【技术实现步骤摘要】
基于MOBWO
‑
KM算法的高耗能工厂负荷特性分析方法
[0001]本专利技术涉及工厂负荷特性分析领域，具体涉及一种基于MOBWO
‑
KM算法的高耗能工厂负荷特性分析方法。
技术介绍
[0002]现阶段电力负荷特性研究是电力公司研究的重点，但不同行业的负荷特性都具有各自不同的变化规律和独有的特点，故对某一行业的负荷特性研究就显得尤为重要。现今对负荷特性的研究较多，但是针对于高耗能工厂的负荷特性研究相对欠缺。在智能电网快速发展的背景下，有必要对高耗能工厂负荷特性进行全面的分析，这对了解高耗能工厂的用电环境、用电行为习惯和用电特点具有重要的科学意义。对于高耗能工厂负荷特性的研究，不仅可以更好的进行高耗能工厂的负荷分解研究，还能更好地进行高耗能工厂的负荷预测和工厂用户行为分析。
[0003]想要更好的进行高耗能工厂负荷特性研究，需要用到高耗能工厂的典型日负荷曲线，故获取优良且精确的典型日负荷曲线就显得很重要。但单纯用原始的k
‑
means算法获取高耗能工厂的典型日负荷曲...
【技术保护点】
【技术特征摘要】
1.一种基于MOBWO
‑
KM算法的高耗能工厂负荷特性分析方法，包括如下步骤：步骤S1、采集高耗能工厂的负荷数据；步骤S2、对采集到的数据进行预处理和归一化处理；步骤S3、用预处理和归一化后的数据建立高耗能工厂的日负荷曲线,得到日负荷曲线数据集N；步骤S4、用k
‑
means算法对步骤S3的日负荷曲线数据集N进行聚类并用DBI指标以得到最优聚类数k；步骤S5、利用多目标白鲸优化算法MOBWO优化k
‑
means算法的k个初始聚类中心；步骤S6、使用上述的MOBWO
‑
KM算法聚类步骤S3的日负荷曲线数据集N，并对结果进行反归一化，最终可以得到高耗能工厂的典型日负荷曲线。2.如权利要求1所述的方法，其特征在于，步骤S1具体为每三十分钟对高耗能工厂的负荷数据采样。3.如权利要求1所述的方法，其特征在于，步骤S2具体为筛选出采集到的数据中缺少和异常的部分，并根据气候、时期、温度等进行相似日负荷数据替换。4.如权利要求1所述的方法，其特征在于，步骤S2中进行归一化处理具体为采用最大值最小值归一化方法进行归一化处理。5.如权利要求1所述的方法，其特征在于，步骤S4具体包括如下步骤：步骤S41、使用初始的k
‑
means算法对步骤S3的日负荷曲线进行聚类；步骤S42、使用DBI指标得到k
‑
means算法对于步骤S3的日负荷曲线的最优聚类数k。6.如权利要求1所述的方法，其特征在于,步骤S5具体步骤如下：步骤S51、确定多目标白鲸优化MOBWO的最大迭代次数T
max
和以步骤S3日负荷曲线数据集N确定的种群数量n等初始参数；步骤S52、初始化多目标白鲸优化MOB...
【专利技术属性】
技术研发人员：周孟然，孔伟乐，胡锋，吴长臻，朱梓伟，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。