基于改进蚁群算法的电力负荷半监督聚类

发布时间：2021-08-17 11:05

　　计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。 

【文章来源】：电力建设. 2020,41(10)北大核心

【文章页数】：9 页

【部分图文】：

改进蚁群聚类算法计算步骤

由图2和图3可以看出，对于4种改进蚁群聚类算法，蚂蚁数量几乎对聚类结果没有影响;4种算法的SI指标随着聚类数量的增多而变大，DBI指标随着聚类数量的变化基本不变。图3 不同聚类数量和蚂蚁数量下改进蚁群聚类算法的DBI指标

不同聚类数量和蚂蚁数量下改进蚁群聚类算法的DBI指标

【参考文献】：
期刊论文
[1]基于卷积神经网络特征图聚类的人脸表情识别[J]. 刘全明,辛阳阳.  计算技术与自动化. 2020(01)
[2]基于混沌类电磁算法优化支持向量机的短期负荷预测[J]. 王茜,李皓然,王新娜,张媛媛.  计算技术与自动化. 2019(04)
[3]基于离散小波变换和模糊K-modes的负荷聚类算法[J]. 张江林,张亚超,洪居华,高红均,刘俊勇.  电力自动化设备. 2019(02)
[4]基于信息熵分段聚合近似和谱聚类的负荷分类方法[J]. 林顺富,田二伟,符杨,汤晓栋,李东东,王群京.  中国电机工程学报. 2017(08)
[5]一种新的半监督入侵检测方法[J]. 梁辰,李成海.  计算机科学. 2016(05)
[6]基于聚类分析的客户用电模式智能识别方法[J]. 彭显刚,赖家文,陈奕.  电力系统保护与控制. 2014(19)
[7]基于强类别特征近邻传播的半监督文本聚类[J]. 文翰,肖南峰.  模式识别与人工智能. 2014(07)
[8]计及需求响应的多维度用电特征精细挖掘[J]. 宗柳,李扬,王蓓蓓.  电力系统自动化. 2012(20)
[9]k-means聚类算法在负荷曲线分类中的应用[J]. 刘莉,王刚,翟登辉.  电力系统保护与控制. 2011(23)
[10]改进FCM算法及其在电力负荷坏数据处理的应用[J]. 蒋雯倩,李欣然,钱军.  电力系统及其自动化学报. 2011(05)

博士论文
[1]半监督聚类算法研究及植物叶片识别应用[D]. 李龙龙.西北农林科技大学 2017

硕士论文
[1]鲁棒半监督模糊聚类分割算法研究[D]. 李亚文.西安邮电大学 2018
[2]基于负荷量测数据的电力负荷聚类方法研究[D]. 程祥.浙江大学 2017
[3]基于约束的半监督聚类的图像分割算法研究[D]. 李巧兰.西安电子科技大学 2014



本文编号：3347645