CN113688960A - 基于灰狼优化ghfcm的居民电力数据聚类方法及装置 - Google Patents

基于灰狼优化ghfcm的居民电力数据聚类方法及装置 Download PDF

Info

Publication number
CN113688960A
CN113688960A CN202111251938.7A CN202111251938A CN113688960A CN 113688960 A CN113688960 A CN 113688960A CN 202111251938 A CN202111251938 A CN 202111251938A CN 113688960 A CN113688960 A CN 113688960A
Authority
CN
China
Prior art keywords
wolf
data
clustering
fuzzy
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111251938.7A
Other languages
English (en)
Inventor
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
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Nanchang Institute of Technology
Original Assignee
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Nanchang Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd, Nanchang Institute of Technology filed Critical Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Priority to CN202111251938.7A priority Critical patent/CN113688960A/zh
Publication of CN113688960A publication Critical patent/CN113688960A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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。

Description

基于灰狼优化GHFCM的居民电力数据聚类方法及装置
技术领域
本发明涉及电力系统用电负荷领域，特别涉及一种基于灰狼优化的广义层次模糊C均值算法（GHFCM）的居民电力数据聚类方法及装置。
背景技术
随着我国经济社会从高速增长向高质量增长转型，用电结构持续优化调整，三产及居民生活用电比重不断上升，负荷尖峰化特征愈发明显。传统电力规划以最大负荷确定电源电网建设规模，存在发电和输变电设备利用率偏低、投资低效、产能浪费、推高全社会用电成本等问题，已不能完全适应新时代电力高质量发展的要求。居民用户是潜力可观的需求响应资源,其参与电力市场可带来显著的安全、经济效益,也将大幅提升分布式能源的消纳能力。国内外研究及实践经验表明，通过采取一系列源、荷资源协调控制措施，可以有效改善负荷特性，削减尖峰负荷规模，延缓电源电网投资，以较小代价满足用电需求，此外还能带来节能减排等其他额外社会效益。因此，科学合理控制尖峰负荷规模是未来电力高质量发展的重点方向。
模糊C均值算法已被广泛用于电力数据聚类分析，例如，CN104268402A公开了 一种基于模糊C均值的电力系统负荷聚类方法，其特征是所述方法包括：步骤1：确定基于负荷构成的统计综合建模理论；步骤2：在步骤1的基础上，研究负荷建模中的聚类问题之一：行业用户的初选与精选；步骤3：在步骤1的基础上，研究负荷建模中的聚类问题之二：变电站综合负荷静特性分类与综合；步骤4：在步骤2和步骤3的基础上，确定基于模糊C均值的电力系统负荷聚类算法。CN107918779A公开了一种构建多元负荷聚类模型方法包括：采集用户基本信息以及多元负荷数据；对用户基本信息以及多元负荷数据进行预处理，得到能够进行聚类分析的数据集合；对多元负荷分别进行模糊C均值聚类，确定多元负荷数据对应的多个聚类结果；根据确定聚类结果分别对多元负荷分析负荷单体特性，并进行层次聚类得到多元负荷资源聚集模型。
为了提高了聚类算法的质量，本发明提出广义层次模糊C均值（GHFCM）和灰狼优化算法（GWO）相结合的新型聚类算法应用于居民客户聚类工作，相比于传统的模糊C均值（FCM）算法，本发明进一步将考虑层次距离函数和空间约束的模糊目标函数引入居民电力数据聚类中，有效提高了常规FCM聚类算法的质量。
发明内容
针对现有技术中存在的问题，本发明的目的是提供一种基于灰狼优化的广义层次模糊C均值算法（GHFCM）的居民电力数据聚类方法及装置。
本发明提供一种基于灰狼优化的广义层次模糊C均值算法（GHFCM）的居民电力数据聚类方法，包括：
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（GWO）来选择集群的最优中心点，进行灰狼优化（GWO）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（GWO）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（GHFCM）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（GHFCM）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（GHFCM）对居民电力数据进行聚类。
进一步地，所述步骤1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
Figure 714362DEST_PATH_IMAGE001
，
Figure 937401DEST_PATH_IMAGE002
式中，数据集
Figure 766817DEST_PATH_IMAGE003
为m×n阶的矩阵，
Figure 839422DEST_PATH_IMAGE004
为数据集
Figure 412486DEST_PATH_IMAGE001
中的第
Figure 771923DEST_PATH_IMAGE005
行，第
Figure 21508DEST_PATH_IMAGE006
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
Figure 833606DEST_PATH_IMAGE003
表示成列向量的形式，即
Figure 695514DEST_PATH_IMAGE007
，
Figure 643878DEST_PATH_IMAGE008
表示
Figure 815096DEST_PATH_IMAGE003
中的第
Figure 363758DEST_PATH_IMAGE005
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
Figure 278625DEST_PATH_IMAGE009
和 特征向量，将特征值
Figure 360457DEST_PATH_IMAGE009
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
Figure 702577DEST_PATH_IMAGE010
；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：
Figure 958108DEST_PATH_IMAGE011
其中，
Figure 925933DEST_PATH_IMAGE012
为第i个有效特征的信息贡献率，1≤i≤n；
Figure 114469DEST_PATH_IMAGE013
为第i个变量的特征值；
累积贡献率:
Figure 378223DEST_PATH_IMAGE014
其中，
Figure 386630DEST_PATH_IMAGE015
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
Figure 643299DEST_PATH_IMAGE015
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
Figure 935609DEST_PATH_IMAGE016
其中
Figure 619531DEST_PATH_IMAGE017
为第i个指标
Figure 380814DEST_PATH_IMAGE018
的信息贡献率。
进一步地，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；
Figure 923397DEST_PATH_IMAGE019
其中，
Figure 86525DEST_PATH_IMAGE020
表示第
Figure 925037DEST_PATH_IMAGE005
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
Figure 908037DEST_PATH_IMAGE021
,
Figure 506508DEST_PATH_IMAGE022
用下列式子表 示；
Figure 274875DEST_PATH_IMAGE023
Figure 35021DEST_PATH_IMAGE024
Figure 20163DEST_PATH_IMAGE021
是收敛因子，在迭代过程中从2线性地减少到0，rand1、rand2是[0,1]中的随机向 量；
Figure 422326DEST_PATH_IMAGE025
是系数向量；
引入向量
Figure 294467DEST_PATH_IMAGE026
如下：
Figure 973316DEST_PATH_IMAGE027
其中
Figure 930908DEST_PATH_IMAGE028
表示猎物的位置向量，
Figure 386029DEST_PATH_IMAGE029
表示灰狼的位置向量，t是迭代次数；
Figure 112677DEST_PATH_IMAGE030
代表个体与猎物的距离；
狼的位置向量由下式计算：
Figure 480204DEST_PATH_IMAGE031
狼的等级的第一级为领导狼用
Figure 410245DEST_PATH_IMAGE032
表示，领导狼对做出最后的决定负有高度的责 任，群体中的其他动物都听从领导狼的命令；这个等级的第二级称为
Figure 154210DEST_PATH_IMAGE033
，也就是帮助领导狼 做决定的下属狼；
Figure 984632DEST_PATH_IMAGE034
为第三等级狼，这些狼只需要服从领导狼和下属狼的命令；然而，狼并 不是必须属于上述三个等级中的任何一个，当狼不是这三个等级时，狼就被称为
Figure 788640DEST_PATH_IMAGE035
；
灰狼有能力识别猎物的位置并包围它们，狩猎活动由领导狼
Figure 455244DEST_PATH_IMAGE032
