本發(fā)明涉及負(fù)荷分類
技術(shù)領(lǐng)域：
，具體為一種基于模糊c均值聚類分析的臺(tái)區(qū)負(fù)荷精確分類方法。
背景技術(shù)：
：負(fù)荷分類對(duì)電力系統(tǒng)的經(jīng)濟(jì)分析、運(yùn)行和規(guī)劃都具有重要意義，尤其是隨著電力市場(chǎng)的不斷發(fā)展、以及電力需求側(cè)管理技術(shù)的廣泛應(yīng)用，負(fù)荷分類已經(jīng)成為電價(jià)制定、負(fù)荷預(yù)測(cè)、系統(tǒng)規(guī)劃、負(fù)荷建模等工作的重要基礎(chǔ)。供電部門(mén)傳統(tǒng)的負(fù)荷分類方法，往往是依據(jù)用戶的經(jīng)濟(jì)活動(dòng)特點(diǎn)進(jìn)行劃分，帶有一定的主觀性。由于設(shè)備構(gòu)成、生活習(xí)慣等因素的影響，具有相同經(jīng)濟(jì)活動(dòng)特點(diǎn)的用戶，其負(fù)荷特性也并不完全一致。因此深入探討更為科學(xué)準(zhǔn)確的負(fù)荷分類方法，具有重要的理論意義和實(shí)用價(jià)值。目前很多研究都采用灰色關(guān)聯(lián)聚類法，該方法能夠準(zhǔn)確地提取同類負(fù)荷的共同本質(zhì)特征，不僅對(duì)于以變電站負(fù)荷構(gòu)成比例為基本特征量的分類、綜合有效，而且也可以推廣到行業(yè)典型用戶的篩選，還可應(yīng)用于基于量測(cè)的負(fù)荷動(dòng)特性分類與綜合，但該算法計(jì)算量較大；有些人采用ward方法，該方法最終聚類數(shù)目的確定需要根據(jù)結(jié)果和經(jīng)驗(yàn)進(jìn)行選??；密度梯度算法能夠識(shí)別任意形狀的類，但無(wú)法保證不同的擾動(dòng)強(qiáng)度對(duì)聚類結(jié)果的影響；還有好多人都是對(duì)用戶的負(fù)荷分類，采用模糊聚類算法，該算法對(duì)孤立點(diǎn)比較敏感，能夠識(shí)別出具有特殊性的樣本，可以將最大最小距離作為相似性度量進(jìn)行聚類分析；或者采用神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類分析，從而得到各類的典型負(fù)荷曲線，再根據(jù)典型負(fù)荷曲線疊加得到總負(fù)荷曲線。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于提供一種基于模糊c均值聚類分析的臺(tái)區(qū)負(fù)荷精確分類方法，在比較分析多種聚類有效性函數(shù)基礎(chǔ)上，優(yōu)選出最合適的一種——p′(u；c)用以判斷負(fù)荷分類結(jié)果；進(jìn)一步，從實(shí)際量測(cè)的用戶日負(fù)荷曲線中提取關(guān)鍵的負(fù)荷特征向量，利用模糊c均值聚類算法進(jìn)行聚類分析，保證劃分到同一類中的負(fù)荷具有較高的一致性，以解決上述
背景技術(shù)：
中提出的問(wèn)題。為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于模糊c均值聚類分析的臺(tái)區(qū)負(fù)荷精確分類方法，包括以下步驟：s1：選擇足夠平常的一日的48點(diǎn)負(fù)荷曲線，進(jìn)行預(yù)處理，包括去除壞數(shù)據(jù)以及歸一化；s2：采用fcm聚類算法實(shí)現(xiàn)對(duì)臺(tái)區(qū)的劃分，并采用聚類有效性函數(shù)p′(u；c)判斷負(fù)荷分類的最佳結(jié)果；s3：確定每一種類型負(fù)荷的典型日負(fù)荷曲線及其分類中所包含的臺(tái)區(qū)。優(yōu)選的，在步驟s2中，在對(duì)樣本數(shù)據(jù)的分類應(yīng)用中，模糊c均值(fcm)算法將n個(gè)樣本的特征向量xi(i＝1,2,…n)分為nc個(gè)類，然后求每類的聚類中心，使得用隸屬度函數(shù)和距離定義的聚類目標(biāo)函數(shù)j達(dá)到最??