面向海量用户用电特性感知的分布式聚类算法

智能电表的普及促进了配用电大数据的发展。通过对用户用电数据的挖掘和用电特性的感知,能够有效识别用户用电模式、评估需求响应潜力、指导电价制定等。然而,用户用电数据一方面随时间不断更新,增长迅速,呈海量态势;另一方面,数据采集点分布在用户侧,具有极强的分散性。针对海量、分散的用电数据带来的挑战,文中提出一种新的分布式聚类算法。首先利用自适应k-means聚类算法对分布在各区域的用电数据进行局部聚类分析,提取各局部数据的典型负荷曲线,构建局部模型;然后利用传统聚类算法对获取的局部模型进行二次聚类分析,获取全局的典型负荷曲线,构建全局模型;最后向局部数据中心反馈全局聚类结果,实现全局聚类分析。通过爱尔兰实际量测用电数据证明了所提出算法的有效性。     

基于GSA算法的宽带载波抄表用户类型辨识

采用GSA算法确定K-Means的聚类数量,能够提高聚类分析的效率。应用宽带载波技术,可以方便地实现小区用电信息采集,利用其高速信道可以得到多种密集度较高的用电数据。对于宽带载波抄表系统采集的用户用电曲线,采用基于GSA算法的聚类方法对数据进行分析,实现用户类型的辨识。通过该方法可以帮助供电公司充分利用采集的用电数据,提高大数据分析能力。     

差分隐私保护下面向海量用户的用电数据聚类分析

智能电表实现了对用户用电信息全方位实时收集,使得对用户用电行为精准聚类分析成为了可能,然而在分析过程中易泄露用户信息。为此,提出了一种差分隐私保护下用户用电数据聚类分析的方法,该方法运用两阶段隐私保护聚类技术解决精准分析与隐私保护不能并存的矛盾。两阶段聚类采用了分布式的思想,包括局部聚类和全局聚类两部分。局部聚类采用了隐私保护下的自适应K-means算法对智能电表采集的原始用户用电数据进行初次聚类;全局聚类设计一种新的基于密度和层次思想的聚类算法用于对初次聚类结果进行二次优化聚类。相关实验表明了该方法的有效性。     

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。     

智能用电用户行为分析的聚类优选策略

针对大数据背景下用户智能用电行为最佳聚类数目的选择问题,提出一种用户用电行为分析的聚类优选策略。在前期智能用电用户行为分析的特征优选策略研究的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行聚类分析;然后提出聚类数优选策略,通过综合考虑准确度评价指标和有效度评价指标确定最佳聚类数目。以国内外的用电数据为数据源,仿真验证了所述策略可以选择合理的聚类数目,有效提高用电行为分析的数据聚类效果。     

基于用电行为习惯的家庭节能用电策略研究

提出一种基于用户用电习惯的家庭用电策略,该策略把用户习惯作为首要考虑因素,首先统计电器的开、闭时刻信息,通过聚类算法求得用户对电器的n种用电习惯,根据聚类中的对象数量对用电习惯进行优先级排序;然后基于用电习惯构建用户满意度函数,结合分时电价环境下的费用函数制定用电策略目标函数,通过调节目标函数中电费和满意度的权重系数,对应生成多种节能效果不同的用电方案;最后利用粒子群算法对目标函数进行寻优,找出用电方案中电器的最佳开启时间。实验结果表明,该策略可明显减少用户的用电费用,同时结合用电习惯保证了用户对方案的满意度;该策略可引导用户用电时间向用电低谷段靠近,为电网负荷均衡起到了削峰填谷的作用。     

数据挖掘中聚类分析算法性能分析

聚类就是将数据集划分不同类的一个过程,不同聚类数据对象相似度小于同一个聚类对象相似度,在使用聚类分析方法应用数据集后便可以帮助研究人员分析出数据集的稠密区域与稀疏区域,辨别出各个数据之间的相关性。聚类分析算法可以分为几种不同的形式,其中代表性的算法有层次方法、划分方法、基于网格算法与基于密度算法,本文主要分析数据挖掘中聚类分析算法性能。     

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。     

智能用电数据的采集与预处理

解决好智能用电网络数据采集和传输过程中的数据缺失和噪声问题,提高其用电数据的数据质量,才能在智能用电云平台中有效的运用各种用电大数据分析与预测算法。本文在总结智能用电网络的数据采集与数据传输特点,及分析智能用电云平台对用电数据的数据质量要求的基础上,提出了智能用电网络的用电数据预处理方法。对智能用电终端采集的用电数据归一化处理后,利用聚类算法从噪声、模糊、随机数据中提取出正常数据,本文对比验证了K-均值聚类和基于密度的空间聚类两种算法的聚类效果。相比K-均值聚类算法,基于密度的空间聚类算法在检测数据噪声点的同时,可自动获取复杂形状数据集的聚类数量,更适合智能用电网络的用电数据预处理。     

