張 潔，夏 飛，袁 博，劉 偉

（1. 上海電力大學(xué)自動(dòng)化工程學(xué)院,上海市 200090；2. 南瑞集團(tuán)有限公司（國(guó)網(wǎng)電力科學(xué)研究院有限公司）,江蘇省 南京市 211106；3. 海寧亞大塑料管道系統(tǒng)有限公司,浙江省 海寧市 314415）

0 引言

近年來(lái),居民用電負(fù)荷成為高峰負(fù)荷,對(duì)居民用電行為進(jìn)行分析顯得尤為重要［1-3］。通過(guò)用電負(fù)荷曲線聚類分析得到居民用戶用電規(guī)律,對(duì)用電負(fù)荷預(yù)測(cè)［1］、需求側(cè)響應(yīng)［4］、電價(jià)調(diào)整［5］、電網(wǎng)規(guī)劃［6］和發(fā)輸電計(jì)劃改變［7］等都有重要意義。

文獻(xiàn)［8］針對(duì)48 維功率向量,采用改進(jìn)模糊C均值（fuzzyC-means,FCM）算法對(duì)日負(fù)荷曲線進(jìn)行聚類；文獻(xiàn)［9］基于云模型確定聚類中心和聚類數(shù),以24 維日負(fù)荷數(shù)據(jù)進(jìn)行了負(fù)荷模式提取和用戶分類實(shí)驗(yàn)；文獻(xiàn)［10］基于改進(jìn)密度峰值聚類算法分別對(duì)48 維和96 維有功功率數(shù)據(jù)進(jìn)行聚類分析。上述文獻(xiàn)都是直接對(duì)高維用電負(fù)荷曲線進(jìn)行聚類,隨著可獲取的用電負(fù)荷數(shù)據(jù)量及維數(shù)大幅增加,其計(jì)算時(shí)間和計(jì)算復(fù)雜度均相應(yīng)增加。因此,需要在保證聚類效果的同時(shí)降低計(jì)算復(fù)雜度。

文獻(xiàn)［11］通過(guò)負(fù)荷率、日峰谷差率等6 個(gè)特性指標(biāo)對(duì)日負(fù)荷曲線進(jìn)行聚類,具有運(yùn)行時(shí)間短、魯棒性好的特點(diǎn)；文獻(xiàn)［12］提取日負(fù)荷率、日峰谷差率等7 類指標(biāo)進(jìn)行聚類,在聚類質(zhì)量、運(yùn)行效率和魯棒性上都體現(xiàn)了優(yōu)越性；文獻(xiàn)［13］利用符號(hào)集合近似（symbolic aggregate approximation,SAX）算法對(duì)負(fù)荷曲線進(jìn)行降維提取特征,引入日負(fù)荷率、谷電系數(shù)、日平均負(fù)荷等5 個(gè)典型用電特征指標(biāo)。在以上研究中,雖然實(shí)現(xiàn)了降維負(fù)荷曲線聚類分析,但沒(méi)有給出聚類特征選擇依據(jù)。文獻(xiàn)［14］針對(duì)用電特征選擇,提出一種基于特征互信息量與相關(guān)系數(shù)的特征優(yōu)選準(zhǔn)則獲取優(yōu)選特征集。根據(jù)優(yōu)選特征集中的特征進(jìn)行聚類大大減少了迭代次數(shù)和聚類時(shí)間,但選取的聚類特征并不能反映負(fù)荷曲線形態(tài),影響了聚類效果。因此,本文提出一種兼顧各特征有效性和各特征間相關(guān)性的聚類特征優(yōu)選策略。通過(guò)貝葉斯信息準(zhǔn)則（Bayesian information criterion,BIC）和相關(guān)系數(shù)來(lái)評(píng)價(jià)特征,一方面,在降低特征維度的同時(shí)保證了模型的準(zhǔn)確率,即實(shí)用性；另一方面,通過(guò)將特征維度作為懲罰因子實(shí)現(xiàn)了冗余性要求［15］。

一般在用電負(fù)荷聚類時(shí),特征集中僅選用日負(fù)荷率、峰時(shí)耗電率等常用的用電特征［11-14,16-18］。居民用電負(fù)荷曲線可以通過(guò)負(fù)荷率、日峰谷差率等典型用電特征反映,同時(shí)也會(huì)受到政策、季節(jié)、溫度等因素的影響［9］。因此,本文在常用用電特征的基礎(chǔ)上加入氣象因素特征構(gòu)成原始特征集,再利用本文提出的優(yōu)選特征策略分析原始特征集,挑選出滿足聚類要求的最優(yōu)特征子集。

