優(yōu)化模糊C 均值聚類的臺(tái)區(qū)用戶用電特征分析方法

雷光遠(yuǎn)，張 濤，唐永聰，梁 特，舒可心

（國(guó)網(wǎng)天津市電力公司寶坻供電分公司，天津 301899）

隨著智能電表的廣泛應(yīng)用，負(fù)荷側(cè)用戶電力數(shù)據(jù)得以大量采集，為用電行為感知提供了海量的數(shù)據(jù)基礎(chǔ)，這些海量數(shù)據(jù)也將電力系統(tǒng)推向了大數(shù)據(jù)時(shí)代[1]。應(yīng)用蓬勃發(fā)展的人工智能技術(shù)，通過(guò)對(duì)其進(jìn)行數(shù)據(jù)挖掘和分析，能夠有效獲知用戶用電特征，為實(shí)現(xiàn)負(fù)荷預(yù)測(cè)、指導(dǎo)電力價(jià)格制定和提供供給側(cè)差異化服務(wù)提供依據(jù)[2]。在預(yù)測(cè)方面，通過(guò)用戶用電行為聚類分析建立預(yù)測(cè)模型，疊加各類用戶負(fù)荷預(yù)測(cè)結(jié)果可以提高用戶聚合體負(fù)荷預(yù)測(cè)精度[3]；在電力營(yíng)銷服務(wù)方面，存在服務(wù)模式單一，用戶體驗(yàn)差的問(wèn)題，通過(guò)電力用戶聚類畫像，制定差異化的營(yíng)銷服務(wù)策略，可以提高電力用戶的滿意度[4]。此外，新能源入網(wǎng)、儲(chǔ)能優(yōu)化配置、潮流優(yōu)化、電碳分析等配電網(wǎng)計(jì)算，也需要建立合理的實(shí)際負(fù)荷模型來(lái)考慮用電用戶需求。尤其是在高比例新能源接入條件下，面對(duì)大量異質(zhì)靈活資源參與系統(tǒng)運(yùn)行調(diào)節(jié)，電力電量平衡面臨挑戰(zhàn)，精準(zhǔn)制定負(fù)荷數(shù)據(jù)庫(kù)并構(gòu)建用戶模型是提高需求側(cè)響應(yīng)措施實(shí)施的基礎(chǔ)[5?6]。

隨著新型電力系統(tǒng)的信息化、數(shù)字化、智能化建設(shè)的迅猛發(fā)展，大量的分布式設(shè)備入網(wǎng)采集海量用戶用電信息，為進(jìn)一步精細(xì)化的電力負(fù)荷特征分析提供了新的可能[7]。這些負(fù)荷信息數(shù)據(jù)量大、類型復(fù)雜、時(shí)間跨度長(zhǎng)、價(jià)值密度低，但暗含關(guān)鍵的負(fù)荷用電規(guī)律，可利用分類、聚類和統(tǒng)計(jì)等方法進(jìn)行提取，來(lái)實(shí)現(xiàn)用戶建模、負(fù)荷預(yù)測(cè)、竊電分析等目標(biāo)。目前對(duì)負(fù)荷曲線聚類算法的研究已有一些成果[8?9]，其中，K?means算法是當(dāng)前應(yīng)用廣泛的聚類分析方法之一[10]，但其聚類數(shù)的選取直接影響聚類結(jié)果，并對(duì)初始中心點(diǎn)的選取敏感，會(huì)造成聚類結(jié)果局部最優(yōu)、收斂速度慢及不穩(wěn)定等問(wèn)題[11?12]。模糊C?均值FCM（fuzzy C?means）是一種軟聚類方法[13]，與K?means 方法不同，它利用隸屬度的大小來(lái)評(píng)價(jià)數(shù)據(jù)與聚類中心的關(guān)聯(lián)關(guān)系，而不是直接劃分歸類，但依然無(wú)法擺脫聚類數(shù)選取難題及可能的局部最優(yōu)問(wèn)題[14?15]。因此，要想利用聚類實(shí)現(xiàn)用電特性分析，必須解決初值選擇與聚類數(shù)選擇兩大難題。近年出現(xiàn)一種新興的蜜獾算法HBA（honey badger algorithm）[16]，從數(shù)學(xué)上構(gòu)建一個(gè)有效的搜索策略來(lái)解決優(yōu)化問(wèn)題，并且通過(guò)控制隨機(jī)化方法，即使在搜索過(guò)程的最后也能保持足夠的種群多樣性，可實(shí)現(xiàn)參數(shù)選取的全局優(yōu)化。因此，本文擬利用HBA實(shí)現(xiàn)對(duì)FCM 的聚類優(yōu)化，并確定聚類數(shù)選取原則，將其用于用戶用電行為分析[17]，獲取代表性強(qiáng)的聚類結(jié)果，以此建立用戶用電特征模型。

