基于决策树的模糊C聚类的负荷分类方法技术

本发明专利技术公开了一种基于决策树的模糊C聚类的负荷分类方法，包括以下步骤，步骤1，用户负荷数据采集；步骤2，以轮廓值为评价参数，采用凝聚型层次聚类算法确定最优分类数目；步骤3，根据最优分类数目，采用模糊C均值聚类算法对负荷数据进行聚类。本发明专利技术先通过凝聚型层次聚类算法确定最优分类数目，然后采用模糊C均值聚类算法对负荷数据进行聚类，有效实现了负荷分类；同时本发明专利技术有效克服了传统模糊C均值聚类算法中分类数目不易确定的问题，提高了分类精度。

【技术实现步骤摘要】
基于决策树的模糊C聚类的负荷分类方法
本专利技术涉及一种基于决策树的模糊C聚类的负荷分类方法，属于电力系统负荷分类领域。
技术介绍
发电侧和用户的需求侧能够调动更多的资源平衡电网的安全运行。但是需求侧用户种类繁多，用户的用电习惯与用户类别有极大的关系。通过一定的数学手段，将大量的用户整合为一个个不同的聚合体，针对电网实时运营的情况，合理引导不同类别的聚合体有序用电，能够产生巨大的经济效益。随着智能仪表技术的发展与推广，配电网侧用户的实时负荷数据得以采集，区别与传统的抄表采集数据，智能仪表采集的数据更加更加丰富和完善。据统计，我国重点城市智能电表的普及率已在80％以上，给用户用电数据的挖掘和用电特性的感知提供了丰富的数据来源。而未来的配电网则会更加关注个体用户的用电习惯。因此把握不同类型的用户的用电规律、感知用户的用电特性、识别用户用电模式、评估需求响应潜力和制定实时电价具有重要的意义。因此对用户负荷的聚类分析具有广泛的研究前景。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于决策树的模糊C聚类的负荷分类方法。为了达到上述目的，本专利技术所采用的技术方案是：基于决策树的模糊C聚类的负荷分类方法，包括以下步骤，步骤1，用户负荷数据采集；步骤2，以轮廓值为评价参数，采用凝聚型层次聚类算法确定最优分类数目；步骤3，根据最优分类数目，采用模糊C均值聚类算法对负荷数据进行聚类。步骤2的具体过程为，21)确定初始分类数目；22)生成树状图；23)计算轮廓值；34)判断轮廓值是否满足要求，若满足，则输出分类数目，若不满足，则从新确定分类数据，转至步骤22。轮廓值的公式为，其中，S(i′)表示第i′个负荷数据的轮廓值，a表示第i′个负荷数据与同类别负荷数据的标准化距离，b表示第i′个负荷数据与不同类别负荷数据的标准化距离。当所有轮廓值均大于0，则表示分类数目合理，否则表示还有更优的分类数目。步骤3的具体过程为，31)定义分类数c为步骤2得到的最优分类数目；32)计算聚类中心；33)修正隶属度函数和目标函数；34)当隶属度函数满足终止限度或者迭代次数达到最大的迭代次数时，停止迭代，否则转至32。当时，停止迭代；其中，εJ为终止限度，为第l迭代时第个k样本对第i个聚类中心的隶属度，为第l-1迭代时第个k样本对第i个聚类中心的隶属度。本专利技术所达到的有益效果：1、本专利技术先通过凝聚型层次聚类算法确定最优分类数目，然后采用模糊C均值聚类算法对负荷数据进行聚类，有效实现了负荷分类；2、本专利技术通过凝聚型层次聚类算法确定最优分类数目，有效克服了传统模糊C均值聚类算法中分类数目不易确定的问题，提高了分类精度。附图说明图1为本专利技术的流程图；图2为分类数为3时的轮廓值；图3为分类数为4时的轮廓值。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1所示，基于决策树的模糊C聚类的负荷分类方法，包括以下步骤：步骤1，用户负荷数据采集。