基于改进聚类融合的办公型建筑用电行为分析

doi:10.3969/j.issn.1000-7229.2019.01.008

电力建设 ›› 2019, Vol. 40 ›› Issue (1): 60-67.doi: 10.3969/j.issn.1000-7229.2019.01.008

基于改进聚类融合的办公型建筑用电行为分析

蔡鹏飞1，杨秀1，李泰杰1，方陈2，张勇2

1.上海电力学院电气工程学院，上海市 200090；2.国网上海市电力公司电力科学研究院，上海市200437

出版日期:2019-01-01
作者简介:蔡鹏飞（1993），男，硕士研究生，主要研究方向为大数据与人工智能在用户侧配电网中的应用；杨秀（1972），男，博士，教授，研究方向为分布式发电与微电网的仿真、电力大数据、高压直流输电；李泰杰（1994），男，硕士研究生，研究方向为大数据与人工智能在楼宇负荷中的应用；方陈（1983），男，博士，研究方向为智能电网、分布式能源和微电网优化运行；张勇（1965），男，学士，研究方向为智能电网、分布式能源。
基金资助:
上海市科委地方能力建设计划基金资助项目（16020500900）；国家电网公司科技项目资助（52090016002M）

Electricity Consumption Behavior Analysis of a Large Office Building Based on Improved Cluster Ensemble Algorithm

CAI Pengfei1，YANG Xiu1，LI Taijie1，FANG Chen2，ZHANG Yong2

1.School of Electric Power Engineering，Shanghai University of Electric Power， Shanghai 200090，China；2.State Grid Shanghai Electric Power Research Institute， Shanghai 200437，China

Online:2019-01-01
Supported by:
his work is supported by the Shanghai Committee of Science and Technology （No. 16020500900） and State Grid Corporation of China Research Program （No. 52090016002M）.

摘要/Abstract

摘要： 以上海市长宁区的大型办公建筑为研究对象，利用数据分析方法分析其用电行为与节能潜力。针对传统用电行为分析，采用单一聚类算法拓展性较差的问题，文章提出通过优选方法进行聚类融合以吸收不同算法优点，增强算法适应能力。首先进行方法优选，针对聚类效果评价指标的不一致问题，提出综合聚类评价指标并对R语言库中大量的单一聚类方法进行评价，采用基于簇的相似度划分算法（CSPA）进行聚类融合。试验集的结果表明该聚类融合方法具有更好的有效性。利用该改进聚类融合算法对用户负荷曲线进行聚类，提取用户用电模式，分析其用电构成与特征，并进行节能策略的分析。结果表明，该办公类建筑具有4类基本用电模式，且有一定节能潜力。

关键词: 办公大型建筑, 聚类融合, 综合聚类评价指标, 用电模式, 节能

Abstract: In this paper， a large office building in Changning District（Shanghai） is studied to analyze its electricity consumption behavior and energy-saving potential using data analysis methods. A cluster ensemble model using optimizing clustering algorithms is proposed to solve the problem of poor scalability of single clustering algorithms， which are used frequently in this field. Firstly， during the period of selecting algorithms， a comprehensive clustering evaluation index is proposed for the problem of the inconsistency of indicators. Then different clustering algorithms in R library are evaluated， and results are fused by cluster-based similarity partitioning algorithm （CSPA）. The results show that the cluster ensemble model is more effective. Users consumption patterns are extracted by this improved cluster ensemble algorithm. Then constitution and characteristics of different patterns and energy conservation strategies are analyzed. The results show that there are 4 different consumption patterns and certain energy saving potential of this large-scale office building.

Key words: large office building, cluster ensemble, comprehensive clustering evaluation index, consumption pattern, energy conservation

中图分类号:

TM 714

蔡鹏飞，杨秀，李泰杰，方陈，张勇. 基于改进聚类融合的办公型建筑用电行为分析[J]. 电力建设, 2019, 40(1): 60-67.

CAI Pengfei，YANG Xiu，LI Taijie，FANG Chen，ZHANG Yong. Electricity Consumption Behavior Analysis of a Large Office Building Based on Improved Cluster Ensemble Algorithm[J]. Electric Power Construction, 2019, 40(1): 60-67.