引导，狼群中的
Figure 774141DEST_PATH_IMAGE033
和
Figure 209801DEST_PATH_IMAGE035
也可能偶尔参与狩猎；从数学上模拟灰狼的狩猎行为，假设
Figure 168399DEST_PATH_IMAGE032
、
Figure 322300DEST_PATH_IMAGE033
和
Figure 408067DEST_PATH_IMAGE035
对猎物的潜在位 置有更好的了解，因此，保存到目前为止获得的前三个最佳解决方案，并要求其他搜索代理 人根据最佳搜索代理的位置来更新他们的位置；
在这方面，提出了以下公式：
Figure 714546DEST_PATH_IMAGE036
Figure 860356DEST_PATH_IMAGE037
Figure 501553DEST_PATH_IMAGE038
其中，
Figure 374700DEST_PATH_IMAGE039
分别代表
Figure 784953DEST_PATH_IMAGE040
与其它个体间的距离，
Figure 849468DEST_PATH_IMAGE041
、
Figure 977961DEST_PATH_IMAGE042
、
Figure 405531DEST_PATH_IMAGE043
分 别代表
Figure 185137DEST_PATH_IMAGE040
的当前位置，
Figure 407171DEST_PATH_IMAGE044
代表当前狼的位置向量，
Figure 773692DEST_PATH_IMAGE045
是系数向量；
引入
Figure 4954DEST_PATH_IMAGE046
表示如下：
Figure 124219DEST_PATH_IMAGE047
Figure 32001DEST_PATH_IMAGE048
Figure 869507DEST_PATH_IMAGE049
Figure 386683DEST_PATH_IMAGE050
是收敛因子；
已知第t次的狼的位置，求取t+1次狼的迁移轨迹如下：
Figure 891614DEST_PATH_IMAGE051
更新
Figure 455450DEST_PATH_IMAGE052
、
Figure 295099DEST_PATH_IMAGE053
和
Figure 602584DEST_PATH_IMAGE054
，并继续这个过程，直到达到终止条件即可；
步骤2.3，GHFCM的目标函数表示为
Figure 712753DEST_PATH_IMAGE055
将上述方程改写
Figure 713070DEST_PATH_IMAGE056
式中，
Figure 525168DEST_PATH_IMAGE057
为拥有I个数据样本的数据集，
Figure 885612DEST_PATH_IMAGE058
为聚类的总数，
Figure 99555DEST_PATH_IMAGE059
为子类的总数；隶属度
Figure 270774DEST_PATH_IMAGE060
在第a个聚类中用
Figure 317971DEST_PATH_IMAGE061
表示，
Figure 967258DEST_PATH_IMAGE062
为模糊隶属函数
Figure 284975DEST_PATH_IMAGE061
的权指数；
Figure 627095DEST_PATH_IMAGE063
是满足条件
Figure 413786DEST_PATH_IMAGE064
和条件
Figure 883075DEST_PATH_IMAGE065
的子类，h是
Figure 540453DEST_PATH_IMAGE063
的权指 数，
Figure 302741DEST_PATH_IMAGE066
是管理对应点和中心点之间距离的影响的权重因素；
Figure 576728DEST_PATH_IMAGE067
是第i个数据项的邻域项；
Figure 833397DEST_PATH_IMAGE068
是最近的数据点，
Figure 624242DEST_PATH_IMAGE069
为聚类的质心；
Figure 42585DEST_PATH_IMAGE070
为子类距离函数，由欧几里得距离得出； 下面的方程给出了
Figure 318714DEST_PATH_IMAGE071
和
Figure 847916DEST_PATH_IMAGE072
的计算公式：
Figure 745465DEST_PATH_IMAGE073
Figure 616600DEST_PATH_IMAGE074
Figure 334020DEST_PATH_IMAGE075
Figure 181759DEST_PATH_IMAGE076
是满足条件
Figure 199394DEST_PATH_IMAGE077
和条件
Figure 225119DEST_PATH_IMAGE078
的子类，由此计算了相 对于空间和聚类信息的局部加权广义均值，更改的成员以及子类成员由下式确定
Figure 177638DEST_PATH_IMAGE079
Figure 579800DEST_PATH_IMAGE080
Figure 701209DEST_PATH_IMAGE081
表示与
Figure 897835DEST_PATH_IMAGE082
及权指数g相关的第
Figure 340580DEST_PATH_IMAGE083
个聚类的层次距离和空间约 束函数，
Figure 280854DEST_PATH_IMAGE084
表示与
Figure 7502DEST_PATH_IMAGE085
及权指数g相关的第p个聚类的层次距离和空间约束函 数，
Figure 889876DEST_PATH_IMAGE086
及权指数g相关的第
Figure 334764DEST_PATH_IMAGE083
个聚类第b个子类的层次距离和空间 约束函数，
Figure 813149DEST_PATH_IMAGE087
及权指数g相关的第
Figure 142106DEST_PATH_IMAGE088
个聚类第q个子类的层次距 离和空间约束函数，采用考虑层次距离函数和空间约束的模糊目标函数，提高聚类算法的 质量，通过步骤2.2中的灰狼优化算法选择最优的聚类中心点，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。
本发明还提供一种基于灰狼优化的广义层次模糊C均值算法（GHFCM）的居民电力数据聚类装置，包括：
降维模块，用于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；
聚类模块：用于基于需求响应激励机制实施前后居民用户用电行为变化数据的分析，提出广义层次模糊C均值和灰狼优化算法相结合的新型聚类算法应用于居民客户聚类工作，首先采用灰狼优化算法选择初始聚类点，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。
聚类模块中对居民电力数据进行聚类的具体步骤如下：
步骤2.1，根据降维模块得到的降维后的居民用户用电数据，构成特征向量；
Figure 680535DEST_PATH_IMAGE089
其中，
Figure 861986DEST_PATH_IMAGE090
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，利用灰狼优化算法来选择集群的最优中心点，引入系数矢量
Figure 144063DEST_PATH_IMAGE091
用 下列式子表示；
Figure 330456DEST_PATH_IMAGE092
Figure 305365DEST_PATH_IMAGE093
Figure 459266DEST_PATH_IMAGE094
在迭代过程中从2线性地减少到0，rand1、rand2是[0,1]中的随机向量；
引入向量
Figure 794302DEST_PATH_IMAGE095
如下：
Figure 350048DEST_PATH_IMAGE096
其中
Figure 495858DEST_PATH_IMAGE097
表示猎物的位置向量，
Figure 884858DEST_PATH_IMAGE098
表示灰狼的位置向量，t是迭代次数；
狼的位置向量由下式计算：
Figure 243158DEST_PATH_IMAGE099
狼的等级的第一级为领导狼用
Figure 168258DEST_PATH_IMAGE100
表示，领导狼对做出最后的决定负有高度的责 任，群体中的其他动物都听从领导狼的命令；这个等级的第二级称为
Figure 484969DEST_PATH_IMAGE101
，也就是帮助领导狼 做决定的下属狼；
Figure 613463DEST_PATH_IMAGE102
为第三等级狼，这些狼只需要服从领导狼和下属狼的命令；然而，狼并 不是必须属于上述三个等级中的任何一个，当狼不是这三个等级时，狼就被称为
Figure 791765DEST_PATH_IMAGE103
；
灰狼有能力识别猎物的位置并包围它们，狩猎活动由领导狼
Figure 790945DEST_PATH_IMAGE100
引导，狼群中的
Figure 527826DEST_PATH_IMAGE101
和
Figure 143615DEST_PATH_IMAGE103
也可能偶尔参与狩猎；从数学上模拟灰狼的狩猎行为，假设
Figure 374876DEST_PATH_IMAGE100
、
Figure 530961DEST_PATH_IMAGE101
和
Figure 923897DEST_PATH_IMAGE103
对猎物的潜在位 置有更好的了解，因此，保存到目前为止获得的前三个最佳解决方案，并要求其他搜索代理 人根据最佳搜索代理的位置来更新他们的位置；
在这方面，提出了以下公式：
Figure 276249DEST_PATH_IMAGE104
Figure 780043DEST_PATH_IMAGE105
Figure 550553DEST_PATH_IMAGE106
其中，
Figure 599543DEST_PATH_IMAGE107
分别代表
Figure 455503DEST_PATH_IMAGE108
与其它个体间的距离，
Figure 12255DEST_PATH_IMAGE109
、
Figure 106113DEST_PATH_IMAGE110
、
Figure 106430DEST_PATH_IMAGE111
分别代表
Figure 666331DEST_PATH_IMAGE108
的当前位置，
Figure 777507DEST_PATH_IMAGE112
代表当前狼的位置向量，
Figure 257030DEST_PATH_IMAGE113
是系数向 量；
引入
Figure 411936DEST_PATH_IMAGE114
表示如下：
Figure 711331DEST_PATH_IMAGE115
Figure 376930DEST_PATH_IMAGE116
Figure 445380DEST_PATH_IMAGE117
Figure 787499DEST_PATH_IMAGE118
是收敛因子。
已知第t次的狼的位置，求取t+1次狼的迁移轨迹如下：
Figure 557878DEST_PATH_IMAGE119
更新
Figure 10856DEST_PATH_IMAGE120
