不同时空尺度下多元负荷用户精细分类方法设计与实现
发布时间：2022-01-25 11:19
随着我国智能电网的飞速发展,电力企业与负荷用户之间的交互行为快速增长,现已导致大量用户侧负荷数据堆积。考虑当下紧张的电力系统环境,我国逐步推进电力企业的工作重心转移,从单一需求侧管理向用户侧资源主动参与电力系统供需平衡的过程转移。现阶段电力系统负荷数据具有高密度和多样性的特点,复杂的负荷环境使得对用户侧数据特性挖掘不够充分,深度挖掘用户用电行为是支撑用户侧大数据价值挖掘的基础,为了提高电能的利用率,对不同类型用户负荷的运行价值进行进一步挖掘,具有十分重要的意义。在深度挖掘负荷特性价值过程中,电力负荷用户分类是关键一步,对负荷用户进行精细分类也是智能电网的重点研究课题之一,传统的用户负荷分类早已不适合当下多元市场,因此本文提出一种更适合当下电力市场现状的负荷用户分类方法。首先针对吉林省多元负荷历史运行数据进行数据预处理,去除异常数据的影响,采用“横-纵”异常值处理方法对缺失数据进行平滑处理。接着对预处理后的数据进行第一次聚类分析,优化选取初始聚类中心以及设定最优K值,改进K-means聚类算法以达到更好的聚类效果,将具有相似或者相同的负荷特征用户归为同一类。通过聚类后同一类别的用户日负荷...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
所示：分类是否合理最终分类NY
第4章基于聚类算法的用户负荷特征提取224.1.2聚类中心的确定聚类中心的选取和聚类k值的选取都是对聚类结果产生巨大影响的因素。传统K-means算法在给定k值和K个初始聚类中心时，都存在一定的随机性，这会导致传统K-means算法因为不同的初始聚类中心和k值而波动。为此需要对传统K-means算法进行改进。在选取初始聚类中心时，不采用随机选取K个对象作为初始聚类中心，改进K-means算法在选取初始聚类中心的主要原理是：若已经选取了n个初始聚类中心)0(kn，在选取下一个聚类中心时，本着优先选取距离当前n个聚类中心越远的点为第n+1个聚类中心。图4.1为在改进K-means算法下k值的变化：图4.1改进K-means算法下k值的变化
第4章基于聚类算法的用户负荷特征提取25图4.2改进后聚类算法可视化结果4.3.2基于改进K-means算法负荷特征提取通过改进的K-means算法对K值设定为5，可以得到以下五种不同类别，利用聚类分析后的用户分类结果，绘制每一类用户的特征曲线。横轴是按照时间一天96个采集点，纵轴是经过数据预处理之后的负荷数据。通过下图中的负荷特征曲线可以直观的看出每类用户不同的用电习惯。第一类用户经过聚类包含68个样本，这类用户的负荷曲线在晚间和白天的负荷变化较为平缓，并且用电量较大，如图4.3所示：
【参考文献】：
期刊论文
[1]一种融合降维和聚类的电力用户高效分类方法[J]. 李青,齐林海,田璐,王红,田世明,卜凡鹏. 电力信息与通信技术. 2018(11)
[2]基于程序基因的恶意程序预测技术.[J]. 肖达,刘博寒,崔宝江,王晓晨,张索星. 网络与信息安全学报. 2018(08)
[3]基于Hadoop的海量安全日志聚类算法研究[J]. 陆勰,罗守山,张玉梅. 信息网络安全. 2018(08)
[4]用电采集大数据的用户用电行为分析研究[J]. 王堃,杨飞,李斌. 电力大数据. 2017(10)
[5]一种露天矿卡车故障的NLP技术挖掘与分析方法[J]. 田凤亮,孙效玉,张航. 金属矿山. 2017(07)
[6]基于马尔科夫链的电力负荷优化组合及应用[J]. 祝锦舟,张焰,华月申,潘智俊. 电网技术. 2016(08)
[7]电力大数据全景实时分析关键技术[J]. 周国亮,吕凛杰,王桂兰. 电信科学. 2016(04)
[8]分时电价环境下用户负荷需求响应分析方法[J]. 孔祥玉,杨群,穆云飞,陆宁,徐弢. 电力系统及其自动化学报. 2015(10)
[9]浅谈负荷预测数据预处理方法[J]. 于春雷,王皓. 黑龙江科技信息. 2015(27)
[10]基于任务合并的并行大数据清洗过程优化[J]. 杨东华,李宁宁,王宏志,李建中,高宏. 计算机学报. 2016(01)
博士论文
[1]面向电力大数据的用户用电行为挖掘方法[D]. 蒋子规.北京邮电大学 2019
[2]电网规划中长期负荷预测技术的研究[D]. 毛李帆.湖南大学 2011
硕士论文
