CN103049651A - 一种用于电力负荷聚类的方法及装置 - Google Patents

Abstract

本发明公开了一种用于电力负荷聚类的方法及装置，包括S1：获取n个变电站综合负荷静态特性的样本数据；S2：通过高斯核函数将样本数据映射到Hilbert空间并获得样本；S3：通过在

样本中选取k个样本来确定初始聚类中心；S4：在核空间中采用k-means算法将映射后的样本

进行聚类计算，并根据上、下近似集确定的方法将各样本分配给最近类的上下近似集中；S5：根据当前迭代次数t对权值ω_l、ω_bnr进行动态调整；S6：根据算法收敛准则计算J_w值，并判断|J_w(t)-J_w(t-1)|≤ε或t≥t_max，若是，则生成最终类聚并结束；若否，则进入步骤S7；S7：令t＝t+1，重新确定聚类中心，并转入步骤S4。本发明简易快速有效，聚类结果合理，对负荷建模研究的实用化具有重要意义。

Description

一种用于电力负荷聚类的方法及装置

技术领域

本发明属于电力负荷聚类技术领域，更具体地，涉及一种用于电力负荷聚类的方法及装置。

背景技术

在进行电力***分析时，变电站负荷特性聚类就是将同一电网不同变电站以及不同时段中变电站特性接近或相似的聚为一类，如以重工业负荷为主的变电站，以市政生活为主的变电站，变电站中月季度负荷曲线，日季度负荷曲线等。并用同一模型描述每一类的特性，通过聚类能建立有效描述变电站特性的综合负荷模型。就负荷建模的实用化而言，负荷特性的分类与综合具有十分重要的意义，它能够到达减轻使用和维护工程的工作和劳动强度。负荷特性的分类与综合是实现负荷模型实用化的关键，为建立合适的变电站负荷模型，大多数算法都将聚类方法引入负荷特性分析中。

目前，应用于电力负荷聚类的方法具有几下模式：（1）传统聚类算法及改进算法：比如基于改进的k均值（k-means）的负荷聚类算法对电网进行仿真分析，基于网格的电力负荷分析，基于谱聚类的电力负荷分析等。这些聚类算法都是将传统聚类算法应用于电力***中。（2）基于智能优化算法的聚类算法：比如基于粒子群的电力负荷聚类分析，基于蚁群的电力负荷分析等。将这些算法进行结合并应用于电力负荷分析中，利用智能优化算法的全局寻优能力提高了聚类性能，也缩短了聚类时间。（3）基于多种算法的结合：比如基于ACO-PAM综合算法的电力负荷聚类分析，基于粒子群优化并行神经网络的电力***负荷特性聚类方法等，这些算法能有效结合各种算法的优点，提高聚类的准确性，同时也扩大了聚类方法的适用范围，聚类结果更容易理解，商业利用价值更广。

目前的电力***负荷数据都是复杂多样的，比如具有异常性、分布性、多源性、高维性、复杂性、非线性以及海量性的特点。以上几种聚类模式的适用性远远不能满足现时代电力***的需求，如不能处理非线性数据，不能处理边界对象，不能处理高维混合型数据等。这些缺点导致目前聚类出的结果不能完全的符合现实情况，聚类结果可用性也较差，不能准确高效地供管理者做出商业决策。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种用于电力负荷聚类的方法，旨在解决现有技术中的聚类方法不能处理非线性数据、不能处理边界对象且不能处理高维混合型数据导致聚类结果可用性差，不能准确高效地供管理者做出商业决策的问题。

为实现上述目的，本发明提供了一种用于电力负荷聚类的方法，包括下述步骤：

S1：获取样本矩阵

该样本矩阵包括n行，具体每一行为一个样本，从

到

每个样本有d个属性，作为每个样本

的d个列分量，即Φ(x)矩阵中的每个元素可以表示为

其中i=1，2，…，n，j＝1，2，…，d，样本均属于F空间；

S2：通过在样本矩阵Φ(x)的n个样本中选取k个样本来确定初始聚类中心C，C={C₁，C₂，...，C_k}，其中C表示k类中心的矩阵集合，k为聚类数目，包括k行，具体每一行为每一类的中心，从C₁到C_k，每一类的中心也相应的有d个属性，作为每类中心C_p的d个列分量，C矩阵中的每个元素可以表示为C_pj，其中p=1，2，…，k，j＝1，2，…，d，

