《表3 不同负荷曲线聚类算法性能指标及计算时长》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

分别采用本文算法、自适应k-means算法[28]和基于密度的噪声应用空间聚类（density-based spatial clustering of application with noise，DBSCAN）算法[29]对金属加工机械制造行业负荷样本集进行聚类分析和对比，并采用DB和CalinskiHarabas(CH）指标[4]衡量不同负荷相似性量度距离和聚类算法对负荷曲线分类的效果。DB指数是衡量聚类性能常见指标，为分类簇内的平均距离和簇间的最小距离之比，其值越小越好；CH指标通过簇内离差矩阵量度紧密度，簇间离差矩阵量度分离度，其值越大，表明簇内样本越紧密，簇间区别越大，则聚类效果越好。DB和CH指标值的表达式见附录C（附录），其中CH指标基于用电负荷的5个形态特征指标，用于衡量聚类算法对不同需求响应潜力的负荷分类效果[4]。不同算法的最优聚类数（由DB确定的）及其聚类结果的性能指标和计算时长如表3所示，其中k-means聚类不是密度聚类，因此采用未剪枝的FDTW距离。