1 主要内容

程序复现文献《基于机器学习的短期电力负荷预测和负荷曲线聚类研究》第三章《基于改进ISODATA算法的负荷场景曲线聚类》模型，该方法不止适用于负荷聚类，同样适用于风光等可再生能源聚类，只需要改变聚类的数据即可，该方法的通用性和可创新性强。

该代码实现一种基于改进ISODATA算法的负荷场景曲线聚类方法，代码中，主要做了四种聚类算法，包括基础的K-means算法、ISODATA算法、L-ISODATA算法以及K-L-ISODATA算法，并且包含了对聚类场景以及聚类效果的评价，通过DBI的计算值综合对比评价不同方法的聚类效果，程序将四种方法均进行了实现，非常方便大家对照学习！

聚类中心选取步骤

核方法

2 部分代码

data_load=xlsread('日平均负荷.xls'); 
x=data_load;
k_num=0;k_num1=0;
%% 初始化
km=6;K=6;Kl=6;K3=6;%定义预期的聚类中心数
theta_N=1;% theta_N : 每一聚类中心中最少的样本数，少于此数就不作为一个独立的聚类
theta_S=1;% theta_S ：一个聚类中样本距离分布的标准差
theta_c=3;% theta_c : 两聚类中心之间的最小距离，如小于此数，两个聚类进行合并
L=1;% L : 在一次迭代运算中可以和并的聚类中心的最多对数
%% K=means 方法聚类结果
[IDW,CW,sumdw,DW] = kmeans(x,km);
Clust = cell(km,1);
for i=1:km
CW1{i,1}=CW(i,:);
end
for i=1:km
    clustw1=find(IDW==i);
    Clust{i} = x(clustw1,:);
end
%% K-means 聚类结果图
for i=1:km
    figure
    subplot(2,1,1);
    plot(CW(i,:)/(max(CW(i,:))),'-');xlabel('采样点');ylabel('标幺值');axis([1 92 -inf inf])
    titlemane=strcat('k-means第',num2str(i),'聚类中心(归一化)');
    title(titlemane)
    subplot(2,1,2);
    cu=Clust{i};
    plot(cu','-');xlabel('采样点');ylabel('负荷');axis([1 92 -inf inf])
    titlemane=strcat('k-means第',num2str(i),'场景聚类');
    title(titlemane)
end
%% ISODATA聚类方法
[AA,BB]=ISODATA(x,K,theta_N,theta_S,theta_c,L);
for i=1:K
       if size(AA{i},2)==1
        k_num1=k_num1+1;
       AA{i,1}=[];
       BB{i,1}=[];
    end
end
AA(cellfun(@isempty,AA))=[];
BB(cellfun(@isempty,BB))=[];
%% ISODATA 聚类结果图
   for  i=1:K
       figure 
       subplot(2,1,1)
       plot(AA{i}/max(AA{i}));xlabel('采样点');ylabel('标幺值');axis([1 92 -inf inf])
       titlemane=strcat('ISODATA方法第',num2str(i),'类中心(归一化)');
       title(titlemane)
       subplot(2,1,2)
       cla=BB{i};
       plot(cla','-');xlabel('采样点');ylabel('负荷');axis([1 92 -inf inf])
       titlemane2=strcat('ISODATA方法第',num2str(i),'类聚类结果');
       title(titlemane2)
   end