得到優(yōu)選特征后,采用傳統(tǒng)聚類算法,如K均值（K-means）算法對(duì)居民用電行為進(jìn)行分析,但只能發(fā)現(xiàn)球狀類簇,且易受噪聲點(diǎn)影響［19］。密度峰值快速搜索聚類（clustering by fast search and find of density peaks,CFSFDP）算法［20］可以在不確定聚類數(shù)的情況下發(fā)現(xiàn)任意形狀的類簇,且收斂速度快,對(duì)海量高維、類簇形狀差異大［21］的用電負(fù)荷數(shù)據(jù)可以快速實(shí)現(xiàn)聚類分析［22-23］。但該算法也存在以下不足：1）截?cái)嗑嚯x選擇會(huì)對(duì)聚類結(jié)果產(chǎn)生影響；2）人為選擇聚類中心具有主觀性。因此,本文利用布谷鳥(niǎo)優(yōu)化算法對(duì)截?cái)嗑嚯x進(jìn)行尋優(yōu),并利用異常值思想實(shí)現(xiàn)聚類中心的自動(dòng)選擇,提出了一種加權(quán)的皮爾遜距離量度方法,可以反映負(fù)荷曲線之間變化趨勢(shì)的相似性。

綜上所述,本文不僅設(shè)計(jì)了一種特征優(yōu)選策略,而且通過(guò)改進(jìn)密度峰值法,提高了小區(qū)居民用電行為聚類分析的準(zhǔn)確性,為負(fù)荷預(yù)測(cè)、需求側(cè)管理等提供了參考。

1 原始特征集構(gòu)建

通常表示用戶用電行為特點(diǎn)的典型用電特征包括［16-18］：表述峰谷特性變化的特征指標(biāo)如峰期負(fù)載率、平期負(fù)載率、谷期負(fù)載率等；表述負(fù)荷變化的特征指標(biāo)如負(fù)荷率、峰谷差、峰谷差率等；以日為單位表述用電特征的指標(biāo)如日用電負(fù)荷、日平均負(fù)荷、日最大負(fù)荷、日最小負(fù)荷等,具體如表1 所示。表中,P代表用電負(fù)荷,下標(biāo)peak、fl、val 分別表示峰期、平期、谷期,下標(biāo)sum、av、max、min 分別代表負(fù)荷總值、均值、最大值、最小值。

表1 典型用電特征Table 1 Typical electricity consumption features

同時(shí),氣象因素也是影響用戶用電行為的重要特征之一,通常有氣溫、降水、濕度、風(fēng)力等影響。典型的氣象因素特征包括：平均溫度、最高溫度、最低溫度、雨水、風(fēng)向、風(fēng)速、壓強(qiáng)、濕度,具體如表2所示。

表2 典型氣象特征Table 2 Typical meteorological features

本文在研究用戶用電行為時(shí),同時(shí)考慮典型負(fù)荷特征和典型氣象特征因素的綜合影響,構(gòu)建原始特征集X,使得聚類研究用電行為的變化更加準(zhǔn)確。

2 聚類特征優(yōu)選

第1 章中提到的原始特征集中的典型用電特征和典型氣象特征共有18 個(gè)。如果利用以上全部特征進(jìn)行聚類分析,不僅計(jì)算量大、計(jì)算時(shí)間長(zhǎng),而且某些特征對(duì)分析產(chǎn)生的效果是相似的。因此,要對(duì)原始特征集中的特征進(jìn)行優(yōu)選,可以通過(guò)構(gòu)建評(píng)價(jià)函數(shù)的方法進(jìn)行最優(yōu)特征選擇。在構(gòu)建評(píng)價(jià)函數(shù)時(shí),需要在考慮特征有效性的同時(shí)兼顧各特征間的互補(bǔ)性。本文利用基于信息量的BIC,結(jié)合聚類評(píng)價(jià)指標(biāo)輪廓系數(shù),衡量聚類特征的有效性。同時(shí),在評(píng)價(jià)函數(shù)中加入了相關(guān)系數(shù),從而充分考慮了各特征間的互補(bǔ)性。

2.1 特征集評(píng)價(jià)函數(shù)

2.1.1 輪廓系數(shù)指標(biāo)

