导读:本文包含了负荷特性聚类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:负荷,特性,算法,神经网络,电力,曲线,均值。
负荷特性聚类论文文献综述
袁鸣峰,刘陶,山宪武,徐一晨[1]（2019）在《基于行业聚类的负荷特性分析及预测》一文中研究指出随着电力负荷总量日益增多,负荷特性分析急剧复杂化。须关注负荷的实时变化和不同行业的阶段用电习惯,深入了解电网的负荷特性及未来的发展方向,进行合理可靠的负荷预测。基于A地区电网实测数据,对地区负荷进行合理行业聚类,分析影响用电特性的主要因素,建立相关聚类、关联模型。对电网负荷特性研究,归纳不同行业、不同阶段的用电特性,得出影响负荷特性变化的主要因素。建立BP神经网络负荷预测模型,并针对不同隐含层节点数进行对比分析,为不同类型负荷选择预测模型给出指导意见。(本文来源于《电气自动化》期刊2019年05期）
马文辉,王智金[2]（2019）在《基于K-means聚类的热计量用户负荷特性及行为节能分析》一文中研究指出采暖建筑进行热计量改造后,用户可以根据热需求进行室内温度控制和调节,由于用户设定室内温度不同,从而形成不同的热负荷特性。根据热计量用户用热负荷作为分析依据,通过采集热用户室内温度、设定温度、耗热量、开启及断开时间等数据,采用K-means算法对数据进行聚类,以此获取热计量用户负荷特性。利用聚类结果及居住位置对热用户的行为节能进行分析,得出不同居住位置用户室温、设定温度以及热负荷规律,为用户按需用热、热力公司按需供热提供参考,为合理地开展采暖建筑节能起到促进作用。(本文来源于《建筑节能》期刊2019年05期）
李春燕,蔡文悦,赵溶生,余长青,张谦[3]（2019）在《基于优化SAX和带权负荷特性指标的AP聚类用户用电行为分析》一文中研究指出智能电表的推广和安装,使用户侧累积了海量用电数据。特征提取和聚类分析作为有效的数据处理手段,有助于挖掘用电数据中隐藏的宝贵信息,提取用户的用电行为特性。为提取有效直观的负荷特性,本文提出利用优化SAX和带权负荷指标的AP聚类算法,对负荷曲线进行聚类。针对AP聚类复杂度较高的问题,首先利用SAX算法对负荷曲线进行降维并提取特征,利用基于模拟退火粒子群算法,优化确定合理的字符数和状态数;然后结合负荷特性指标,运用改进AP聚类算法,对负荷曲线进行聚类,聚类过程中采用熵权法对负荷特性指标进行客观赋权,避免指标设置的主观性。基于聚类结果,对各类用户的用电行为以及需求响应潜力进行分析。案例分析验证了该算法的高效性和有效性,并可应用于电网公司决策,如负荷预测、异常检测和提供差异化服务等。(本文来源于《电工技术学报》期刊2019年S1期）
白勇[4]（2018）在《基于电力用户负荷特性曲线的聚类分析模型设计》一文中研究指出现有ME-Wheel模型不能在限定时间内对用户的耗电行为进行定向分析。为解决上述问题,设计基于电力用户负荷特性曲线的聚类分析模型。在电力负荷特性曲线网格中,通过计算用户负载特征参数、确定约束载荷施加量的方式完成基于电力负荷特性曲线的用户耗电特征分析。在此基础上,针对电力用户负荷原始数据矩阵中的数据参量进行标准化处理,达到完善模型应用流程的目的,实现基于电力用户负荷特性曲线聚类分析模型的搭建。实验结果表明:与现有ME-Wheel模型相比,应用基于电力用户负荷特性曲线的聚类分析模型后,单位时间内用户耗电行为分析完整度得到大幅提升。(本文来源于《重庆理工大学学报(自然科学)》期刊2018年12期）
孙可,陈轶玮,陈翔,朱涛,丁爱芬[5]（2018）在《基于双层自适应密度聚类算法的分行业日负荷特性》一文中研究指出利用营配大数据所提供的大量数据计算电力用户的日负荷特性参数,运用密度聚类(DBSCAN)方式分析行业的日负荷特性。提出了以波动率、最大负荷发生时刻和最小负荷发生时刻叁项指标为特性指标的降维方法。利用高斯核密度估计优化处理密度聚类算法,提出日负荷特性规律算法效果评价体系。针对评分结果确定是否需要二次聚类,最终给出电力行业典型日负荷特性曲线。以浙江沿海某城市近4万用户进行算法验证,结果表明该算法提高了聚类质量及效率,其行业负荷特性结果对电力需求侧预测、配电网规划等具有较大的指导意义。(本文来源于《农村电气化》期刊2018年12期）
李朝晖,尹晓博,杨海晶,马瑞,石光[6]（2018）在《基于改进的k-means聚类算法的季节性负荷特性分析》一文中研究指出负荷特性分析的研究对电力系统稳定运行和调度具有重要意义。以历史负荷数据为基础,采用改进的k-means聚类方法得到具有代表性的负荷特性曲线。在考虑了检验聚类结果有效性模型的基础上加入了最大最小算法,让初始聚类中心稳定;采用改进的k-means聚类典型场景缩减算法,考虑到气候因素的影响,按照春、夏、秋、冬4个季节来对负荷数据进行分类,对历史负荷数据进行处理,得到具有代表性的负荷特性曲线。以某市的历史数据为例进行仿真分析,结果表明,该算法可以将原始的大规模场景缩减合并后得到可以表述该市的几个更少的负荷特性曲线,具有代表性和准确性,更具实际应用价值。(本文来源于《电网与清洁能源》期刊2018年02期）