，并继续这个过程，直到达到终止条件即可；
步骤2.3，GHFCM的目标函数表示为
Figure 947195DEST_PATH_IMAGE121
将上述方程改写
Figure 460216DEST_PATH_IMAGE122
式中，
Figure 734202DEST_PATH_IMAGE123
为拥有I个数据样本的数据集，
Figure 974560DEST_PATH_IMAGE124
为聚类的总数，
Figure 17602DEST_PATH_IMAGE125
为 子类的总数；隶属度
Figure 452257DEST_PATH_IMAGE126
在第a个聚类中用
Figure 947960DEST_PATH_IMAGE127
表示，
Figure 992008DEST_PATH_IMAGE128
为模糊隶属函数
Figure 889557DEST_PATH_IMAGE127
的权指数；
Figure 744381DEST_PATH_IMAGE129
是满足条件
Figure 740762DEST_PATH_IMAGE130
和条件
Figure 73654DEST_PATH_IMAGE131
的子类，h是
Figure 74977DEST_PATH_IMAGE129
的权 指数，
Figure 366281DEST_PATH_IMAGE132
是管理对应点和中心点之间距离的影响的权重因素；
Figure 836577DEST_PATH_IMAGE133
是第i个数据项的邻域 项；
Figure 989472DEST_PATH_IMAGE134
是最近的数据点，
Figure 596034DEST_PATH_IMAGE135
为聚类的质心；
Figure 58239DEST_PATH_IMAGE136
为子类距离函数，由欧几里得距离得 出；下面的方程给出了
Figure 999519DEST_PATH_IMAGE137
和
Figure 939793DEST_PATH_IMAGE138
的计算公式：
Figure 414244DEST_PATH_IMAGE139
Figure 47350DEST_PATH_IMAGE140
Figure 226659DEST_PATH_IMAGE141
Figure 219892DEST_PATH_IMAGE142
是满足条件
Figure 801046DEST_PATH_IMAGE143
和条件
Figure 90207DEST_PATH_IMAGE144
的子类，由此 计算了相对于空间和聚类信息的局部加权广义均值，更改的成员以及子类成员由下式确定
Figure 22391DEST_PATH_IMAGE145
Figure 304467DEST_PATH_IMAGE146
Figure 254975DEST_PATH_IMAGE147
表示与
Figure 964305DEST_PATH_IMAGE148
及权指数g相关的第
Figure 866008DEST_PATH_IMAGE149
个聚类的层次距离和空间约 束函数，
Figure 951776DEST_PATH_IMAGE150
表示与
Figure 507522DEST_PATH_IMAGE151
及权指数g相关的第p个聚类的层次距离和空间约束函 数，
Figure 902600DEST_PATH_IMAGE086
及权指数g相关的第
Figure 543797DEST_PATH_IMAGE149
个聚类第b个子类的层次距离和空 间约束函数，
Figure 918409DEST_PATH_IMAGE152
及权指数g相关的第
Figure 594241DEST_PATH_IMAGE149
个聚类第q个子类的层 次距离和空间约束函数，采用考虑层次距离函数和空间约束的模糊目标函数，提高聚类算 法的质量，通过步骤2.2中的灰狼优化算法选择最优的聚类中心点，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。
本发明的有益效果是：
相比于传统的模糊C均值（FCM）算法，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，通过灰狼优化算法选择最优的聚类中心点，广义层次模糊C均值算法能够获得更好的性能，有效提高了常规FCM聚类算法的质量。本发明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。
附图说明
图1为本发明优选实施例中一种基于灰狼优化GHFCM的居民电力数据聚类方法的流程框图；
图2为本发明优选实施例中一种基于灰狼优化GHFCM的居民电力数据聚类装置的模块组成；
图3为电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
如图1所示，一种基于灰狼优化的广义层次模糊C均值算法（GHFCM）的居民电力数据聚类方法，
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（GWO）来选择集群的最优中心点，进行灰狼优化（GWO）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（GWO）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（GHFCM）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（GHFCM）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（GHFCM）对居民电力数据进行聚类。
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
Figure 379794DEST_PATH_IMAGE153
，
Figure 23134DEST_PATH_IMAGE154
式中，数据集
Figure 450705DEST_PATH_IMAGE155
为m×n阶的矩阵，
Figure 981043DEST_PATH_IMAGE156
为X向量中的第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，为方便计算，将数据集
Figure 950880DEST_PATH_IMAGE155
表示成列向量的形式，即
Figure 566669DEST_PATH_IMAGE157
表示数据集
Figure 781618DEST_PATH_IMAGE155
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，我们拿到的用户用电负荷数据因为各个特征的单位不同，会给数据分析造成困扰，故在进行运算之前要对数据进行预处理，去除量纲影响。采用零均值处理和标准化处理。虽然数据经过预处理后消除了量纲影响，但考虑到样本数据特征的重要程度有着差异，选择进行样本特征的协方差矩阵计算。
计算样本特征的协方差矩阵：
Figure 900884DEST_PATH_IMAGE158
Figure 310131DEST_PATH_IMAGE159
Figure 678795DEST_PATH_IMAGE160
为协方差矩阵；
Figure 182589DEST_PATH_IMAGE161
是求协方差运算；
Figure 671208DEST_PATH_IMAGE162
表示数据集
Figure 500624DEST_PATH_IMAGE155
中第i行，包含n个元 素的行向量，1≤i≤m；
通过奇异值方法对
Figure 91005DEST_PATH_IMAGE160
进行求解，得到：
Figure 146292DEST_PATH_IMAGE163
A是协方差矩阵；Q是正交矩阵，Q的列向量就是A的特征向量；D是由特征值组成的对角矩阵。
通过求解可以得到n个特征值
Figure 240150DEST_PATH_IMAGE164
，每一个
Figure 489735DEST_PATH_IMAGE165
都对应一个特征向量
Figure 301833DEST_PATH_IMAGE166
。将特征值
Figure 678588DEST_PATH_IMAGE164
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，我们会 得到一组新的特征向量组
Figure 643264DEST_PATH_IMAGE167
； 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的，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，得到降维后的新k维特征。如下式：
Figure 548903DEST_PATH_IMAGE168
Figure 97565DEST_PATH_IMAGE169
为k个新的变量指标，
Figure 746852DEST_PATH_IMAGE170
，其中1≤i≤k≤n；
Figure 80882DEST_PATH_IMAGE155
为m×n阶的矩阵；
Figure 6741DEST_PATH_IMAGE171
为
Figure 527853DEST_PATH_IMAGE155
的 协方差矩阵第i个特征值由大到小对应的特征向量，
Figure 495677DEST_PATH_IMAGE172
为特征向量
Figure 418634DEST_PATH_IMAGE171
内的第j个元素，1≤j≤n；T为转置标识符；i，j为正整数。
Figure 931655DEST_PATH_IMAGE172
满足平方和为1，即
Figure 956374DEST_PATH_IMAGE173
Figure 213043DEST_PATH_IMAGE172
为特征 向量
Figure 505353DEST_PATH_IMAGE171
内的第j个元素，1≤i≤m，1≤j≤n，i，j为正整数；
步骤1.6，再通过计算主成分的信息贡献率和累积贡献率筛选出k个主成分，按照得分值的从大到小进行选取。
信息贡献率：
Figure 189275DEST_PATH_IMAGE174
其中，
Figure 684979DEST_PATH_IMAGE012
为第i个有效特征的信息贡献率，1≤i≤n；
Figure 227562DEST_PATH_IMAGE013
为第i个变量的特征值；
累积贡献率:
Figure 125111DEST_PATH_IMAGE175
其中，
Figure 229202DEST_PATH_IMAGE015
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
Figure 477781DEST_PATH_IMAGE015
接近为1（一般要大于0.85）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
Figure 76252DEST_PATH_IMAGE176
其中
Figure 579040DEST_PATH_IMAGE017
为第i个指标
Figure 135923DEST_PATH_IMAGE018
的信息贡献率。
选取前m个主要成分就是按照
Figure 606219DEST_PATH_IMAGE177
