基于改进K-means聚类算法的负荷建模及应用

根据数据所处区域的数据密度选择初始聚类中心以充分反映数据的分布特征;在迭代计算新的聚类中心时,利用数据与类中心的平均距离作为新一轮迭代的聚类中心以排除噪声点的影响;通过集群评估指标DBI(Davies-Bouldin Index)选择最优聚类个数,以更准确地反映数据空间分布的特征。利用改进K-means算法对某省变电所数据进行聚类分析,得到负荷特征数据,并在此基础上建立了分段3次Hermite插值函数负荷模型。算例分析表明基于改进K-means的负荷建模方法对电网仿真分析可行、有效。