聚類評(píng)價(jià)指標(biāo)輪廓系數(shù)（silhouette coefficient,SC）用于評(píng)估聚類效果。假設(shè)數(shù)據(jù)集X被分為J個(gè)類簇：C={C1,C2,…,CJ},則數(shù)據(jù)集X中的第i個(gè)樣本點(diǎn)的SC 指標(biāo)定義為：

式中：a（xi）為xi到同一簇內(nèi)其他對(duì)象之間的平均距離；b（xi）為xi到其余類簇的最小平均距離。

2.1.2 BIC

本文選用基于信息量的BIC 來(lái)評(píng)價(jià)特征的有效性,即

式中：cov（x,y）表示特征x與y的協(xié)方差；σx和σy分別表示x和y的標(biāo)準(zhǔn)差。相關(guān)系數(shù)ρxy的取值范圍為[-1,1],其絕對(duì)值越接近于1 則說(shuō)明二者的相關(guān)性越強(qiáng)。

2.2 特征優(yōu)選策略

原始特征集中的每個(gè)特征對(duì)聚類分析的影響效果不同。與此同時(shí),有些特征所提供的信息可能存在重復(fù)和冗余。如果可以選擇有效的特征指標(biāo)去反映用電數(shù)據(jù)的多維指標(biāo),則既能夠除去多余的特征指標(biāo),又能夠改善分析結(jié)果。因此,對(duì)原始特征集進(jìn)行優(yōu)選,得到最優(yōu)特征集再進(jìn)行聚類分析很有必要。

為得到最優(yōu)特征子集,既需要考慮特征的有效性,又需要考慮各特征之間的互補(bǔ)性。因此,本文綜合考慮特征的有效性及各特征間的相關(guān)性構(gòu)建特征優(yōu)選的評(píng)價(jià)函數(shù)［14］,定義為：

式中：Z（x）為特征x的評(píng)價(jià)值；B′(x)為特征x進(jìn)行歸一化后的BIC 值；Z(Y)為最優(yōu)特征子集Y的評(píng)價(jià)值,為該子集中所有特征的評(píng)價(jià)值之和。

原始特征庫(kù)中的各特征利用此評(píng)價(jià)函數(shù)進(jìn)行計(jì)算時(shí),評(píng)價(jià)值越小則說(shuō)明該特征對(duì)用電行為分析影響越大,效果越好。

特征優(yōu)選就是從原始特征集中選出評(píng)價(jià)值較小的特征構(gòu)成最優(yōu)特征子集。特征優(yōu)選過(guò)程如下：首先,計(jì)算出原始特征庫(kù)中各特征的評(píng)價(jià)值；然后,利用啟發(fā)式序列前向搜索法對(duì)特征進(jìn)行逐個(gè)選取,從空集開(kāi)始,每次選出評(píng)價(jià)值最小的特征放入最優(yōu)特征子集Y中,直到最優(yōu)特征子集滿足停止條件。所選出的特征y可以表示為：

特征挑選終止的判別條件為原始特征庫(kù)中所剩余特征的有效性遠(yuǎn)小于其所帶來(lái)的冗余性時(shí)則停止選擇,即

式中：R為原始特征庫(kù)中最優(yōu)特征的評(píng)價(jià)值與最優(yōu)特征子集的評(píng)價(jià)值的比值；T為所設(shè)閾值,當(dāng)R≤T時(shí)則停止選擇,本文設(shè)定閾值T為0.1。

3 密度峰值聚類算法

利用第2 章的特征優(yōu)選策略選出最優(yōu)特征子集Y后,還需要結(jié)合相應(yīng)的聚類算法對(duì)居民用電負(fù)荷進(jìn)行聚類分析。本文針對(duì)密度峰值法的主觀性,采用布谷鳥(niǎo)搜索（cuckoo search,CS）算法對(duì)截?cái)嗑嚯x進(jìn)行優(yōu)化。同時(shí),根據(jù)異常值檢測(cè)的思想,實(shí)現(xiàn)聚類中心的自動(dòng)選取。

3.1 密度峰值法

本文基于最優(yōu)特征子集Y中的特征,利用密度峰值法對(duì)用電負(fù)荷完成聚類分析。該算法主要有2個(gè)需要計(jì)算的量：局部密度ρi和與高密度點(diǎn)之間的距離δi。