值的大小来选取，同时要注意所选取的m个主成分 的
Figure 992070DEST_PATH_IMAGE178
值要大于0.85。
降维之后的数据集：
Figure 864211DEST_PATH_IMAGE179
其中，
Figure 326416DEST_PATH_IMAGE180
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：基于需求响应激励机制实施前后居民用户用电行为变化数据的分析，提出广义层次模糊C均值和灰狼优化算法相结合的新型聚类算法应用于居民客户聚类工作，首先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；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；
Figure 500652DEST_PATH_IMAGE181
其中，
Figure 706506DEST_PATH_IMAGE182
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，利用灰狼优化算法来选择集群的最优中心点。灰狼优化算法对参数设置 要求最小，易于实现，引入系数矢量
Figure 682421DEST_PATH_IMAGE183
,
Figure 49948DEST_PATH_IMAGE184
用下列式子表示；
Figure 494836DEST_PATH_IMAGE185
Figure 989533DEST_PATH_IMAGE186
Figure 23217DEST_PATH_IMAGE187
是收敛因子，
Figure 561646DEST_PATH_IMAGE187
在迭代过程中从2线性地减少到0，rand1、rand2是[0,1]中的随机 向量，
Figure 228251DEST_PATH_IMAGE188
是系数向量；
引入向量
Figure 523710DEST_PATH_IMAGE189
如下：
Figure 959370DEST_PATH_IMAGE190
其中
Figure 917968DEST_PATH_IMAGE191
表示猎物的位置向量，
Figure 337448DEST_PATH_IMAGE192
表示灰狼的位置向量，t是迭代次数；
Figure 423215DEST_PATH_IMAGE189
代 表个体与猎物的距离；
狼的位置向量由下式计算：
Figure 464115DEST_PATH_IMAGE193
狼的等级的第一级 为领导狼用
Figure 344346DEST_PATH_IMAGE194
表示。领导狼对做出最后的决定负有高度的责任，群体中的其他动物都听从 领导狼的命令。这个等级的第二级称为
Figure 234811DEST_PATH_IMAGE195
，也就是帮助领导狼做决定的下属狼。
Figure 950701DEST_PATH_IMAGE196
为第三等 级狼，这些狼只需要服从领导狼和下属狼的命令。然而，狼并不是必须属于上述三个等级中 的任何一个，当狼不是这三个等级时，狼就被称为
Figure 610221DEST_PATH_IMAGE197
。
灰狼有能力识别猎物的位置并包围它们。狩猎活动通常由领导狼
Figure 926933DEST_PATH_IMAGE194
引导。狼群中 的
Figure 540579DEST_PATH_IMAGE195
和
Figure 968149DEST_PATH_IMAGE197
也可能偶尔参与狩猎。然而，在一个抽象的搜索空间中，一般不知道最佳位置（猎 物）的情况。为了从数学上模拟灰狼的狩猎行为，假设
Figure 482176DEST_PATH_IMAGE194
(最佳候选方案）、
Figure 969789DEST_PATH_IMAGE195
和
Figure 319999DEST_PATH_IMAGE197
对猎物的 潜在位置有更好的了解。因此，保存到目前为止获得的前三个最佳解决方案，并要求其他搜 索代理人（包括
Figure 33484DEST_PATH_IMAGE196
）根据最佳搜索代理的位置来更新他们的位置。
在这方面，提出了以下公式：
Figure 418329DEST_PATH_IMAGE198
其中，
Figure 326111DEST_PATH_IMAGE199
分别代表
Figure 429196DEST_PATH_IMAGE200
与其它个体间的距离，
Figure 198569DEST_PATH_IMAGE201
、
Figure 923073DEST_PATH_IMAGE202
、
Figure 752489DEST_PATH_IMAGE203
分别代表
Figure 326559DEST_PATH_IMAGE200
的当前位置，
Figure 899623DEST_PATH_IMAGE204
代表当前狼的位置向量，
Figure 259060DEST_PATH_IMAGE205
是系数向量；
引入
Figure 741600DEST_PATH_IMAGE206
表示如下：
Figure 553699DEST_PATH_IMAGE207
Figure 648562DEST_PATH_IMAGE208
是收敛因子；
已知第t次的狼的位置，求取t+1次狼的迁移轨迹如下
Figure 862506DEST_PATH_IMAGE209
更新
Figure 33724DEST_PATH_IMAGE210
和
Figure 83851DEST_PATH_IMAGE211
，并继续这个过程，直到达到终止条件即可。
步骤2.3，与传统的模糊C均值（FCM）算法相比，广义层次模糊C均值算法（GHFCM）具有更好的可扩展性和逼近性。其目标函数表示为
Figure 733138DEST_PATH_IMAGE212
将上述方程改写
Figure 316435DEST_PATH_IMAGE213
式中
Figure 658555DEST_PATH_IMAGE214
为拥有I个数据样本的数据集，
Figure 179666DEST_PATH_IMAGE215
为聚类的总数，
Figure 380447DEST_PATH_IMAGE216
为 子类的总数；隶属度
Figure 568983DEST_PATH_IMAGE217
在第a个聚类中用
Figure 331271DEST_PATH_IMAGE218
表示，
Figure 339679DEST_PATH_IMAGE219
为模糊隶属函数
Figure 81501DEST_PATH_IMAGE218
的权指数；
Figure 124543DEST_PATH_IMAGE220
是满足条件
Figure 808465DEST_PATH_IMAGE221
和条件
Figure 819016DEST_PATH_IMAGE222
的子类，
Figure 613796DEST_PATH_IMAGE223
是
Figure 776924DEST_PATH_IMAGE220
的权指数；
Figure 402988DEST_PATH_IMAGE224
是管理对应点和中心点之间距离的影响的权重因素；
Figure 120408DEST_PATH_IMAGE225
是第i个数据项的邻域项；
Figure 968148DEST_PATH_IMAGE226
是 最近的数据点，
Figure 985782DEST_PATH_IMAGE227
为聚类的质心；
Figure 11507DEST_PATH_IMAGE228
为子类距离函数，由欧几里得距离得出；下面 的方程给出了
Figure 232535DEST_PATH_IMAGE229
和
Figure 369118DEST_PATH_IMAGE230
的计算公式:
Figure 490527DEST_PATH_IMAGE231
Figure 687153DEST_PATH_IMAGE232
Figure 644745DEST_PATH_IMAGE233
Figure 332822DEST_PATH_IMAGE234
是满足条件
Figure 59469DEST_PATH_IMAGE235
和条件
Figure 676264DEST_PATH_IMAGE236
的子类，由此计算 了相对于空间和聚类信息的局部加权广义均值，更改的成员以及子成员由下式确定
Figure 855573DEST_PATH_IMAGE237
Figure 350270DEST_PATH_IMAGE238
Figure 931424DEST_PATH_IMAGE239
表示与
Figure 735432DEST_PATH_IMAGE240
及权指数g相关的第
Figure 385725DEST_PATH_IMAGE241
个聚类的层次距离和空间约 束函数，
Figure 933381DEST_PATH_IMAGE242
表示与
Figure 116845DEST_PATH_IMAGE243
及权指数g相关的第p个聚类的层次距离和空间约束函 数，
Figure 826175DEST_PATH_IMAGE244
及权指数g相关的第
Figure 245655DEST_PATH_IMAGE241
个聚类第b个子类的层次距离和 空间约束函数，
Figure 315111DEST_PATH_IMAGE245
及权指数g相关的第
Figure 605278DEST_PATH_IMAGE241
个聚类第q个子类的 层次距离和空间约束函数。
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，通过步骤2.2中的灰狼优化算法选择最优的聚类中心点，广义层次模糊C均值算法能够获得更好的性能。
本发明还提供一种基于灰狼优化的广义层次模糊C均值算法的居民电力数据聚类装置，包括：
降维模块，用于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；
聚类模块：用于基于需求响应激励机制实施前后居民用户用电行为变化数据的分析，提出广义层次模糊C均值和灰狼优化算法相结合的新型聚类算法应用于居民客户聚类工作，首先采用灰狼优化算法选择初始聚类点，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。
聚类模块中对居民电力数据进行聚类的具体步骤如下：
步骤2.1，根据降维模块得到的降维后的居民用户用电数据，构成特征向量；
Figure 236241DEST_PATH_IMAGE246
其中，
Figure 611859DEST_PATH_IMAGE247
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，利用灰狼优化算法来选择集群的最优中心点，引入系数矢量
Figure 750585DEST_PATH_IMAGE248
用 下列式子表示；
Figure 895259DEST_PATH_IMAGE249
Figure 959773DEST_PATH_IMAGE250
Figure 88266DEST_PATH_IMAGE251
在迭代过程中从2线性地减少到0，rand1、rand2是[0,1]中的随机向量；
引入向量
Figure 250257DEST_PATH_IMAGE252
如下：
Figure 29864DEST_PATH_IMAGE253
其中
Figure 251897DEST_PATH_IMAGE254
