基于AHP-FCM聚類的售電側(cè)市場(chǎng)化改革進(jìn)展評(píng)估

, , , , ,

(1. 國(guó)網(wǎng)浙江省電力公司, 浙江 杭州 310007; 2. 浙江華云信息科技有限公司， 浙江 杭州 310052; 3. 國(guó)網(wǎng)浙江省電力公司經(jīng)濟(jì)技術(shù)研究院, 浙江 杭州 310000; 4. 上海電機(jī)學(xué)院 電子信息學(xué)院, 上海 201306)

在新一輪電力體制改革中，售電側(cè)的市場(chǎng)化改革是一個(gè)亮點(diǎn)，也是一個(gè)難點(diǎn)。開(kāi)放售電側(cè)市場(chǎng)可以讓用戶更加自主的選擇售電主體， 從而促使電價(jià)下調(diào)， 但同時(shí)改革也會(huì)導(dǎo)致現(xiàn)有電力市場(chǎng)利益格局的改變， 給改革帶來(lái)阻力。 為了穩(wěn)步、 順利推進(jìn)售電側(cè)的市場(chǎng)化改革， 有必要對(duì)售電側(cè)的市場(chǎng)化改革進(jìn)程開(kāi)展相關(guān)理論研究。建立售電側(cè)市場(chǎng)化改革的評(píng)價(jià)指標(biāo)體系和進(jìn)展評(píng)估模型，對(duì)售電側(cè)市場(chǎng)化改革進(jìn)行綜合評(píng)估，有利于抓住售電側(cè)市場(chǎng)化改革的重要核心，避免在改革的過(guò)程中走彎路[1-2]。

目前，針對(duì)售電側(cè)市場(chǎng)化改革進(jìn)展評(píng)估的研究較少，已有的評(píng)估指標(biāo)體系不夠全面，或缺少對(duì)評(píng)估模型的研究。文獻(xiàn)[3]中分析了售電側(cè)市場(chǎng)化改革的內(nèi)涵以及改革帶來(lái)的機(jī)遇與挑戰(zhàn)，對(duì)售電側(cè)市場(chǎng)化過(guò)渡期的問(wèn)題尚未涉及。文獻(xiàn)[4]中給出了售電側(cè)市場(chǎng)化的制度設(shè)計(jì)和建議，指出了售電側(cè)改革在電力體制改革中的定位，但也未考慮售電側(cè)市場(chǎng)化改革進(jìn)展的評(píng)估問(wèn)題。文獻(xiàn)[5]中對(duì)于售電市場(chǎng)放開(kāi)情況下的售電策略和交易談判進(jìn)行了模型搭建及優(yōu)化，但未涉及售電側(cè)市場(chǎng)化改革評(píng)估模型的研究?；谝陨嫌懻摚Y(jié)合目前售電側(cè)市場(chǎng)化改革的實(shí)際，本文中提出一種基于層次分析(analytic hierarchy process, AHP)法和模糊C均值(fuzzyC-means, FCM)聚類算法的售電側(cè)市場(chǎng)化改革進(jìn)展評(píng)估模型[6-12]。首先，分析售電側(cè)市場(chǎng)化改革的影響因素，建立全面的進(jìn)展評(píng)估指標(biāo)體系；其次，采用AHP對(duì)選取的指標(biāo)進(jìn)行分層，根據(jù)指標(biāo)的重要程度和影響力等，設(shè)置一級(jí)、二級(jí)和三級(jí)指標(biāo)，計(jì)算相應(yīng)的評(píng)定權(quán)重，同時(shí)，對(duì)影響改革進(jìn)程的關(guān)鍵指標(biāo)進(jìn)行權(quán)重優(yōu)化；最后，基于FCM聚類算法，搭建售電側(cè)市場(chǎng)化改革進(jìn)展評(píng)估模型。

