数模学习day11-系统聚类法

### K-Means聚类算法用于选择典型日的实现方法 K-Means聚类可以应用于时间序列数据分析，以识别具有相似特征的日子作为典型日。通过分析历史数据中的模式并将其分组，能够有效找出代表性的日子。 #### 数据预处理 为了应用K-Means进行典型日的选择，首先需要准备合适的数据集。通常情况下，这涉及收集一段时间内的每日用电量或其他相关指标，并确保这些数值被标准化以便于比较不同规模下的消费情况[^1]。 ```python import pandas as pd from sklearn.preprocessing import StandardScaler # 假设df是一个包含日期索引和每小时负荷列的DataFrame scaler = StandardScaler() scaled_data = scaler.fit_transform(df) ``` #### 应用K-Means模型 接着，在经过预处理后的数据上运行K-Means算法。这里的关键在于决定合适的簇数\( k \)，即想要选出多少个典型的天数。可以通过肘部法则(elbow method)或轮廓系数(silhouette score)等技术来辅助确定最优的\( k \)[^2]。 ```python from sklearn.cluster import KMeans import matplotlib.pyplot as plt inertia_values = [] for i in range(1, 10): km = KMeans(n_clusters=i, random_state=42).fit(scaled_data) inertia_values.append(km.inertia_) plt.plot(range(1, 10), inertia_values, marker='o') plt.title('Elbow Method For Optimal k') plt.xlabel('Number of clusters') plt.ylabel('Inertia') plt.show() optimal_k = ... # 根据图形判断最佳k值 km_optimal = KMeans(n_clusters=optimal_k, random_state=42).fit(scaled_data) labels = km_optical.labels_ ``` #### 解析结果获取典型日 一旦完成了聚类操作，则可以根据分配给各个簇的日志记录进一步探索哪些特性使得某些天成为“典型”。对于每一个簇而言，可以选择该类别中最接近质心的一天作为其代表性实例；或者计算平均曲线来构建理想化的典型日形象。 ```python centroids = km_optimal.cluster_centers_ def find_nearest_day_to_centroid(cluster_index): cluster_points = scaled_data[labels == cluster_index] distances_from_center = ((cluster_points - centroids[cluster_index])**2).sum(axis=1) nearest_point_idx = distances_from_center.argmin() return df.index[nearest_point_idx] typical_days_indices = [find_nearest_day_to_centroid(i) for i in range(optimal_k)] print("Selected typical days:", typical_days_indices) ```