表示猎物的位置向量，
Figure 618419DEST_PATH_IMAGE255
表示灰狼的位置向量，t是迭代次数；
狼的位置向量由下式计算：
Figure 849680DEST_PATH_IMAGE256
狼的等级的第一级为领导狼用
Figure 234525DEST_PATH_IMAGE257
表示，领导狼对做出最后的决定负有高度的责 任，群体中的其他动物都听从领导狼的命令；这个等级的第二级称为
Figure 142307DEST_PATH_IMAGE258
，也就是帮助领导狼 做决定的下属狼；
Figure 714234DEST_PATH_IMAGE259
为第三等级狼，这些狼只需要服从领导狼和下属狼的命令；然而，狼并 不是必须属于上述三个等级中的任何一个，当狼不是这三个等级时，狼就被称为
Figure 231410DEST_PATH_IMAGE103
；
灰狼有能力识别猎物的位置并包围它们，狩猎活动由领导狼
Figure 736340DEST_PATH_IMAGE260
引导，狼群中的
Figure 565756DEST_PATH_IMAGE258
和
Figure 139826DEST_PATH_IMAGE103
也可能偶尔参与狩猎；从数学上模拟灰狼的狩猎行为，假设
Figure 447310DEST_PATH_IMAGE260
、
Figure 557480DEST_PATH_IMAGE258
和
Figure 557797DEST_PATH_IMAGE103
对猎物的潜在位置有 更好的了解，因此，保存到目前为止获得的前三个最佳解决方案，并要求其他搜索代理人根 据最佳搜索代理的位置来更新他们的位置；
在这方面，提出了以下公式：
Figure 369895DEST_PATH_IMAGE261
其中，
Figure 730338DEST_PATH_IMAGE262
分别代表
Figure 678703DEST_PATH_IMAGE263
与其它个体间的距离，
Figure 597724DEST_PATH_IMAGE264
、
Figure 897118DEST_PATH_IMAGE265
、
Figure 811984DEST_PATH_IMAGE266
分别代表
Figure 129702DEST_PATH_IMAGE263
的当前位置，
Figure 471822DEST_PATH_IMAGE267
代表当前狼的位置向量，
Figure 258512DEST_PATH_IMAGE268
是系数向 量；
引入
Figure 727802DEST_PATH_IMAGE269
表示如下：
Figure 650758DEST_PATH_IMAGE270
Figure 413047DEST_PATH_IMAGE271
Figure 687033DEST_PATH_IMAGE272
Figure 943702DEST_PATH_IMAGE273
是收敛因子。
已知第t次的狼的位置，求取t+1次狼的迁移轨迹如下：
Figure 468968DEST_PATH_IMAGE274
更新
Figure 152891DEST_PATH_IMAGE275
，并继续这个过程，直到达到终止条件即可；
步骤2.3，GHFCM的目标函数表示为
Figure 163441DEST_PATH_IMAGE276
将上述方程改写
Figure 692642DEST_PATH_IMAGE277
式中，
Figure 855770DEST_PATH_IMAGE278
为拥有I个数据样本的数据集，
Figure 461326DEST_PATH_IMAGE279
为聚类的总数，
Figure 444326DEST_PATH_IMAGE280
为 子类的总数；隶属度
Figure 292065DEST_PATH_IMAGE281
在第a个聚类中用
Figure 309699DEST_PATH_IMAGE282
表示，
Figure 69845DEST_PATH_IMAGE062
为模糊隶属函数
Figure 287943DEST_PATH_IMAGE282
的权指数；
Figure 690106DEST_PATH_IMAGE283
是满足条件
Figure 811515DEST_PATH_IMAGE284
和条件
Figure 742561DEST_PATH_IMAGE285
的子类，h是
Figure 700153DEST_PATH_IMAGE283
的权指数，
Figure 860001DEST_PATH_IMAGE286
是管理对应点和中心点之间距离的影响的权重因素；
Figure 304758DEST_PATH_IMAGE287
是第i个数据项的邻域项；
Figure 203444DEST_PATH_IMAGE288
是最近的数据点，
Figure 382752DEST_PATH_IMAGE289
为聚类的质心；
Figure 632379DEST_PATH_IMAGE290
为子类距离函数，由欧几里得距离得出； 下面的方程给出了
Figure 213533DEST_PATH_IMAGE291
和
Figure 1229DEST_PATH_IMAGE292
的计算公式：
Figure 667834DEST_PATH_IMAGE293
Figure 700643DEST_PATH_IMAGE294
Figure 401883DEST_PATH_IMAGE295
Figure 111213DEST_PATH_IMAGE296
是满足条件
Figure 514381DEST_PATH_IMAGE297
和条件
Figure 600149DEST_PATH_IMAGE298
的子类，由此计算 了相对于空间和聚类信息的局部加权广义均值，更改的成员以及子类成员由下式确定
Figure 638118DEST_PATH_IMAGE299
Figure 783929DEST_PATH_IMAGE300
Figure 425126DEST_PATH_IMAGE301
表示与
Figure 298273DEST_PATH_IMAGE302
及权指数g相关的第
Figure 708526DEST_PATH_IMAGE303
个聚类的层次距离和空间约束 函数，
Figure 775970DEST_PATH_IMAGE304
表示与
Figure 904463DEST_PATH_IMAGE305
及权指数g相关的第p个聚类的层次距离和空间约束 函数，
Figure 332033DEST_PATH_IMAGE306
及权指数g相关的第
Figure 580481DEST_PATH_IMAGE303
个聚类第b个子类的层次距 离和空间约束函数，
Figure 68094DEST_PATH_IMAGE307
及权指数g相关的第
Figure 431686DEST_PATH_IMAGE303
个聚类第q 个子类的层次距离和空间约束函数，采用考虑层次距离函数和空间约束的模糊目标函数， 提高聚类算法的质量，通过步骤2.2中的灰狼优化算法选择最优的聚类中心点，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。
为便于对本发明的理解，结合实例对本发明一种基于灰狼优化的广义层次模糊C均值算法的居民电力数据聚类方法进行较为详细的方法过程描述：
随机选取20个有效样本（参与需求响应的居民用户用电信息）进行聚类，根据需求响应开展的进程，以需求响应时间段为核心选取了8个指标维度，如下表1所示：
Figure 662947DEST_PATH_IMAGE308
数据预处理和PCA降维后的数据如下表2所示：
Figure 47792DEST_PATH_IMAGE309
通过基于灰狼优化算法的广义层次模糊C均值聚类方法进行聚类，可以得到下表3：
Figure 424415DEST_PATH_IMAGE310
聚类中心见下表4：
Figure 527501DEST_PATH_IMAGE311
可以看出：样本1，2，3，4，5，9，10，13，14，15，16归为第一类，见下表5：
Figure 47606DEST_PATH_IMAGE312
样本11，20归为第二类，见下表6：
Figure 552537DEST_PATH_IMAGE313
样本6，7，8，12，17，18，19归为第三类，见下表7：
Figure 100062DEST_PATH_IMAGE314
如图2所示，一种基于灰狼优化算法的广义层次模糊C均值聚类装置，包括：
降维模块210，用于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；
聚类模块220：用于基于需求响应激励机制实施前后居民用户用电行为变化数据的分析，提出广义层次模糊C均值和灰狼优化算法相结合的新型聚类算法应用于居民客户聚类工作，首先采用灰狼优化算法选择初始聚类点，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。
应当理解，图2中的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述方法实施例中的一种基于灰狼优化的广义层次模糊C均值算法的居民电力数据聚类方法；
作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：
第1步 将数据进行降维处理
第2步 计算GWO的位置向量
第3步 迭代计算并更新迁移轨迹，直至达到阈值
第4步 计算GHFCM目标函数、隶属度、聚类中心和子类距离函数
第5步 判断样本的归属
第6步 迭代计算，并更新类及其子类
第7步 输出聚类结果
非易失性计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种基于灰狼优化算法的广义层次模糊C均值算法的居民电力数据聚类装置的使用所创建的数据等。此外，非易失性计算机可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至一种基于灰狼优化算法的广义层次模糊C均值算法的居民电力数据聚类装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述一种基于灰狼优化的广义层次模糊C均值算法的居民电力数据聚类方法。
图3是本发明实施例提供的电子设备的结构示意图，该设备包括：一个或多个处理器310以及存储器320，图3中以一个处理器310为例。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的非易失性计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例一种基于灰狼优化的广义层次模糊C均值算法的居民电力数据聚类方法。输入装置330可接收输入的数字或字符信息，以及产生与一种基于灰狼优化的广义层次模糊C均值算法的居民电力数据聚类装置的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于一种基于灰狼优化的广义层次模糊C均值算法的居民电力数据聚类装置中，用于客户端，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行计算机存储介质存储的指令。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