1 改革進(jìn)程評(píng)估指標(biāo)體系的建立

1.1 評(píng)估指標(biāo)體系構(gòu)建

建立客觀、全面的評(píng)估指標(biāo)體系，是搭建有效評(píng)估模型的前提和基礎(chǔ)。評(píng)估指標(biāo)體系應(yīng)該能夠真實(shí)、全面地反映各市場(chǎng)分區(qū)所處的改革階段，既要考慮售電競(jìng)爭(zhēng)主體，又要考慮電力用戶。同時(shí)，指標(biāo)體系還應(yīng)該具備開(kāi)放性和成長(zhǎng)性，以適應(yīng)評(píng)估對(duì)象的進(jìn)一步發(fā)展?；谝陨峡紤]，本文中主要從售電市場(chǎng)基礎(chǔ)設(shè)施建設(shè)、售電市場(chǎng)機(jī)制建設(shè)、售電側(cè)市場(chǎng)化進(jìn)程、售電市場(chǎng)增值服務(wù)以及電力用戶反饋5個(gè)方面搭建評(píng)估指標(biāo)體系，并根據(jù)AHP法將以上5個(gè)方面作為二級(jí)指標(biāo)進(jìn)行分解，得到36個(gè)三級(jí)指標(biāo)，如表1所示。

表中所示的三層次指標(biāo)體系覆蓋了與售電主體有關(guān)的各種因素，同時(shí)還引入了用戶反饋指標(biāo)，以確保評(píng)估結(jié)果更加的客觀與真實(shí)。同時(shí)考慮到隨著售電側(cè)市場(chǎng)化程度的推進(jìn)以及新能源技術(shù)的發(fā)展，本文中還將清潔能源接入率列入了指標(biāo)體系， 用來(lái)衡量售電側(cè)市場(chǎng)化改革的可持續(xù)發(fā)展程度。

1.2 評(píng)估指標(biāo)的量化

1.2.1 量化評(píng)分標(biāo)準(zhǔn)

在售電側(cè)改革進(jìn)展指標(biāo)體系中，36個(gè)三級(jí)指標(biāo)具有不同的屬性，量化時(shí)需要綜合考慮。對(duì)于效益型指標(biāo)(如指標(biāo)1、3、4、6等)，量化值越大越好，可以對(duì)這類指標(biāo)在[0，10]區(qū)間內(nèi)打分；對(duì)于區(qū)間型指標(biāo)(如指標(biāo)16、 18、 21等)， 指標(biāo)值越接近指定區(qū)間越好，可以用百分?jǐn)?shù)來(lái)表示；而對(duì)于售電公司的被投訴率(指標(biāo)35)這種逆向指標(biāo)則要求越小越好，因此，綜合以上原則，專家根據(jù)已有的電力市場(chǎng)化改革標(biāo)準(zhǔn)和相關(guān)規(guī)范，以及具有技術(shù)前瞻性的標(biāo)準(zhǔn)，通過(guò)分段賦值量化和專家打分制的等級(jí)評(píng)價(jià)方法對(duì)各指標(biāo)評(píng)價(jià)打分，實(shí)現(xiàn)指標(biāo)的量化[13-14]。具體量化等級(jí)評(píng)分標(biāo)準(zhǔn)如表2所示。

表2 售電側(cè)市場(chǎng)化改革進(jìn)展指標(biāo)按等級(jí)分類評(píng)分標(biāo)準(zhǔn)

1.2.2 量化權(quán)重的設(shè)定

根據(jù)AHP理論，各個(gè)三級(jí)指標(biāo)受二級(jí)指標(biāo)影響， 且各指標(biāo)間相對(duì)獨(dú)立， 即， 假設(shè)各三級(jí)指標(biāo)的決策變量為x1,x2, …,xn， 則二級(jí)指標(biāo)的綜合評(píng)判函數(shù)為

y=ω1x1+ω2x2+…+ωnxn，

(1)

在x1,x2,…,xn中，任取2個(gè)值xi,xj(i≠j)，比較它們對(duì)于評(píng)判函數(shù)y的貢獻(xiàn)大小，然后按照表3所示的標(biāo)度給xi/xj賦值。

表3 層次分析標(biāo)度含義

根據(jù)表3得到三級(jí)指標(biāo)決策變量?jī)蓛杀葘?duì)后的數(shù)值，建立n階矩陣A，則三級(jí)指標(biāo)的量化權(quán)重值便可以通過(guò)以下迭代得到：

4)若數(shù)列{ek}是收斂的， 則記其極限為e， 且e=(a1,a2,…,an)；

5)得到權(quán)重系數(shù)ωi=ai,i=1,2,…,n。

根據(jù)以上步驟計(jì)算得到三級(jí)指標(biāo)的權(quán)重系數(shù)ωi后，采用同樣的步驟可以計(jì)算得到二級(jí)指標(biāo)對(duì)總目標(biāo)的排序權(quán)重，最終得到指標(biāo)體系中各指標(biāo)的權(quán)重值。