1）局部密度ρi

為減小截?cái)嗑嚯xdc對(duì)聚類結(jié)果的影響,采用高斯核函數(shù)對(duì)局部密度進(jìn)行改進(jìn)［24］：

式中：dij為2 個(gè)點(diǎn)間的距離,這里采用加權(quán)皮爾遜距離。原算法中的局部密度ρi表示數(shù)據(jù)集X中與點(diǎn)xi的距離小于截?cái)嗑嚯xdc的樣本點(diǎn)的個(gè)數(shù),是離散的。改進(jìn)算法中采用的高斯核是一個(gè)連續(xù)的值,可以減小不同數(shù)據(jù)點(diǎn)具有相同局部密度值的可能性。

2）與高密度點(diǎn)間的距離δi

定義每個(gè)樣本點(diǎn)xi到更高密度點(diǎn)間的最小距離δi：

對(duì)于數(shù)據(jù)集中局部密度最大的樣本點(diǎn)xi,令其距離δi為：

傳統(tǒng)的密度峰值算法存在以下不足之處：一方面,截?cái)嗑嚯xdc的選擇對(duì)聚類結(jié)果產(chǎn)生影響；另一方面,根據(jù)決策圖中ρ和δ都較大的點(diǎn)選擇聚類中心,對(duì)于聚類中心明顯的數(shù)據(jù)集可以很輕易地選擇出來(lái),但對(duì)于ρ和δ不太明顯的數(shù)據(jù)集選擇起來(lái)就會(huì)比較困難。同時(shí),每次運(yùn)行都要重新選擇聚類中心,從而增加了算法的冗余性,而人為選擇也包含了主觀性,故每個(gè)人選擇聚類中心的不同也會(huì)導(dǎo)致聚類結(jié)果的不同。因此,需要對(duì)以上2 個(gè)問(wèn)題分別進(jìn)行改進(jìn)。

3.2 改進(jìn)的密度峰值法

本文提出的改進(jìn)的密度峰值法主要表現(xiàn)在以下2 個(gè)方面：一方面,根據(jù)聚類評(píng)價(jià)指標(biāo)SC,利用CS算法對(duì)截?cái)嗑嚯xdc進(jìn)行優(yōu)化；另一方面,利用異常值檢測(cè)的思想,采用高斯分布（Gaussian distribution）實(shí)現(xiàn)聚類中心的自動(dòng)選擇。

3.2.1 優(yōu)化截?cái)嗑嚯xdc

本文采用CS 算法優(yōu)化截?cái)嗑嚯xdc,選取SC 指標(biāo)作為目標(biāo)函數(shù)。

CS 算法是2009 年提出的一種新興啟發(fā)式算法［25］。該算法相比于粒子群優(yōu)化（particle swarm optimization,PSO）算法［26］設(shè)置參數(shù)更少,采用Levy飛行進(jìn)行全局搜索,并且通過(guò)隨機(jī)游走的方式進(jìn)行局部尋優(yōu),尋優(yōu)能力更強(qiáng)、精度更高。本文將聚類評(píng)價(jià)指標(biāo)SC 作為目標(biāo)函數(shù),經(jīng)過(guò)多次迭代選出最優(yōu)的截?cái)嗑嚯xdc。

結(jié)果表明,CS 算法具有較好的局部尋優(yōu)能力,減少了迭代時(shí)間。具體尋優(yōu)過(guò)程詳見(jiàn)附錄A,利用CS 算法進(jìn)行尋優(yōu),同時(shí)與PSO 算法作為對(duì)比,最終的尋優(yōu)結(jié)果見(jiàn)附錄A 圖A1。

3.2.2 自動(dòng)確定聚類中心

由3.2.1 節(jié)所述,選擇局部密度ρ和距離δ都較大的點(diǎn)作為聚類中心。本文自適應(yīng)選擇聚類中心時(shí),利用標(biāo)準(zhǔn)化的局部密度ρ和距離δ的乘積來(lái)反映聚類點(diǎn)之間的差異度,對(duì)這些乘積通過(guò)高斯分布尋找出異常點(diǎn),并將異常點(diǎn)作為聚類中心,實(shí)現(xiàn)聚類中心的自動(dòng)選取。

高 斯 分 布 又 稱 為 正 態(tài) 分 布（normal distribution）,具有兩頭小、中間大的特點(diǎn)。本文選用高斯分布作為異常檢測(cè)的模型,將分布在兩頭的小概率事件作為異常值,從而選擇出聚類中心。

首先,定義局部密度ρ和距離δ標(biāo)準(zhǔn)化處理后的乘積作為簇中心的權(quán)值γ,即

在正態(tài)分布的假設(shè)下,利用3σ原則選擇異常點(diǎn),即區(qū)域μ±3σ中包含99.7%的數(shù)據(jù),若均值μ超過(guò)了3σ,則可以認(rèn)為該點(diǎn)為異常值。

