خوشه بندی لوازم برقی مصرفی خانوارها به روش k-means

با گرمایش زمین و کمبود انرژی، شبکه هوشمند به یک موضوع اساسی در شبکه برق تبدیل شده است، پاسخ تقاضا یکی از فاکتورهای اساسی شبکه هوشمند است که امروزه به یک چالش مهم در سراسر دنیا تبدیل شده‌است، به منظور افزایش کارایی پاسخ تقاضا، سیستم هوشمند کنترل لوازم خانگی ضروری است که اولویت شروع به کار لوازم برقی را بر حسب ضرورت استفاده و کارایی بیان می کند. به همین منظور طبقه بندی دستگاه های برقی ضروری و لازم است. انواع مختلف وسایل برقی موجود در یک خوشه مشابه بوده و می توان بر حسب اولویت لوازم برقی موجود را به کار برد. در این مقاله با استفاده از خوشه بندی نوع لوازم خانگی مشتریان مسکونی، توسط الگوریتم k-means که بر اساس مشخصات خود لوازم، الگوهای فصلی، تعطیلی،زمان استفاده می باشد لوازم خانگی دسته بندی شده است تا براساس نوع دسته اولویت مصرف را مشخص کند و از آنجایی که دستگاه های متنوعی در هر دسته قرار دارند مشتریان آزادی عمل بیشتری دارند و میتوانند بر حسب نیاز خود وسیله برقی را مصرف کنند و ضریب silhouette به عنوان اندازه گیری عملکرد توسعه داده شده است که میانگین ضریب silhouette ، 0.6 بدست آمده بیانگر مقدار رضایت بخشی مدل می باشد.

Household Appliance Clustering through K-means Clustering Method

Smart grid has become a major issue in the power grid with global warming and energy shortages. Demand response is one of the key factors in smart grid that has become an important challenge around the world today. It is necessary to control the home appliances, which states the priority of using appliances according to the necessity of use and efficiency. For this purpose, the classification of electrical devices is necessary. The different types of appliances available in a cluster are similar and can be used according to the priority of the user. In this article, home appliances are clustered to determine the priority of consumption based on the type of category, by k-means algorithm, which is based on the characteristics of the appliances, seasonal patterns, holidays, time of use. And since there are various devices in each category, customers have more choices and can use the appliance as needed. The silhouette coefficient has been developed as a performance measure, average silhouette coefficient of 0.6 representing the satisfactory value of the model.