隨著我國(guó)智能電網(wǎng)的飛速發(fā)展,電力企業(yè)與負(fù)荷用戶之間的交互行為快速增長(zhǎng),現(xiàn)已導(dǎo)致大量用戶側(cè)負(fù)荷數(shù)據(jù)堆積�？紤]當(dāng)下緊張的電力系統(tǒng)環(huán)境,我國(guó)逐步推進(jìn)電力企業(yè)的工作重心轉(zhuǎn)移,從單一需求側(cè)管理向用戶側(cè)資源主動(dòng)參與電力系統(tǒng)供需平衡的過程轉(zhuǎn)移�，F(xiàn)階段電力系統(tǒng)負(fù)荷數(shù)據(jù)具有高密度和多樣性的特點(diǎn),復(fù)雜的負(fù)荷環(huán)境使得對(duì)用戶側(cè)數(shù)據(jù)特性挖掘不夠充分,深度挖掘用戶用電行為是支撐用戶側(cè)大數(shù)據(jù)價(jià)值挖掘的基礎(chǔ),為了提高電能的利用率,對(duì)不同類型用戶負(fù)荷的運(yùn)行價(jià)值進(jìn)行進(jìn)一步挖掘,具有十分重要的意義。在深度挖掘負(fù)荷特性價(jià)值過程中,電力負(fù)荷用戶分類是關(guān)鍵一步,對(duì)負(fù)荷用戶進(jìn)行精細(xì)分類也是智能電網(wǎng)的重點(diǎn)研究課題之一,傳統(tǒng)的用戶負(fù)荷分類早已不適合當(dāng)下多元市場(chǎng),因此本文提出一種更適合當(dāng)下電力市場(chǎng)現(xiàn)狀的負(fù)荷用戶分類方法。首先針對(duì)吉林省多元負(fù)荷歷史運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理,去除異常數(shù)據(jù)的影響,采用“橫-縱”異常值處理方法對(duì)缺失數(shù)據(jù)進(jìn)行平滑處理。接著對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行第一次聚類分析,優(yōu)化選取初始聚類中心以及設(shè)定最優(yōu)K值,改進(jìn)K-means聚類算法以達(dá)到更好的聚類效果,將具有相似或者相同的負(fù)荷特征用戶歸為同一類。通過聚類后同一類別的用戶日負(fù)荷... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

所示：分類是否合理最終分類NY

第4章基于聚類算法的用戶負(fù)荷特征提取224.1.2聚類中心的確定聚類中心的選取和聚類k值的選取都是對(duì)聚類結(jié)果產(chǎn)生巨大影響的因素。傳統(tǒng)K-means算法在給定k值和K個(gè)初始聚類中心時(shí)，都存在一定的隨機(jī)性，這會(huì)導(dǎo)致傳統(tǒng)K-means算法因?yàn)椴煌某跏季垲愔行暮蚹值而波動(dòng)。為此需要對(duì)傳統(tǒng)K-means算法進(jìn)行改進(jìn)。在選取初始聚類中心時(shí)，不采用隨機(jī)選取K個(gè)對(duì)象作為初始聚類中心，改進(jìn)K-means算法在選取初始聚類中心的主要原理是：若已經(jīng)選取了n個(gè)初始聚類中心)0(kn，在選取下一個(gè)聚類中心時(shí)，本著優(yōu)先選取距離當(dāng)前n個(gè)聚類中心越遠(yuǎn)的點(diǎn)為第n+1個(gè)聚類中心。圖4.1為在改進(jìn)K-means算法下k值的變化：圖4.1改進(jìn)K-means算法下k值的變化

