采用中心优化和双尺度相似性度量的改进K-means负荷聚类方法
Proceedings of the CSU-EPSA(2021)
摘要
传统K-means聚类算法随机初始化聚类中心,导致聚类结果稳定性差,采用欧式距离不能反映负荷曲线的趋势相似度.针对上述问题,提出一种采用中心优化和双尺度相似性度量的改进K-means负荷聚类方法.首先,利用局部密度公式选取初始聚类中心;然后,利用差分向量对原始日负荷曲线进行趋势提取,将其转化为描述负荷曲线局部动态特征的差分趋势序列;最后,将原始负荷序列和差分趋势序列的欧氏距离组合成新的曲线相似性度量,采用此度量来进行K-means聚类分析.算例分析表明,本文方法在戴维森堡丁指数和轮廓系数指标上优于传统K-means、双尺度K-means、中心优化的K-means等算法,本文方法可以提升负荷数据聚类的有效性.
更多AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要