共享单车是一种便宜、绿色环保的短途出行工具,已经成为缓解城市交通压力的重要方式.对于无桩共享单车,用户无需将自行车归还至停车桩,但这种类型的共享单车在高峰时间可能会过于拥挤.本文提出了一种共享单车停车拥挤区域识别的方法.具...共享单车是一种便宜、绿色环保的短途出行工具,已经成为缓解城市交通压力的重要方式.对于无桩共享单车,用户无需将自行车归还至停车桩,但这种类型的共享单车在高峰时间可能会过于拥挤.本文提出了一种共享单车停车拥挤区域识别的方法.具体来说,以某市某品牌共享单车为例,首先对共享单车数据进行预处理,然后使用GeoHash算法处理经纬度坐标信息并计算判断共享单车开关锁订单属于哪个停车围栏,采用HDBSCAN(hierarchical density-based spatial clustering of application with noise)聚类算法将停车围栏聚类为停车区域,在此基础上提出了基于“留存流量与留存密度的综合指标”的方法识别停车拥挤区域.通过分析,识别出的停车拥挤区域符合实际情况.所提出的停车拥挤区域识别方法能够为“削峰填谷”引导调度提供有效的数据支持,给共享单车企业提供一定的参考.展开更多
为解决近年来用户行业变化特性加剧导致的难以准确辨识用户档案信息变动的问题,文中提出一种基于数据驱动的负荷特征异常辨识方法。首先,提出一种两阶段行业典型负荷形态构建方法,利用基于层次密度的含噪声应用空间聚类(hierarchical de...为解决近年来用户行业变化特性加剧导致的难以准确辨识用户档案信息变动的问题,文中提出一种基于数据驱动的负荷特征异常辨识方法。首先,提出一种两阶段行业典型负荷形态构建方法,利用基于层次密度的含噪声应用空间聚类(hierarchical density-based spatial clustering of applications with noise,HDBSCAN)提取用户在不同场景下的典型日负荷曲线,并利用改进的K-means算法对提取出的典型日负荷曲线进行聚类分析,构建行业的典型负荷形态;其次,提出一种多维场景负荷特征异常智能研判方法,通过构造用户的负荷特征,使用熵权法评估行业典型场景的相对重要性,并采用单分类支持向量机(one-class support vector machine,OCSVM)算法量化每个场景下的用户负荷特征的异常程度,通过加权计算得到用户的综合嫌疑得分并排序,从而实现对负荷特征异常用户的准确辨识。最后,采用某地区实际用户数据进行算例验证。仿真结果表明,所提方法在行业典型负荷场景构建及负荷特征异常辨识方面表现出良好的可行性与实用价值。展开更多
为了自动辨识出优质电力大客户并快速感知其负荷行为变化模式,文章通过HDBSCAN算法(hierarchical density-based spatial clustering of applications with noise),对大工业客户1个月内分钟级的负荷行为数据进行自动分类。依据聚类结果...为了自动辨识出优质电力大客户并快速感知其负荷行为变化模式,文章通过HDBSCAN算法(hierarchical density-based spatial clustering of applications with noise),对大工业客户1个月内分钟级的负荷行为数据进行自动分类。依据聚类结果筛选出潜在优质的用电客户,对其负荷行为模式进行动态跟踪分析(这里所说的"动态"是指相邻时间段内不同负荷状态的转换模式,综合考虑状态特征和时域特征的变化),以找出用电行为异常、或存在负荷结构变化的客户,增强对电网系统的动态感知能力,降低潜在风险。该算法最大程度地避免了人为主观性经验的参与调整参数,采用这种无监督机器学习技术能极大程度地提高整体分析效率;属于自下而上的数据驱动感知用户侧精细行为模式,将能大面积快速感知到诸多潜在风险模式和异常行为模式。展开更多
电能表的检定误差是评价电能表质量的重要指标之一。当前,行业内主要以基本误差限作为合格与不合格的评价指标,缺乏对合格指标的进一步细分。此外,人工处理的工作量巨大。针对这些问题,提出了一种基于两阶段聚类的电能表质量评价模型。...电能表的检定误差是评价电能表质量的重要指标之一。当前,行业内主要以基本误差限作为合格与不合格的评价指标,缺乏对合格指标的进一步细分。此外,人工处理的工作量巨大。针对这些问题,提出了一种基于两阶段聚类的电能表质量评价模型。首先分析了各种聚类方法的适用范围与A、B、C三个厂家单相电能表的检定数据,选择K-means算法与HDBSCAN(Hierarchical Density-Based Spatial Clustering of Applications with Noise)作为分析方法。随后,在第一阶段聚类采用HDBSCAN确定K-means算法的K值和初始聚类中心,以解决初始聚类中心随机化的问题。在第二阶段聚类采用K-means算法对所有三个厂家的检定数据进行聚类,得出各聚类类别的统计量描述以确定类别的优劣性,并对结果进行验证。最后,计算得出各厂家和各型号的检定数据在不同类别的占比,给出评价模型的一般推广。所提方法可为电网公司单相电能表厂家与型号的选择提供参考。展开更多