2 基于FCM聚類的進(jìn)程評(píng)估模型

2.1 FCM聚類算法

在售電側(cè)市場(chǎng)化改革進(jìn)程的指標(biāo)體系中，各指標(biāo)之間相互獨(dú)立，用來(lái)評(píng)估改革進(jìn)程時(shí)需要進(jìn)一步將大量的三級(jí)指標(biāo)進(jìn)行聚類，即先將改革劃分為不同階段，每一階段再劃分等級(jí)，最終提高評(píng)估的準(zhǔn)確性[15]。根據(jù)以上分析，可以采用FCM聚類算法來(lái)搭建改革進(jìn)程評(píng)估模型。

設(shè)待聚類的樣本X={x1,x2,…,xn}屬于P維歐式空間，xi∈P，i=1,2,…,n，將其分為C類；V={v1,v2,…,vC}為C個(gè)聚類中心點(diǎn)集；U=(uik)為隸屬度矩陣，uik表示第k個(gè)樣本在第i類中的隸屬度，且滿足定義目標(biāo)函數(shù)為

(2)

式中：

其中m∈[1,∞)是加權(quán)指數(shù)，一般取1.5≤m≤2.5。

目標(biāo)函數(shù)J(U,V)表示各類別中樣本到其所在聚類中心的加權(quán)距離平方和，其中權(quán)重是樣本xk對(duì)第i類隸屬度的m次方。通過(guò)引入J(U,V)便可以將聚類問(wèn)題轉(zhuǎn)化為求minJ(U,V)的非線性規(guī)劃問(wèn)題，經(jīng)優(yōu)化迭代求解后，得出近似最優(yōu)解U、V，便可以最終確定樣本所屬的類[16-21]。

具體的算法流程如下。

初始化： 給定聚類類別數(shù)C(數(shù)據(jù)個(gè)數(shù))， 2≤C≤n， 取模糊加權(quán)指數(shù)m=2，設(shè)定迭代停止閾值ε，一般0.001≤ε≤0.01，初始化聚類原型模式V。

步驟1) 計(jì)算或更新劃分矩陣U。

對(duì)于?i,k，如果dik>0，則有

(3)

如果?i,k，使dik=0，則有uik=1。

步驟2) 更新矩陣V。

(4)

步驟3) 計(jì)算目標(biāo)函數(shù)J(U,V)，如果J(U,V)<ε，則算法停止并輸出隸屬度矩陣U和聚類原型矩陣V，否則重復(fù)步驟1)和步驟2)。

上述算法也可以先初始化聚類中心，然后再執(zhí)行迭代過(guò)程，具體算法流程圖如圖1所示。

2.2 評(píng)估模型的搭建與仿真

將FCM算法用于售電側(cè)改革過(guò)渡期進(jìn)展評(píng)估一般可進(jìn)行2次聚類，首先初始化聚類原型，對(duì)改革劃分階段，在充分研究我國(guó)電改歷程與國(guó)外電改經(jīng)驗(yàn)的基礎(chǔ)上，根據(jù)我國(guó)當(dāng)下售電市場(chǎng)改革的內(nèi)在邏輯和改革方向，結(jié)合相關(guān)政策及改革試點(diǎn)情況，本文中將售電側(cè)改革過(guò)渡期分為3個(gè)階段，具體階段劃分見(jiàn)表4。

圖1 模糊C均值聚類算法流程圖

分析對(duì)象第一階段第二階段第三階段市場(chǎng)核心 大用戶直購(gòu)電 以理貨市場(chǎng)為核心的初級(jí)市場(chǎng)體系 不斷完善的市場(chǎng)體系;不斷豐富的市場(chǎng)主體用戶群體 符合準(zhǔn)入條件的大型工商業(yè)用戶 用戶逐步行使市場(chǎng)化自由選擇權(quán) 絕大部分用戶行使市場(chǎng)化自由選擇權(quán)售電主體 電網(wǎng)企業(yè)或擁有發(fā)電背景的售電公司為主 獨(dú)立售電公司逐步增多 多樣化的售電主體交易內(nèi)容 長(zhǎng)期合同簽訂的電量合同 向電力交易過(guò)渡 多樣化的交易品種

