典型文献
基于深度聚类的居民用户电力负载模式识别
文献摘要：
电力用户负载模式的识别有利于引导用户参与需求侧管理,提高能源的利用效率.面对电力负荷数据日趋海量的情况,传统K-Means算法无法有效处理,且存在无法准确衡量高维电力数据距离、对噪声和异常数据敏感等问题,文章提出一种基于自编码器(auto-encoder,AE)与K-Means算法结合的方法.首先利用自编码器来提取出电力数据潜在的特征,然后利用K-Means算法对提取出的抽象特征进行聚类,最后利用自编码器与聚类的联合误差优化整个模型,使聚类效果更好.通过英国电力网络领导的低碳项目中伦敦家庭的电力数据集来验证方法效果,证明该方法能提供准确的聚类结果,有效分析出不同类型的负载模式.
文献关键词：
负载模式识别;自编码器;K-Means算法;数据集;深度聚类
中图分类号：
作者姓名：
吴青筱;王合宁;仇浩宇;结艺頔;董骏峰
作者机构：
合肥工业大学 管理学院,合肥 230009
文献出处：
引用格式：
[1]吴青筱;王合宁;仇浩宇;结艺頔;董骏峰-.基于深度聚类的居民用户电力负载模式识别)[J].科技创新与应用,2022(24):29-33,37
A类：
负载模式识别
B类：
深度聚类,居民用户,电力用户,用户参与,需求侧管理,电力负荷,负荷数据,Means,高维,电力数据,异常数据,自编码器,auto,encoder,AE,误差优化,英国电力,电力网络,伦敦,验证方法,有效分析
AB值：
0.285634
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
