[发明专利]一种对负荷数据进行处理的优化方法

摘要

本发明公开了一种对负荷数据进行处理的优化方法，通过计算聚类的有效性指标，在聚类数搜索范围内给出最优的聚类数目k，克服了传统的k‑means算法不能给出最佳聚类数的缺点，当PFS值最大，对应的聚类数k达到最优，则选取k类输出即对历史负荷数据分成k类处理，从而得到最佳负荷历史数据的处理方法；改进的k‑means聚类算法在聚类数搜索范围内，聚类中心稳定且对各聚类结果进行聚类有效性指标的计算，选择对应的PFS指标数值最大的聚类数作为最佳聚类个数，故相比于之前的聚类算法有很大的改进。

主权项

一种对负荷数据进行处理的优化方法，其特征在于：包括以下步骤：A：建立检验聚类结果有效性的模型，得到历史负荷数据的最佳聚类结果；A1：建立检验聚类结果有效性的模型：假设数据集样本总数为N，则聚类数的有效搜索范围为内的整数，选择伪F‑统计指标，即PFS指标，作为不同聚类结果的评价指标；PFS指标是来自方差分析的一个统计量，对于一个不为零的P维变量样本，其定义如下：PFS=tr(sBp)/(k-1)tr(sWp)/(N-k)---(1)]]>其中，k为需要确定聚类中心的样本个数，tr(sWp)为样本类内散布矩阵的迹，tr(sBp)为样本类间散布矩阵的迹，随着k值的增大，tr(sBp)随之上升，tr(sWp)随之下降，PFS有效性指标在某一个k处达到最优，PFS值最大时对应最佳聚类结果；即当PFS值最大，对应的聚类数k达到最优，则选取k类输出，即对历史负荷数据分成k类处理；B：建立基于改进的差分进化的k‑means聚类的模型；B1：初始化种群从样本数据中随机选取k个样本作为一组聚类中心，k的选择由步骤A中确定的最优k值为准，重复执行Np次，选取Np组聚类中心；Np为种群规模，代表Np个个体，并且每个Np个体中包含k个样本组成的一组聚类中心；定义一个Np×D的矩阵X来保存种群的数据，并采用实数编码方式，构造初始种群；其中，D用来表示优化问题的维数，也被称作每个个体的基因位，一组聚类中心相当于一个基因位；初始化种群时，取进化代数g＝0，具体实数编码方式如下：Xj(0)＝(xj1,xj2,...,xjk)  (2)其中，j＝1,2,...,Np，Xj(0)表示初始种群的第j个个体，xji(i＝1,2,...,k)表示第j个个体的第k个基因；假设样本数据为d维，那么种群的每个个体是k×d＝D维向量；B2：变异操作按照个体的基因位D进行变异操作，从当前种群Xj(g)中随机选取三个个体，分别为Xa(g),Xb(g),Xc(g),且a≠b≠c≠j,并根据公式(3)求得变异个体Vj(g')＝(vj1(g'),vj2(g'),...vjD(g'))，且g‘＝g+1；种群中的每个个体的基因位如公式(3)：vji(g+1)＝xai(g)+α(xbi(g)‑xci(g))  (3)其中，i＝1,2,...,k，α∈[0,1]为缩放系数；B3：交叉操作经过变异后的个体vji(g+1)和当前个体Xj(g)进行交叉操作，得到中间个体Mj(g+1)＝(mj1(g+1),mj2(g+1),...,mjk(g+1))，那么该中间个体的第i个分量如公式(4)表示：mj1(g+1)=vji(g+1)ifβ≤CRori=γxji(g)else---(4)]]>其中CR为交叉概率，且CR∈[0,1]，β为0‑1间满足均匀分布且随机产生的一个数，γ为[1,k]之间随机产生的一个整数；B4：选择操作比较当前进化个体Xj(g)与其对应的中间试验个体Mj(g+1)的适度值，并采用贪婪算法择优选取一个个体进入下一代种群；Xj(g+1)=Xj(g)iff(Xj(g))>f(Mj(g+1))Mj(g+1)else---(5)]]>择优选取的个体产生的新一代的种群X(g+1)，即为改进的差分进化的k‑means聚类的模型；C：步骤B中改进的k‑means聚类算法在聚类数的搜索范围内，对各聚类结果进行聚类有效性指标的计算且聚类中心稳定，选择对应的PFS指标数值最大的聚类数作为最佳聚类个数，从而得到最佳负荷历史数据的处理方法。