智能电表家用负荷识别技术综述

被引：10

作者：

李坦

杨洪耕

高云

机构：

[1] 四川大学电气信息学院

来源：

供用电 | 2011年 / 28卷 / 06期

关键词：

负荷识别技术; 智能电表; 聚类分析法; 人工神经网络算法;

D O I：

暂无

中图分类号：

TM714 [负荷分析];

学科分类号：

080802 ;

摘要：

智能电表是智能电网发展的基础,负荷识别是智能电表的重要功能之一。简单介绍了在家用负荷识别中的负荷特征,阐述了目前比较常用的几种非侵入式负荷识别方法,分析了各种负荷识别方法的优缺点,讨论了负荷识别技术研究的意义以及在实际应用中面临的问题。

引用

页码：39 / 42

页数：4

共 12 条

[1] 基于图的K-均值聚类法中初始聚类中心选择 [J].

周海岩 ;

白晓林 .

计算机测量与控制, 2010, (09) :2167-2169

[2] 对k-means聚类算法的改进研究 [J].

李卫平 .

中国西部科技, 2010, 9 (24) :49-50

[3] 基于自适应模糊C均值算法的电力负荷分类研究 [J].

杨浩 ;

张磊 ;

何潜 ;

牛强 .

电力系统保护与控制, 2010, 38 (16) :111-115+122

[4] K-means算法最佳聚类数确定方法 [J].

周世兵 ;

徐振源 ;

唐旭清 .

计算机应用, 2010, 30 (08) :1995-1998

[5] 基于模型激励响应的负荷分类及泛化能力 [J].

郑晓雨 ;

马进 ;

贺仁睦 ;

唐永红 .

电工技术学报, 2009, 24 (02) :132-138

[6] 基于谱聚类的电力负荷分类 [J].

李天云 ;

李想 ;

刘辉军 ;

王洪涛 .

吉林电力, 2008, (05) :4-6

[7] 自适应的模糊C均值聚类算法 [J].

王威娜 ;

陈巨龙 ;

温宇鹏 .

吉林化工学院学报, 2008, (02) :80-82

[8] 模糊聚类分析在分区负荷预测中的应用 [J].

陈昊 ;

吴杰 ;

高山 .

电力需求侧管理, 2006, (03) :12-14+18

[9] BP人工神经网络自适应学习算法的建立及其应用 [J].

李晓峰 ;

徐玖平 ;

王荫清 ;

贺昌政 .

系统工程理论与实践, 2004, (05) :1-8

[10] 人工神经网络算法研究及应用 [J].

杨源杰 ;

黄道 .

华东理工大学学报, 2002, (05) :551-554

← 1 2 →