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
Figure 224163DEST_PATH_IMAGE001
，
Figure 938041DEST_PATH_IMAGE002
式中，数据集
Figure 655462DEST_PATH_IMAGE001
为m×n阶的矩阵，
Figure 972042DEST_PATH_IMAGE003
为数据集
Figure 458518DEST_PATH_IMAGE001
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
Figure 199423DEST_PATH_IMAGE001
表示成列向量的形式，即
Figure 263194DEST_PATH_IMAGE004
，
Figure 134198DEST_PATH_IMAGE005
表示
Figure 458869DEST_PATH_IMAGE001
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
Figure 248970DEST_PATH_IMAGE006
和特征 向量，将特征值
Figure 675403DEST_PATH_IMAGE006
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
Figure 333787DEST_PATH_IMAGE007
；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：
Figure 529276DEST_PATH_IMAGE008
其中，
Figure 146071DEST_PATH_IMAGE009
为第i个有效特征的信息贡献率，1≤i≤n；
Figure 918855DEST_PATH_IMAGE010
为第i个变量的特征值；
累积贡献率:
Figure 131661DEST_PATH_IMAGE011
其中，
Figure 699434DEST_PATH_IMAGE012
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
Figure 706704DEST_PATH_IMAGE012
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
Figure 232363DEST_PATH_IMAGE013
其中
Figure 232549DEST_PATH_IMAGE014
为第i个指标
Figure 402630DEST_PATH_IMAGE015
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：
Figure 95649DEST_PATH_IMAGE016
其中，
Figure 843025DEST_PATH_IMAGE017
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
Figure 663213DEST_PATH_IMAGE018
,
Figure 937069DEST_PATH_IMAGE019
用下列式子表示；
Figure 551721DEST_PATH_IMAGE020
Figure 908097DEST_PATH_IMAGE021
Figure 125452DEST_PATH_IMAGE022
是收敛因子，在迭代过程中从2线性地减少到0，rand1、rand2是[0,1]中的随机向量；
Figure 270125DEST_PATH_IMAGE023
是系数向量；
引入向量
Figure 304946DEST_PATH_IMAGE024
如下：
Figure 902281DEST_PATH_IMAGE025
其中
Figure 923326DEST_PATH_IMAGE026
表示猎物的位置向量，
Figure 906195DEST_PATH_IMAGE027
表示灰狼的位置向量，t是迭代次数；
Figure 128229DEST_PATH_IMAGE024
代表个 体与猎物的距离；
狼的位置向量由下式计算：
Figure 462127DEST_PATH_IMAGE028
狼的等级的第一级为领导狼用
Figure 162230DEST_PATH_IMAGE029
表示，领导狼对做出最后的决定负有高度的责任，群体 中的其他动物都听从领导狼的命令；这个等级的第二级称为
Figure 140550DEST_PATH_IMAGE030
，也就是帮助领导狼做决定 的下属狼；
Figure 254524DEST_PATH_IMAGE031
为第三等级狼，这些狼只需要服从领导狼和下属狼的命令；然而，狼并不是必 须属于上述三个等级中的任何一个，当狼不是这三个等级时，狼就被称为
Figure 826451DEST_PATH_IMAGE032
；
灰狼有能力识别猎物的位置并包围它们，狩猎活动由领导狼
Figure 313933DEST_PATH_IMAGE029
引导，狼群中的
Figure 412339DEST_PATH_IMAGE030
和
Figure 445017DEST_PATH_IMAGE032
也 可能偶尔参与狩猎；从数学上模拟灰狼的狩猎行为，假设
Figure 753507DEST_PATH_IMAGE029
、
Figure 795413DEST_PATH_IMAGE030
和
Figure 482746DEST_PATH_IMAGE033
对猎物的潜在位置有更 好的了解，因此，保存到目前为止获得的前三个最佳解决方案，并要求其他搜索代理人根据 最佳搜索代理的位置来更新他们的位置；
在这方面，提出了以下公式：
Figure 201172DEST_PATH_IMAGE034
其中，
Figure 747691DEST_PATH_IMAGE035
分别代表
Figure 839625DEST_PATH_IMAGE036
与其它个体间的距离，
Figure 522411DEST_PATH_IMAGE037
分别代表
Figure 287104DEST_PATH_IMAGE038
的当前位置，
Figure 304608DEST_PATH_IMAGE039
代表当前狼的位置向量，
Figure 688316DEST_PATH_IMAGE040
是系数向量；
引入
Figure 474875DEST_PATH_IMAGE041
表示如下：
Figure 410470DEST_PATH_IMAGE042
Figure 666002DEST_PATH_IMAGE043
是收敛因子；
已知第t次的狼的位置，求取t+1次狼的迁移轨迹如下：
Figure 837089DEST_PATH_IMAGE044
更新
Figure 494466DEST_PATH_IMAGE045
和
Figure 600963DEST_PATH_IMAGE046
，并继续这个过程，直到达到终止条件即可；
步骤2.3，GHFCM的目标函数表示为
Figure 861567DEST_PATH_IMAGE047
将上述方程改写
Figure 587078DEST_PATH_IMAGE048
式中，
Figure 348229DEST_PATH_IMAGE049
为拥有I个数据样本的数据集，
Figure 500993DEST_PATH_IMAGE050
为聚类的总数，
Figure 590172DEST_PATH_IMAGE051
为子 类的总数；隶属度
Figure 368641DEST_PATH_IMAGE052
在第a个聚类中用
Figure 735031DEST_PATH_IMAGE053
表示，
Figure 307964DEST_PATH_IMAGE054
为模糊隶属函数
Figure 150018DEST_PATH_IMAGE053
的权指数；
Figure 217331DEST_PATH_IMAGE055
是满足条件
Figure 708003DEST_PATH_IMAGE056
和条件
Figure 468149DEST_PATH_IMAGE057
的子类，h是
Figure 531920DEST_PATH_IMAGE058
的权指数，
Figure 652192DEST_PATH_IMAGE059
是管理 对应点和中心点之间距离的影响的权重因素；
Figure 727595DEST_PATH_IMAGE060
是第i个数据项的邻域项；
Figure 907910DEST_PATH_IMAGE061
是最近的 数据点，
Figure 458977DEST_PATH_IMAGE062
为聚类的质心；
Figure 868092DEST_PATH_IMAGE063
为子类距离函数，由欧几里得距离得出；下面的方程给 出了
Figure 312849DEST_PATH_IMAGE064
和
Figure 414797DEST_PATH_IMAGE065
的计算公式：
Figure 187581DEST_PATH_IMAGE066
Figure 652585DEST_PATH_IMAGE067
Figure 968160DEST_PATH_IMAGE068
Figure 224698DEST_PATH_IMAGE069
是满足条件
Figure 750357DEST_PATH_IMAGE070
和条件
Figure 501275DEST_PATH_IMAGE071
的子类，由此计算了相对 于空间和聚类信息的局部加权广义均值，更改的成员以及子类成员由下式确定
Figure 920624DEST_PATH_IMAGE072
Figure 98796DEST_PATH_IMAGE073
Figure 111751DEST_PATH_IMAGE074
表示与
Figure 915628DEST_PATH_IMAGE075
及权指数g相关的第
Figure 940216DEST_PATH_IMAGE076
个聚类的层次距离和空间约束函 数，
Figure 801206DEST_PATH_IMAGE077
表示与
Figure 35878DEST_PATH_IMAGE078
及权指数g相关的第p个聚类的层次距离和空间约束函数，
Figure 128599DEST_PATH_IMAGE079
及权指数g相关的第
Figure 522540DEST_PATH_IMAGE076
个聚类第b个子类的层次距离和空间约 束函数，
Figure 42514DEST_PATH_IMAGE080
