این مقاله به بررسی خوشهبندی سناریوهای بلندمدت برای زمانبندی شارژ خودروهای الکتریکی میپردازد. هدف ارائه روشی برای کاهش بار محاسباتی در مطالعات شبکه است. با افزایش نفوذ این خودروها، تحلیل شبکه در بلندمدت پیچیدهتر میشود. روش پیشنهادی، سناریوهای حضور خودروها در پارکینگ را خوشهبندی میکند. در ابتدا، جدول دادههای خودروها به دست آمده و به صورت ماتریس ذخیره میشود. سپس، توابع چگالی برای هر پارامتر (زمان ورود/خروج، شارژ اولیه/درخواست شده) استخراج میشوند. جدول دادهها برای تعداد زیادی سناریو با استفاده از این توابع برای تولید دادههای تصادفی شبهواقعی شبیهسازی میشوند. جدول دادهها به بردار ویژگی برای هر سناریو به عنوان مرحله اصلی این روش تبدیل میشوند. این کار شامل نگاشت دادهها (تبدیل جداول نامرتب به بردارهای مرتب)، کاهش ابعاد و بردارسازی است. الگوریتمهای خوشهبندی کی-میانگین و فازی سی-مینز برای خوشهبندی بردارها استفاده میشوند. این رویههای خوشهبندی در دو مسیر جداگانه انجام میشوند: یکی بر روی جدول دادهها و دیگری بر روی منحنیهای بار روزانه که توسط برنامهریزی شارژ تولید میشوند. در نهایت، اعتبار الگوریتم خوشهبندی با مقایسه منحنیهای بار بهدستآمده از دو مسیر تأیید میشود. تعداد بهینه خوشهها برای سناریوهای جدول دادهها چهار است و نتایج خوشهبندی دو مسیر بیش از 85% مشابهت دارند. نتایج شبیهسازی نشان میدهند که روش پیشنهادی میتواند الگوهای رفتاری را به طور دقیق شناسایی کرده و سناریوهای نماینده را استخراج کند درحالیکه محاسبات را کاهش میدهد.