在分布式電源、電動(dòng)汽車等規(guī)?；尤肱潆娕_(tái)區(qū)背景下，針對(duì)多樣化的用戶用電行為，本文提出一種蜜獾優(yōu)化模糊C?均值聚類HBA?FCM（honey badger algorithm?fuzzy C?means）的配電臺(tái)區(qū)用戶用電特征分析方法。首先，針對(duì)FCM初始參數(shù)隨機(jī)生成，造成分類結(jié)果容易出現(xiàn)局部最優(yōu)問(wèn)題，利用HBA 進(jìn)行優(yōu)化選取，提出HBA?FCM 算法；然后，利用戴維森堡丁指標(biāo)DBI（Davies?Bouldin index）極小值自適應(yīng)的原則選取最佳聚類數(shù)，以確定最終聚類結(jié)果；最后，將聚類中心作為不同類型用戶用電特征模型，進(jìn)行變化特征的計(jì)算與分析。

1 配電臺(tái)區(qū)用戶用電特征分析方法概述

隨著大數(shù)據(jù)和人工智能技術(shù)在配電網(wǎng)中的推廣應(yīng)用，通過(guò)數(shù)據(jù)挖掘方法有效獲知用戶用電特征，為配電、用電側(cè)的需求響應(yīng)評(píng)估、電力價(jià)格制定等營(yíng)銷措施提供數(shù)據(jù)支撐。然而，配套電力服務(wù)既需要考慮用戶需求又要考慮服務(wù)成本，較少的用電特征模型難以概括用戶需求，過(guò)多的用戶劃分會(huì)增加任務(wù)量與服務(wù)成本。此外用戶模型的特征代表性也會(huì)影響效果，因而需要合理地描繪用戶用電特征，掌握典型用戶用電規(guī)律。

為有效提取負(fù)荷用電特征，本文提出基于HBA?FCM 的配電臺(tái)區(qū)用戶用電特征分析方法，通過(guò)聚類算法優(yōu)化與聚類數(shù)選擇，獲取特征性強(qiáng)和分類數(shù)恰當(dāng)?shù)挠脩艟垲惤Y(jié)果，從而建立用戶用電特征模型，其主要流程如圖1所示。

圖1 主要流程Fig.1 Main processes

對(duì)用戶用電數(shù)據(jù)進(jìn)行采集，并對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理，以著重展現(xiàn)其變化特征，為聚類分析提供良好數(shù)據(jù)。采用FCM對(duì)電力用戶負(fù)荷數(shù)據(jù)實(shí)現(xiàn)聚類，迭代過(guò)程中通過(guò)隸屬度來(lái)計(jì)算聚類目標(biāo)函數(shù)，以提高聚類效果。針對(duì)FCM 的缺點(diǎn)，對(duì)其初值采用HBA進(jìn)行優(yōu)化選取，找到聚類目標(biāo)函數(shù)最小的聚類結(jié)果，實(shí)現(xiàn)多樣性用戶劃分的特征選擇。聚類數(shù)采用聚類指標(biāo)自適應(yīng)極小值原則確定，以保障電力用戶劃分的合理性，實(shí)現(xiàn)多樣性用戶劃分的數(shù)量選擇。最后根據(jù)優(yōu)選的聚類結(jié)果，將用戶分類，通過(guò)最終的聚類中心建立不同類型用戶用電特征模型。從聚類結(jié)果中可進(jìn)一步分析各類型用戶用電特征，展現(xiàn)其峰谷狀況、持續(xù)時(shí)間、短時(shí)變化量等信息，從而為配電網(wǎng)電力調(diào)度、電價(jià)制定等建立典型用戶需求模型，為分布式電源和儲(chǔ)能優(yōu)化配置、潮流優(yōu)化、電動(dòng)汽車調(diào)度等配電網(wǎng)計(jì)算提供典型負(fù)荷變化特征。

2 HBA-FCM 算法

聚類算法主要存在初值選取與聚類數(shù)選擇的兩個(gè)難題，而結(jié)合優(yōu)化算法可有效解決初值選取導(dǎo)致的聚類結(jié)果局部最優(yōu)問(wèn)題，通過(guò)聚類目標(biāo)函數(shù)的最值搜索，使得聚類結(jié)果特征性更強(qiáng)。

