基于网络社区检测的居民用电负荷曲线聚类
数据结构与算法
2018-11-27 v1 社会与信息网络
摘要
对家庭负荷曲线（LCs）进行分析在预测个体用电模式方面具有重要价值，从而有助于制定需求响应策略，最终实现能效提升与减排。LC聚类是一种广泛使用的分析技术，通过将相似的LC分组到同一子群来发现用电模式。然而，以往的聚类方法将数据集中的每条LC视为独立的时间序列，忽略了不同LC之间的内在关联，制约了聚类方法的性能。此外，由于LC具有显著的波动性与不确定性，以往的LC聚类方法不可避免地导致聚类数目过多或簇内方差过大，这在实际应用需求中是不可接受的。本文提出一种集成方法来解决该问题。首先，我们将LC聚类任务转化为网络中的社区检测任务。其次，我们提出一种结合社区检测的聚类方法以提升LC聚类性能，包括网络构建、社区检测和典型负荷轮廓提取。该方法将数据集转换为一个网络，其中LC之间的内在关联由网络的边表示。第三，我们构建多层典型负荷轮廓目录，以在簇内方差与聚类数目之间取得权衡，使研究者能依据实际应用需求在不同层面对LC及用户进行评估。实验表明我们的集成方法优于最先进（SOTA）的方法。
引用
@article{arxiv.1811.10356,
title = {Clustering Residential Electricity Load Curves via Community Detection in Network},
author = {Yunyou Huang and Jianfeng Zhan and Nana Wang and Chunjie Luo and Lei Wang and Rui Ren},
journal= {arXiv preprint arXiv:1811.10356},
year = {2018}
}