表中給出了市場(chǎng)核心、用戶群體、售電主體以及交易內(nèi)容4個(gè)方面在售電側(cè)改革過(guò)渡期每一階段的內(nèi)涵，具體指出了改革過(guò)渡期衍化過(guò)程中，各階段的典型特征。根據(jù)表4的階段劃分，可以在第1次聚類時(shí)確定n個(gè)市場(chǎng)(如以省為單位)的階段所屬，第2次聚類確定市場(chǎng)在具體某一階段中的等級(jí)劃分，評(píng)估模型如圖2所示。

圖2 基于模糊C均值算法的改革進(jìn)度評(píng)估模型

圖中以我國(guó)大陸31個(gè)省級(jí)行政區(qū)域?yàn)樵u(píng)估對(duì)象進(jìn)行售電側(cè)改革進(jìn)展的評(píng)估，在第1次聚類時(shí)目標(biāo)函數(shù)可取樣本點(diǎn)數(shù)n=31(即待分類市場(chǎng)數(shù))；C為預(yù)定的類別數(shù)目，因售電側(cè)市場(chǎng)化改革分為3個(gè)階段，故C=3；指標(biāo)數(shù)為36，指標(biāo)值由各省市實(shí)際數(shù)據(jù)并結(jié)合專家打分確定，用a1—a36共36組列向量來(lái)表示，并根據(jù)AHP理論計(jì)算各指標(biāo)權(quán)重；選取模糊因子m=2。在進(jìn)行第2次聚類時(shí)，n、C等參數(shù)值根據(jù)第1次聚類得到的具體結(jié)果與實(shí)際需求確定。

根據(jù)上述算法流程，用MATLAB軟件仿真得到最終的聚類中心和隸屬度值。將各市場(chǎng)分區(qū)對(duì)應(yīng)的聚類中心進(jìn)行比較，選擇隸屬度值最大的聚類中心作為該樣本點(diǎn)所屬的類別，最終確定分類結(jié)果。三聚類中心的二維仿真圖如圖3所示。由圖可以看出，采用AHP和FCM算法可以有效地對(duì)各市場(chǎng)分區(qū)聚類，從而判斷各市場(chǎng)分區(qū)所處的改革進(jìn)程。

圖3 三聚類中心的二維仿真圖

3 算例分析

以浙江、山西、海南、四川、青海、廣東、重慶等7個(gè)在經(jīng)濟(jì)基礎(chǔ)、電力供需、電網(wǎng)發(fā)展、政策機(jī)制等方面存在差異的省市為例，取2016年和售電側(cè)改革進(jìn)一步發(fā)展的2020年為分析斷面，根據(jù)該7個(gè)待評(píng)價(jià)市場(chǎng)分區(qū)的實(shí)際情況與相關(guān)數(shù)據(jù)，對(duì)改革進(jìn)展進(jìn)行評(píng)估。

3.1 2016年算例

2016年浙江、山西、海南、四川、青海、廣東、重慶等7個(gè)待評(píng)價(jià)市場(chǎng)分區(qū)在售電市場(chǎng)基礎(chǔ)設(shè)施建設(shè)、售電市場(chǎng)機(jī)制建設(shè)、售電側(cè)市場(chǎng)化進(jìn)程、售電市場(chǎng)增值服務(wù)以及電力用戶反饋5個(gè)方面的36個(gè)指標(biāo)，根據(jù)AHP理論計(jì)算得到各層指標(biāo)的排序權(quán)重，如表5所示。

本輪售電側(cè)改革自2015年啟動(dòng)以來(lái)已取得一定成果，但改革不是一蹴而就的， 從整體上看，各省市并未初步建立現(xiàn)貨電力交易市場(chǎng)，即仍處于售電側(cè)改革的第一階段。在對(duì)該7個(gè)省市進(jìn)行售電側(cè)改革進(jìn)展評(píng)估時(shí)，只進(jìn)行1次聚類分析，確定其在售電側(cè)改革第一階段中的具體等級(jí)劃分。仿真參數(shù)如下：樣本點(diǎn)數(shù)n=7，指標(biāo)數(shù)為36，類別數(shù)目C=3，選取加權(quán)指數(shù)m=2。

表5 售電側(cè)市場(chǎng)化改革進(jìn)展指標(biāo)權(quán)重分配

根據(jù)算法流程和數(shù)據(jù)設(shè)定，仿真得到2016年市場(chǎng)分區(qū)的最終聚類中心和隸屬度值，如表6所示。

根據(jù)表中的數(shù)據(jù)， 可以得到各市場(chǎng)分區(qū)所處改革進(jìn)程的仿真結(jié)果。 仿真時(shí)用數(shù)字1—7依次代替上述7個(gè)省份， 可以看出屬于第一等級(jí)的市場(chǎng)分區(qū)是廣東和重慶，第二等級(jí)的是浙江和四川，第三等級(jí)的是山西、海南和青海。