步骤2，以轮廓值为评价参数，采用凝聚型层次聚类算法确定最优分类数目。具体过程为：21)确定初始分类数目；22)生成树状图；23)计算轮廓值；其中，S(i′)表示第i′个负荷数据的轮廓值，a表示第i′个负荷数据与同类别负荷数据的标准化距离，b表示第i′个负荷数据与不同类别负荷数据的标准化距离；34)判断轮廓值是否满足要求，若满足，则输出分类数目，若不满足，则从新确定分类数据，转至步骤22；即当所有轮廓值均大于0，则表示分类数目合理，否则表示还有更优的分类数目。计算最优分类数目的主要目的是为了有效克服了传统模糊C均值聚类算法中分类数目不易确定的问题。采用美国PJM电力市场的数据，选取了33个地区的24小时的负荷数据，对其进行算例分析演示。根据凝聚型层次聚类算法分析可知，分类数为3时，分类效果最优；将分类数为3和4时的轮廓值进行比较，如图2和3所示，当分类数为3时，轮廓值全部为正，且最小值都大于0.5，分类较为合理；当分类数为4时，轮廓值出现了负数，表示存在更优的分类。步骤3，根据最优分类数目，采用模糊C均值聚类算法对负荷数据进行聚类。具体过程为：31)定义分类数c为步骤2得到的最优分类数目；32)计算聚类中心；计算公式为，其中，vi为第i个聚类中心，n为样本数量，m为幂指数，uik为第个k样本对第i个聚类中心的隶属度，xk为第个k样本；33)修正隶属度函数和目标函数；隶属度函数公式为，其中，dik和djk分别为第i,j个聚类中心到第个k样本的欧氏距离。目标函数公式为，其中，J(l)(U(l),V(l))为第l迭代时的目标函数，为第l迭代时第个k样本对第i个聚类中心的隶属度；34)当隶属度函数满足终止限度εJ或者迭代次数达到最大的迭代次数时，停止迭代，否则转至32；其中，当时，停止迭代；为第l-1迭代时第个k样本对第i个聚类中心的隶属度。上述方法先通过凝聚型层次聚类算法确定最优分类数目，然后采用模糊C均值聚类算法对负荷数据进行聚类，有效实现了负荷分类；同时该方法有效克服了传统模糊C均值聚类算法中分类数目不易确定的问题，提高了分类精度。以上所述仅是本专利技术的优选实施方式，应当指出，对于本
的普通技术人员来说，在不脱离本专利技术技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.基于决策树的模糊C聚类的负荷分类方法，其特征在于：包括以下步骤，步骤1，用户负荷数据采集；步骤2，以轮廓值为评价参数，采用凝聚型层次聚类算法确定最优分类数目；步骤3，根据最优分类数目，采用模糊C均值聚类算法对负荷数据进行聚类。

【技术特征摘要】
1.基于决策树的模糊C聚类的负荷分类方法，其特征在于：包括以下步骤，步骤1，用户负荷数据采集；步骤2，以轮廓值为评价参数，采用凝聚型层次聚类算法确定最优分类数目；步骤3，根据最优分类数目，采用模糊C均值聚类算法对负荷数据进行聚类。2.根据权利要求1所述的基于决策树的模糊C聚类的负荷分类方法，其特征在于：步骤2的具体过程为，21)确定初始分类数目；22)生成树状图；23)计算轮廓值；34)判断轮廓值是否满足要求，若满足，则输出分类数目，若不满足，则从新确定分类数据，转至步骤22。3.根据权利要求1所述的基于决策树的模糊C聚类的负荷分类方法，其特征在于：轮廓值的公式为，其中，S(i′)表示第i′个负荷数据的轮廓值，a表示第i′个负荷数据与同类别负荷数据的标准化距离，b表示第i...

【专利技术属性】
技术研发人员：王敏，姜远志，石逸，赵康宁，吕龙祥，李明，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32