朱州,吴漾.基于改进K-means聚类算法在电力客户价值分群的应用[J].计算机与数字工程,2017,45(6):1049-1054.
[15]王保义,胡恒,张少敏.差分隐私保护下面向海量用户的用电数据聚类分析[J].电力系统自动化,2018,14(2):121-127.
[16]程小庆,彭显刚,邱剑洪.负荷电流场与聚类分析相结合的电网优化分区方法研究[J].陕西电力,2017,45(5):27-31.
[17]方芳,卜凡鹏,田世明,等.基于负荷特性聚类的样本自适应神经网络台区短期负荷预测[J].科技导报,2017,35(24):66-70.
[18]杨云,秦一梅.基于模糊聚类分析和神经网络的显微硬度预测[J].功能材料,2017,48(12):12130-12134.
[19]陈明照,毛坚,杜宗林,等.基于聚类法的工业用户需求侧管理(DSM)方案分析与研究[J].电力系统保护与控制,2017,45(7):84-89.
[20]苏适,李康平,严玉廷,等.基于密度空间聚类和引力搜索算法的居民负荷用电模式分类模型[J].电力自动化设备,2018,13(1):129-136.
[21]李文华,贾玉雯,范新涛.基于改进的模糊c-均值聚类算法的负荷特性指标分析与分类[J].燕山大学学报,2016,40(3):230-235.
[22]丁少倩,林涛,翟学,等.基于短路容量的含大规模新能源接入的电网状态脆弱性评估方法研究[J].电力系统保护与控制,2016,44(13):40-47.
[23]李滨,覃芳璐,吴茵,等.基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测[J].电工技术学报,2017,32(9):149-159.
[24]吉兴全,傅荣荣,文福拴,等.饱和负荷预测中的多级聚类分析和改进Logistic模型[J].电力系统及其自动化学报,2017,29(8):138-144.
[25]王雁凌,吴梦凯,周子青,等.基于改进灰色关联度的电力负荷影响因素量化分析模型[J].电网技术,2017,41(6):1772-1778.
[2]刘念,刘宇.基于聚类分析算法的海量关系数据可视化技术研究[J].电子设计工程,2018,26(10):92-95.
[3]张振敏.基于脉冲神经网络的聚类算法研究[J].重庆理工大学学报(自然科学),2016,30(8):99-104.
[4]张阳,何丽,朱颢东.一种改进的K-means动态聚类算法[J].重庆师范大学学报(自然科学版),2016(1):97-101.
[5]徐明钊,杨春,范健,等.一种基于网格的等密度线聚类算法[J].兵器装备工程学报,2017,38(2):88-91.
[6]曾静,赵晓红.基于灰色聚类方法评估大学生亚健康状况[J].重庆工商大学学报(自然科学版),2016,33(1):43-46.
[7]刘思,傅旭华,叶承晋,等.应用聚类分析与非参数核密度估计的空间负荷分布规律[J].电网技术,2017,41(2):604-609.
[8]许元斌,李国辉,郭昆,等.基于改进的并行K-Means算法的电力负荷聚类研究[J].计算机工程与应用,2017,53(17):260-265.
[9]孙毅,冯云,崔灿,等.基于动态自适应K均值聚类的电力用户负荷编码与行为分析[J].电力科学与技术学报,2017,32(3):3-8.
[10]徐源,程潜善,李阳,等.基于大数据聚类的电力系统中长期负荷预测[J].电力系统及其自动化学报,2017,29(8):43-48.
[11]王星华,许炫壕,周亚武.一种基于Pearson相关系数的电力用户负荷曲线聚类算法[J].黑龙江电力,2017,39(5):397-401.
[12]刘凤魁,邓春宇,王晓蓉,等.基于改进快速密度峰值聚类算法的电力大数据异常值检测[J].电力信息与通信技术,2017,15(6):36-41.
[13]皇甫汉聪,肖招娣,余永忠.基于熵权法与改进的PCA聚类算法的电力客户价值分类与应用[J].现代电子技术,2017,40(7):183-186.
[14]朱州,吴漾.基于改进K-means聚类算法在电力客户价值分群的应用[J].计算机与数字工程,2017,45(6):1049-1054.
[15]王保义,胡恒,张少敏.差分隐私保护下面向海量用户的用电数据聚类分析[J].电力系统自动化,2018,14(2):121-127.
[16]程小庆,彭显刚,邱剑洪.负荷电流场与聚类分析相结合的电网优化分区方法研究[J].陕西电力,2017,45(5):27-31.
[17]方芳,卜凡鹏,田世明,等.基于负荷特性聚类的样本自适应神经网络台区短期负荷预测[J].科技导报,2017,35(24):66-70.
[18]杨云,秦一梅.基于模糊聚类分析和神经网络的显微硬度预测[J].功能材料,2017,48(12):12130-12134.
[19]陈明照,毛坚,杜宗林,等.基于聚类法的工业用户需求侧管理(DSM)方案分析与研究[J].电力系统保护与控制,2017,45(7):84-89.
[20]苏适,李康平,严玉廷,等.基于密度空间聚类和引力搜索算法的居民负荷用电模式分类模型[J].电力自动化设备,2018,13(1):129-136.
[21]李文华,贾玉雯,范新涛.基于改进的模糊c-均值聚类算法的负荷特性指标分析与分类[J].燕山大学学报,2016,40(3):230-235.
[22]丁少倩,林涛,翟学,等.基于短路容量的含大规模新能源接入的电网状态脆弱性评估方法研究[J].电力系统保护与控制,2016,44(13):40-47.
[23]李滨,覃芳璐,吴茵,等.基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测[J].电工技术学报,2017,32(9):149-159.
[24]吉兴全,傅荣荣,文福拴,等.饱和负荷预测中的多级聚类分析和改进Logistic模型[J].电力系统及其自动化学报,2017,29(8):138-144.
[25]王雁凌,吴梦凯,周子青,等.基于改进灰色关联度的电力负荷影响因素量化分析模型[J].电网技术,2017,41(6):1772-1778.