基于自适应k-means++算法的电力负荷特性分析

运用数据挖掘中的聚类算法对电力负荷曲线进行聚类分析,提炼电力负荷曲线之间的共性特征与差异特征,在负荷模型实用化方面有重要应用价值,可以帮助分析用户用电规律,指导电网规划及实时调度。本文提出了一种自适应k-means++负荷特性聚类算法,综合不同聚类数时的聚类结果验证了数据集里各样本的相似性,通过迭代图切分的方法确定了最佳聚类数,避免了人为设定电力用户日负荷曲线聚类数不恰当导致的单一聚类结果的过大偏差,提高了负荷分类的精确性。算例结果验证了该算法的可行性和有效性,表明该算法求最佳聚类数的准确性高、鲁棒性好。     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

基于最小二乘法和聚类的用电数据异常分析算法

针对智能配用电大数据中数据质量差,造成用电异常分析结果不准确的问题,提出基于最小二乘法和聚类的用电数据异常分析算法,首先,对用户用电数据进行分析,并将数据特征进行规范化,其次,通过对已有聚类算法特点分析,采用K-means算法实现数据分析,并利用最小二乘法对数据点进行拟合,计算离心点数据的阈值,并将离心点数据加入噪声集进行隔离,从而提高K-means算法的效率,最后,将传统的K-means聚类算法与该算法进行比较,验证了该算法在准确率和误报率方面都取得了较好效果。     

优化模糊C均值聚类的台区用户用电特征分析方法

精准的用户特性分析方法是配电网模型计算与电力服务制定的重要基础之一,为克服现有配电台区多样性用户划分的数量选择与特征选择难题,提出一种优化模糊C-均值聚类的用户用电特征分析方法。利用优化的模糊C-均值算法实现聚类分析,通过聚类中心建立特征模型,从而获知多样化场景下配电台区用户特性。在聚类过程中,通过蜜獾算法优化选取模糊C-均值聚类初值,来应对易局部最优的难题,找到目标函数最小的结果;利用指标自适应极小值的原则选取最佳聚类数,使聚类中心代表性更强。通过天津地区的典型案例获取用户用电特征,实现聚类目标函数与结果综合性评价指标最优的目的。     

基于调节潜力指标的用户用电行为聚类分析算法研究

摘 要：针对柔性负荷不断接入背景下,用户参与电网调节潜力能力的持续提升,基于负荷用户的调节潜力大小对用户的用电行为进行聚类分析。在峰谷分时电价背景下,基于用户心理学原理构建基于峰谷分时电价的负荷转移率模型,以该模型为基础构建基于峰谷分时电价的用户调节潜力指标,并利用该指标对负荷用户的用电行为进行聚类分析,通过与传统基于日负荷曲线以及典型负荷特性指标的聚类算法进行结果对比,证明了该算法聚类结果的有效性与正确性,同时通过对大规模用户的用电行为进行聚类分析,证明基于调节潜力指标的聚类分析算法的聚类效果更佳。     

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。     

售电市场环境下基于数据驱动的用户用电行为分析

智能电能表能够实时采集用户的用电数据,在未来数字化配用电系统中将得到广泛普及。在我国售电市场进一步放开并逐步繁荣的背景下,售电商能够通过分析海量用户用电数据,掌握用户用电行为,从而实现更好的服务。探讨了面向售电市场用户行为分析的特征提取方法,采用了k-means、模糊聚类、层次聚类等不同的聚类算法实现典型用户用电行为的模式提取,分析了不同用户用电行为的基本特征。对爱尔兰地区6 445名用户的公开用电数据进行实证分析,结果表明,该方法能够有效提取用户的用电行为模式,分辨用户用电行为异同。     

基于无监督极限学习机的用电负荷模式提取

能源互联网的建设及发展使得用能端数据不断积累,充分利用用电信息,挖掘典型的用电负荷模式,是协调规划能源互联网并为其用户提供个性化服务的基础。用电负荷模式的提取通常以对负荷曲线进行聚类分析为基础,作为聚类算法输入的负荷曲线特征对聚类效果影响较大,高维输入容易使传统聚类算法表现不佳,对负荷曲线特征进行优化选取成为了一个重要问题。提出一种基于降维的负荷曲线聚类方法,首先用无监督极限学习机对原始负荷序列数据集进行低维嵌入,然后采用k-means算法对提取的低维特征进行聚类。给出了采用无监督极限学习机结合k-means方法进行负荷模式提取的具体流程。通过算例对比了传统k-means、其它降维算法加k-means与所提方法,实验结果证明所提方法聚类效果更好且效率较高,区分出的负荷曲线类别更能反映实际规律,得到的不同典型负荷曲线之间差异性更大。基于无监督极限学习机的聚类方法因其有效性可应用到用电负荷模式提取过程中。     

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。该方案首先从智能电表收集的数据中提取用电特征,然后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。