一种电力负荷聚类的方法及装置.pdf
莉娜****ua
亲,该文档总共24页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种电力负荷聚类的方法及装置.pdf
本发明提供了一种电力负荷聚类的方法及装置。所述方法包括:采集电力负荷数据;将所述电力负荷数据进行Canopy聚类,生成若干canopy类和canopy中心;将所述canopy中心作为K值,利用K‑Means聚类算法,生成电力负荷聚类结果。本发明提出运用Canopy聚类和K‑means聚类相结合的方法进行客户聚类,极大地提高了聚类的速度和准确度,避免了k值选择的随机性和盲目性;并且,通过对不同属性和行为特征的用电客户聚类分群,分析同群体内客户用电负荷趋势,可以使电力公司有针对性的对批量客户提供主动服务,实现
一种基于聚类特征的电力负荷预测方法及装置.pdf
本发明公开了一种基于聚类特征的电力负荷预测的方法及装置,该方法包括:分析接收到的负荷预测请求,得到与负荷预测请求相匹配的负荷预测信息,根据负荷预测信息,获取历史电力负荷数据,对获取到的所有历史电力负荷数据执行聚类操作,得到至少一个负荷类别,将每个负荷类别中所包括的所有历史电力负荷数据输入值预先设定的目标预测模型,得到目标预测模型的目标输出结果,根据目标输出结果,生成电力负荷预测结果。可见,实施本发明能够基于聚类特征对电力负荷进行预测,能够有利于提高对于电力负荷预测的准确性,以及能够有利于提高对于电力负荷预
一种用户负荷双层聚类方法.pdf
本发明涉及负荷数据聚类分析技术领域,公开了一种用户负荷双层聚类方法,使用短时互相关系数聚类算法,对用户负荷进行形态相似聚类,得到多个第一聚类簇;使用欧氏距离聚类算法,对多个第一聚类簇依据幅度进行聚类;采用短时互相关系数对负荷曲线进行形态相似聚类,保留了样本间的不相似程度,避免了互相关系数过度位移致使聚类效果不佳。因为限制了序列的位移区间,相较于DTW和k‑shape两种考虑时序特性的形态聚类算法相比,算法运行时间更短,并且在聚类效果和有效性指标上表现更优,利用基于欧氏距离的聚类算法对形态相似聚类的结果进行
一种电力负荷预测方法和装置.pdf
本发明涉及一种电力负荷预测方法和装置,属于电力技术领域,解决了现有预测方法环境信息收集实时性不足,难以适用电力负荷非线性和非平稳关系的问题。该方法包括:采集各时刻电力负荷预测所需的电力负荷时间序列;利用所述电力负荷时间序列构建多变量无阈值改进递归图以将所述电力负荷时间序列转化为编码图像,其中,通过所述电力负荷时间序列相空间重构获得反映多态动力信号信息的相空间,并在所述相空间中构造无阈值改进递归图;以及将生成的编码图像输入卷积神经网络预测模型,以生成预测的电力负荷。改进的递归图能够提高特征反映能力,减少特征
基于精准模糊聚类算法的居民电力数据聚类方法及装置.pdf
本发明公开了基于精准模糊聚类算法的居民电力数据聚类方法及装置,该方法包括:步骤1:推导精准模糊聚类算法的目标函数,并定义精准模糊聚类中心,计算隶属矩阵,控制精准模糊聚类算法的误差,使得精准模糊聚类算法的目标函数最小;步骤2:根据评价数据集聚类方法的度量指标,选取与居民电力数据可维护性和响度指标值影响最大的每类加权方法、低耦合度方法、对每个类的响应度方法这三个度量指标算得的度量值重新组合运算,得到一个影响精准模糊隶属矩阵精度的隶属系数,从而确定精准模糊聚类算法的聚类中心,并运用精准模糊聚类算法对数据聚类。本