S3：令迭代次数t=1；

S4：将所述样本矩阵Φ(x)进行聚类计算，并根据上、下近似集确定的方法将各样本分配给最近类的上、下近似集；

S5：根据当前迭代次数t对所述下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整；

S6：计算粗糙核聚类的目标函数值J_w，并判断|J_w(t)-J_w(t-1)|≤ε或t≥t_max是否成立，若是，则结束；若否，则进入步骤S7；ε为根据实际情况确定的一个参数，t_max为人为确定的迭代次数上限；

S7：令t＝t+1，重新确定聚类中心C_p，并转入步骤S4。

更进一步地，所述步骤S1具体为：获取n个变电站综合负荷静态特性的准样本，构成准样本矩阵X={x₁,x₂,…,x_n}，x_i∈R^d，并通过高斯核函数将所述准样本数据映射到Hilbert空间后获得样本

准样本x_i均属于空间R^d内；所述高斯核函数为：F(x,y)＝exp(-β||x-y||²/2σ²)，其中σ为函数的宽度参数，β为1，x为变换前的准样本，y为变化后的样本。

更进一步地，在步骤S4中，上、下近似集确定的方法具体为：

若则令

否则令

其中γ＝0.07；

表示第i个样本

到第p类中心的欧式距离，

表示第i个样本

到第q类中心的欧式距离中的最小值，其中p=1，2，…k，q=1，2，…k，p≠q；dist(C_p,C_q)表示第p类的中心到第q类的中心的欧式距离，

为第q类的上近似集，

为第p类的下近似集。

更进一步地，在步骤S5中，采用公式

和

对下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整。

更进一步地，在步骤S6中，采用公式

i=1，2，…，n，计算粗糙核聚类的目标函数值J_w；其中，w_j为特征加权系数，且

表示下近似集中的对象到所属类中心距离的加权和，

表示上近似集中的对象到所属类中心距离的加权和。

更进一步地，在步骤S7中，采用公式

计算第p类聚类中心C_p；其中，

表示第p类边界集；

表示第p类下近似集，

表示第p类的上近似集。

本发明采用k-means、核函数及粗糙集几种算法的结合，可以对目前复杂的电力负荷数据进行高效准确的聚类，尤其是负荷数据中存在非线性数据、边界对象数据及高维混合数据进行处理，同时也能对负荷数据中存在的噪音数据进行处理，减少其对最终聚类结果的影响，提高聚类精度。本发明还可以保证聚类出的结果能符合实际电力***的情况，结果可理解性较强。

本发明还提供了一种用于电力负荷聚类的装置，包括依次连接的数据采集模块、数据计算模块、动态调整模块、判断模块以及循环模块；所述数据采集模块用于获取样本矩阵

该样本矩阵包括n行，具体每一行为一个样本，从

到

每个样本有d个属性，作为每个样本

的d个列分量，即Φ(x)矩阵中的每个元素可以表示为

所述数据计算模块包括依次连接的初始类聚中心确定模块和类聚计算模块，所述初始类聚中心确定模块通过在样本矩阵Φ(x)的n个样本中选取k个样本来确定初始聚类中心C，C={C₁，C₂，...，C_k}，其中C表示k类中心的矩阵集合，k为聚类数目，包括k行，具体每一行为每一类的中心，从C₁到C_k，每一类的中心也相应的有d个属性，作为每类中心C_p的d个列分量，C矩阵中的每个元素可以表示为C_pj；所述类聚计算模块用于将所述样本矩阵Φ(x)进行聚类计算，并根据上、下近似集确定的方法将各样本分配给最近类的上、下近似集；所述动态调整模块用于根据当前迭代次数t对所述下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整；所述判断模块用于计算粗糙核聚类的目标函数值J_w，并判断|J_w(t)-J_w(t-1)|≤ε或t≥t_max是否成立，若是，则生成最终聚类并结束；若否，则由所述循环模块进行循环计算；所述循环模块用于当t＝t+1时重新确定聚类中心并返回至所述类聚计算模块并进行循环计算。

