基于动态时间规整的凝聚式层次聚类用于居民负荷曲线聚类
机器学习
2022-10-19 v1
摘要
能源公司常实施各种需求响应(DR)项目，通过向消费者提供激励以在关键时段降低其用电需求，从而更好地匹配电力供需。根据消费模式对客户进行分类，可针对特定消费群体开展DR。传统聚类算法使用标准距离度量来求两点间距离。K-means、K-medoids与高斯混合模型等聚类算法的结果依赖于聚类参数或初始簇。相比之下，我们的方法采用基于形状的策略，将凝聚式层次聚类(AHC)与动态时间规整(DTW)相结合，依据消费模式对居民家庭的日负荷曲线进行分类。DTW寻求两条负荷曲线间的最优对齐，而AHC提供真实的初始簇中心。本文中，我们使用不同距离度量将结果与K-means、K-medoids和GMM等其他聚类算法进行比较，表明采用DTW的AHC优于其他聚类算法且所需簇数更少。
引用
@article{arxiv.2210.09523,
title = {Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering},
author = {Fadi AlMahamid and Katarina Grolinger},
journal= {arXiv preprint arXiv:2210.09523},
year = {2022}
}