本文關(guān)鍵詞：面向海量用戶(hù)用電特性感知的分布式聚類(lèi)算法，，由筆耕文化傳播整理發(fā)布。

【摘要】：智能電表的普及促進(jìn)了配用電大數(shù)據(jù)的發(fā)展。通過(guò)對(duì)用戶(hù)用電數(shù)據(jù)的挖掘和用電特性的感知,能夠有效識(shí)別用戶(hù)用電模式、評(píng)估需求響應(yīng)潛力、指導(dǎo)電價(jià)制定等。然而,用戶(hù)用電數(shù)據(jù)一方面隨時(shí)間不斷更新,增長(zhǎng)迅速,呈海量態(tài)勢(shì);另一方面,數(shù)據(jù)采集點(diǎn)分布在用戶(hù)側(cè),具有極強(qiáng)的分散性。針對(duì)海量、分散的用電數(shù)據(jù)帶來(lái)的挑戰(zhàn),文中提出一種新的分布式聚類(lèi)算法。首先利用自適應(yīng)k-means聚類(lèi)算法對(duì)分布在各區(qū)域的用電數(shù)據(jù)進(jìn)行局部聚類(lèi)分析,提取各局部數(shù)據(jù)的典型負(fù)荷曲線(xiàn),構(gòu)建局部模型;然后利用傳統(tǒng)聚類(lèi)算法對(duì)獲取的局部模型進(jìn)行二次聚類(lèi)分析,獲取全局的典型負(fù)荷曲線(xiàn),構(gòu)建全局模型;最后向局部數(shù)據(jù)中心反饋全局聚類(lèi)結(jié)果,實(shí)現(xiàn)全局聚類(lèi)分析。通過(guò)愛(ài)爾蘭實(shí)際量測(cè)用電數(shù)據(jù)證明了所提出算法的有效性。
【作者單位】： 中國(guó)南方電網(wǎng)廣東電網(wǎng)有限責(zé)任公司;清華大學(xué)電機(jī)工程與應(yīng)用電子技術(shù)系;中國(guó)南方電網(wǎng)廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院;
【關(guān)鍵詞】： 分布式聚類(lèi) 自適應(yīng)k-means 聚類(lèi)算法 大數(shù)據(jù) 負(fù)荷曲線(xiàn) 態(tài)勢(shì)感知
【基金】：國(guó)家杰出青年基金資助項(xiàng)目(51325702) 中國(guó)南方電網(wǎng)有限責(zé)任公司科技項(xiàng)目(GD-KJXM-20150902)~~
【分類(lèi)號(hào)】：TM73;TP311.13
【正文快照】： 上網(wǎng)日期:2016-04-29。0引言隨著智能電表在近幾年逐漸得到廣泛應(yīng)用,用戶(hù)的用電數(shù)據(jù)得以實(shí)時(shí)采集。有別于以往每月抄表的情況,更細(xì)時(shí)間粒度的用電數(shù)據(jù)包含了更多的用戶(hù)用電信息,反映了更多的用戶(hù)用電規(guī)律。據(jù)統(tǒng)計(jì),中國(guó)智能電表的普及率高達(dá)90%,給用戶(hù)用電數(shù)據(jù)的挖掘和用電特性

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 于劍,程乾生;模糊聚類(lèi)方法中的最佳聚類(lèi)數(shù)的搜索范圍[J];中國(guó)科學(xué)E輯:技術(shù)科學(xué);2002年02期

2 岳清華;鄭剛;;一種動(dòng)態(tài)心電圖波形聚類(lèi)策略的研究[J];天津理工大學(xué)學(xué)報(bào);2008年01期

3 王士同;陳曉峰;曹蘇群;鐘富禮;;基于力的類(lèi)同傳播聚類(lèi)方法[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

4 熊華,胡曉峰,老松楊;一種自動(dòng)鏡頭聚類(lèi)方法[J];國(guó)防科技大學(xué)學(xué)報(bào);2000年05期

5 崔寶珍;王澤兵;潘宏俠;;改進(jìn)的FCM聚類(lèi)算法[J];機(jī)械管理開(kāi)發(fā);2010年04期

6 符君;周海琨;高平;;基于可變聚類(lèi)數(shù)k值的聚類(lèi)算法在績(jī)效考核中的應(yīng)用[J];節(jié)能;2013年07期

7 黃元江,湯德佑,胡紅武;動(dòng)態(tài)迭代聚類(lèi)算法分析基因序列數(shù)據(jù)[J];南華大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年04期

