基于改进快速密度峰值聚类算法的电力大数据异常值检测

异常值检测是数据挖掘的一个重要分支。在电力行业,异常值检测可用于电网故障检测、设备故障检测、用电异常检测等领域。文章根据电力大数据的特点,研究适用于电力大数据的异常值检测算法。针对快速密度峰值聚类算法用于异常值检测时未考虑数据的局部特点以及局部密度依赖于截断距离选取的不足,利用KNN(K-Nearest Neighbors)思想重新定义局部密度和距离,提出了基于KNN的快速密度峰值异常值检测算法,从而实现更加准确的异常值检测,并基于某省配电变压器的日负荷数据异常检测仿真实验证明了该算法的有效性。

基于小波变换和改进快速密度峰值聚类算法的负荷曲线聚类研究

负荷曲线聚类分析是智能电网大数据研究的重要组成部分,是负荷预测、需求侧响应、电网规划、经济运行、费率制定、能效提升等研究与工作的基础。文章利用离散小波变换提取用户负荷数据多时间尺度特征,进而对负荷数据进行聚类分析。针对快速密度峰值聚类算法中局部密度依赖于截断距离和需要人为识别决策图中聚类中心的不足,利用K近邻(K-Nearest Neighbors,KNN)算法的思想重新定义局部密度和距离,并根据向外统计检验的方法实现聚类中心的自动选取。基于某省某行业用户实际负荷数据进行实验,结果将该行业负荷曲线分为正常生产型、双峰型、夜晚生产型、白天生产型、晚高峰型、早高峰型6类,表明了该算法的有效性。

用乙酸乙酯提取虎杖中的白藜芦醇

以白藜芦醇的含量为指标,通过单因素实验及正交实验确定了用乙酸乙酯提取虎杖中白藜芦醇的最佳工艺条件。结果表明,料液比1∶15,在75℃,提取2 h,从虎杖中提取的白藜芦醇质量分数可达2.33%(一阶导数光谱法),3.76%(紫外分光光度法)。

基于聚类的用户用电行为及其影响因素分析

随着我国产业结构的不断调整,用户的用电特性也不断变化,且用户的用电行为逐渐向个性化发展。首先利用离散小波变换对用户负荷进行特征提取;然后利用改进快速密度峰值聚类算法进行聚类,根据用户特征聚类结果的不同,将用户分为不同群组,分析负荷群的时间分布特征;采用互信息方法分析用电量数据与经济、气温、行业关键指标等的相关性,提取出关键影响因素;最后,基于某省某行业典型用户的仿真实例验证了本文所提方法的有效性。

基于HDBSCAN动态跟踪客户用电行为模式

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。