基于灰狼优化GHFCM的居民电力数据聚类方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113688960A(43)申请公布日2021.11.23(21)申请号202111251938.7(51)Int.Cl.(22)申请日2021.10.27G06K9/62(2006.01)G06N3/00(2006.01)(71)申请人南昌工程学院G06Q30/02(2012.01)地址330000江西省南昌市高新区天祥大G06Q50/06(2012.01)道289号申请人国网江西省电力有限公司供电服务管理中心(72)发明人康兵舒骁骁卢婕刘向向丁贵立韩威许志浩王宗耀冯颖田静张亚楠朱卓航熊茹俞林刚刘丽蕴郑宜超(74)专利代理机构南昌丰择知识产权代理事务所(普通合伙)36137代理人吴称生权利要求书8页说明书23页附图2页(54)发明名称基于灰狼优化GHFCM的居民电力数据聚类方法及装置(57)摘要本发明公开了一种基于灰狼优化GHFCM的居民电力数据聚类方法及装置，该方法包括：步骤1：根据居民用户的用电特性，利用相关特性指标对用户的电量数据进行降维处理；步骤2：首先采用灰狼优化算法（GWO）选择初始聚类点，然后利用广义层次模糊C均值算法（GHFCM）对居民电力数据进行聚类。本发明采用考虑层次距离函数和空间约束的模糊目标函数，有助于提高聚类算法的质量。并将聚合理论方法用于参与需求响应的居民用户分类中，为电网侧针对不同用户定制异质性电力套餐的过程提供科学的依据。CN113688960ACN113688960A权利要求书1/8页1.一种基于灰狼优化GHFCM的居民电力数据聚类方法，其特征在于：包括以下步骤：步骤1、首先输入居民用户电力数据，然后利用特性指标实现数据降维得到数据分析矩阵；步骤2、采用灰狼优化算法选择初始聚类点，然后利用广义模糊C均值算法对居民电力数据进行聚类：利用灰狼优化算法来选择集群的最优中心点，进行灰狼优化位置迭代计算，找出最优的位置，判断迭代次数是否达到阈值以及判断迭代的位置向量是否达到要求，若否，则继续进行灰狼优化位置迭代计算；若是，则输出向量作为广义层次模糊C均值的初始聚类中心，然后以广义层次模糊C均值的目标函数最小为目标进行迭代计算，计算相对于空间和聚类信息的局部加权广义均值，通过子类计算公式计算子类相关参数，判断迭代次数是否达到阈值以及判断局部加权广义均值和子类参数的计算是否达到标准，若否，则继续以广义层次模糊C均值的目标函数最小为目标进行迭代计算；若是，则输出结果，然后利用广义层次模糊C均值算法对居民电力数据进行聚类。2.根据权利要求1所述的一种基于灰狼优化GHFCM的居民电力数据聚类方法，其特征在于：所述步骤1的具体实现方法如下：步骤1.1，对目标台区居民用户同一时间段内用电负荷进行负荷特性普查，通过对目标台区的HPLC智能电表进行数据读取，获得用户的用电数据，得到负荷特性数据；步骤1.2，数据准备，清除异常数据，对数据进行预处理，得到N个样本的居民用户用电数据集，式中，数据集为m×n阶的矩阵，为数据集中的第i行，第j列的元素，其中1≤i≤m，1≤j≤n，m为矩阵的行数，n为矩阵的列数；步骤1.3，将数据集表示成列向量的形式，即，表示中的第i行，包含n个元素的行向量，T表示向量的转置；步骤1.4，选择计算样本特征的协方差矩阵，并对矩阵进行奇异值求解特征值和特征向量，将特征值按照从大到小的顺序排序，选择最大的前k个并将其相对应的k个特征向量拿出来，得到一组新的特征向量组；其中特征向量组中的向量是经过PCA主成分分析投影降维后得到，按照贡献值的从大到小排序，剔除掉贡献值低的指标，留下来的贡献度高的指标即重要的、对结果有主要影响的指标变量就是降维后留在特征向量组中的向量；步骤1.5，将原始特征投影到选取的特征向量上，得到降维后的k维特征；步骤1.6，计算主成分的综合得分：通过计算主成分的信息贡献率和累积贡献率筛选出主成分，按照得分值的从大到小进行选取；信息贡献率：2CN113688960A权利要求书2/8页其中，为第i个有效特征的信息贡献率，1≤i≤n；为第i个变量的特征值；累积贡献率:其中，为累积贡献率；m为有效特征值的个数；n为所有特征值的个数；i为1到m的正整数，j为1到n的正整数;当接近为1时，则选择前m个指标变量为m个主成分代替原来的n个指标；计算综合得分其中为第i个指标的信息贡献率。3.根据权利要求1所述的一种基于灰狼优化GHFCM的居民电力数据聚类方法，其特征在于：所述步骤2的具体实现方法如下：步骤2.1，根据步骤1得到的降维后的居民用户用电数据，构成特征向量：其中，表示第i个样本的特征指标构成,m是样本的个数，n是指标的个数；步骤2.2，利用GWO来选择集群的最优中心点，引入系数矢量,用下列式子表示；是收敛因子，在迭