2.1 模糊C 均值

FCM 是一種軟聚類方法，與K?means 方法不同的是，它并非直接實(shí)現(xiàn)數(shù)據(jù)分類，而是給出數(shù)據(jù)與聚類中心的關(guān)聯(lián)關(guān)系的評(píng)價(jià)，即隸屬度，并通過(guò)隸屬度來(lái)計(jì)算目標(biāo)函數(shù)，以提高聚類效果。

FCM通過(guò)迭代求解尋找目標(biāo)函數(shù)Jm的最小值為

通過(guò)反復(fù)聚類迭代，計(jì)算Jm尋找最小值，當(dāng)2次迭代的Jm差值在一定誤差范圍內(nèi)時(shí)，可輸出最終結(jié)果。此過(guò)程中還需要更新uij與cj，以獲取最小的Jm，具體計(jì)算公式為

式中，ck為第k個(gè)聚類中心。

FCM算法具體步驟如下：

步驟1預(yù)設(shè)聚類數(shù)m，最大迭代次數(shù)G，容許誤差e，輸入待聚類電力數(shù)據(jù)；

步驟2由式（3）計(jì)算每類的聚類中心cj；

相比其他聚類算法，F(xiàn)CM對(duì)電力數(shù)據(jù)特征的模糊性具有穩(wěn)定的聚能性與極強(qiáng)的魯棒性。但由于FCM初始的聚類中心是隨機(jī)生成的，分類結(jié)果容易出現(xiàn)局部最優(yōu)，從而影響整體的分類結(jié)果。因此，本文采用HBA對(duì)FCM進(jìn)行初值選取的優(yōu)化。

2.2 蜜獾算法

HBA算法借鑒了蜜獾的智能覓食行為，從數(shù)學(xué)上建立求解優(yōu)化問(wèn)題的有效搜索策略，將蜜獾挖掘取蜜方法的動(dòng)態(tài)搜尋行為劃分為探索階段和挖掘階段。此外，使用受控隨機(jī)化技術(shù)，即使在搜索過(guò)程的最后，HBA 仍然保持足夠的種群多樣性，具有較強(qiáng)的局部探索能力。

HBA算法詳細(xì)步驟如下。

步驟1初始化階段。初始化蜜獾的數(shù)量（候選解的種群數(shù)量）及其各自的位置。第i次迭代中蜜鳥的位置可表示為

式中：yi為第i次迭代中蜜鳥的位置，它是N個(gè)種群中的候選解；lbi、ubi分別為搜索域的下界和上界；r1為0～1的隨機(jī)數(shù)。

步驟2定義行動(dòng)強(qiáng)度Ii。行動(dòng)強(qiáng)度與目標(biāo)的集中強(qiáng)度及距離有關(guān)，目標(biāo)越近，味道越強(qiáng)烈，行動(dòng)越迅速，由平方反比規(guī)則可得

式中：r2為0～1的隨機(jī)數(shù)；L為目標(biāo)的集中強(qiáng)度；di為目標(biāo)與第i個(gè)蜜獾之間的距離；yprey為目標(biāo)的位置。

步驟3更新密度因子α，以實(shí)現(xiàn)從探索到挖掘的平穩(wěn)過(guò)渡。密度因子α可表示為

式中：λ為遞減影響因子，它是一個(gè)≥1的常數(shù)；imax為最大迭代數(shù)。由此可以看出α隨迭代次數(shù)增加而減小，使隨機(jī)化程度逐漸降低。

步驟4更新蜜獾的位置。HBA 位置更新過(guò)程分為“挖掘階段”和“蜂蜜階段”兩部分。

（1）挖掘階段。在挖掘階段蜜獾的動(dòng)作類似心形，即

式中：ynew為蜜獾i的新位置；yprey為目標(biāo)的位置，這是迄今為止發(fā)現(xiàn)的最優(yōu)位置，即全局最優(yōu)位置；β為覓食參數(shù)，它代表蜜獾覓食的能力，恒大于1；r3、r4和r5為0～1 的隨機(jī)數(shù)；F為改變搜索方向的標(biāo)志。F的確定方法為

