基于優(yōu)化K-means算法的電力負(fù)荷分類研究.pdf

1、科學(xué)、準(zhǔn)確的負(fù)荷分類對電力系統(tǒng)的規(guī)劃和經(jīng)濟(jì)運(yùn)行都具有重要意義。然而，隨著電力系統(tǒng)的發(fā)展，負(fù)荷數(shù)據(jù)日益復(fù)雜，且電力用戶類型多樣，目前的負(fù)荷分類方法已無法滿足電力系統(tǒng)的需求，亟待對負(fù)荷分類方法進(jìn)行研究，以期找到一種適宜當(dāng)前負(fù)荷分類需求的新方法，為電力系統(tǒng)分析、決策人員工作提供有益的備選方案。
　　K-means算法具有算法簡單、理論可靠、收斂速度快、能有效地處理大數(shù)據(jù)集等優(yōu)點(diǎn)，從而在科學(xué)和工程等領(lǐng)域中被廣泛使用;但尚具有對初始條件過于

2、依賴等問題，傳統(tǒng)算法中隨機(jī)選取初始中心點(diǎn)和預(yù)先確定聚類個(gè)數(shù)的方法會影響聚類效果。本文在對K-means算法深入研究的基礎(chǔ)上，結(jié)合電力負(fù)荷數(shù)據(jù)海量、多維等特點(diǎn)，選擇GSA肘形判據(jù)、距離代價(jià)函數(shù)、直方圖等算法優(yōu)化確定最優(yōu)聚類個(gè)數(shù)，選擇密度參數(shù)算法優(yōu)化選擇合理的初始聚類中心點(diǎn)。同時(shí)結(jié)合上述研究成果，對各優(yōu)化算法進(jìn)行對比分析，選擇出最適合電力負(fù)荷分類的優(yōu)化算法組合，即利用基于GSA肘形判據(jù)、密度參數(shù)算法優(yōu)化K-means算法。
　　以某一