دانلود ترجمه مقاله تکنیک های خوشه بندی برای بخش بندی الگوی بار الکتریکی

1. مقدمه 2. پیشینه 3. الگوریتم های خوشه بندی 4. بحث و بررسی در زمینه الگوریتم ها 5. کاربرد الگوریتم های خوشه بندی در منحنی های بار مشتریان 6. مراحل مقدماتی قبل از خوشه بندی 7. کاربردها و رویه های آتی 8. نتیجه گیری

چکیده – از دهه قبل، کنتورهای (دستگاه‌های اندازه گیری) هوشمند به صورت گسترده در شبکه‌های قدرت مورد استفاده قرار گرفته‌اند. این روند منجر به ایجاد حجم عظیمی از داده‌های گردآوری شده از مشتریان شبکه برق شده است. به منظور کسب منافع برای ذی نفعان مختلف در شبکه قدرت، تکنیک‌های مناسب داده کاوی از جمله خوشه بندی، برای استخراج الگوهای حاکم بر مصرف انرژی بکار می‌روند. در این مقاله، یک مطالعه مقایسه‌ای از تکنیک‌های مختلف خوشه بندی الگوی بار انجام شده است. پارامترهای مختلف روش‌های تاثیرگذار بر نتایج خوشه بندی ارزیابی شده‌اند. الگوریتم‌های خوشه بندی برای دو مجموعه داده با یکدیگر مقایسه شده‌اند. علاوه بر این، دو تکنیک مناسب و متداول کاهش اندازه داده‌ها و روش‌های استخراج / تعریف ویژگی برای خوشه بندی الگوی بار مورد تجزیه و تحلیل قرار گرفته‌اند. ضمناً مطالعات فعلی راجع به خوشه بندی مشتریان برق مرور، و نتایج اصلی مورد برجسته سازی قرار گرفته‌اند. در نهایت، روندهای آتی و دستاوردهای اصلی الگوهای مصرف خوشه بندی برای اطلاع رسانی به فعالان صنعتی و محققان دانشگاهی بیان شده‌اند. آن‌ها منجر به بهینه سازی کارایی عملیاتی و بهره وری کنتورهای هوشمند می‌شوند. مقدمه: انتظار می‌رود ارتقای شبکه قدرت با استفاده از زیرساخت پیشرفته اندازه گیری (AMI)، تجهیزات اندازه گیری و تجهیزات هوشمند، منجر به بازسازی شبکه قدرت فعلی و تبدیل آن به یک سیستم مجازی- فیزیکی بشود. این سیستم نه تنها قادر به مدیریت جریان توان است، بلکه انتقال داده برای اندازه گیری و کنترل پیشرفته را هم ممکن می‌سازد.ستون فقرات این سیستم مجازی- فیزیکی شامل دستگاه‌های اندازه گیری هوشمند و سایر دستگاه‌های حسگر هستند. کنتورهای هوشمند از قابلیت‌های اندازه گیری، کنترل و ارتباطات پیچیده‌ای برخوردار هستند. در مقایسه با یک کنتور عادی، کنتور هوشمند شامل سخت افزار اندازه گیری کننده و محاسباتی، نرم افزار، و قابلیت‌های ارتباطی است که مصرف انرژی مصرف کننده را می‌سنجند. آن‌ها اطلاعات بیشتری را در اختیار شرکت توزیع/ تولید برق قرار می‌دهند [1-2]. در آینده، کنتورهای هوشمند در ارتباط دائمی با سیستم مدیریت داده توزیعی قرار می‌گیرند. آن‌ها اطلاعات را به صورت آنلاین فراهم می‌سازند و دستورات را دریافت می‌کنند [3].

Smart meters have been widely deployed in power networks since the last decade. This trend has resulted in an enormous volume of data being collected from the electricity customers. To gain benefits for various stakeholders in power systems, proper data mining techniques, such as clustering, need to be employed to extract the underlying patterns from energy consumptions. In this paper, a comparative study of different techniques for load pattern clustering is carried out. Different parameters of the methods that affect the clustering results are evaluated and the clustering algorithms are compared for two data sets. In addition, the two suitable and commonly used data size reduction techniques and feature definition/extraction methods for load pattern clustering are analysed. Furthermore, the existing studies on clustering of electricity customers are reviewed and the main results are highlighted. Finally, the future trends and major applications of clustering consumption patterns are outlined to inform industry practitioners and academic researchers to optimize smart meter operational use and effectiveness. Introduction: Enhancement of the power networks using advanced metering infrastructure (AMI), measuring equipment, and smart devices is expected to restructure the existing power grids into a cyber-physical system. Such a system is not only able to carry power flow but can also transmit data for advanced measurement and control applications. The backbone of this cyber-physical system are smart meters and other sensory devices. Smart meters are specified with the sophisticated measurement, control and communication capabilities that they possess. Compared to a conventional energy meter, a smart meter includes measurement and calculation hardware, software, and communication capabilities that measures the energy consumption of a consumer and provides added information to the utility company [1,2]. In the future, smart meters will be in constant communication with distribution (data) management system (DMS) for providing online information and receiving commands [3].