本文利用正態(tài)分布作為異常值檢測(cè)的模型,實(shí)現(xiàn)自動(dòng)確定聚類中心,其具體步驟如下：

1）計(jì)算出每個(gè)數(shù)據(jù)點(diǎn)的局部密度ρ和距離δ,并將其標(biāo)準(zhǔn)化；

2）計(jì)算出每個(gè)數(shù)據(jù)點(diǎn)的簇中心權(quán)值γ；

3）根據(jù)式（13）、式（14）計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的均值μ和方差σ2；

4）根據(jù)3σ原則確定異常點(diǎn),即自動(dòng)選擇出聚類中心。

4 實(shí)驗(yàn)分析

為驗(yàn)證本文提出的方法,選用某居民小區(qū)5 類典型日負(fù)荷曲線共500 條進(jìn)行聚類分析實(shí)驗(yàn)。其中類別1～5 的用戶平均用電負(fù)荷分別為1 146.03、1 220.58、570.86、689.26、103.30 kW,平均溫度分別為30.14、30.56、28.77、22.84、16.63 ℃。這5 類用戶的用電行為特征描述如表3 所示,利用準(zhǔn)確率（即分類的正確率）來(lái)衡量聚類效果的質(zhì)量。本文算例在2.6 GHz CPU、16 GB 內(nèi)存、64 位操作系統(tǒng)的單臺(tái)PC機(jī)上進(jìn)行了測(cè)試。

表3 各類用戶用電行為特征描述Table 3 Feature description of electricityconsumption behavior for each type of users

4.1 特征優(yōu)選策略的性能分析

根據(jù)提出的特征優(yōu)選策略,對(duì)原始特征集進(jìn)行挑選。最優(yōu)特征子集Y從空集開(kāi)始,依次挑選評(píng)價(jià)值最小的特征。首先,進(jìn)行第1 次特征挑選,各特征指標(biāo)的評(píng)價(jià)值Z包括歸一化后的BIC 值B′及相關(guān)系數(shù)ρ值,其具體計(jì)算結(jié)果見(jiàn)附錄B 表B1。

特征挑選時(shí),應(yīng)選擇評(píng)價(jià)值Z最小的特征放入最優(yōu)特征子集Y中。由附錄B 表B1 可知,第1 次應(yīng)選擇本次評(píng)價(jià)值最小的日用電負(fù)荷作為最優(yōu)特征（特征編號(hào)7）。

后續(xù)的特征挑選與上述過(guò)程類似,這里不再進(jìn)行贅述。最終,通過(guò)本文提出的特征優(yōu)選策略進(jìn)行特征挑選時(shí),各特征指標(biāo)挑選的順序見(jiàn)附錄B 表B2。利用本文提出的特征優(yōu)選策略,當(dāng)特征挑選了7 次后滿足終止條件,不再進(jìn)行選擇,最終選出的最優(yōu)特征子集為編號(hào)7、9、4、11、5、10、17 的特征。

接下來(lái),利用聚類分析的準(zhǔn)確率來(lái)驗(yàn)證該特征優(yōu)選結(jié)果的可行性。按照附錄B 表B2 中2 種方法給出的順序,依次挑選特征至最優(yōu)特征子集中,利用密度峰值法聚類,詳見(jiàn)附錄B,其聚類分析的準(zhǔn)確率變化趨勢(shì)見(jiàn)附錄B 圖B1。

4.2 基于優(yōu)選特征的聚類分析

在4.1 節(jié)中,利用本文所提的優(yōu)選策略對(duì)原始特征庫(kù)中的特征進(jìn)行挑選,最終選擇出7 個(gè)特征至最優(yōu)特征子集Y中,分別為日用電負(fù)荷、日最大負(fù)荷、日負(fù)荷率、平均溫、日峰谷差、日最小負(fù)荷和壓強(qiáng)。本文將根據(jù)以上7 個(gè)特征進(jìn)行聚類分析。這里為了對(duì)比聚類效果,還利用了原始特征集X和僅根據(jù)BIC 挑選的特征子集Y*進(jìn)行實(shí)驗(yàn)。Y*中包括的特征分別為日用電負(fù)荷、風(fēng)速、雨水、風(fēng)向、濕度、谷期負(fù)載率和日最小負(fù)荷。

