考虑双尺度相似性的负荷曲线集成谱聚类算法

负荷聚类可以依据形态特性差异对负荷曲线进行归类,实现用户用能行为规律分析,为需求侧响应、电网客户服务等提供重要的决策信息。文中提出一种考虑双尺度相似性的负荷曲线集成谱聚类算法。首先,为了克服欧氏距离在负荷特性相似程度度量上的局限,基于负荷差分向量的余弦距离实现负荷形态变化的相似性度量,提出一种双尺度相似性度量方式;然后,基于双尺度相似性与谱聚类算法,建立差异化基聚类模型;最后,依据聚类评价指标自适应计算基聚类模型权重,以加权一致性矩阵与谱聚类实现聚类集成。算例结果证明,所提方法可有效挖掘负荷形态特性差异,在不同数据集中性能表现稳定,具有显著的聚类有效性和鲁棒性。     

基于自适应k-means++算法的电力负荷特性分析

运用数据挖掘中的聚类算法对电力负荷曲线进行聚类分析,提炼电力负荷曲线之间的共性特征与差异特征,在负荷模型实用化方面有重要应用价值,可以帮助分析用户用电规律,指导电网规划及实时调度。本文提出了一种自适应k-means++负荷特性聚类算法,综合不同聚类数时的聚类结果验证了数据集里各样本的相似性,通过迭代图切分的方法确定了最佳聚类数,避免了人为设定电力用户日负荷曲线聚类数不恰当导致的单一聚类结果的过大偏差,提高了负荷分类的精确性。算例结果验证了该算法的可行性和有效性,表明该算法求最佳聚类数的准确性高、鲁棒性好。