赵国生，牛贞贞，刘永光，孙超亮

(1．郑州大学 电气工程学院，河南 郑州450001;2．河南许继仪表有限公司，河南 许昌461000)

0 引言

基于电力用户的实际负荷曲线分类对电力需求侧管理［1］有着重要意义．合理的电力负荷分类有助于供电部门有效地掌握用户的负荷特性并制定合理的电价政策［2］;有助于通过削峰填谷手段实现负荷曲线的整形［3］;有助于激励用户积极参与到需求侧管理项目中去．同时，精细化的负荷分类对指导电网滚动规划、实时调度及运行规划的可靠性评估等方面也具有重要意义．根据用电行业、电力负荷用电可靠性等级以及电价等进行分类的传统负荷分类方法已不能满足需求侧管理的需要，基于电力用户的实际负荷曲线分类的电力负荷特性分类方法受到越来越多的关注，成为当前负荷分类的主要方法．

目前，基于实际负荷曲线对负荷进行分类的方法有很多，常用的有K-means 算法［4］、层次聚类算法［5］、模糊C 均值聚类算法(FCM)［6］、高斯混合模型(GMM)算法［7］、自组织特征映射神经网络(SOM)算法［8］、支持向量机(SVM)算法［9］和极限学习机(ELM)算法［10］等． 这些方法中，FCM 算法在运行时间、准确度、稳定性及聚类效果等方面均表现较好，是目前应用最广泛的电力负荷特性分类算法之一． 但是，FCM 算法也存在着需要人为确定聚类数目c 以及模糊加权指数m 取值需要凭经验给定等问题． 针对FCM 算法存在的缺点，笔者以聚类有效性判别指标［11］MIA 和MDC 为基础来自动确定FCM 算法的聚类数目，并通过……