一种基于遗传算法改进的K-means算法的用电用户聚类方法.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CN107992558A(43)申请公布日2018.05.04(21)申请号201711221757.3(22)申请日2017.11.28(71)申请人国网四川省电力公司信息通信公司地址610000四川省成都市武侯区人民南路四段63号三、四层(72)发明人刘捷潘可佳杨懿杨开琼张程(74)专利代理机构成都行之专利代理事务所(普通合伙)51220代理人梁田(51)Int.Cl.G06F17/30(2006.01)G06N3/08(2006.01)G06Q30/02(2012.01)G06Q50/06(2012.01)权利要求书2页说明书4页(54)发明名称一种基于遗传算法改进的K-means算法的用电用户聚类方法(57)摘要本发明公开了一种基于遗传算法改进的K-means算法的用电用户聚类方法，包括：对数据进行预处理并生成初始群体；计算数据的差异度，并随机选取k个点作为聚类中心并聚类；计算每个聚类的差异度；分别取每个聚类中心的坐标,聚类点平均值坐标点的个数作为特征，对K个聚类结果特征进行交叉变异，得到的新的子代作为候选的聚类结果的指标；计算聚类结果的适应度；由聚类适应度计算每个个体被选择的概率pi，筛选这一轮被选择的个体Xi并生成队列Yi；对队列Yi进行交叉运算形成新的群体X，若迭代次数满足300次则终止进化过程。本方法通过遗传算法改进始质点的分布位置来优化K-means的最终聚类结果，通过多次进化修改初始的聚类中心点，使用电用户聚类结果更为可靠。CN107992558ACN107992558A权利要求书1/2页1.一种基于遗传算法改进的K-means算法的用电用户聚类方法，其特征在于，包括以下步骤，A、对数据进行预处理并生成初始群体；B、计算数据的差异度作为初始种群的特征，并随机选取k个点作为聚类中心，根据聚类中心对数据进行聚类；C计算每个聚类的差异度；D、分别取每个聚类中心的坐标，聚类点平均值坐标，点的个数作为特征，对k个聚类结果特征进行交叉变异，得到的新的子代作为候选的聚类结果的指标；E、计算聚类结果的适应度；F、由聚类适应度计算每个个体被选择的概率pi，筛选这一轮被选择的个体Xi并生成队列Yi；G、对队列Yi进行交叉运算形成新的群体X，若迭代次数满足300次则终止进化过程；H、重复步骤C～F。2.根据权利要求1所述的一种基于遗传算法改进的K-means算法的用电用户聚类方法，其特征在于，所述数据预处理包括清理数据集中错误、数据格式不完整的数据。3.根据权利要求2所述的一种基于遗传算法改进的K-means算法的用电用户聚类方法，其特征在于，所述清理的方法具体为：删除集中错误数据、采用插值法补齐格式不完整数据。4.根据权利要求1所述的一种基于遗传算法改进的K-means算法的用电用户聚类方法，其特征在于，所述生成初始群体的方法为：对每个个体的染色体进行编码，编码为{X11、X21、…Xm1、X12、X22…Xm2、…X1k、X2k…Xmk}，其中，K为聚类中心的个数，m为每个个体的染色体的维度；每条染色体随机从数据集中抽取一个m维的数据；生成初始群体X。5.根据权利要求4所述的一种基于遗传算法改进的K-eans算法的用电用户聚类方法，其特征在于，初始群体X随机生成，随机范围为中心坐标的区间。6.根据权利要求1所述的一种基于遗传算法改进的K-means算法的用电用户聚类方法，其特征在于，所述差异度的计算方法为：判断数据样本类型，若数据都是数值型，则利用欧式距离计算；若数据是混合型，则使用采用下列公式计算：其中，t为总的可数值化的参数个数，m为第m个数值参数d(xi,m,xj,m)为点xi,m与xj,m的欧式距离，θm为第m个比例系数，i表示行数，j表示与i不同的行数。7.根据权利要求1所述的一种基于遗传算法改进的K-means算法的用电用户聚类方法，其特征在于，所述步骤E具体为：由聚类结果K个类别计算机，工作日需要的劳动量、休息日的劳动量、工作日、休息日的劳动单价以及客户等待时间计算K个类别的价值量V作为该聚类结果的适应度。2CN107992558A权利要求书2/2页8.根据权利要求1所述的一种基于遗传算法改进的K-means算法的用电用户聚类方法，其特征在于，所述步骤F具体为：根据适应度函数计算每个个体的适应度ai以得到每个个体适应度的总合A；计算每个个体被选择的概率pi；随机产生一个0到1之间的数r，当个体Xi对应的概率pi大于r时，则Xi列入交叉运算的队列Yi。9.根据权利要求1所述的一种基于遗传算法改进的K-means算法的用电用户聚类方法，其特征在于，交叉运算时，交叉率为适应度pi的立方根Pc，变异率为适应度pi的立方Pm。3CN10799255