Advertisement

The Choice of Metric for Clustering of Electrical Power Distribution Consumers

  • Nikola ObrenovićEmail author
  • Goran Vidaković
  • Ivan Luković
Conference paper

Zusammenfassung

Ein bedeutender Teil jedes Systemdatenmodells zur Energieverteilungsverwaltung ist ein Modell der Belastungsart. Eine Belastungsart stellt ein typisches Belastungsverhalten einer Gruppe gleicher Kunden dar, z. B. einer Gruppe von Haushalts-, Industrie- oder gewerblichen Kunden. Eine verbreitete Methode der Erstellung von Belastungsarten ist die Bündelung individueller Energieverbraucher auf der Basis ihres jährlichen Stromverbrauchs. Um ein zufriedenstellendes Maß an Belastungsartqualität zu erreichen, ist die Wahl des geeigneten Ähnlichkeitsmaßes zur Bündelung entscheidend. In dieser Abhandlung zeigen wir einen Vergleich verschiedener Metriken auf, die als Ähnlichkeitsmaß in unserem Prozess der Belastungsarterstellung eingesetzt werden. Zusätzlich zeigen wir eine neue Metrik, die auch im Vergleich enthalten ist. Die Metriken und die Qualität der damit erstellten Belastungsarten werden unter Verwendung von Realdatensätzen untersucht, die über intelligente Stromzähler des Verteilungsnetzes erhoben wurden.

Schlüsselwörter

Power load type creation distribution consumers clustering time series clustering metric selection high-dimensional data 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1] A. Mutanen, M. Ruska, S. Repo, and P. Järventausta, “Consumer Classification and Load Profiling Method for Distribution Systems,” IEEE Transactions on Power Delivery, vol. 26, pp. 1755-1763, July 2011.Google Scholar
  2. [2] G. Chicco, “Clustering Methods for Electrical Load Pattern Classification,” Scientific Bulletin of the Electrical Engineering Faculty, Year 2010, No. 3 (14), ISSN 1843-6188, pp. 5-13.Google Scholar
  3. [3] G. Chicco, R. Napoli, and F. Piglione, “Comparisons among clustering techniques for electricity customer classification,” IEEE Transactions on Power Systems, vol. 21, pp. 933-940, May 2006.Google Scholar
  4. [4] P. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining. Addison-Wesley Longman Publishing Co., Inc. Boston, MA, 2005.Google Scholar
  5. [5] F. Iglesias and W. Kastner, “Analysis of Similarity Measures in Times Series Clustering for the Discovery of Building Energy Patterns”, Energies vol.6, pp. 579-597, January 2013.Google Scholar
  6. [6] P. Bourke, “Cross Correlation,” August 1996, http://paulbourke.net/miscellaneous/correlate, accessed August 2016.
  7. [7] J. Black, N. Hashimzade, and G. Myles, A Dictionary of Economics (3 ed.). Oxford University Press, 2009.Google Scholar
  8. [8] F. Kovács, C. Legány and A. Babos, “Cluster Validity Measurement Techniques,” Proceedings of the 5th WSEAS International Conference on Artificial Intelligence, Knowledge Engineering and Data Bases (AIKED’06, )pp. 388-393, World Scientific and Engineering Academy and Society (WSEAS), Stevens Point, Wisconsin, USA, 2006.Google Scholar
  9. [9] D. L. Davies and D. W. Bouldin, “A Cluster Separation Measure,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 1, pp. 224-227, April 1979.Google Scholar
  10. [10] M. Halkidi and M. Vazirgiannis, and Y. Batistakis, “Quality Scheme Assessment in the Clustering Process,” Proc. of the 4th European Conference on Principles of Data Mining and Knowledge Discovery (PKDD ©00,) pp. 265-276, Springer-Verlag, London, UK, 2000.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH 2017

Authors and Affiliations

  • Nikola Obrenović
    • 1
    Email author
  • Goran Vidaković
    • 1
  • Ivan Luković
    • 2
  1. 1.Schneider Electric DMS NSNovi SadSerbien
  2. 2.Faculty of Technical SciencesUniversity of Novi SadNovi SadSerbia

Personalised recommendations