负荷聚类，通过对负荷数据进行处理，提取典型用电方式，然后对典型用电方式进行聚类

为改善传统聚类算法在电力时序数据上的聚类效果，提出一种基于优化特征向量选取的遗传谱聚类算法。针对应用数据结构特点，合理优化谱聚类算法中特征向量的提取过程，避免传统方法可能造成的数据信息缺失问题；采用遗传聚类优化算法对优选后的特征向量进行聚类划分，并将最终划分结果映射回原始数据。以UCI标准合成时间序列数据与美国区域电网运营商PJM提供的日负荷数据为例，对比分析现有常用聚类算法与所提算法测试结果的聚类有效性指标与形态特征。研究结果表明，所提算法分类效果显著，有较高的聚类质量和算法稳健性，具有工程应用前景。

为了研究智能电网背景下用户的用电模式，考虑到现有聚类算法的不足，提出了一种基于离散小波变换的模糊K-modes聚类算法。利用离散小波变换将时域的负荷曲线转换到频域，从而将负荷曲线的不同特征隔离在不同的频域水平，并利用低阶近似的思想选取原始曲线的有效分量曲线；对所选的分量曲线进行趋势编码，将连续负荷数据转化为离散类属性数据；基于平均密度确定初始聚类条件，利用模糊K-modes聚类算法对曲线进行形态聚类，得到负荷曲线模板；将所提算法与传统K-means算法及层次聚类算法进行比较，从而验证了所提算法的有效性。

行业-电子政务-一种用于电解铝行业的节能打壳气缸.zip

基于人工智能和智能电表数据的多规模负荷聚类合体精细化预测

该数据为美国各州一年的电力负荷数据，时间分辨率1h，包括住宅区和商业区，数据完整性较好，无缺失数据，python读取方法可尝试解压缩后，os.listdir函数，以及pd.read_csv

该项目使用不同的聚类算法和距离度量实现智能电表数据集的时间序列聚类原型，以更好地了解智能电表在不同集群之间的分布。

采用智能电表数据实现负荷聚类的详细(实用)教程，可直接运行