；fcm用模糊方法劃分，對(duì)于每個(gè)給定的樣本用區(qū)間(0,1)中的隸屬度值來(lái)確定其相似與各類的程度；為了能夠應(yīng)用模糊劃分方法，隸屬矩陣u中的元素取值應(yīng)在區(qū)間(0,1)上，加上歸一化的規(guī)定，要求每個(gè)樣本對(duì)各類的隸屬度之和為1，即因此，引入歐氏距離概念定義的目標(biāo)函數(shù)為式中，u為隸屬度矩陣，uij∈(0,1)表示第j個(gè)樣本對(duì)于第i類的隸屬度；xci表示類別i的聚類中心；dij＝||xci-xj||為聚類中心xci與樣本j之間的歐氏距離；m表示加權(quán)指數(shù)，取m的值為2，綜合式(1)和(2)再利用拉格朗日變換即可得到使得式(2)達(dá)到最小值的必要條件：在設(shè)定聚類數(shù)目nc后，可以用迭代的方法求解式(3)和(4)，得到各類別的聚類中心xci和隸屬度矩陣u，具體步驟為：1)初始化隸屬度矩陣u，使其滿足式(1)的約束條件；2)依據(jù)式(3)，計(jì)算nc的聚類中心xci，i＝1,2,…,nc；3)依據(jù)式(1)就算目標(biāo)函數(shù)值，如果它小于某個(gè)確定的閥值或者達(dá)到設(shè)定的迭代次數(shù)，則停止計(jì)算；4)否則，利用式(4)計(jì)算新的隸屬度矩陣u，返回第2)步。優(yōu)選的，在步驟s3中，聚類有效性函數(shù)p′(u；c)的定義為：其中，n為樣本數(shù)目；xi為樣本，i＝1,2,…,n；c為聚類數(shù)目；vj為第j個(gè)聚類中心，j＝1,2,…,c；u為隸屬度矩陣；為可能性劃分系數(shù)；為所有樣本到v0的距離之和；為樣本的中心；當(dāng)p′(u；c)取得最大值時(shí)，即可得到劃分?jǐn)?shù)據(jù)的最佳分類結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本基于模糊c均值聚類分析的臺(tái)區(qū)負(fù)荷精確分類方法，在比較分析多種聚類有效性函數(shù)基礎(chǔ)上，優(yōu)選出最合適的一種——p′(u；c)用以判斷負(fù)荷分類結(jié)果；進(jìn)一步，從實(shí)際量測(cè)的用戶日負(fù)荷曲線中提取關(guān)鍵的負(fù)荷特征向量，利用模糊c均值聚類算法進(jìn)行聚類分析，保證劃分到同一類中的負(fù)荷具有較高的一致性.附圖說(shuō)明圖1為本發(fā)明的系統(tǒng)流程圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行親楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。實(shí)施例一：請(qǐng)參閱圖1，本發(fā)明提供一種技術(shù)方案：一種基于模糊c均值聚類分析的臺(tái)區(qū)負(fù)荷精確分類方法，包括以下步驟：s1：選擇足夠平常的一日的48點(diǎn)負(fù)荷曲線，進(jìn)行預(yù)處理，包括去除壞數(shù)據(jù)以及歸一化；s2：采用fcm聚類算法實(shí)現(xiàn)對(duì)臺(tái)區(qū)的劃分，并采用聚類有效性函數(shù)p′(u；c)判斷負(fù)荷分類的最佳結(jié)果；在對(duì)樣本數(shù)據(jù)的分類應(yīng)用中，模糊c均值(fcm)算法將n個(gè)樣本的特征向量xi(i＝1,2,…n)分為nc個(gè)類，然后求每類的聚類中心，使得用隸屬度函數(shù)和距離定義的聚類目標(biāo)函數(shù)j達(dá)到最?。籪cm用模糊方法劃分，對(duì)于每個(gè)給定的樣本用區(qū)間(0,1)中的隸屬度值來(lái)確定其相似與各類的程度；為了能夠應(yīng)用模糊劃分方法，隸屬矩陣u中的元素取值應(yīng)在區(qū)間(0,1)上，加上歸一化的規(guī)定，要求每個(gè)樣本對(duì)各類的隸屬度之和為1，即因此，引入歐氏距離概念定義的目標(biāo)函數(shù)為式中，u為隸屬度矩陣，uij∈(0,1)表示第j個(gè)樣本對(duì)于第i類的隸屬度；xci表示類別i的聚類中心；dij＝||xci-xj||為聚類中心xci與樣本j之間的歐氏距離；m表示加權(quán)指數(shù)，取m的值為2，綜合式(1)和(2)再利用拉格朗日變換即可得到使得式(2)達(dá)到最小值的必要條件：在設(shè)定聚類數(shù)目nc后，可以用迭代的方法求解式(3)和(4)，得到各類別的聚類中心xci和隸屬度矩陣u，具體步驟為：1)初始化隸屬度矩陣u，使其滿足式(1)的約束條件；2)依據(jù)式(3)，計(jì)算nc的聚類中心xci，i＝1,2,…,nc；3)依據(jù)式(1)就算目標(biāo)函數(shù)值，如果它小于某個(gè)確定的閥值或者達(dá)到設(shè)定的迭代次數(shù)，則停止計(jì)算；4)否則，利用式(4)計(jì)算新的隸屬度矩陣u，返回第2)步s3：確定每一種類型負(fù)荷的典型日負(fù)荷曲線及其分類中所包含的臺(tái)區(qū)；聚類有效性函數(shù)p′(u；c)的定義為：其中，n為樣本數(shù)目；xi為樣本，i＝1,2,…,n；c為聚類數(shù)目；vj為第j個(gè)聚類中心，j＝1,2,…,c；u為隸屬度矩陣；為可能性劃分系數(shù)；為所有樣本