更进一步地，所述动态调整模块采用公式

和

对下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整。

更进一步地，所述判断模块采用公式

计算粗糙核聚类的目标函数值J_w；其中，w_j为特征加权系数，且

表示下近似集中的对象到所属类中心距离的加权和，

表示上近似集中的对象到所属类中心距离的加权和。

更进一步地，所述循环模块采用公式

计算第p类聚类中心C_p；其中，

表示第p类边界集；

表示第p类下近似集，

表示第p类的上近似集。

本发明提供的装置基于粗糙集和核函数的聚类方法来研究负荷特性的相似性特征，能够更加客观、准确的提取同类负荷的功能本质特征，算法简易快速有效，聚类结果合理，可以作为基于量测负荷建模的负荷特性记录装置安装位置选择的根本依据，对负荷建模研究的实用化具有重要意义。

附图说明

图1是本发明实施例提供的用于电力负荷聚类的方法实现流程图；

图2是本发明实施例提供的集合X的下近似、上近似和边界域示意图；

图3是本发明实施例提供的用于电力负荷聚类的装置的模块结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

电力负荷变化受到诸多因素的影响，比如重工业负荷，轻工业负荷，采掘业负荷，农业负荷，第三产业负荷，市政生活负荷等，这些负荷同时也都会受诸如天气，温度，季节等的影响，短期电力负荷曲线变化形态都会出现较大的差异。针对这种电力负荷变化特点，利用粗糙核聚类算法将具有相似负荷曲线的历史数据聚为一类。

在本发明实施例中，针对电力负荷数据具有非线性，高维性及边界性等特性，核函数能将样本空间进行转换，使数据由非线性变得线性可分，同时核函数将m维空间的内积运算转化为n维低维空间的核函数计算，从而巧妙的解决了在高维特征空间中计算的“维数灾难”问题，提高高维混合数据聚类性能，也简化了聚类步骤；粗糙集通过上下近似集权重的动态调整处理边界对象，减少边界对象对聚类结果的影响，同时将样本归属于不同类的上下近似集，提高聚类精度。综合考虑各种算法的性能，将几种算法进行有效融合，提出一种基于粗糙集的核函数聚类算法。

图1示出了本发明实施例提供的用于电力负荷聚类的方法实现流程，具体包括：

S1：获取样本矩阵

该样本矩阵包括n行，具体每一行为一个样本，从

到

每个样本有d个属性，作为每个样本

的d个列分量，即Φ(x)矩阵中的每个元素可以表示为

其中i=1，2，…，n，j＝1，2，…，d，样本均属于F空间；

S2：通过在样本矩阵Φ(x)的n个样本中选取k个样本来确定初始聚类中心C，C={C₁，C₂，...，C_k}，也就是说，初始聚类中心C矩阵中的每一行分量（从C₁到C_k）都是从

到

选出的，其中C表示k类中心的矩阵集合，k为聚类数目，C包括k行，具体每一行为每一类的中心，从C₁到C_k，每一类的中心也相应的有d个属性，作为每类中心C_p的d个列分量，C矩阵中的每个元素可以表示为C_pj，其中p=1，2，…，k，j＝1，2，…，d，

S3：令迭代次数t=1；

S4：将所述样本矩阵Φ(x)进行聚类计算，并根据上、下近似集确定的方法将各样本分配给最近类的上、下近似集；

S5：根据当前迭代次数t对所述下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整；

S6：计算粗糙核聚类的目标函数值J_w，并判断|J_w(t)-J_w(t-1)|≤ε或t≥t_max是否成立，若是，则结束；若否，则进入步骤S7；ε为根据实际情况确定的一个参数，t_max为人为确定的迭代次数上限；

S7：令t＝t+1，重新确定聚类中心C_p，并转入步骤S4。

在本发明实施例中，F空间是向量空间或者线性空间，Hilbert空间是定义了内积的空间，F空间包含Hilbert空间；R表示实数空间，d表示维数，实数集合通常用R^d表示，即R^d表示d维的实数空间。Hilbert空间定义为在线性空间中定义了内积的空间，Hilbert空间是一种特殊的线性空间。

