基于co-occurrence相似度的聚类集成方法

首先提出了一种基于属性值的co-occurrence相似度概念,通过对其进一步的研究,提出了3个等价性表述;然后对属性值之间的co-occurrence相似度进行引申,给出了数据对象之间co-occurrence相似度的定义,并将其成功应用到聚类集成方法中。利用co-occurrence相似度在计算某个初始聚类结果中数据对象之间的相似度时,充分考虑了其他初始聚类结果和该初始聚类结果之间的相互影响和联系。实验表明,基于co-occurrence相似度的聚类集成(CSCE)方法能有效识别数据之间的细微结构,有助于提高聚类集成的效果。

基于聚类集成的用户负荷模式识别

为提高错峰管理中用户负荷模式识别的可靠性与普适性,针对目前单一聚类算法难以解决用电负荷数据的不平衡性以及时序特性等问题,提出一种基于聚类集成技术的用户负荷模型识别方案。利用多种标准化方法以及经遴选的聚类算法生成多样化的聚类成员,通过将所有聚类成员合并构造共识矩阵并进行重构,得到较单一聚类算法更为优越的分群结果。该方案比采用单一的聚类分析得到的用户用电负荷数据分簇结果更稳健可靠,且对数据结构变化的敏感度低、分簇效果更好、泛化能力更强,并在中山市6 500家专变用户的用电负荷模式识别中取得了良好的应用效果。