一种基于环境特征的智能电能表初值优选型K-means聚类算法

为探究不同环境特征(温度、湿度等)对智能电能表运行误差的影响,需要将不同地区运行下的智能电能表根据环境特征进行聚类划分。现有关于智能电能表的聚类算法研究中,都是依据运行数据或者负荷曲线进行聚类,缺少利用环境因素对其进行聚类的研究。因此,文章提出环境信息提取原则,有效降低数据维度提高计算效率。并提出初值优选型K-means算法,该算法是对传统的K-means算法在初值选取和聚类中心移动规则上进行改进,使其更加适用于基于环境特征的智能电能表聚类问题。通过数据仿真验证,该方法的准确率较其他算法平均提升17.7%,计算耗时平均减少0.16 s。

聚类K-means算法的应用研究

聚类分析是数据挖掘中的一个重要研究领域。它将数据对象分组成为若干个类或簇,使得在同一个簇中的对象比较相似,而不同簇中的对象差别很大。K-means算法对随机选取K个初始点作为初始值是很敏感的,这将导致得到一个不合理的聚类结果,因此聚类的质量依赖于初始值。一方面论文提出了一种有效的改进方法,通过试验证明了改进算法的有效性;另一方面将该改进算法应用到对学生学习成绩的分析中,实践证明算法是可行的。