在本发明实施例中，X是准样本矩阵，其为准样本的集合，包括n行，具体每一行为准样本x₁到x_n，每个准样本有d个属性，作为每个样本的d个列分量，X矩阵中的每个元素可以表示为x_ij，i＝1-n，j=1-d）；准样本矩阵X具体为： $X=\left[\begin{array}{ccc}{x}_{11}& ...& x_{1d}\\ ...& x_{\mathrm{ij}}& ...\\ x_{n1}& ...& x_{\mathrm{nd}}\end{array}\right];$ 而Φ(x)是X经过映射以后得到的样本矩阵，与X类似，也包括n行，具体每一行为样本到每个样本也相应的有d个属性，作为每个样本的d个列分量，Φ(x)矩阵中的每个元素可以表示为

i=1-n，j=1-d，样本Φ(x)具体为：

其中，k类中心的矩阵集合具体为： $C=\left[\begin{array}{ccc}{C}_{11}& ...& C_{1d}\\ ...& C_{\mathrm{pj}}& ...\\ C_{k1}& ...& C_{\mathrm{kd}}\end{array}\right];$ k的取值范围

是根据经验取得，也可以根据实际需要任意调整。

其中，步骤S1具体为：获取n个变电站综合负荷静态特性的准样本，构成准样本矩阵X={x₁,x₂,…,x_n}，x_i∈R^d，并通过高斯核函数将所述准样本数据映射到Hilbert空间后获得样本

准样本x_i均属于空间R^d内；高斯核函数为：F(x,y)＝exp(-β||x-y||²/2σ²)，其中σ为函数的宽度参数，β为1，x为变换前的准样本，y为变化后的样本。

在本发明实施例中，如图2所示，上近似集、下近似集和边界集的定义如下：给定知识库K=(U,R)和U的等价分类族U/R，对每一个对象子集

且

X关于R的上近似和R的下近可分别定义为：

和

在R上近似和下近似定义的基础上，就能很方便的定义集合的正域、负域和边界域：X的R正域是POS_R(X)=

，也就是其下近似集；X的R负域是

也就是其论域与上近似的差集；X的边界域是

也就是X的上近似与下近似的差集。其中，X的R上近似等于其边界域与正域的并集；是根据知识R判断可能属于X的论域U中元素组成的集合；

是根据知识R判断肯定属于X的论域U中元素组成的集合。

在本发明实施例中，在步骤S4中上、下近似集确定的方法具体为：

若则令

否则令

其中γ＝0.07；

表示第i个样本到第p类中心的欧式距离，表示第i个样本

到第q类中心的欧式距离中的最小值，其中p=1，2，…k，q=1，2，…k，p≠q；dist(C_p,C_q)表示第p类的中心到第q类的中心的欧式距离，

为第q类的上近似集，

为第p类的下近似集。

在本发明实施例中，随着迭代次数的不断增加，如果使得下近似集的权重ω_l的比重不断增加，上近似集的权重ω_bnr的相应比重不断减小，算法的效率和精度会有所增加。通过分析，可以确定：在初始化阶段，随机取得一点作为初始聚类中心，然后根据k-means算法将样本划分到具体的某一类中。这样在进行前几次的粗糙聚类时，上近似集中的数据量较大，因此给予上近似集权重因子ω_bnr一个相对较大的数；同样的，在算法运行到后期时，大多数样本已经被归结为每类的下近似集，这时把ω_l的值相对提高，自然会使算法的效率有所提高。因此，可以将ω_l、ω_bnr的值根据下述公式进行动态的调整，具体地，在步骤S5中，可以采用公式

对下近似集的权重因子ω_l进行动态调整；采用公式上近似集的权重因子ω_bnr进行动态调整。其中t表示算法的当前的迭代次数，t_max表示算法最大迭代次数。

在本发明实施例中，在步骤S6中，采用公式

i=1，2，…，n，计算粗糙核聚类的目标函数值J_w；其中，w_j为特征加权系数，且

表示下近似集中的对象到所属类中心距离的加权和，表示上近似集中的对象到所属类中心距离的加权和。

在本发明实施例中，核空间中聚类中心的计算是个非常关键的问题，在高维空间中已经把全部的样本都分配到每个聚类中心的上，下近似集中，则对应样本空间中反映的是不同类别中的样本对聚类的贡献程度。而且根据粗糙集的性质可知下近似集中的对象一定包含在上近似集中，除了下近似集中的对象，簇也有可能包含同时属于其他簇的上近似集的对象。在步骤S7中，采用公式

