相似邻里查找模型可以辅助电力需求侧响应、智能能耗分析和异常诊断。针对传统研究仅计及总用电负荷,而忽略电力用户分项负荷曲线的不足,提出基于非侵入式负荷监测(Non-intrusive load monitoring,NILM)数据的电力用户相似邻里查找模型...相似邻里查找模型可以辅助电力需求侧响应、智能能耗分析和异常诊断。针对传统研究仅计及总用电负荷,而忽略电力用户分项负荷曲线的不足,提出基于非侵入式负荷监测(Non-intrusive load monitoring,NILM)数据的电力用户相似邻里查找模型。首先,基于密度的带噪声数据应用的空间聚类方法(Density based spatial clustering of applications with noise,DBSCAN)消除异常数据,提取用户分项负荷的标准曲线;然后,基于余弦相似度函数描述分项负荷曲线分布形态的近似水平;最后,基于改进熵权法,对分项负荷曲线角度余弦值赋权,并计及加权相似度排序获得相似邻里。仿真分析结果表明,所提出的相似邻里查找模型可以充分挖掘用电特征,有效地实现相似邻里分类。展开更多
文摘相似邻里查找模型可以辅助电力需求侧响应、智能能耗分析和异常诊断。针对传统研究仅计及总用电负荷,而忽略电力用户分项负荷曲线的不足,提出基于非侵入式负荷监测(Non-intrusive load monitoring,NILM)数据的电力用户相似邻里查找模型。首先,基于密度的带噪声数据应用的空间聚类方法(Density based spatial clustering of applications with noise,DBSCAN)消除异常数据,提取用户分项负荷的标准曲线;然后,基于余弦相似度函数描述分项负荷曲线分布形态的近似水平;最后,基于改进熵权法,对分项负荷曲线角度余弦值赋权,并计及加权相似度排序获得相似邻里。仿真分析结果表明,所提出的相似邻里查找模型可以充分挖掘用电特征,有效地实现相似邻里分类。
