Shluková analýza pro výkonové profily

Abstract

Tato práce je zaměřena na pochopení toho, co je shlukování a metody shlukování. Obecné informace o některých příkladech metod shlukování a jejich důležitých charakteristikách, jako je například rozhodování o počtu shluků a shlukování rozsáhlých datových sad. Tato práce také pojednává o vizualizaci vysokorozměrných shluků různými metodami, jako je redukce rozměrů. Tato práce také obsahuje čtyři případy, kdy byly spuštěny shlukovací algoritmy a graficky zobrazeny výsledky shlukování a výsledky porovnány, aby bylo možné pochopit, který z použitých shlukovacích algoritmů nejlépe funguje s aplikacemi spotřeby elektrické energie. V zásadě se shlukovací algoritmy DBSCAN a K-means používají pro shlukování datových sad spotřeby elektrické energie a lze je pěkně vykreslit, aby bylo možné najít vzory mezi graficky znázorněnými výsledky shlukování a datovou sadou graficky znázorněnou s ohledem na čas, aby bylo možné předvídat budoucí zatížení a vytvořit optimální mřížku bez ztrát.

This Thesis is aimed at understanding what is clustering and the methods of clustering. General information about some examples of clustering methods and their important characteristics, such as how to decide the number of clusters and clustering large-scale datasets. This thesis also discusses visualizing high-dimensional clusters in different methods, such as dimension reduction. This work also contains four cases where clustering algorithms were run and graphically displayed the results of clustering and compared the results, in order to get a grasp on which of the used clustering algorithms works best with the applications of electrical power demand. Essentially the clustering algorithms DBSCAN and K-means are used for clustering electrical power demand datasets and can be plotted nicely to find the patterns between the graphically represented results of clustering and the dataset graphically represented with respect to time, in order to predict future loads and create the optimum grid with no losses.