从用户侧电流数据中发现用电事件,对挖掘用户用电行为模式,提高用户侧用电管理水平具有重要意义。为及时有效地检测出单个电器下电流数据中蕴含的用户用电事件,设计基于聚类用户用电事件辨识模型。该模型在用户用电电流数据高频在线监...从用户侧电流数据中发现用电事件,对挖掘用户用电行为模式,提高用户侧用电管理水平具有重要意义。为及时有效地检测出单个电器下电流数据中蕴含的用户用电事件,设计基于聚类用户用电事件辨识模型。该模型在用户用电电流数据高频在线监测基础上,构建固定宽度电流序列片段,将电流序列中用电事件辨识问题视为电流序列片段集的聚类划分问题,并使用轮廓系数和精度2个指标进行性能评估。实验结果表明,相较基于k均值聚类、层次式聚类以及SOM(Self-Organizing Map)聚类等实现的用户用电事件辨识模型,基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法用户用电事件辨识模型可以高效辨识出高频电流序列中的用户用电事件。展开更多
文摘从用户侧电流数据中发现用电事件,对挖掘用户用电行为模式,提高用户侧用电管理水平具有重要意义。为及时有效地检测出单个电器下电流数据中蕴含的用户用电事件,设计基于聚类用户用电事件辨识模型。该模型在用户用电电流数据高频在线监测基础上,构建固定宽度电流序列片段,将电流序列中用电事件辨识问题视为电流序列片段集的聚类划分问题,并使用轮廓系数和精度2个指标进行性能评估。实验结果表明,相较基于k均值聚类、层次式聚类以及SOM(Self-Organizing Map)聚类等实现的用户用电事件辨识模型,基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法用户用电事件辨识模型可以高效辨识出高频电流序列中的用户用电事件。
