《表1 样本群2的楼宇负荷的预测误差统计》

  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

《基于相关性分析和长短期记忆网络分位数回归的短期公共楼宇负荷概率密度预测》

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

接下来任意选取一栋当作目标楼宇进行研究，找到其用电规律，并为之后的负荷预测打好基础。以该目标建筑为例，采用K-Means聚类算法找对其2015年一整年的负荷曲线（共365条曲线，见附录图1所示）进行聚类分析，寻找其用电模式。但是K-Means聚类算法存在聚类数不确定的固有缺点，本文采用戴维斯堡丁指数（DBI）来评价不同聚类数目对应的聚类效果。DBI指标同时计算类内距离与类间距离，DBI越小意味着类内距离越小，同时类间距离越大，即聚类效果越好。对应聚类效果最好的个数k即为最佳聚类数。最终实验证明聚类数目为k=3时DBI数值最小，应将该栋建筑用电模式划分为3种，3种用电模式见附录图2所示。表1是不同聚类结果对应时间。