式中，r6為0～1的隨機(jī)數(shù)。

（2）蜂蜜階段。蜜獾跟隨導(dǎo)蜜鳥到達(dá)蜂巢的情況可以模擬為

式中，r7為0～1的隨機(jī)數(shù)。

2.3 HBA-FCM 算法

為了有效解決傳統(tǒng)FCM 算法初始中心隨機(jī)生成，使聚類結(jié)果陷入局部最優(yōu)的問(wèn)題，通過(guò)與HBA結(jié)合，進(jìn)而提升電力信息的聚類效果，本文提出基于HBA?FCM 的聚類算法，以提高聚類準(zhǔn)確性。具體步驟如下：

步驟1初始化HBA 最大迭代次數(shù)tmax、種群數(shù)量n、參數(shù)λ和β，以及蜜獾位置y，即FCM 算法的初始中心c；

步驟2利用FCM 算法進(jìn)行聚類，由式（1）獲取聚類目標(biāo)函數(shù)值；

步驟3由式（9）、（11）更新蜜獾位置ynew，依據(jù)目標(biāo)函數(shù)更新獵物位置值，記錄全局最優(yōu)位置；

步驟4返回步驟2直至迭代次數(shù)大于給定閾值，根據(jù)最終的蜜獾全局最優(yōu)位置，計(jì)算該條件下的模糊隸屬度矩陣U，確定分類結(jié)果并輸出。

3 基于HBA-FCM 算法的配電臺(tái)區(qū)用戶用電行為分析

3.1 標(biāo)準(zhǔn)化處理

配電臺(tái)區(qū)用戶類型多樣，不同的用戶用電屬性差別較大，因此在聚類分析前需要進(jìn)行標(biāo)準(zhǔn)化處理，本文采用Z?Score值標(biāo)準(zhǔn)化，即

3.2 聚類數(shù)選取原則

HBA?FCM算法解決了聚類時(shí)初始參數(shù)隨機(jī)生成，聚類結(jié)果容易出現(xiàn)局部最優(yōu)的問(wèn)題，但聚類數(shù)m需要預(yù)先指定。因此，在HBA?FCM 算法獲取聚類結(jié)果后，計(jì)算體現(xiàn)類內(nèi)和類間距離的綜合性聚類有效性指標(biāo)DBI為

式中：Si、Sj分別為ci和cj對(duì)應(yīng)簇的類內(nèi)平均距離；N(Aj)為簇Aj中所含樣本的個(gè)數(shù)。

由于指標(biāo)值越大，表明類間距離越小、類內(nèi)對(duì)象的分散程度越大，即聚類效果越差。因此通過(guò)改變聚類數(shù)m獲得不同m對(duì)應(yīng)的DBI，選取DBI 極小值所對(duì)應(yīng)的m為最佳聚類數(shù)，即自適應(yīng)極小值原則。

3.3 方法整體流程

本文所提配電臺(tái)區(qū)用戶用電特征分析方法的整體流程如圖2所示。首先，收集用戶用電信息，進(jìn)行標(biāo)準(zhǔn)化處理，獲取用電信息矩陣。然后，設(shè)定最大聚類數(shù)M，并預(yù)設(shè)聚類數(shù)m=2，利用HBA?FCM算法求解，獲取聚類數(shù)為m時(shí)的聚類目標(biāo)函數(shù)Jm、模糊隸屬度矩陣U及聚類中心C，通過(guò)分類結(jié)果計(jì)算DBI；判斷聚類指標(biāo)DBI是否達(dá)到極小值，取極小值情況下的聚類數(shù)m及其聚類結(jié)果輸出，否則增加聚類數(shù)再次采用HBA?FCM算法求解。最后，將最優(yōu)聚類結(jié)果的聚類中心作為各類型用戶的用電特征模型，并進(jìn)行曲線繪制與變化特征計(jì)算，展現(xiàn)其變化規(guī)律。

圖2 本文方法整體流程Fig.2 Overall process of this article′s method

4 算例分析

為驗(yàn)證本文提出聚類算法的有效性，選取UCI Machine Learning Repository 中的2 個(gè)數(shù)據(jù)集Glass和Wine檢驗(yàn)算法聚類準(zhǔn)確性。在獲取結(jié)果后計(jì)算總的分類準(zhǔn)確率，20次聚類的準(zhǔn)確率統(tǒng)計(jì)結(jié)果如表1 所示。由表1 可以看出，優(yōu)化后的FCM 算法準(zhǔn)確率相對(duì)較高，且更穩(wěn)定地給出聚類結(jié)果。

