[发明专利]一种基于粒子群改进K均值算法的负荷曲线聚类方法及系统

权利要求书

1.一种基于粒子群改进K均值算法的负荷曲线聚类方法，其特征在于，包括：

步骤1：获取多个用户原始负荷曲线的负荷数据，对原始负荷曲线的负荷数据进行预处理，获得负荷数据集，所述负荷数据集由多个数据对象组成，一个数据对象代表一条负荷曲线的负荷数据；

步骤2：基于负荷数据集预分类的类簇数目确定聚类中心个数K，采用粒子群算法进行多次迭代，获得K均值算法的K个初始聚类中心；

步骤3：分别计算数据对象到所有初始聚类中心的距离，按照最接近原则，将数据对象分配到最近的聚类中心，直到所有数据对象分配完毕，获得M个相应的类簇；

步骤4：分别计算每个类簇中所有数据对象属性值均值，获得K个新聚类中心；

步骤5：判断每个类簇的新聚类中心和初始聚类中心是否相同；若存在类簇的新聚类中心与初始聚类中心不相同，则用所有新聚类中心的编码值更新所有初始聚类中心的编码值，并跳转至步骤3；若所有类簇的新聚类中心与初始聚类中心相同，则跳转至步骤6；

步骤6：将新聚类中心作为K均值算法的最终聚类中心，对负荷数据集中所有的数据对象进行分类。

2.根据权利要求1所述的一种基于粒子群改进K均值算法的负荷曲线聚类方法，其特征在于，所述获取多个用户的原始负荷曲线负荷，对原始负荷曲线负荷进行预处理，获得负荷数据集的步骤，具体为：

查找每条原始负荷曲线负荷的缺失和异常数据，若原始负荷曲线的负荷异常数据大于采集量的10％，则将所述原始负荷曲线剔除，获得第一备用负荷数据，所述异常数据包括骤降、暴增或为负值等数据；

对第一备用负荷数据中缺失和异常数据进行补充和修正，获得第二备用负荷数据；

采用线性函数归一化方法对第二备用负荷数据进行归一化处理，获得负荷数据集。

3.根据权利要求1所述的一种基于粒子群改进K均值算法的负荷曲线聚类方法，其特征在于，所述基于负荷数据集预分类的类簇数目确定聚类中心个数K，采用粒子群算法进行多次迭代，获得K均值算法的K个初始聚类中心的步骤，具体为：

步骤301：初始化粒子，基于负荷数据集预分类的类簇数目随机生成K个聚类中心作为初始粒子的位置编码，随机分配粒子速度；

步骤302：多次执行步骤301，形成初始化粒子群，其中，每执行一次步骤301生成一个初始化粒子；

步骤303：按照每个粒子的位置编码，对数据对象进行聚类划分，选定适应度函数，计算每个粒子的适应度值；

步骤304：根据每个粒子的适应度值和它经历过的适应度值，确定每个粒子的个体极值；

步骤305：根据每个粒子的个体极值，确定整个粒子群的全局极值；

步骤306：按照粒子的更新速度和更新位置公式更新粒子的速度和位置，所述更新速度公式为：

V_i＝ωV_present+C₁×rand()×(P_best-X_present)+C₂×rand()×(G_best-X_present)；

所述更新位置公式为：

X_i＝X_present+V_i；

式中，V_i为第i个粒子更新后的速度，X_i为第i个粒子更新后的位置，V_present为第i个粒子当前速度，X_present为第i个粒子当前位置，ω为权重系数，C₁为个体学习因子，C₂为社会学习因子，rand()为0到1之间的随机数，P_best为第i个粒子的个体极值，G_best为当前粒子群的全局极值；

步骤307：设定适应度方差函数和最大迭代次数，计算粒子群的适应度方差值，判断适应度方差和设定阈值的大小，若适应度方差小于阈值或迭代次数大于最大迭代次数，则执行步骤308；若适应度方差大于或等于阈值并且迭代次数小于或等于最大迭代次数，则执行步骤303；

步骤308：选取整个粒子群的全局极值作为K均值算法K个初始聚类中心。