第4章基于聚類算法的用戶負(fù)荷特征提取25圖4.2改進(jìn)后聚類算法可視化結(jié)果4.3.2基于改進(jìn)K-means算法負(fù)荷特征提取通過改進(jìn)的K-means算法對(duì)K值設(shè)定為5，可以得到以下五種不同類別，利用聚類分析后的用戶分類結(jié)果，繪制每一類用戶的特征曲線。橫軸是按照時(shí)間一天96個(gè)采集點(diǎn)，縱軸是經(jīng)過數(shù)據(jù)預(yù)處理之后的負(fù)荷數(shù)據(jù)。通過下圖中的負(fù)荷特征曲線可以直觀的看出每類用戶不同的用電習(xí)慣。第一類用戶經(jīng)過聚類包含68個(gè)樣本，這類用戶的負(fù)荷曲線在晚間和白天的負(fù)荷變化較為平緩，并且用電量較大，如圖4.3所示：

【參考文獻(xiàn)】：
期刊論文
[1]一種融合降維和聚類的電力用戶高效分類方法[J]. 李青,齊林海,田璐,王紅,田世明,卜凡鵬.  電力信息與通信技術(shù). 2018(11)
[2]基于程序基因的惡意程序預(yù)測(cè)技術(shù).[J]. 肖達(dá),劉博寒,崔寶江,王曉晨,張索星.  網(wǎng)絡(luò)與信息安全學(xué)報(bào). 2018(08)
[3]基于Hadoop的海量安全日志聚類算法研究[J]. 陸勰,羅守山,張玉梅.  信息網(wǎng)絡(luò)安全. 2018(08)
[4]用電采集大數(shù)據(jù)的用戶用電行為分析研究[J]. 王堃,楊飛,李斌.  電力大數(shù)據(jù). 2017(10)
[5]一種露天礦卡車故障的NLP技術(shù)挖掘與分析方法[J]. 田鳳亮,孫效玉,張航.  金屬礦山. 2017(07)
[6]基于馬爾科夫鏈的電力負(fù)荷優(yōu)化組合及應(yīng)用[J]. 祝錦舟,張焰,華月申,潘智俊.  電網(wǎng)技術(shù). 2016(08)
[7]電力大數(shù)據(jù)全景實(shí)時(shí)分析關(guān)鍵技術(shù)[J]. 周國(guó)亮,呂凜杰,王桂蘭.  電信科學(xué). 2016(04)
[8]分時(shí)電價(jià)環(huán)境下用戶負(fù)荷需求響應(yīng)分析方法[J]. 孔祥玉,楊群,穆云飛,陸寧,徐弢.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2015(10)
[9]淺談負(fù)荷預(yù)測(cè)數(shù)據(jù)預(yù)處理方法[J]. 于春雷,王皓.  黑龍江科技信息. 2015(27)
[10]基于任務(wù)合并的并行大數(shù)據(jù)清洗過程優(yōu)化[J]. 楊東華,李寧寧,王宏志,李建中,高宏.  計(jì)算機(jī)學(xué)報(bào). 2016(01)

博士論文
[1]面向電力大數(shù)據(jù)的用戶用電行為挖掘方法[D]. 蔣子規(guī).北京郵電大學(xué) 2019
[2]電網(wǎng)規(guī)劃中長(zhǎng)期負(fù)荷預(yù)測(cè)技術(shù)的研究[D]. 毛李帆.湖南大學(xué) 2011

碩士論文
[1]面向電網(wǎng)規(guī)劃的負(fù)荷特性及負(fù)荷預(yù)測(cè)研究[D]. 宇文敏睿.北京交通大學(xué) 2019
[2]基于數(shù)據(jù)挖掘的用電行為分析及應(yīng)用研究[D]. 李土高.華北電力大學(xué)(北京) 2018
[3]基于智能用電信息采集系統(tǒng)的負(fù)荷特性分析及預(yù)測(cè)[D]. 盧繼哲.華北電力大學(xué)(北京) 2017
[4]電力系統(tǒng)負(fù)荷特性分析研究[D]. 霍成軍.天津大學(xué) 2007
[5]忻州地區(qū)電力負(fù)荷特性分析[D]. 李德生.華北電力大學(xué)（北京） 2007
[6]電網(wǎng)負(fù)荷與溫度關(guān)系研究[D]. 權(quán)軼.華中科技大學(xué) 2006



本文編號(hào)：3608443