基于特征加权的SFO-K_means用电行为研究

在传统的K_means算法中,初始聚类中心大多采用任意选取或者凭借经验,使算法的准确性易受选取结果的影响。针对这些不足,提出了利用剑鱼算法全局寻优特性,来改进K_means初始聚类中心的选取。UCI数据对比显示,改进算法在平均迭代次数和准确率方面优于传统K_means算法。在用户用电行为分析上,利用提取的5个降维特征指标,对每半小时采样一次的高维日负荷曲线进行降维处理;引入Critic法来确定指标的权重系数,并利用皮尔逊相关系数与熵权,分别衡量指标之间的冲突性与指标内部的对比强度;采用特征加权的SFO-K_means算法进行聚类分析。算例结果表明,该法在聚类质量上有一定的优越性,聚类结果能反应出用户的用电行为习惯。