發(fā)布時(shí)間：2017-09-18 10:47

  本文關(guān)鍵詞：基于優(yōu)化K-means算法的電力負(fù)荷分類研究

  更多相關(guān)文章： 負(fù)荷分類 K-means算法 初始中心點(diǎn) 最優(yōu)聚類個(gè)數(shù) GSA肘形判據(jù)

【摘要】：科學(xué)、準(zhǔn)確的負(fù)荷分類對(duì)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(wú)法滿足電力系統(tǒng)的需求,亟待對(duì)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(jiǎn)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(duì)初始條件過于依賴等問題,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(huì)影響聚類效果。本文在對(duì)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(duì)各優(yōu)化算法進(jìn)行對(duì)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。以某一地區(qū)用戶負(fù)荷的實(shí)際數(shù)據(jù)為例,通過仿真實(shí)驗(yàn),驗(yàn)證了本文優(yōu)化算法的有效性；結(jié)果表明,使用優(yōu)化K-means算法對(duì)負(fù)荷分類,能夠減少計(jì)算的迭代次數(shù),提高分類的準(zhǔn)確性,并且能夠根據(jù)負(fù)荷的數(shù)據(jù)特征自動(dòng)實(shí)現(xiàn)科學(xué)分類,顯示了其優(yōu)越性。
【關(guān)鍵詞】：負(fù)荷分類 K-means算法 初始中心點(diǎn) 最優(yōu)聚類個(gè)數(shù) GSA肘形判據(jù)
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TM714
【目錄】：

• 摘要4-5
• Abstract5-8
• 1 緒論8-16
• 1.1 研究背景及意義8-9
• 1.2 電力用戶負(fù)荷分類9-12
• 1.3 負(fù)荷分類方法的國(guó)內(nèi)外研究現(xiàn)狀12-14
• 1.4 本文研究的主要內(nèi)容14-16
• 2 電力負(fù)荷特性分析16-25
• 2.1 電力負(fù)荷的組成16-17
• 2.2 電力負(fù)荷特性和特性指標(biāo)17-20
• 2.2.1 負(fù)荷特性17
• 2.2.2 主要負(fù)荷特性指標(biāo)17-20
• 2.3 典型行業(yè)負(fù)荷特性分析20-24
• 2.4 本章小結(jié)24-25
• 3 K-means算法及其優(yōu)化研究25-45
• 3.1 K-means算法及存在的問題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 基于密度方法的優(yōu)化初始中心點(diǎn)優(yōu)化算法29-33
• 3.2.1 優(yōu)化初始中心點(diǎn)的常見方法29-30
• 3.2.2 基于密度方法的優(yōu)化初始中心點(diǎn)優(yōu)化算法30-33
• 3.3 基于GSA的肘形判據(jù)的最優(yōu)聚類個(gè)數(shù)確定方法33-40
• 3.3.1 常見的最優(yōu)聚類個(gè)數(shù)確定的方法33-35
• 3.3.2 基于距離代價(jià)函數(shù)的K值優(yōu)化算法35-36
• 3.3.3 基于GSA的肘形判據(jù)的算法優(yōu)化36-40
• 3.4 基于直方圖的優(yōu)化算法40-43
• 3.4.1 基于直方圖峰值優(yōu)化算法簡(jiǎn)介40-41
• 3.4.2 實(shí)驗(yàn)仿真分析41-43
• 3.5 算法分析43-44
• 3.6 本章小結(jié)44-45
• 4 算例仿真45-52
• 4.1 K-means算法在負(fù)荷分類中的缺陷45-47
• 4.2 基于優(yōu)化K-means算法的負(fù)荷分類仿真47-49
• 4.2.1 基于GSA肘形判據(jù)優(yōu)化算法的負(fù)荷分類47-48
• 4.2.2 基于密度優(yōu)化初始中心點(diǎn)算法的負(fù)荷分類48-49
• 4.3 負(fù)荷分類結(jié)果分析49-51
• 4.4 本章小結(jié)51-52
• 結(jié)論52-53
• 參考文獻(xiàn)53-56
• 附錄A56-57
• 附錄B57-59
• 致謝59-60

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 陶莉,肖晶,周魏,盧毅,高山,李揚(yáng);負(fù)荷特性分析方法的研究[J];電力需求側(cè)管理;2003年04期

2 曾博;張建華;丁藍(lán);董軍;;改進(jìn)自適應(yīng)模糊C均值算法在負(fù)荷特性分類的應(yīng)用[J];電力系統(tǒng)自動(dòng)化;2011年12期

3 張紅斌,賀仁睦,劉應(yīng)梅;基于KOHONEN神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷動(dòng)特性聚類與綜合[J];中國(guó)電機(jī)工程學(xué)報(bào);2003年05期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 馮超;K-means聚類算法的研究[D];大連理工大學(xué);2007年

，

本文編號(hào)：875047