表1 聚類準(zhǔn)確率Tab.1 Clustering accuracy

為有效驗(yàn)證本文方法的有效性，以天津市某智能配電網(wǎng)?智慧城市項(xiàng)目所獲得的電力數(shù)據(jù)集為數(shù)據(jù)源，該網(wǎng)絡(luò)中接有分布式電源、電動(dòng)汽車及柔性負(fù)荷等，負(fù)荷特性復(fù)雜。選取其中的248 個(gè)用戶提供日用電負(fù)荷數(shù)據(jù)來(lái)進(jìn)行用戶用電特征分析，按1 h間隔選取數(shù)據(jù)。

對(duì)配網(wǎng)用戶用電數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，采用Z?Score 值標(biāo)準(zhǔn)化，形成對(duì)應(yīng)每個(gè)配網(wǎng)用戶的表征用電特征數(shù)組。設(shè)定FCM 算法最大迭代次數(shù)為40，HBA最大迭代次數(shù)為100，最大聚類數(shù)m=15，將用電特征數(shù)組輸入HBA?FCM 算法進(jìn)行計(jì)算。HBA?FCM 算法獲取結(jié)果的DBI 和聚類目標(biāo)函數(shù)Jm與聚類數(shù)的關(guān)系分別如圖3和圖4所示。

圖3 DBI 與聚類數(shù)的關(guān)系曲線Fig.3 Curve of relationship between DBI and clustering number

圖4 聚類目標(biāo)函數(shù)與聚類數(shù)的關(guān)系曲線Fig.4 Curve of relationship between cluster objective function and clustering number

由圖3可以看出，m=5處DBI取得第一個(gè)極小值，同時(shí)也是范圍內(nèi)的最小值，因此選取最佳聚類數(shù)為5的聚類結(jié)果。此外由圖4可以看出，Jm隨著m的增大而減小，在m=5處為拐點(diǎn)，在此之前下降迅速，而在此之后變化量較小，印證最佳聚類數(shù)應(yīng)取值為5。

在聚類數(shù)為5時(shí)，采用傳統(tǒng)遺傳算法GA（genet?ic algorithm）對(duì)FCM 算法進(jìn)行參數(shù)優(yōu)化，與HBA 作對(duì)比，2種方法迭代過(guò)程中的Jm變化曲線如圖5所示。由圖5可見(jiàn)，優(yōu)化迭代使Jm取得最小值961.26，而HBA 能夠更快的跳出局部最優(yōu)；在計(jì)算速度方面，相同迭代次數(shù)下，HBA 算法的整個(gè)計(jì)算過(guò)程用時(shí)8.521 s，GA算法的用時(shí)8.493 s，二者相差不大。

圖5 迭代過(guò)程中的聚類目標(biāo)函數(shù)變化曲線Fig.5 Curve of cluster objective function during iteration

選取聚類數(shù)為5的結(jié)果輸出如圖6～圖11所示，各類型用戶變化特征與數(shù)量如表2 所示。由于用電數(shù)據(jù)經(jīng)過(guò)預(yù)處理，0值表示用電均值，負(fù)值表示用電量小于均值，無(wú)單位。表2 中，日內(nèi)變化量為日內(nèi)負(fù)荷最大值與最小值的差值；最大短時(shí)變化量為2 h 內(nèi)負(fù)荷變化量的最大值；最大短時(shí)變化率為最大短時(shí)變化量與日內(nèi)變化量的比值；平均變化量為日內(nèi)相鄰兩時(shí)間點(diǎn)變化量的平均值，變化量均取絕對(duì)值。

表2 各類型用戶變化特征與數(shù)量Tab.2 Characteristics and quantity of various types of users

圖6 聚類中心Fig.6 Clustering center

圖7 第1 類用戶Fig.7 Type-1 users

圖8 第2 類用戶Fig.8 Type-2 users

圖9 第3 類用戶Fig.9 Type-3 users

圖10 第4 類用戶Fig.10 Type-4 users

圖11 第5 類用戶Fig.11 Type-5 users

將聚類中心作為各類型用戶用電特征模型，由圖6～圖11可以看出，各類型用戶曲線分布緊密，不同類型差異大，聚類中心特征明顯，代表性強(qiáng)；聚類結(jié)果沒(méi)有受到極端數(shù)據(jù)影響，產(chǎn)生某一類數(shù)量極少的現(xiàn)象，表明了聚類數(shù)選取的合理性與聚類的有效性。

