文献类型：期刊文章

作　　者：梁京章[1] 黄星舒[1] 吴丽娟[2] 熊小萍[1]

LIANG Jingzhang;HUANG Xingshu;WU Lijuan;XIONG Xiaoping(School of Electrical Engineering, Guangxi University, Nanning 530004, Guangxi, China;Information and Network Center, Guangxi University, Nanning 530004, Guangxi, China)

机构地区：[1]广西大学电气工程学院,广西南宁530004 [2]广西大学信息网络中心,广西南宁530004

出　　处：《华南理工大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(51867004);赛尔网络下一代互联网技术创新项目(NGII20171101)。

年　　份：2020

卷　　号：48

期　　号：6

起止页码：143-150

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提高电力负荷曲线聚类精度,文中提出了一种基于核主成分分析(KPCA)和改进K-means算法的电力负荷曲线聚类方法。该方法首先在划分聚类算法K-means基础上融入密度聚类思想,提出了融合密度思想的K-means算法(DK-means算法),并在电力负荷曲线实验集上对比分析其聚类效果;接着在实验集上比较各种降维算法的降维聚类精度和降维速度;最后分析KPCA+DK-means组合算法的降维聚类能力。结果表明,戴维森堡丁指数(DBI)更适合作为电力负荷曲线聚类评价指标;以DBI为评价指标,与K-means、BIRCH、DBSCAN和EnsClust 4种聚类算法相比,DK-means的聚类精度更高;与LLE、MDS、ISOMAP 3种非线性降维算法相比,KPCA的降维速度更快;KPCA+DK-means组合算法有良好的降维聚类能力,较DK-means在聚类精度和聚类效率上均有提升。KPCA+DK-means组合算法可以实现电力负荷曲线的高效降维、精确聚类,对用电行为模式的准确提取起关键技术支持作用。

关 键 词：电力负荷曲线  DK-means算法  核主成分分析 降维 聚类

分 类 号：TP301.6]