到v0的距離之和；為樣本的中心；當(dāng)p′(u；c)取得最大值時(shí)，即可得到劃分?jǐn)?shù)據(jù)的最佳分類結(jié)果；1)gauss數(shù)據(jù)驗(yàn)證，gauss數(shù)據(jù)是由正態(tài)分布產(chǎn)生的四維數(shù)據(jù)，均值位置分別為：u1＝(3,0,0,0,)、u2＝(0,3,0,0)、u1＝(0,0,3,0)、u1＝(0,0,0,3)，各維方差均為1.0，沒(méi)類含100個(gè)樣本，分類結(jié)果如下表所示：表1gauss數(shù)據(jù)分類結(jié)果c2345678910p′(u；c)1.0261.1671.2171.1781.0180.9531.0491.0710.992p′(u；c)在c＝4時(shí)有最大值，與數(shù)據(jù)的實(shí)際分布相一致。2)iris數(shù)據(jù)驗(yàn)證采用150個(gè)樣本的iris測(cè)試數(shù)據(jù)進(jìn)行有效性驗(yàn)證，驗(yàn)證結(jié)果如下：fcm聚類(表2)表2iris數(shù)據(jù)fcm結(jié)果p′(u；c)函數(shù)驗(yàn)證(表3)表3iris數(shù)據(jù)的p′(u；c)函數(shù)值c2345678910p′(u；c)1.0951.3810.9110.4650.6800.6790.6290.7380.605p′(u；c)在c＝3時(shí)有最大值，與數(shù)據(jù)的實(shí)際分布相一致。3)wine數(shù)據(jù)驗(yàn)證wine數(shù)據(jù)由13維空間中的148個(gè)樣本構(gòu)成，分別隸屬于3個(gè)類別，每類48個(gè)樣本；fcm聚類(表4)表4wine數(shù)據(jù)fcm結(jié)果p′(u；c)函數(shù)驗(yàn)證(表5)表5wine數(shù)據(jù)的p′(u；c)函數(shù)值p′(u；c)在c＝3時(shí)有最大值，與數(shù)據(jù)的實(shí)際分布相一致。4)結(jié)論由以上可以看出，聚類有效性函數(shù)p′(u；c)對(duì)gauss數(shù)據(jù)、iris數(shù)據(jù)以及wine數(shù)據(jù)的結(jié)果判斷都是正確的，得到了與實(shí)際相一致的最佳分類結(jié)果；因此p′(u；c)作為一種判斷聚類最佳數(shù)目的方法時(shí)有效的和可行的。實(shí)施例二：本發(fā)明提供一種具體實(shí)例說(shuō)明：以2016年7月26號(hào)江西贛州信豐縣臺(tái)區(qū)負(fù)荷數(shù)據(jù)，運(yùn)用matlab進(jìn)行數(shù)據(jù)處理，經(jīng)過(guò)運(yùn)算，選取最佳分類數(shù)14，可得分類結(jié)果圖及分類臺(tái)區(qū)；所表示的分類地區(qū)為：所表示的分類地區(qū)為：所表示的分類地區(qū)為：高橋110kv變電站10kv高富線極富公變高橋110kv變電站10kv高農(nóng)線高橋二公變高橋110kv變電站10kv高富線上壩二公變高橋110kv變電站10kv高農(nóng)線高橋移民公變高橋110kv變電站10kv高羅線小江老圩二號(hào)公變大塘35kv變電站10kv大新線大塘廟下公變高橋110kv變電站10kv高羅線小江圳下村部公變大塘35kv變電站10kv大新線大塘圩鎮(zhèn)三公變大塘35kv變電站10kv大洋線萬(wàn)星一公變所表示的分類地區(qū)為：所表示的分類地區(qū)為：大橋110kv變電站10kv橋陂線古陂圩內(nèi)公變大塘35kv變電站10kv大新線大塘圩五公變大塘35kv變電站10kv大新線大塘圩鎮(zhèn)二公變大塘35kv變電站10kv大新線老派出所公變所表示的分類地區(qū)為：所表示的分類地區(qū)為：所表示的分類地區(qū)為：最終得到了更為準(zhǔn)確的臺(tái)區(qū)負(fù)荷分類，為分析臺(tái)區(qū)負(fù)荷各種類型的問(wèn)題提供了有意義的指導(dǎo)作用。綜上所述：本基于模糊c均值聚類分析的臺(tái)區(qū)負(fù)荷精確分類方法，在比較分析多種聚類有效性函數(shù)基礎(chǔ)上，優(yōu)選出最合適的一種——p′(u；c)用以判斷負(fù)荷分類結(jié)果；進(jìn)一步，從實(shí)際量測(cè)的用戶日負(fù)荷曲線中提取關(guān)鍵的負(fù)荷特征向量，利用模糊c均值聚類算法進(jìn)行聚類分析，保證劃分到同一類中的負(fù)荷具有較高的一致性。以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)12