[發(fā)明專利]一種基于改進(jìn)文化算法的迭代自組織聚類組合算法

在審

• 申請?zhí)枺?/td>: 202110499071.0
• 申請日: 2021-05-08
• 公開（公告）號: CN113191555A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計(jì)）人: 韓堅(jiān);鄭瓊玲;肖純;李剛;黃華;汪洋;彭翔;劉璇;劉松;黎濤
• 申請（專利權(quán)）人: 國網(wǎng)江西省電力有限公司萍鄉(xiāng)供電分公司;國家電網(wǎng)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/00
• 代理公司: 萍鄉(xiāng)益源專利事務(wù)所 36119
• 代理人: 胡宜斌

本發(fā)明公開了一種基于改進(jìn)文化算法的迭代自組織聚類組合算法，包括如下步驟：S1、聚類算法，其中迭代自組織算法得到更合理的分類；S2、文化算法，進(jìn)行基因進(jìn)化操作，用適應(yīng)度函數(shù)對個(gè)體進(jìn)行評價(jià)，輸入其提供的優(yōu)秀樣本，將樣本的隱藏信息進(jìn)行顯性描述存放，對種群進(jìn)化的引導(dǎo)并更新函數(shù)更新，指導(dǎo)種群個(gè)體進(jìn)化，直到獲得最優(yōu)解；S3、評價(jià)種群空間個(gè)體，生成初始信仰空間；S4、對種群空間中每個(gè)父代個(gè)體進(jìn)行變異，生成相應(yīng)的子個(gè)體；S5、設(shè)定接收函數(shù)，并更新信仰空間；S6、若不滿足終止條件，重復(fù)步驟4，反之結(jié)束，得到最優(yōu)分類。本發(fā)明提高了電力負(fù)荷數(shù)據(jù)聚類分析的穩(wěn)定性和可靠性，對電力系統(tǒng)平穩(wěn)、安全的運(yùn)行具有重大意義。

技術(shù)領(lǐng)域：

本發(fā)明涉及電力負(fù)荷分類、數(shù)據(jù)挖掘領(lǐng)域，具體涉及一種基于改進(jìn)文化算法的迭代自組織聚類組合算法。

背景技術(shù)：

由于電力系統(tǒng)的負(fù)荷波動(dòng)頻繁，負(fù)荷種類多種多樣，且不同的地理位置、時(shí)間段、種類的負(fù)荷對應(yīng)著不同的負(fù)荷曲線，負(fù)荷曲線具有連續(xù)性和周期性的特點(diǎn)。傳統(tǒng)的負(fù)荷主要被分為工業(yè)、農(nóng)業(yè)、商業(yè)、城鄉(xiāng)居民以及其他負(fù)荷，不同類別的日負(fù)荷曲線是不同的。但隨著電力系統(tǒng)的飛速發(fā)展，新興產(chǎn)業(yè)的興起，傳統(tǒng)的負(fù)荷分類方式過于粗糙，不能滿足人們的需求，即更加細(xì)致、準(zhǔn)確、使用的數(shù)據(jù)挖掘技術(shù)的應(yīng)用。因此掌握電力系統(tǒng)的負(fù)荷曲線特性和負(fù)荷結(jié)構(gòu)組成，建立參數(shù)精準(zhǔn)、結(jié)構(gòu)合理的綜合負(fù)荷模型，對電力系統(tǒng)平穩(wěn)、安全的運(yùn)行具有重大意義。

近年來，數(shù)據(jù)挖掘(Data Mining)這一技術(shù)具有很強(qiáng)的綜合性并在其領(lǐng)域迅速發(fā)展，聚類方法是數(shù)據(jù)挖掘技術(shù)的一個(gè)重要分支。電力負(fù)荷曲線聚類算法的研究是配電大數(shù)據(jù)的基石，無論是負(fù)荷數(shù)據(jù)預(yù)處理、用電異常處理、用戶需求側(cè)管理、用電行為劃分等多種數(shù)據(jù)挖掘技術(shù)都需要用到這一技術(shù)。典型的聚類算法分三個(gè)階段：特征選擇和提取、數(shù)據(jù)相似度的計(jì)算以及依據(jù)相似度對其對象進(jìn)行分組。聚類的主要目的是將海量數(shù)據(jù)分成若干個(gè)類，同一類之間的對象有很高的相似度，而不同類中的對象相似度差異大。其中最流行的聚類算法是K-Means算法，但它的缺點(diǎn)是：初始聚類中心隨機(jī)產(chǎn)生，聚類的效果具有偶然性；本發(fā)明中使用的迭代自組織算法(ISODATA)不僅可以在聚類過程中根據(jù)各類樣本的實(shí)際情況動(dòng)態(tài)的調(diào)整聚類中心數(shù)目，還可以根據(jù)自身的需求對對象類別進(jìn)行“合并”和“分裂”，從而使得聚類結(jié)果更準(zhǔn)確，但它的缺點(diǎn)是初始化數(shù)據(jù)敏感，容易陷入局部優(yōu)化而難以獲得最優(yōu)解，因此本發(fā)明為解決上述問題提出了一種基于改進(jìn)文化算法的迭代自組織聚類組合算法。

發(fā)明內(nèi)容：

本發(fā)明針對現(xiàn)有技術(shù)存在的問題，解決了傳統(tǒng)聚類分析初始化數(shù)據(jù)敏感，容易陷入局部優(yōu)化而難以獲得最優(yōu)解，提出了一種基于文化算法的迭代自組織聚類分析方法，不僅可以對海量電力負(fù)荷數(shù)據(jù)進(jìn)行聚類分析，也提高了聚類的穩(wěn)定性和可靠性，對電力系統(tǒng)平穩(wěn)、安全的運(yùn)行具有重大意義。

為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采取如下的技術(shù)方案：

一種基于改進(jìn)文化算法的迭代自組織聚類組合算法，所述方法包括如下步驟：

S1、聚類算法可分為監(jiān)督學(xué)習(xí)聚類算法和非監(jiān)督學(xué)習(xí)聚類算法，其中迭代自組織(ISODATA)算法，不僅可以在聚類過程中根據(jù)各類樣本的實(shí)際情況動(dòng)態(tài)的調(diào)整聚類中心數(shù)目，還可以根據(jù)自身的需求對對象類別進(jìn)行“合并”和“分裂”，在速度和精度都得到了極大的提升，從而得到更合理的分類。

進(jìn)一步地，步驟1的具體實(shí)現(xiàn)：

迭代自組織算法運(yùn)行前參數(shù)設(shè)定：聚類數(shù)目H，每個(gè)聚類樣本最少樣本數(shù)量θ_K，樣本標(biāo)準(zhǔn)差(分裂系數(shù))θ_M，若大于它，則繼續(xù)分裂；聚類中心距離閾值θ_C(合并系數(shù))，若小于它，則進(jìn)行合并，迭代總次數(shù)l。

步驟1.1：輸入K個(gè)樣本數(shù)據(jù){x_i＝1,2,..,k}和隨機(jī)選出K_c初始聚類中心

步驟1.2：將K個(gè)樣本分給最近距離的聚類M_j，采用歐式距離計(jì)算樣本和聚類中心距離：