文摘共享单车是一种便宜、绿色环保的短途出行工具,已经成为缓解城市交通压力的重要方式.对于无桩共享单车,用户无需将自行车归还至停车桩,但这种类型的共享单车在高峰时间可能会过于拥挤.本文提出了一种共享单车停车拥挤区域识别的方法.具体来说,以某市某品牌共享单车为例,首先对共享单车数据进行预处理,然后使用GeoHash算法处理经纬度坐标信息并计算判断共享单车开关锁订单属于哪个停车围栏,采用HDBSCAN(hierarchical density-based spatial clustering of application with noise)聚类算法将停车围栏聚类为停车区域,在此基础上提出了基于“留存流量与留存密度的综合指标”的方法识别停车拥挤区域.通过分析,识别出的停车拥挤区域符合实际情况.所提出的停车拥挤区域识别方法能够为“削峰填谷”引导调度提供有效的数据支持,给共享单车企业提供一定的参考.
文摘为解决近年来用户行业变化特性加剧导致的难以准确辨识用户档案信息变动的问题,文中提出一种基于数据驱动的负荷特征异常辨识方法。首先,提出一种两阶段行业典型负荷形态构建方法,利用基于层次密度的含噪声应用空间聚类(hierarchical density-based spatial clustering of applications with noise,HDBSCAN)提取用户在不同场景下的典型日负荷曲线,并利用改进的K-means算法对提取出的典型日负荷曲线进行聚类分析,构建行业的典型负荷形态;其次,提出一种多维场景负荷特征异常智能研判方法,通过构造用户的负荷特征,使用熵权法评估行业典型场景的相对重要性,并采用单分类支持向量机(one-class support vector machine,OCSVM)算法量化每个场景下的用户负荷特征的异常程度,通过加权计算得到用户的综合嫌疑得分并排序,从而实现对负荷特征异常用户的准确辨识。最后,采用某地区实际用户数据进行算例验证。仿真结果表明,所提方法在行业典型负荷场景构建及负荷特征异常辨识方面表现出良好的可行性与实用价值。
文摘为了自动辨识出优质电力大客户并快速感知其负荷行为变化模式,文章通过HDBSCAN算法(hierarchical density-based spatial clustering of applications with noise),对大工业客户1个月内分钟级的负荷行为数据进行自动分类。依据聚类结果筛选出潜在优质的用电客户,对其负荷行为模式进行动态跟踪分析(这里所说的"动态"是指相邻时间段内不同负荷状态的转换模式,综合考虑状态特征和时域特征的变化),以找出用电行为异常、或存在负荷结构变化的客户,增强对电网系统的动态感知能力,降低潜在风险。该算法最大程度地避免了人为主观性经验的参与调整参数,采用这种无监督机器学习技术能极大程度地提高整体分析效率;属于自下而上的数据驱动感知用户侧精细行为模式,将能大面积快速感知到诸多潜在风险模式和异常行为模式。
文摘电能表的检定误差是评价电能表质量的重要指标之一。当前,行业内主要以基本误差限作为合格与不合格的评价指标,缺乏对合格指标的进一步细分。此外,人工处理的工作量巨大。针对这些问题,提出了一种基于两阶段聚类的电能表质量评价模型。首先分析了各种聚类方法的适用范围与A、B、C三个厂家单相电能表的检定数据,选择K-means算法与HDBSCAN(Hierarchical Density-Based Spatial Clustering of Applications with Noise)作为分析方法。随后,在第一阶段聚类采用HDBSCAN确定K-means算法的K值和初始聚类中心,以解决初始聚类中心随机化的问题。在第二阶段聚类采用K-means算法对所有三个厂家的检定数据进行聚类,得出各聚类类别的统计量描述以确定类别的优劣性,并对结果进行验证。最后,计算得出各厂家和各型号的检定数据在不同类别的占比,给出评价模型的一般推广。所提方法可为电网公司单相电能表厂家与型号的选择提供参考。
