基于改进高斯混合模型的变电站负荷聚类算法

Abstract

针对传统高斯混合模型（Gaussian mixture model，GMM）聚类算法中计算复杂、收敛速度慢和人为确定聚类数目时存在盲目性和主观性等不足，提出了一种基于改进GMM的变电站负荷聚类算法。以传统GMM聚类算法为基础，采用k均值（k-means）算法确定初始聚类中心。减少了GMM聚类算法迭代步骤，提高了输出结果的稳定性。输出不同聚类数下聚类结果的Davies-Bouldin（DB）指标、Calinski-Harabasz（CH）指标和轮廓系数（silhouette coefficient，SC），应用熵权法确定不同评价指标所占权重，构建聚类评价混合指数（cluster evaluation mixed index，CEM）。将聚类评价混合指数最大值对应的聚类个数作为最佳聚类数目，再次输入到改进GMM聚类算法中，得到变电站负荷聚类结果和聚类中心。结果表明，所提方法增强了传统GMM聚类算法的计算速度和稳定性，对变电站负荷具有良好的聚类综合能力，有助于实现聚类结果最优化。

Keywords

• 高斯混合模型聚类
• 负荷分类
• 聚类算法
• 聚类评价