4.2.1 不同特征集的聚類效果分析

首先,為驗(yàn)證優(yōu)選特征策略的效果,分別利用原始特征集X中的全部特征、BIC 挑選出的特征子集Y*和本文所提優(yōu)選策略選擇出的特征子集Y中的特征進(jìn)行聚類分析。為比較聚類效果,都采用密度峰值法進(jìn)行聚類,截?cái)嗑嚯xdc設(shè)定為2.0,其聚類結(jié)果的對(duì)比如表4 所示。

表4 不同特征集的聚類效果分析Table 4 Clustering effect analysis of different feature sets

由表4 可知,無(wú)論采用哪一個(gè)特征集,當(dāng)相似性度量函數(shù)采用加權(quán)皮爾遜距離時(shí),與歐氏距離及皮爾遜距離相比,不僅聚類準(zhǔn)確率最高,而且聚類時(shí)間也最短。由此可見(jiàn),相似性度量函數(shù)應(yīng)該選擇加權(quán)皮爾遜距離。

當(dāng)相似性度量函數(shù)同樣選擇為加權(quán)皮爾遜距離時(shí),采用原始特征集X的聚類準(zhǔn)確率為92.22%,采用BIC 挑選出的特征子集Y*的聚類準(zhǔn)確率為94.75%,采用本文方法挑選出來(lái)的特征子集Y的準(zhǔn)確率為98.25%。由此可知,通過(guò)特征優(yōu)選后聚類準(zhǔn)確率可以顯著提高。

4.2.2 不同聚類方法的聚類效果分析

4.2.1 節(jié)對(duì)比了不同特征集在采用相同聚類方法時(shí)的聚類效果。本節(jié)主要分析采用本文方法得到的優(yōu)選特征集Y在使用不同聚類方法時(shí)的聚類效果。聚類方法包括K均值算法、CFSFDP 算法和本文提出的改進(jìn)CFSFDP 算法,聚類效果如圖1所示。

圖1 不同聚類方法結(jié)果對(duì)比Fig.1 Result comparison of different clustering methods

由圖1 可知,利用本文提出的優(yōu)選策略得到的優(yōu)選特征集Y,并采用基于加權(quán)皮爾遜距離的改進(jìn)CFSFDP 算法進(jìn)行聚類,聚類準(zhǔn)確率達(dá)到了98.64%,要高于以皮爾遜距離和歐氏距離作為相似性度量函數(shù)的聚類準(zhǔn)確率98.45%和97.67%,也要高于以K均值和CFSFDP 為聚類方法的聚類準(zhǔn)確率95.14%和98.25%。

綜上所述,在聚類相似性度量函數(shù)上,聚類方法采用K均值算法、CFSFDP 算法或是改進(jìn)的CFSFDP 算法,均是采用加權(quán)皮爾遜距離作為相似性度量函數(shù)時(shí)的聚類準(zhǔn)確率最高；在聚類方法上,無(wú)論相似性度量函數(shù)為歐氏距離、皮爾遜距離還是加權(quán)皮爾遜距離,均是采用本文提出的改進(jìn)CFSFDP算法時(shí)的聚類準(zhǔn)確率最高。

5 結(jié)語(yǔ)

本文針對(duì)居民用電分析特征優(yōu)選的有效性和互補(bǔ)性問(wèn)題,提出了基于信息量的BIC 和相關(guān)系數(shù)特征優(yōu)選策略的聚類方法。該方法采用基于信息量的BIC 和相關(guān)系數(shù)進(jìn)行聚類特征優(yōu)選,并使用改進(jìn)的密度峰值算法實(shí)現(xiàn)了居民用電行為聚類分析。通過(guò)實(shí)際數(shù)據(jù)分析表明,采用本文優(yōu)選特征子集進(jìn)行聚類分析可以有效提高聚類準(zhǔn)確率,減少計(jì)算量和聚類時(shí)間。同時(shí)在特征優(yōu)選的基礎(chǔ)上,采用本文提出的改進(jìn)密度峰值法聚類對(duì)居民用電行為進(jìn)行模式識(shí)別具有更高的準(zhǔn)確性。

在本文的研究中,聚類分析結(jié)果對(duì)下一階段居民用電預(yù)測(cè)的效果并未得到驗(yàn)證。在后續(xù)的工作中,可以根據(jù)居民用電行為的具體分類結(jié)果開(kāi)展居民用電負(fù)荷預(yù)測(cè)的研究,為用電管理提供參考依據(jù)。

附錄見(jiàn)本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。