采用自适应分段聚合近似的典型负荷曲线形态聚类算法
对海量负荷数据进行降维聚类处理是提取负荷关键信息, 深度挖掘其内在规律的前提.根据负荷曲线的形态特征, 文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法.首先, 根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势, 采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构, 进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理, 该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据, 并依据斯坦纳树优化方法进行聚类中心计算.利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性.
电力负荷、曲线聚类、k-shape算法、自适应分段聚合近似
43
国家自然科学基金资助项目51437003;国家重点研发计划资助项目2017YFE0112600 This work is supported by National Natural Science Foundation of China51437003;National Key R&D Program of China2017YFE0112600
2019-05-31(万方平台首次上网日期,不代表论文的发表时间)
共9页
110-118