[1]面向电网规划的负荷特性及负荷预测研究[D]. 宇文敏睿.北京交通大学 2019
[2]基于数据挖掘的用电行为分析及应用研究[D]. 李土高.华北电力大学(北京) 2018
[3]基于智能用电信息采集系统的负荷特性分析及预测[D]. 卢继哲.华北电力大学(北京) 2017
[4]电力系统负荷特性分析研究[D]. 霍成军.天津大学 2007
[5]忻州地区电力负荷特性分析[D]. 李德生.华北电力大学（北京） 2007
[6]电网负荷与温度关系研究[D]. 权轶.华中科技大学 2006
本文编号：3608443
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
所示：分类是否合理最终分类NY
第4章基于聚类算法的用户负荷特征提取224.1.2聚类中心的确定聚类中心的选取和聚类k值的选取都是对聚类结果产生巨大影响的因素。传统K-means算法在给定k值和K个初始聚类中心时，都存在一定的随机性，这会导致传统K-means算法因为不同的初始聚类中心和k值而波动。为此需要对传统K-means算法进行改进。在选取初始聚类中心时，不采用随机选取K个对象作为初始聚类中心，改进K-means算法在选取初始聚类中心的主要原理是：若已经选取了n个初始聚类中心)0(kn，在选取下一个聚类中心时，本着优先选取距离当前n个聚类中心越远的点为第n+1个聚类中心。图4.1为在改进K-means算法下k值的变化：图4.1改进K-means算法下k值的变化
第4章基于聚类算法的用户负荷特征提取25图4.2改进后聚类算法可视化结果4.3.2基于改进K-means算法负荷特征提取通过改进的K-means算法对K值设定为5，可以得到以下五种不同类别，利用聚类分析后的用户分类结果，绘制每一类用户的特征曲线。横轴是按照时间一天96个采集点，纵轴是经过数据预处理之后的负荷数据。通过下图中的负荷特征曲线可以直观的看出每类用户不同的用电习惯。第一类用户经过聚类包含68个样本，这类用户的负荷曲线在晚间和白天的负荷变化较为平缓，并且用电量较大，如图4.3所示：
【参考文献】：
期刊论文
[1]一种融合降维和聚类的电力用户高效分类方法[J]. 李青,齐林海,田璐,王红,田世明,卜凡鹏. 电力信息与通信技术. 2018(11)
[2]基于程序基因的恶意程序预测技术.[J]. 肖达,刘博寒,崔宝江,王晓晨,张索星. 网络与信息安全学报. 2018(08)
[3]基于Hadoop的海量安全日志聚类算法研究[J]. 陆勰,罗守山,张玉梅. 信息网络安全. 2018(08)
[4]用电采集大数据的用户用电行为分析研究[J]. 王堃,杨飞,李斌. 电力大数据. 2017(10)
[5]一种露天矿卡车故障的NLP技术挖掘与分析方法[J]. 田凤亮,孙效玉,张航. 金属矿山. 2017(07)
[6]基于马尔科夫链的电力负荷优化组合及应用[J]. 祝锦舟,张焰,华月申,潘智俊. 电网技术. 2016(08)
[7]电力大数据全景实时分析关键技术[J]. 周国亮,吕凛杰,王桂兰. 电信科学. 2016(04)
[8]分时电价环境下用户负荷需求响应分析方法[J]. 孔祥玉,杨群,穆云飞,陆宁,徐弢. 电力系统及其自动化学报. 2015(10)
[9]浅谈负荷预测数据预处理方法[J]. 于春雷,王皓. 黑龙江科技信息. 2015(27)
[10]基于任务合并的并行大数据清洗过程优化[J]. 杨东华,李宁宁,王宏志,李建中,高宏. 计算机学报. 2016(01)
博士论文
[1]面向电力大数据的用户用电行为挖掘方法[D]. 蒋子规.北京邮电大学 2019
[2]电网规划中长期负荷预测技术的研究[D]. 毛李帆.湖南大学 2011
硕士论文
[1]面向电网规划的负荷特性及负荷预测研究[D]. 宇文敏睿.北京交通大学 2019
[2]基于数据挖掘的用电行为分析及应用研究[D]. 李土高.华北电力大学(北京) 2018
[3]基于智能用电信息采集系统的负荷特性分析及预测[D]. 卢继哲.华北电力大学(北京) 2017
[4]电力系统负荷特性分析研究[D]. 霍成军.天津大学 2007
[5]忻州地区电力负荷特性分析[D]. 李德生.华北电力大学（北京） 2007
[6]电网负荷与温度关系研究[D]. 权轶.华中科技大学 2006
本文编号：3608443
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3608443.html