方芳,卜凡鹏,田世明,齐林海,李夏威[7]（2017）在《基于负荷特性聚类的样本自适应神经网络台区短期负荷预测》一文中研究指出介绍了批量处理时间序列数据情况下,基于台区负荷特性聚类的样本自适应反向传播神经(BP)神经网络预测短期电力负荷的方法,通过对历史数据的预处理、初始聚类中心的设置以及最优聚类数目的确定,建立典型日负荷曲线的聚类预测模型。基于历史数据的聚类结果及待预测日的温度、湿度、气压、风速、星期等相关参数,使用BP神经网络算法得出待预测日负荷曲线预测结果。通过实例验证,基于台区负荷特性聚类的样本自适应神经网络短期负荷预测能够得到较为准确的预测结果。(本文来源于《科技导报》期刊2017年24期）
曾楠,许元斌,罗义旺,刘青,刘燕秋[8]（2018）在《基于分布式聚类模型的电力负荷特性分析》一文中研究指出电力系统的负荷模型是决定电力系统可靠性的关键要素,传统的负荷特性数据聚类算法计算复杂、运行时间长。将K-means和Canopy聚类算法有机地结合,建立一种分布式聚类模型。在此基础上,对用户整点负荷数据进行归一化处理,利用负荷规范化区间值与24个整点时间的参数关系,得到聚类中心分布。以福建省历史日负荷数据为例,验证分布式聚类模型运行的快速性。结果表明:距离阈值T2与算法运行时间成反比;簇个数越多,运行时间越长;大工业行业聚类中心分布稳定,显着性不明显,农业生产行业聚类中心分布显着性明显,为预测用户负荷特征及用电特性提供思路借鉴。(本文来源于《现代电力》期刊2018年01期）
周国鹏,孙志杰,傅军,方茂益,于爽[9]（2016）在《基于模糊C均值聚类算法的电力行业负荷特性分析》一文中研究指出采用模糊C均值(FCM)聚类方法,对电力行业负荷特性进行分析。首先研究了FCM聚类算法,然后根据用户日负荷曲线走势,使用FCM算法分析同行业内不同用户的日负荷曲线特征。通过对实际用户负荷数据的计算分析,表明该方法可以有效区分不同用户的负荷特征,将负荷曲线走势相近的用户归为一类,实现电力行业内大量用户的类型识别。(本文来源于《电气应用》期刊2016年16期）
朱天博,傅军,杨一帆,孙志杰,周辛南[10]（2016）在《基于用电信息采集系统用户负荷特性聚类分析》一文中研究指出基于用电信息采集系统的用户负荷数据聚类分析,是获得典型负荷曲线和按负荷特性完成用户分类的重要手段。K均值聚类算法(K-means)是目前应用较多的电力负荷分类算法,但K-means算法最大问题在于无法自动获取最优聚类数目。对此,文章提出了一种基于聚类结果评价指标及分类复杂程度确定聚类数目的方法,得到的聚类数目可作为K-means的初始输入。该方法可以有效降低K-means分类算法中人工参与程度,并能获得较优的聚类结果。文章末尾通过实际算例分析验证了所提分类方法的正确性。(本文来源于《电测与仪表》期刊2016年S1期）
负荷特性聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
采暖建筑进行热计量改造后,用户可以根据热需求进行室内温度控制和调节,由于用户设定室内温度不同,从而形成不同的热负荷特性。根据热计量用户用热负荷作为分析依据,通过采集热用户室内温度、设定温度、耗热量、开启及断开时间等数据,采用K-means算法对数据进行聚类,以此获取热计量用户负荷特性。利用聚类结果及居住位置对热用户的行为节能进行分析,得出不同居住位置用户室温、设定温度以及热负荷规律,为用户按需用热、热力公司按需供热提供参考,为合理地开展采暖建筑节能起到促进作用。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
负荷特性聚类论文参考文献
[1].袁鸣峰,刘陶,山宪武,徐一晨.基于行业聚类的负荷特性分析及预测[J].电气自动化.2019
[2].马文辉,王智金.基于K-means聚类的热计量用户负荷特性及行为节能分析[J].建筑节能.2019
[3].李春燕,蔡文悦,赵溶生,余长青,张谦.基于优化SAX和带权负荷特性指标的AP聚类用户用电行为分析[J].电工技术学报.2019
[4].白勇.基于电力用户负荷特性曲线的聚类分析模型设计[J].重庆理工大学学报(自然科学).2018
[5].孙可,陈轶玮,陈翔,朱涛,丁爱芬.基于双层自适应密度聚类算法的分行业日负荷特性[J].农村电气化.2018
[6].李朝晖,尹晓博,杨海晶,马瑞,石光.基于改进的k-means聚类算法的季节性负荷特性分析[J].电网与清洁能源.2018
[7].方芳,卜凡鹏,田世明,齐林海,李夏威.基于负荷特性聚类的样本自适应神经网络台区短期负荷预测[J].科技导报.2017
[8].曾楠,许元斌,罗义旺,刘青,刘燕秋.基于分布式聚类模型的电力负荷特性分析[J].现代电力.2018
[9].周国鹏,孙志杰,傅军,方茂益,于爽.基于模糊C均值聚类算法的电力行业负荷特性分析[J].电气应用.2016
[10].朱天博,傅军,杨一帆,孙志杰,周辛南.基于用电信息采集系统用户负荷特性聚类分析[J].电测与仪表.2016
论文知识图
