基于优化K-means算法的电力负荷分类研究

发布时间：2017-09-18 10:47

  本文关键词：基于优化K-means算法的电力负荷分类研究

  更多相关文章： 负荷分类 K-means算法 初始中心点 最优聚类个数 GSA肘形判据

【摘要】：科学、准确的负荷分类对电力系统的规划和经济运行都具有重要意义。然而,随着电力系统的发展,负荷数据日益复杂,且电力用户类型多样,目前的负荷分类方法已无法满足电力系统的需求,亟待对负荷分类方法进行研究,以期找到一种适宜当前负荷分类需求的新方法,为电力系统分析、决策人员工作提供有益的备选方案。K-means算法具有算法简单、理论可靠、收敛速度快、能有效地处理大数据集等优点,从而在科学和工程等领域中被广泛使用；但尚具有对初始条件过于依赖等问题,传统算法中随机选取初始中心点和预先确定聚类个数的方法会影响聚类效果。本文在对K-means算法深入研究的基础上,结合电力负荷数据海量、多维等特点,选择GSA肘形判据、距离代价函数、直方图等算法优化确定最优聚类个数,选择密度参数算法优化选择合理的初始聚类中心点。同时结合上述研究成果,对各优化算法进行对比分析,选择出最适合电力负荷分类的优化算法组合,即利用基于GSA肘形判据、密度参数算法优化K-means算法。以某一地区用户负荷的实际数据为例,通过仿真实验,验证了本文优化算法的有效性；结果表明,使用优化K-means算法对负荷分类,能够减少计算的迭代次数,提高分类的准确性,并且能够根据负荷的数据特征自动实现科学分类,显示了其优越性。
【关键词】：负荷分类 K-means算法 初始中心点 最优聚类个数 GSA肘形判据
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM714
【目录】：

• 摘要4-5
• Abstract5-8
• 1 绪论8-16
• 1.1 研究背景及意义8-9
• 1.2 电力用户负荷分类9-12
• 1.3 负荷分类方法的国内外研究现状12-14
• 1.4 本文研究的主要内容14-16
• 2 电力负荷特性分析16-25
• 2.1 电力负荷的组成16-17
• 2.2 电力负荷特性和特性指标17-20
• 2.2.1 负荷特性17
• 2.2.2 主要负荷特性指标17-20
• 2.3 典型行业负荷特性分析20-24
• 2.4 本章小结24-25
• 3 K-means算法及其优化研究25-45
• 3.1 K-means算法及存在的问题25-29
• 3.1.1 K-means算法原理25-27
• 3.1.2 K-means算法缺陷分析27-29
• 3.2 基于密度方法的优化初始中心点优化算法29-33
• 3.2.1 优化初始中心点的常见方法29-30
• 3.2.2 基于密度方法的优化初始中心点优化算法30-33
• 3.3 基于GSA的肘形判据的最优聚类个数确定方法33-40
• 3.3.1 常见的最优聚类个数确定的方法33-35
• 3.3.2 基于距离代价函数的K值优化算法35-36
• 3.3.3 基于GSA的肘形判据的算法优化36-40
• 3.4 基于直方图的优化算法40-43
• 3.4.1 基于直方图峰值优化算法简介40-41
• 3.4.2 实验仿真分析41-43
• 3.5 算法分析43-44
• 3.6 本章小结44-45
• 4 算例仿真45-52
• 4.1 K-means算法在负荷分类中的缺陷45-47
• 4.2 基于优化K-means算法的负荷分类仿真47-49
• 4.2.1 基于GSA肘形判据优化算法的负荷分类47-48
• 4.2.2 基于密度优化初始中心点算法的负荷分类48-49
• 4.3 负荷分类结果分析49-51
• 4.4 本章小结51-52
• 结论52-53
• 参考文献53-56
• 附录A56-57
• 附录B57-59
• 致谢59-60

【参考文献】

中国期刊全文数据库 前3条

1 陶莉,肖晶,周魏,卢毅,高山,李扬;负荷特性分析方法的研究[J];电力需求侧管理;2003年04期

2 曾博;张建华;丁蓝;董军;;改进自适应模糊C均值算法在负荷特性分类的应用[J];电力系统自动化;2011年12期

3 张红斌,贺仁睦,刘应梅;基于KOHONEN神经网络的电力系统负荷动特性聚类与综合[J];中国电机工程学报;2003年05期

中国硕士学位论文全文数据库 前1条

1 冯超;K-means聚类算法的研究[D];大连理工大学;2007年

，

本文编号：875047