参考文献

［1］王继业，季知祥，史梦洁，等.智能配用电大数据需求分析与应用研究［J］.中国电机工程学报，2015，35（8）：1829-1836.
WANG Jiye， JI Zhixiang，SHI Mengjie，et.al. Scenario analysis and application research on big data in smart power distribution and consumption systems［J］.Proceedings of the CSEE， 2015，35（8）：1829-1836.
［2］徐磊，杨秀，张美霞.基于数据挖掘的工业用户用电行为分析［J］.电测与仪表，2017，54（16）：68-74.
XU Lei， YANG Xiu， ZHANG Meixia.Industrial users of electricity behavior analysis based on data mining［J］.Electrical Measurement & Instrumentation， 2017，54（16）：68-74.
［3］胡长华.基于大用户用电行为分析的错峰管理系统研究与设计［［J］.现代计算机：专业版， 2014 （14）： 42-47.
HU Changhua. Research and design of peak load shifting management system based on analysis of electrical behavior［J］. Modern Computer， 2014 （14）： 42-47.
［4］LI Kangping，WANG Fei， ZHEN Zhao， et.al， Analysis on residential electricity consumption behavior using improved k-means based on simulated annealing algorithm［C］// Power & Energy Conference at Illinois. IEEE， 2016.
［5］林锦波.聚类融合与深度学习在用电负荷模式识别的应用研究［D］.广州：华南理工大学，2014.
LIN Jinbo. Application of recognition model for power load in cluster ensemble and deep learning［D］.Guangzhou：South China University of Technology，2014.
［6］彭研枫. 基于聚类算法的大用户用电行为研究与应用［D］.北京：华北电力大学，2016.
PENG Yanfeng， Research and application of the behaviors of users demanding for large amounts of electricity based on the clustering algorithm［D］.Beijing：North China Electric Power University，2016.
［7］李智勇，吴晶莹，吴为麟，等.基于自组织映射神经网络的电力用户负荷曲线聚类［J］.电力系统自动化，2008， 32（15）： 66-70，78.
LI Zhiyong， WU Jingying，WU Weilin，et.al，Customers load profile clustering using the som neural network［J］. Automation of Electric Power Systems， 2008， 32（15）： 66-70，78.
［8］赵莉，候兴哲，胡君，等.基于改进k-means算法的海量智能用电数据分析［J］.电网技术，2014，38（10）：2715-2720.
ZHAO Li， HOU Xingzhe， HU Jun， et al， Improved k-means algorithm based analysis on massive data of intelligent power utilization［J］. Power System Technology， 2014，38（10）：2715-2720.
［9］HANSEN L K， SALAMON P. Neural network ensembles［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1990，12（10）：993-1001.
［10］侯娟，费耀平，胡小霞，等.基于先验信息和谱分析的聚类融合算法［J］.计算机应用研究，2010，27（6）：2103-2105.
HOU Juan， FEI Yaoping， HU Xiaoxia，et.al， Clustering ensemble algorithm based on priorknowledge and spectral analysis［J］. Application Research of Computers， 2010，27（6）：2103-2105.
［11］刘丽敏.选择性聚类融合算法研究［D］.长沙：中南大学，2013.
LIU Limin， Study on clustering ensemble selection algorithm［D］.Changsha：Central South University， 2013.
［12］杨燕，靳蕃，KAMEL Mohamed.聚类有效性评价综述［J］.计算机应用研究，2008（6）：1630-1632，1638.
YANG Yan， JIN Fan， KAMEL Mohamed， Survey of clustering validity evaluation［J］. Application Research of Computers， 2008（6）：1630-1632，1638.
［13］白亮，高锦.基于聚类准则融合的加权聚类集成算法［J］.山西大学学报（自然科学版），2018，41（2）：302-307.
BAI Liang， GAO Jin. A weighted cluster ensemble algorithm based on clustering criterion integration［J］. Journal of Shanxi University（Natural Science Edition）， 2018，41（2）：302-307.
［14］赵一明. 基于Metis图划分算法的图平衡划分方法［D］.西安：西安电子科技大学，2014.
ZHAO Yiming. A density balance aware partition methodology based on graph partitioning program metis［D］.Xian ：Xidian University，2014.
［15］IAMON N， BOONGOEN T， GARRETT S， et al. A link-based approach to the cluster ensemble problem［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2011， 33（12）：2396-2409.

[1]	柳萌, 吴育坚，伍人剑，范帅, 何光宇, 郏琨琪. 基于用电效用与电器参数特征化的用户侧节能自趋优方法及其应用[J]. 电力建设, 2017, 38(10): 69-.
[2]	孟明，卢玉舟，陈世超. 绿色数据中心直流供电系统的运行控制[J]. 电力建设, 2016, 37(10): 33-.
[3]	赵良，易海琼，吴耀武. 特高压交直流建设时序优化评估指标体系[J]. 电力建设, 2016, 37(1): 56-63.
[4]	许文秀，黄柯，张立斌，吕科. 考虑合同能源管理的配网低碳优化及经济效益[J]. 电力建设, 2015, 36(6): 134-138.
[5]	龚桃荣，李涛，刘瑞，王建，黄亮. 路灯充电桩建设方案研究[J]. 电力建设, 2015, 36(3): 38-42.
[6]	王东雷,张鹏. 1 200 MW等级超超临界机组可行性研究[J]. 电力建设, 2015, 36(2): 131-136.
[7]	贾宏杰，穆云飞，余晓丹. 对我国综合能源系统发展的思考[J]. 电力建设, 2015, 36(1): 16-25.
[8]	彭向阳，毛先胤，胡卫，王宇，王建国. 输电线路架空地线节能接地技术[J]. 电力建设, 2014, 35(8): 84-90.
[9]	周雅，李永平，黄国和. 深圳市可持续电力规划模型及节能减排分析[J]. 电力建设, 2014, 35(6): 75-80.
[10]	刘贞，朱开伟，蒲刚清. 基于LEAP模型的电力需求侧碳减排潜力分析[J]. 电力建设, 2014, 35(6): 153-159.
[11]	陈文理. MGGH技术在1 000 MW机组中应用的技术、经济性分析[J]. 电力建设, 2014, 35(5): 103-107.
[12]	王煜晗，范瑞祥，董泰青，姜飞，王文彬. 基于两层指标模型的配电网节能潜力分析[J]. 电力建设, 2014, 35(12): 94-99.
[13]	崔巍，萧锦华，杨海峰，杨万清. 基于节能减排的能源保障绿色风险分析[J]. 电力建设, 2014, 35(10): 100-105.
[14]	雷强，张家倩，王义芳，金淼，黄健. 几种边界条件对节能导线年费用的影响分析[J]. 电力建设, 2014, 35(10): 110-114.
[15]	徐金苗，李伟科，樊晓茹. 高频电源对电除尘器性能及能耗影响的试验研究[J]. 电力建设, 2013, 34(6): 73-77.

基于改进聚类融合的办公型建筑用电行为分析

Electricity Consumption Behavior Analysis of a Large Office Building Based on Improved Cluster Ensemble Algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价