[发明专利]基于全局最优模糊核聚类模型的电力用户信用评价方法

权利要求书

1.一种基于全局最优模糊核聚类模型的电力用户信用评价方法，其特征是，包括：

根据用户用电历史数据建立电力用户信用评价指标体系，并对待评价指标数据进行预处理；

建立全局最优模糊核聚类算法模型，具体步骤包括：

步骤B1：设定聚类中心个数K，设定全局最优搜索粒子群数目N，根据样本计算高斯核函数；

步骤B2：随机初始化粒子的位置向量Z_o，并进行粒子编码，并初始化每一个粒子的速度；

步骤B3：计算每一个样本数据到当前各聚类中心的隶属度，并更新聚类中心；所述步骤B3中，在模糊核聚类过程中，利用高斯核函数对样本进行空间转换，定义非线性转换映射：其中，F为映射后高维特征空间，通过采用高斯核函数，获得聚类准则；

步骤B4:计算每个粒子的适应度函数值fit_t(m)；

步骤B5:根据步骤B4中计算的粒子的适应值fit_t(m)，计算粒子质量M_m(t)；

步骤B6:计算粒子优化力度F_m^e，并根据步骤B5计算的粒子质量M_m(t)，计算粒子的加速度a_m^e(t)；

步骤B7：执行高斯核函数中的变异操作：

步骤B8：更新粒子的速度和位置向量；

步骤B9：判断是否满足终止条件，即判断粒子适应值是否处于阈值范围内，若是，粒子位置解码，输出隶属度矩阵和各类聚类中心以及聚类结果，否则跳转到步骤B3；

将预处理后的待评价的电力用户信用评价数据输入建立的全局最优模糊核聚类算法模型，获取聚类结果；

对获取的聚类结果进行定性分析，获取每一类的信用等级；

提取聚类结果中每一个聚类的特征指标以及对应的特征值，具体步骤包括：

步骤E1：对聚类模型中聚类所采用的指标进行排列组合计算，并作为特征分析聚类指标，其中，特征分析聚类指标数大于等于2；

步骤E2：分别对获取的聚类结果以及对应的类中对象数据，按照步骤E1获取的特征分析聚类指标进行间接聚类，聚类数仍为一类；

步骤E3：以特征分析聚类指标为依据，计算步骤E2的每一次聚类结果中，每一个对象数据点到聚类中心点的平均距离；

步骤E4：选择步骤E3中最小距离对应的指标作为每一类的关键特征指标；

步骤E5：以步骤E4中获取的关键特征指标作为特征聚类指标，将聚类结果中的每一个类重新聚为一类，获取聚类中心点的值为每一类信用等级的关键特征指标的特征值；

根据提取的每一个聚类的特征值指标以及对应的特征值，再次评价待评价的电力用户的信用结果。

2.如权利要求1所述的一种基于全局最优模糊核聚类模型的电力用户信用评价方法，其特征是，建立电力用户信用评价指标体系，并对待评价指标数据进行预处理的步骤包括：

对指标数据进行统一量化，并且对指标数据均采用归一化处理；

采用相关性分析算法，计算指标间的共线性；

判断指标的方差膨胀因子，将共线性度高的指标去掉；

计算指标鉴别能力，计算指标变异系数；

判断指标变异系数的大小，把区分评价指标对象特征差异能力小的指标去除掉。

3.如权利要求2所述的一种基于全局最优模糊核聚类模型的电力用户信用评价方法，其特征是，指标间的共线性由指标的方差膨胀因子决定，指标的方差膨胀因子记为VIF_p，p＝1,2,3,…..P，P为指标的总数，其计算过程为：

上述计算中，R_p²是一个以第p个指标为因变量，并且剩余其他指标为自变量的辅助回归的判定系数；

进行指标共线性的判断：指标的方差膨胀因子在设定范围内时，指标不存在多重共线性；指标的方差膨胀因子超过设定阈值时，指标存在共线性。

4.如权利要求1所述的一种基于全局最优模糊核聚类模型的电力用户信用评价方法，其特征是，所述步骤B3中，对上述聚类准则通过拉格朗日算子进行求解，获取每一个样本数据到当前各聚类中心的隶属度计算过程；

通过上述隶属度的获取，更新新的聚类中心计算过程。