.png){kind=icon}
返回
Clustering electricity consumption patterns using functional data analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.segan.2025.101742.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
研究商业部门的能源使用模式并识别其显著特征，对于实施更灵活有效的需求侧管理策略、降低能源成本和提高能源效率至关重要。对能源消耗模式进行合理聚类，能够帮助我们识别和区分主要消费群体及其能源负荷特征。本文利用约两千家商业客户三年的智能电表聚合数据，以寻找主要的负荷曲线聚类。采用功能数据分析（FDA）方法对月度聚合电力使用数据进行处理，以捕捉其动态和功能性特征。结果显示，总用电量（对应第一功能主成分FPC）主导了函数间的变异性，而其余大部分变异性可由三个额外的曲线形状特征解释，对应第二至第四FPC。为应对聚类变量（即FPC得分）在尺度上的显著差异和非均匀密度问题，采用了一种多层级嵌套聚类方法，该方法结合了高斯混合模型和聚类树。最终形成的聚类结果通过FPC得分进行概括，这些得分能够便捷地刻画其消费模式，展示了FDA的主要优势。
Keyword:
Energy usage pattern
Functional data analysis
Agglomerative K-means
Electricity consumption data
Multi-level clustering
期刊
IF:
5.6
论文数:
614
被引数:
5.1K
机构
引用论文
Clustering of eclipsing binary light curves through functional principal component analysis通过函数主成分分析对食双星光变曲线进行聚类
OAAI
OAAI分享收藏Modelling Electricity Consumption During the COVID19 Pandemic: Datasets, Models, Results and a Research Agenda.png)
ENERGY AND BUILDINGS
OAAI
ENERGY AND BUILDINGSIF7.1
OAAI分享收藏Constructing dynamic residential energy lifestyles using Latent Dirichlet AllocationAPPLIED ENERGYOAAI
APPLIED ENERGYIF11
OAAI分享收藏Deep Learning-Based Short-Term Load Forecasting Approach in Smart Grid With Clustering and Consumption Pattern Recognition基于聚类和消费模式识别的智能电网短期负荷预测方法IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容