[发明专利]基于决策树的模糊C聚类的负荷分类方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

为了解决上述技术问题，本发明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，本发明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，ε_J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。