表6 2016年各市場(chǎng)分區(qū)隸屬度值

用數(shù)字1—7依次代替上述7個(gè)省份，根據(jù)表6中的數(shù)據(jù)，可以看到各市場(chǎng)分區(qū)所處的改革進(jìn)程，屬于第一等級(jí)的市場(chǎng)分區(qū)是廣東和重慶，第二等級(jí)的是浙江和四川，第三等級(jí)的是山西、海南和青海。

總體而言，所選7個(gè)省市在2016年均處于售電側(cè)市場(chǎng)化改革第一階段(大用戶直購(gòu)階段)，但改革發(fā)展的快慢有所差別，各省在第一階段中所處等級(jí)不同，按照等級(jí)由高到低劃分，大致順序?yàn)閺V東、重慶、浙江、四川、山西、海南、青海，該分析結(jié)果與實(shí)際電力市場(chǎng)情況基本吻合。

3.2 2020年算例

到2020年，經(jīng)過(guò)一段時(shí)間的售電側(cè)市場(chǎng)化改革， 因各省市基礎(chǔ)不一，發(fā)展快慢有別，很可能將呈現(xiàn)不同的改革階段(如有的省份可能已步入成熟現(xiàn)貨市場(chǎng)，有的省份還可能處于大客戶直購(gòu)階段)，故首先需要通過(guò)聚類分析確定其階段所屬，再進(jìn)行第2次聚類以確定其在售電側(cè)改革某一階段中的具體等級(jí)劃分。仿真參數(shù)仍取樣本點(diǎn)數(shù)n=7，指標(biāo)數(shù)為36，類別數(shù)目C=3，模糊因子m=2。

同2016年算例，仿真得到2020年市場(chǎng)分區(qū)的最終聚類中心和隸屬度值，如表7所示。

表7 2020年各市場(chǎng)分區(qū)隸屬度值

類似2016年，通過(guò)表7可以看出2020年屬于第一類市場(chǎng)分區(qū)的省份有浙江、廣東和重慶，屬于第二類市場(chǎng)分區(qū)的省份為山西和四川，屬于第三類市場(chǎng)分區(qū)的是海南和青海。預(yù)計(jì)在2020年，廣東、浙江、重慶已步入售電側(cè)改革第三階段，即成熟現(xiàn)貨市場(chǎng)；四川、山西處于售電側(cè)改革第二階段，即初級(jí)現(xiàn)貨市場(chǎng)；海南、青海可能仍處于售電側(cè)改革第一階段，即大用戶直購(gòu)市場(chǎng)。另外，由于仿真只取了7個(gè)省份作為樣本，因此，在第1次聚類后，各階段的樣本數(shù)量過(guò)少，對(duì)模糊聚類分析的精確度有較大影響，故不再進(jìn)行第2次聚類來(lái)確定其在售電側(cè)改革某一階段中的具體等級(jí)劃分。

4 結(jié)語(yǔ)

針對(duì)售電側(cè)市場(chǎng)化改革過(guò)渡期呈現(xiàn)出的不同特征以及出現(xiàn)的問(wèn)題，本文中構(gòu)建了改革進(jìn)展評(píng)估指標(biāo)體系，并采用AHP理論對(duì)各指標(biāo)進(jìn)行權(quán)重量化，對(duì)量化后評(píng)估指標(biāo)進(jìn)行FCM聚類，搭建售電側(cè)市場(chǎng)化改革進(jìn)展評(píng)估模型。該評(píng)估模型降低了FCM對(duì)初值的敏感度，避免陷入局部最優(yōu)，可以全面、客觀的評(píng)定改革所處的進(jìn)程，對(duì)于小樣本聚類依然具有較好的準(zhǔn)確性。仿真結(jié)果以及算例分析表明，通過(guò)將AHP與FCM聚類算法相結(jié)合，可以更加客觀、真實(shí)地對(duì)各市場(chǎng)分區(qū)所處的階段和等級(jí)進(jìn)行評(píng)估，仿真結(jié)果與各市場(chǎng)分區(qū)的實(shí)際情況基本吻合。本研究成果無(wú)論是對(duì)政府職能部門，還是對(duì)電網(wǎng)企業(yè)和電力用戶來(lái)說(shuō)，均具有較高的應(yīng)用和參考價(jià)值，對(duì)于保證改革的穩(wěn)步有序推進(jìn)具有一定的現(xiàn)實(shí)意義。

[1] 國(guó)務(wù)院. 國(guó)務(wù)院關(guān)于印發(fā)電力體制改革方案的通知(國(guó)發(fā)[2002]5號(hào))[Z/OL].[2017-01-13]. http://www.lawxp.com/statute/s1068870.html.