由圖6～圖11 及表2 中各類型橫向比較可以得出：①第3 類和第4 類用戶日內(nèi)變化量較小，其中，第4 類用戶平均變化量0.089、最大短時(shí)變化量0.364 為最小值，說(shuō)明變化慢、波動(dòng)小、負(fù)荷量處于均值附近用電量較為穩(wěn)定，以及接近24 h運(yùn)轉(zhuǎn)的工廠等用電用戶，不需要進(jìn)行用電的價(jià)格引導(dǎo)；②第1類、第2類和第5類用戶日內(nèi)變化量較大、波峰明顯，其中，第2類和第5 類呈現(xiàn)相反用電規(guī)律；③第5 類用電高峰在傍晚出現(xiàn)，日間工作時(shí)段負(fù)荷較小，屬于典型的居民用戶形式，而第2 類高峰在凌晨出現(xiàn)，屬于錯(cuò)峰型用戶，通過(guò)與居民用電錯(cuò)峰，在夜間低電價(jià)時(shí)段用電來(lái)降低電力成本；④第2 類與第5 類波峰處用電量極大，其余時(shí)段用電量極小，因而日內(nèi)變化量大，在用電平衡方面可以實(shí)現(xiàn)互補(bǔ)，從而減小調(diào)峰壓力；⑤第1 類最大短時(shí)變化率達(dá)到64.6%，波動(dòng)最大且變化頻繁，出現(xiàn)明顯的雙峰形態(tài)，其峰值處于上、下午的日間工作時(shí)間，而在中午休息時(shí)段出現(xiàn)一段低谷，夜間負(fù)荷最小，屬于常規(guī)工作制公司企業(yè)用電形態(tài)；⑥第3 類和第4 類用電變化量較小的用戶較多，而其他類型用戶較少，但未出現(xiàn)數(shù)量極少的現(xiàn)象，這也能夠證明算法能夠有效避免極端數(shù)據(jù)的影響。因此，通過(guò)聚類數(shù)選擇劃分合理的用戶群體，將最優(yōu)聚類結(jié)果的聚類中心作為各類型用戶用電特征模型，具有典型性與概括性，可用于配電網(wǎng)計(jì)算，實(shí)現(xiàn)需求側(cè)約束。通過(guò)曲線描述、變化特征計(jì)算等形式，可進(jìn)一步掌握更加精細(xì)的用戶用電規(guī)律，根據(jù)負(fù)荷峰谷狀況、短時(shí)變化量等信息進(jìn)行電力調(diào)度、電價(jià)制定等業(yè)務(wù)。

為有效證明本文聚類方法的優(yōu)越性，K?means算法結(jié)果及未優(yōu)化模糊C?均值算法獲得的兩個(gè)局部最優(yōu)的聚類結(jié)果，與該聚類結(jié)果進(jìn)行對(duì)比，聚類結(jié)果指標(biāo)如表3 所示。由表3 可以看出，未優(yōu)化的FCM的聚類結(jié)果目標(biāo)函數(shù)Jm略大于本文算法結(jié)果，類內(nèi)誤差平方和指標(biāo)與Jm幾乎相等，在小數(shù)后數(shù)位出現(xiàn)差異；本文算法結(jié)果類間距離最大，類內(nèi)距離非最小但差距不大；在綜合性指標(biāo)DBI 上，本文算法結(jié)果表現(xiàn)得更好，表明采用該聚類結(jié)果更合理。

表3 聚類結(jié)果指標(biāo)對(duì)比Tab.3 Comparison of indexes for clustering results

5 結(jié) 論

本文提出一種基于HBA?FCM算法的配電臺(tái)區(qū)用戶用電特征分析方法。經(jīng)案例驗(yàn)證，該方法能獲取更精準(zhǔn)的用戶聚類結(jié)果，通過(guò)聚類中心建立各類型用戶用電特征模型，并進(jìn)行用電特征計(jì)算、展示與分析，可以得出以下結(jié)論：

（1）利用HBA優(yōu)化FCM的初值選取，能夠有效跳出局部最優(yōu)且搜索到目標(biāo)函數(shù)值更小的聚類結(jié)果，提高聚類效果；

（2）利用DBI自適應(yīng)極小值的原則可以有效選取最佳聚類數(shù)，使聚類中心的特征代表性強(qiáng)；

（3）利用HBA?FCM 算法能獲取更精準(zhǔn)的用戶聚類結(jié)果，實(shí)現(xiàn)將248 個(gè)用戶分為特征差異較大的5 類，通過(guò)聚類中心建立的各類型用戶用電特征模型代表性強(qiáng)，可用于配電網(wǎng)計(jì)算與開(kāi)展電力服務(wù)。