及权指数g相关的第
Figure 764483DEST_PATH_IMAGE076
个聚类第q个子类的层次距离 和空间约束函数，采用考虑层次距离函数和空间约束的模糊目标函数，提高聚类算法的质 量，通过步骤2.2中的灰狼优化算法选择最优的聚类中心点，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。
4.一种基于灰狼优化GHFCM的居民电力数据聚类装置，其特征在于：包括：
降维模块，用于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；
聚类模块：用于基于需求响应激励机制实施前后居民用户用电行为变化数据的分析，提出广义层次模糊C均值和灰狼优化算法相结合的新型聚类算法应用于居民客户聚类工作，首先采用灰狼优化算法选择初始聚类点，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。
5.根据权利要求4所述的一种基于灰狼优化GHFCM的居民电力数据聚类装置，其特征在于：所述聚类模块中对居民电力数据进行聚类的具体步骤如下：
步骤2.1，根据降维模块得到的降维后的居民用户用电数据，构成特征向量；
Figure 910162DEST_PATH_IMAGE081
其中，
Figure 909342DEST_PATH_IMAGE082
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，利用灰狼优化算法来选择集群的最优中心点，引入系数矢量
Figure 115064DEST_PATH_IMAGE083
用下列式子 表示；
Figure 324329DEST_PATH_IMAGE084
Figure 758852DEST_PATH_IMAGE085
在迭代过程中从2线性地减少到0，rand1、rand2是[0,1]中的随机向量；
引入向量
Figure 864736DEST_PATH_IMAGE086
如下：
Figure 992092DEST_PATH_IMAGE087
其中
Figure 688653DEST_PATH_IMAGE088
表示猎物的位置向量，
Figure 176135DEST_PATH_IMAGE089
表示灰狼的位置向量，t是迭代次数；
狼的位置向量由下式计算：
Figure 884328DEST_PATH_IMAGE090
狼的等级的第一级为领导狼用
Figure 431852DEST_PATH_IMAGE091
表示，领导狼对做出最后的决定负有高度的责任，群 体中的其他动物都听从领导狼的命令；这个等级的第二级称为
Figure 615709DEST_PATH_IMAGE092
，也就是帮助领导狼做决 定的下属狼；
Figure 392035DEST_PATH_IMAGE093
为第三等级狼，这些狼只需要服从领导狼和下属狼的命令；然而，狼并不是 必须属于上述三个等级中的任何一个，当狼不是这三个等级时，狼就被称为
Figure 469582DEST_PATH_IMAGE094
；
狼有能力识别猎物的位置并包围它们，狩猎活动由领导狼
Figure 938740DEST_PATH_IMAGE095
引导，狼群中的
Figure 344314DEST_PATH_IMAGE092
和
Figure 436248DEST_PATH_IMAGE094
也 可能偶尔参与狩猎；从数学上模拟灰狼的狩猎行为，假设
Figure 119033DEST_PATH_IMAGE091
、
Figure 8361DEST_PATH_IMAGE092
和
Figure 901230DEST_PATH_IMAGE096
对猎物的潜在位置有 更好的了解，因此，保存到目前为止获得的前三个最佳解决方案，并要求其他搜索代理人根 据最佳搜索代理的位置来更新他们的位置；
在这方面，提出了以下公式：
Figure 19359DEST_PATH_IMAGE097
其中，
Figure 71497DEST_PATH_IMAGE098
分别代表
Figure 882459DEST_PATH_IMAGE099
与其它个体间的距离，
Figure 262624DEST_PATH_IMAGE100
分别代 表
Figure 433712DEST_PATH_IMAGE099
的当前位置，
Figure 91089DEST_PATH_IMAGE101
代表当前狼的位置向量，
Figure 325149DEST_PATH_IMAGE102
是系数向量；
引入
Figure 192611DEST_PATH_IMAGE103
表示如下：
Figure 918121DEST_PATH_IMAGE104
Figure 679273DEST_PATH_IMAGE105
Figure 832036DEST_PATH_IMAGE106
Figure 921215DEST_PATH_IMAGE107
是收敛因子；
已知第t次的狼的位置，求取t+1次狼的迁移轨迹如下：
Figure 699684DEST_PATH_IMAGE108
更新
Figure 66075DEST_PATH_IMAGE109
和
Figure 639007DEST_PATH_IMAGE110
，并继续这个过程，直到达到终止条件即可；
步骤2.3，广义模糊C均值算法的目标函数表示为
Figure 481061DEST_PATH_IMAGE111
将上述方程改写
Figure 548374DEST_PATH_IMAGE112
式中，
Figure 15609DEST_PATH_IMAGE113
为拥有I个数据样本的数据集，
Figure 634809DEST_PATH_IMAGE114
为聚类的总数，
Figure 573947DEST_PATH_IMAGE115
为子类 的总数；隶属度
Figure 428639DEST_PATH_IMAGE116
在第a个聚类中用
Figure 35201DEST_PATH_IMAGE117
表示，
Figure 215515DEST_PATH_IMAGE118
为模糊隶属函数
Figure 501003DEST_PATH_IMAGE119
的权指数；
Figure 175698DEST_PATH_IMAGE120
是 满足条件
Figure 620455DEST_PATH_IMAGE121
和条件
Figure 456824DEST_PATH_IMAGE122
的子类，h是
Figure 495187DEST_PATH_IMAGE123
的权指数，
Figure 960191DEST_PATH_IMAGE124
是管理 对应点和中心点之间距离的影响的权重因素；
Figure 10186DEST_PATH_IMAGE125
是第i个数据项的邻域项；
Figure 532303DEST_PATH_IMAGE126
是最近的 数据点，
Figure 792383DEST_PATH_IMAGE127
为聚类的质心；
Figure 808881DEST_PATH_IMAGE128
为子类距离函数，由欧几里得距离得出；下面的方程给 出了
Figure 228230DEST_PATH_IMAGE129
和
Figure 406402DEST_PATH_IMAGE130
的计算公式：
Figure 809570DEST_PATH_IMAGE131
Figure 488813DEST_PATH_IMAGE132
Figure 247822DEST_PATH_IMAGE133
Figure 132249DEST_PATH_IMAGE134
是满足条件
Figure 242287DEST_PATH_IMAGE135
和条件
Figure 725221DEST_PATH_IMAGE136
的子类，由此计算了相对于 空间和聚类信息的局部加权广义均值，更改的成员以及子类成员由下式确定
Figure 853583DEST_PATH_IMAGE137
Figure 639137DEST_PATH_IMAGE138
Figure 485739DEST_PATH_IMAGE139
表示与
Figure 506784DEST_PATH_IMAGE140
及权指数g相关的第
Figure 505964DEST_PATH_IMAGE141
个聚类的层次距离和空间约束函 数，
Figure 711687DEST_PATH_IMAGE142
表示与
Figure 530738DEST_PATH_IMAGE143
及权指数g相关的第p个聚类的层次距离和空间约束函 数，
Figure 355475DEST_PATH_IMAGE144
及权指数g相关的第
Figure 461358DEST_PATH_IMAGE141
个聚类第b个子类的层次距 离和空间约束函数，
Figure 588714DEST_PATH_IMAGE145
及权指数g相关的第
Figure 409909DEST_PATH_IMAGE141
个聚类第q 个子类的层次距离和空间约束函数，采用考虑层次距离函数和空间约束的模糊目标函数， 提高聚类算法的质量，通过步骤2.2中的灰狼优化算法选择最优的聚类中心点，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。
6.一种电子设备，其特征在于：包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至3任一项所述的基于灰狼优化GHFCM的居民电力数据聚类方法的步骤。
7.一种存储介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现权利要求1至3任一项所述的基于灰狼优化GHFCM的居民电力数据聚类方法的步骤。
CN202111251938.7A 2021-10-27 2021-10-27 基于灰狼优化ghfcm的居民电力数据聚类方法及装置 Pending CN113688960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111251938.7A CN113688960A (zh) 2021-10-27 2021-10-27 基于灰狼优化ghfcm的居民电力数据聚类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111251938.7A CN113688960A (zh) 2021-10-27 2021-10-27 基于灰狼优化ghfcm的居民电力数据聚类方法及装置