8 黎新伍;;醫(yī)學(xué)圖像體分割的特征聚類(lèi)算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年S2期

9 張李軍;;改進(jìn)的FCM聚類(lèi)算法的實(shí)現(xiàn)和有效性研究[J];硅谷;2009年10期

10 雷亞國(guó);何正嘉;訾艷陽(yáng);胡橋;丁鋒;;混合聚類(lèi)新算法及其在故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2006年12期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前9條

1 高翠芳;吳小俊;;基于二階差分的聚類(lèi)數(shù)自動(dòng)確定方法[A];江蘇省系統(tǒng)工程學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

2 劉洋;江志綱;丁增喜;王大玲;鮑玉斌;于戈;;一種基于圖的聚類(lèi)算法GB-Cluster[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2002年

3 李浪波;傅彥;劉紅;;基于范例推理的網(wǎng)格和密度聚類(lèi)算法[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

4 婁冬梅;陳明;朱有娜;;一種基于密度的無(wú)參數(shù)聚類(lèi)算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

5 魏昕路;洪志令;姜青山;;一種基于樣本縮減策略的新窗口式聚類(lèi)算法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

6 程尊平;周鼎;王晨;周皓峰;汪衛(wèi);施伯樂(lè);;SDPHC——基于密度的分割和分層的自校聚類(lèi)算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

7 張曉峰;王麗珍;陸葉;;一種基于屬性加權(quán)的不確定K-means聚類(lèi)算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

8 蔡軍;袁華鵬;陳金海;施伯樂(lè);;一種基于相似性分析的聚類(lèi)新算法:PDS算法[A];第十八屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2001年

9 胡仲義;郭超;王永炎;劉勝航;王宏安;;基于時(shí)間衰減和特征變量的數(shù)據(jù)流聚類(lèi)算法[A];第29屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 胡雅婷;可能性聚類(lèi)方法研究及應(yīng)用[D];吉林大學(xué);2012年

2 王縱虎;聚類(lèi)分析優(yōu)化關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2012年

3 周世兵;聚類(lèi)分析中的最佳聚類(lèi)數(shù)確定方法研究及應(yīng)用[D];江南大學(xué);2011年

4 楊燕;基于計(jì)算智能的聚類(lèi)組合算法研究[D];西南交通大學(xué);2006年

5 馮永;基于計(jì)算智能的聚類(lèi)技術(shù)及其應(yīng)用研究[D];重慶大學(xué);2006年

6 劉晨;高伸縮性聚類(lèi)分析方法研究[D];哈爾濱工程大學(xué);2013年

7 王強(qiáng);局部疊加基因表達(dá)模式聚類(lèi)分析方法研究[D];哈爾濱工業(yè)大學(xué);2012年

8 姜磊;混合演化聚類(lèi)算法研究及其應(yīng)用[D];武漢大學(xué);2012年

9 尹學(xué)松;半監(jiān)督聚類(lèi)分析策略設(shè)計(jì)及其拓展性研究[D];南京航空航天大學(xué);2009年

10 白亮;聚類(lèi)學(xué)習(xí)的理論分析與高效算法研究[D];山西大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 魏建東;K-means初始化算法研究[D];南京理工大學(xué);2015年

2 張依;基于MapReduce的k-means聚類(lèi)算法并行化研究[D];中央民族大學(xué);2015年

3 劉嬋;蟻群與K均值聚類(lèi)算法融合研究及其在用戶(hù)分群中的應(yīng)用[D];西南科技大學(xué);2015年

4 朱琪;基于減法聚類(lèi)的混合算法研究[D];湖南科技大學(xué);2015年

5 韓偉森;聚類(lèi)集成研究與應(yīng)用[D];貴州大學(xué);2015年

6 譚浩;K-Means算法改進(jìn)及其在森林健康評(píng)價(jià)中的應(yīng)用[D];中南林業(yè)科技大學(xué);2015年

7 嚴(yán)巍;以KPCA為核心的FCM算法改進(jìn)[D];成都理工大學(xué);2015年

8 汪娟;基于權(quán)重設(shè)計(jì)的聚類(lèi)集成算法研究[D];重慶大學(xué);2015年

9 牛品菽;基于圖模型的高效聚類(lèi)算法研究[D];北京交通大學(xué);2016年

10 喬坤;基于系統(tǒng)能量理論的聚類(lèi)算法及其應(yīng)用研究[D];西安建筑科技大學(xué);2007年

  本文關(guān)鍵詞：面向海量用戶(hù)用電特性感知的分布式聚類(lèi)算法，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：463172