随着分布式能源在台区中占比不断提升和台区智能化发展不断深入,提出一种面向高渗透率分布式能源台区的改进的K-means用户用电行为分析方法。首先基于误差平方和(sum of squares errors,SSE)构造的最优k值策略和由动态加权思想优化密度...随着分布式能源在台区中占比不断提升和台区智能化发展不断深入,提出一种面向高渗透率分布式能源台区的改进的K-means用户用电行为分析方法。首先基于误差平方和(sum of squares errors,SSE)构造的最优k值策略和由动态加权思想优化密度参数的计算提出一种改进的密度预聚类算法,选取聚类初始簇和初始中心;然后融合欧氏距离和余弦相似度等构造多特征距离相似度优化K-means聚类;最后使用含高渗透率分布式能源台区实测数据进行分析,结果表明本文所提算法模型较对比模型可以更准确的识别用户所在簇,提取典型用户行为模式,在给定聚类指标上得到较好的提升。展开更多
文摘随着分布式能源在台区中占比不断提升和台区智能化发展不断深入,提出一种面向高渗透率分布式能源台区的改进的K-means用户用电行为分析方法。首先基于误差平方和(sum of squares errors,SSE)构造的最优k值策略和由动态加权思想优化密度参数的计算提出一种改进的密度预聚类算法,选取聚类初始簇和初始中心;然后融合欧氏距离和余弦相似度等构造多特征距离相似度优化K-means聚类;最后使用含高渗透率分布式能源台区实测数据进行分析,结果表明本文所提算法模型较对比模型可以更准确的识别用户所在簇,提取典型用户行为模式,在给定聚类指标上得到较好的提升。
基金Supported by the National Natural Science Foundation of China under Grant Nos.60621062,60503064,60736044(国家自然科学基金)the National Basic Research Program of China under Grant No.2004CB318108(国家重点基础研究发展计划(973))the National High-Tech Research and Development Plan of China under Grant No.2006AA01Z141(国家高技术研究发展计划(863))
