[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

说明书

本申请属于电力系统分析与控制技术领域，提供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，所述一种基于粒子群改进K均值算法的负荷曲线聚类方法包括：获取多个用户的原始负荷曲线负荷并进行预处理，获得负荷数据集；采用粒子群算法获得K均值算法的M个初始聚类中心；将数据对象分配到最近的聚类中心，获得M个相应的类簇；分别计算每个类簇中所有数据对象属性值均值，获得M个新聚类中心；根据每个类簇的新聚类中心和初始聚类中心是否相同来选择是否更新初始聚类中心；将新聚类中心作为K均值算法的最终聚类中心。上述基于粒子群改进K均值算法的负荷曲线聚类方法有效提高了日负荷曲线聚类方法的准确性和收敛速度。

技术领域

本申请属于电力系统分析与控制技术领域，具体涉及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。

背景技术

随着智能电网建设的不断推进，数据采集设备可以收集到大量用户的用电情况。不同类型的用户，如民用、商业、工业和农业等，在电力消费模式上存在很大的差异，即使是同一类型的用户，他们的用电模式也可能不一样。如何采取有效的数据挖掘技术，在大数据背景下对不同类型的海量用户负荷曲线数据进行精细化划分，从而挖掘出不同类型负荷间的内在联系及对应的用电行为和用电特性等信息，无疑对负荷预测、电网规划和需求侧响应均有一定的指导意义。

传统的负荷曲线聚类方法主要包括基于原始负荷数据的直接聚类方法和基于降维的间接聚类方法，直接聚类方法通常是将负荷曲线各采样时刻点的负荷值经归一化后，采用K均值、模糊C均值和自组织映射等算法进行聚类，K均值算法是一种快速易实现，效果良好的聚类算法。但传统的K均值算法存在两个固有的缺点，一方面对于随机的初始值选择可能会导致不同的聚类结果，甚至存在无解的情况，第二方面K均值算法是基于梯度下降的算法，因此不可避免地常常陷入局部最优解。

为了克服K均值算法的上述缺陷，可以结合遗传算法对K均值算法进行改进，例如，以K均值算子来代替遗传算法中的交叉算子，提出了一种混合遗传聚类算法。还可以采用聚类中心的浮点编码方式，并设计了浮点数交叉和变异算法来提高搜索效率。

然而，当样本数目、样本维度和样本类别数较大时，上述两种方法常常出现过早的收敛于局部极优的现象，当算法出现早熟时，仅仅依靠较小的变异概率很难从局部极优点跳出，而且由于进化算法在进化过程中可能会产生退化现象，将导致迭代次数过长以及聚类准确率不高。

发明内容

本申请提供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，以提供一种准确率更高的日负荷曲线聚类方法及系统。

本申请第一方面提供一种基于粒子群改进K均值算法的负荷曲线聚类方法，所述一种基于粒子群改进K均值算法的负荷曲线聚类方法包括：

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M，采用粒子群算法进行多次迭代，获得K均值算法的M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M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。