为了提高电力负荷监控的准确性,研究融合主成分含噪密度聚类(density-based spatial clustering of applications with noise with principal component analysis,PCADBSCAN)的混合非侵入式负荷辨识方法。首先,针对原始负荷特征维度较...为了提高电力负荷监控的准确性,研究融合主成分含噪密度聚类(density-based spatial clustering of applications with noise with principal component analysis,PCADBSCAN)的混合非侵入式负荷辨识方法。首先,针对原始负荷特征维度较高的问题,采用主成分分析算法对原始特征数据降维,构建负荷特征模板库,同时,获取负荷电流波形,构建负荷电流模板库。其次,采用基于密度的聚类算法对负荷特征模板库内的样本进行非监督聚类,提取各聚类簇中心。然后,计算待辨识负荷与各特征模板库聚类中心的欧式距离,完成负荷特征匹配,并计算待辨识负荷的电流波形与电流模板库内各电流波形的综合关联度,完成负荷电流波形匹配。最后,混合两次匹配结果,综合判断待辨识负荷,从而实现高可靠辨识。基于用电数据测试数据集的仿真结果显示,该方法各项指标均超过96%。展开更多
文摘为了提高电力负荷监控的准确性,研究融合主成分含噪密度聚类(density-based spatial clustering of applications with noise with principal component analysis,PCADBSCAN)的混合非侵入式负荷辨识方法。首先,针对原始负荷特征维度较高的问题,采用主成分分析算法对原始特征数据降维,构建负荷特征模板库,同时,获取负荷电流波形,构建负荷电流模板库。其次,采用基于密度的聚类算法对负荷特征模板库内的样本进行非监督聚类,提取各聚类簇中心。然后,计算待辨识负荷与各特征模板库聚类中心的欧式距离,完成负荷特征匹配,并计算待辨识负荷的电流波形与电流模板库内各电流波形的综合关联度,完成负荷电流波形匹配。最后,混合两次匹配结果,综合判断待辨识负荷,从而实现高可靠辨识。基于用电数据测试数据集的仿真结果显示,该方法各项指标均超过96%。
