基于分位数自协方差的智能电表电力负荷层次聚类
应用统计
2021-10-07 v1 机器学习
其他统计学
摘要
为提高电力系统的效率与可持续性，全球多数国家正在居民部门部署高级计量基础设施，尤其是家庭智能电表。该技术能够以极高频率记录电力负荷时间序列，这些信息可用于开发新的聚类模型，将具有相似消费模式的家庭分组。为此，本文提出三种层次聚类方法，能够捕捉时间序列的不同特征。这些方法基于在一组特征上计算的“相异度”度量：分位数自协方差，以及简单与偏自相关。其主要优势在于将每条时间序列概括为少数代表性特征，从而计算高效、对离群值稳健、易于自动化，并可扩展至数十万条智能电表序列。我们在包含数千条半小时时间序列的真实智能电表数据集上评估了各聚类模型的性能。结果表明，所得聚类能识别家庭的相关消费行为，并捕捉其部分地理人口统计分层。此外，我们采用有监督分类程序来探究哪些特征对定义各聚类更为关键。
引用
@article{arxiv.1911.03336,
title = {Hierarchical Clustering for Smart Meter Electricity Loads based on Quantile Autocovariances},
author = {Andrés M. Alonso and F. Javier Nogales and Carlos Ruiz},
journal= {arXiv preprint arXiv:1911.03336},
year = {2021}
}