[2] 王金雪, 韓靜軒, 王金亮. 山東省電力消費(fèi)和經(jīng)濟(jì)發(fā)展關(guān)系的協(xié)整分析[J]. 濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2008, 22(4): 21-24.

[3] 國(guó)務(wù)院. 關(guān)于進(jìn)一步深化電力體制改革的若干意見(jiàn)(中發(fā)[2015]9號(hào))文[Z/OL].[2017-01-13]. http://www.ne21.com/news/show64828.html.

[4] 朱剛. 售電側(cè)改革的探索與思考[J]. 中國(guó)電業(yè), 2016(11): 22-23.

[5] 白楊, 謝樂(lè), 夏清,等. 中國(guó)推進(jìn)售電側(cè)市場(chǎng)化的制度設(shè)計(jì)與建議[J]. 電力系統(tǒng)自動(dòng)化, 2015, 39(14): 1-7.

[6] 李歡歡, 張晨, 吳靜,等. 售電放開(kāi)政策下發(fā)電商售電策略與交易談判優(yōu)化模型[J]. 電力建設(shè), 2017，38(3): 123-129.

[7] Public Utility Commission of Texas. Report to the 84th Texas legislature: scope of competition in electric markets in Texas[R/OL].[2017-01-13]. http://www.puc.texas.gov/industry/electric/reports/scope/2015/2015scope_elec.pdf.

[8] 楊小彬, 李和明, 尹忠東,等. 基于層次分析法的配電網(wǎng)能效指標(biāo)體系[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(21): 146-150.

[9] 喬偉峰, 曾洪云, 李云梅. 基于層次分析法的滇中經(jīng)濟(jì)區(qū)土地資源集約利用研究[J]. 南京師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 36(2): 113-118.

[10] ZHONG H, XIE L, XIA Q. Coupon incentive-based demand response: theory and case study[J]. IEEE Transactions on Power Systems, 2013, 28(2): 1266-1276.

[11] 王永欣, 張化祥, 王爽. 基于屬性加權(quán)的主成分分析算法[J]. 濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 29(6): 438-443.

[12] 李強(qiáng), 周京陽(yáng), 于爾鏗,等. 基于混合量測(cè)的電力系統(tǒng)狀態(tài)估計(jì)混合算法[J]. 電力系統(tǒng)自動(dòng)化, 2005, 29(19): 31-35.

[13] 鄭鑫, 張韌志. 一種基于模糊C均值聚類的協(xié)同過(guò)濾推薦算法[J]. 濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 30(1)：55-59.

[14] ZADEH L A. Fuzzy sets[J]. Information and Control， 1965, 8(3): 338-353.

[15] BEILMAN R, KALABA R, ZADEH L A. Abstraction and pattern classification[J]. Journal of Mathematical Analysis and Applications, 1966, 13(2): 1-7.

[16] RUSPINI E H. A new approach to clustering[J]. Information and Control, 1969, 15(8): 22-32.

[17] DUNN J C. A graph theoretic analysis of pattern classification via Tamura’s fuzzy relation[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1974, 4(3): 310-313.

[18] BEZDEK J C. A convergence theorem for the fuzzy ISODATA clustering algorithm[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1980, 2(1):1-8.

[19] WAGSTAFF K, CARDIE C, ROGERS S, et al. Constrained K-means clustering with background knowledge[C]//Proceedings of the Eighteenth International Conference on Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc., 2001: 577-584.

[20] 莊瑞格,倪澤邦,劉學(xué)藝.基于擬蒙特卡洛的K均值聚類中心初始化方法[J].濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,31(1): 36-41.

[21] 林濟(jì)鏗，劉露，張聞博,等. 基于隨機(jī)模糊聚類的負(fù)荷建模與參數(shù)辨識(shí)[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(14): 50-58.