Publications (1)

Publication Number Publication Date
CN113688960A true CN113688960A (zh) 2021-11-23

Family

ID=78588254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111251938.7A Pending CN113688960A (zh) 2021-10-27 2021-10-27 基于灰狼优化ghfcm的居民电力数据聚类方法及装置

Country Status (1)

Country Link
CN (1) CN113688960A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919449A (zh) * 2021-12-15 2022-01-11 国网江西省电力有限公司供电服务管理中心 基于精准模糊聚类算法的居民电力数据聚类方法及装置
CN114897451A (zh) * 2022-07-13 2022-08-12 南昌工程学院 考虑需求响应用户关键特征的双层聚类修正方法及装置
CN115019359A (zh) * 2022-04-12 2022-09-06 重庆邮电大学 一种云用户身份识别任务分配与并行处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971363A (zh) * 2014-03-31 2014-08-06 南京信息工程大学 基于分层模糊c均值的图像分割方法
CN106789359A (zh) * 2017-02-15 2017-05-31 广东工业大学 一种基于灰狼算法的网络流量分类方法及装置
CN112289329A (zh) * 2020-10-22 2021-01-29 国网青海省电力公司海西供电公司 一种基于gwo-kfcm的高压断路器故障诊断方法
CN112767432A (zh) * 2021-02-24 2021-05-07 长沙民政职业技术学院 基于差分变异灰狼优化的核直觉模糊聚类图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971363A (zh) * 2014-03-31 2014-08-06 南京信息工程大学 基于分层模糊c均值的图像分割方法
CN106789359A (zh) * 2017-02-15 2017-05-31 广东工业大学 一种基于灰狼算法的网络流量分类方法及装置
CN112289329A (zh) * 2020-10-22 2021-01-29 国网青海省电力公司海西供电公司 一种基于gwo-kfcm的高压断路器故障诊断方法
CN112767432A (zh) * 2021-02-24 2021-05-07 长沙民政职业技术学院 基于差分变异灰狼优化的核直觉模糊聚类图像分割方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHONG GAO等: ""Daily Power Load Curves Analysis Based on Grey Wolf Optimization Clustering Algorithm"", 《PROCEEDINGS OF PURPLE MOUNTAIN FORUM 2019-INTERNATIONAL FORUM ON SMART GRID PROTECTION AND CONTROL》 *
P.EDWIN DHAS等: ""A novel clustering algorithm by clubbing GHFCM and GWO for microarray gene data"", 《THE JOURNAL OF SUPERCOMPUTING》 *
SWATI SUCHARITA等: ""A Comprehensive Study on the Application of Grey Wolf Optimization for Microarray Data"", 《HTTPS://ONLINELIBRARY.WILEY.COM/DOI/PDF/10.1002/9781119785620.CH9》 *
吴亚雄等: ""基于灰狼优化聚类算法的日负荷曲线聚类分析"", 《电力系统保护与控制》 *
徐常青等: "《数学实验与软件计算》", 31 January 2014, 中国科学技术大学出版社 *
谢亮亮等: ""基于灰狼优化的模糊C-均值聚类算法"", 《软件导刊》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919449A (zh) * 2021-12-15 2022-01-11 国网江西省电力有限公司供电服务管理中心 基于精准模糊聚类算法的居民电力数据聚类方法及装置
CN115019359A (zh) * 2022-04-12 2022-09-06 重庆邮电大学 一种云用户身份识别任务分配与并行处理方法
CN114897451A (zh) * 2022-07-13 2022-08-12 南昌工程学院 考虑需求响应用户关键特征的双层聚类修正方法及装置
CN114897451B (zh) * 2022-07-13 2022-09-13 南昌工程学院 考虑需求响应用户关键特征的双层聚类修正方法及装置

Similar Documents

Publication Publication Date Title
Cai et al. Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN106600059B (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
CN113688960A (zh) 基于灰狼优化ghfcm的居民电力数据聚类方法及装置
Kang et al. A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence
CN109871860A (zh) 一种基于核主成分分析的日负荷曲线降维聚类方法
CN104750979B (zh) 面向体系结构的综合化风险优先数计算方法
CN107203785A (zh) 多路径高斯核模糊c均值聚类算法
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN108805213B (zh) 计及小波熵降维的电力负荷曲线双层谱聚类方法
CN111460001B (zh) 一种配电网理论线损率评估方法及系统
CN109544029A (zh) 一种台区线损的分析方法、分析装置及终端
CN113837311A (zh) 一种基于需求响应数据的居民客户聚类方法及装置
CN111914900B (zh) 一种用户用电模式分类方法
CN114897451B (zh) 考虑需求响应用户关键特征的双层聚类修正方法及装置
CN116468138A (zh) 空调负荷预测方法、系统、电子设备及计算机存储介质
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN109146553A (zh) 基于多密度聚类与多核svm的实时电价预测系统及其方法
CN115566689A (zh) 一种改进天鹰优化算法优化负荷峰谷时段划分以及峰谷电价方法
Liu et al. Stock price trend prediction model based on deep residual network and stock price graph
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN114997261A (zh) 一种居民电力数据聚类方法及系统
CN110137951A (zh) 基于节点电价的市场分区方法及装置
CN108765137A (zh) 一种信贷需求预测方法和系统、存储介质
CN117034046A (zh) 一种基于isodata聚类的柔性负荷可调潜力评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20211123

RJ01 Rejection of invention patent application after publication