计算第p类聚类中心C_p；其中，

表示第p类边界集；

表示第p类下近似集，

表示第p类的上近似集；c_k是聚类中心，ω_l表示类的下近似集权重，ω_bnr表示类的上近似集的权重。

本发明实施例提供的基于粗糙集的核聚类算法采用高斯核函数将样本映射到特征空间，放大样本差异；结合粗糙集来有效处理边界对象，并动态地改变上下近似集权重ω_l和ω_bnr在每一次迭代中的比重，提高聚类精度；采用reliefF算法权衡不同属性对聚类结果的贡献程度，进一步保证聚类出的结果符合电力负荷聚类的实际情况。同时，通过本算法得出的聚类精度较高，算法的收敛时间也较快，聚类结果比较符合电力负荷数据的实际情况。也证明了该算法在电力***负荷聚类的优越性，同时基于该算法的负荷聚类为没有安装布测点的变电站建立实用模型提供了有效途径，同时本算法得出的聚类结果和聚类中心为进一步开展负荷建模实用化工作提供了重要的参考依据。

在本发明实施例中，在粗糙集聚类中，根据粗糙核的上、下近似集的理论，最终的聚类结果会存在簇边界较模糊的情况，即簇边界不会完全确定。那么粗糙集的上、下近似集范围的判定方法为：

若

则令

否则令其中γ＝0.07；

表示第i个样本

到第p类中心的欧式距离，

表示第i个样本到第q类中心的欧式距离中的最小值，其中p=1，2，…k，q=1，2，…k，p≠q；dist(C_p,C_q)表示第p类的中心到第q类的中心的欧式距离，为第q类的上近似集，C_p为第p类的下近似集。

在本发明实施例中，而电力负荷实际情况中，如温度、日期等某些属性在聚类过程中发挥的作用巨大，而如气压、风力等属性的作用却很小甚至可以忽略。因此，为了使作用强的属性的利用程度也最大，于是采用reliefF方法对样本属性进行加权处理，则粗糙核聚类的目标函数如下式所示：

i=1，2，…，n，计算粗糙核聚类的目标函数值J_w；其中，w_j为特征加权系数，且

ω_l和ω_bnr表示计算时类中心的下近似集和上近似集的权重，

表示下近似集中的对象到所属类中心距离的加权和，表示上近似集中的对象到所属类中心距离的加权和。

本发明是基于粗糙集和核函数的聚类方法来研究负荷特性的相似性特征，能够更加客观、准确的提取同类负荷的功能本质特征，其思路清晰，算法简易快速有效，聚类结果合理，可以作为基于量测负荷建模的负荷特性记录装置安装位置选择的根本依据，对负荷建模研究的实用化具有重要意义。该方法不仅对于以变电站负荷构成比例为基本特征量的分类，综合有效。而且可以推广到行业典型用户的筛选，还可应用于局域量测的负荷动特性分类与综合。

图3示出了本发明实施例提供的用于电力负荷聚类的装置的模块结构，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

该用于电力负荷聚类的装置包括依次连接的数据采集模块1、数据计算模块2、动态调整模块3、判断模块4以及循环模块5，其中，数据采集模块1用于获取样本矩阵

该样本矩阵包括n行，具体每一行为一个样本，从

到每个样本有d个属性，作为每个样本的d个列分量，即Φ(x)矩阵中的每个元素可以表示为

其中i=1，2，…，n，j＝1，2，…，d，样本

均属于F空间；数据计算模块2包括依次连接初始类聚中心确定模块21以及类聚计算模块22，初始类聚中心确定模块21通过在Φ(x)的n个样本中选取k个样本来确定初始聚类中心C，C={C₁，C₂，...，C_k}，其中C表示k类中心的矩阵集合，k为聚类数目，包括k行，具体每一行为每一类的中心，从C₁到C_k，每一类的中心也相应的有d个属性，作为每类中心C_p的d个列分量，C矩阵中的每个元素可以表示为C_pj，其中p=1，2，…，k，j=1，2，…，d，

类聚计算模块22用于将所述样本Φ(x)进行聚类计算，并根据上、下近似集确定的方法将各样本分配给最近类的上、下近似集；动态调整模块3用于根据当前迭代次数t对所述下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整；判断模块4用于计算粗糙核聚类的目标函数值J_w，并判断|J_w(t)-J_w(t-1)|≤ε或t≥t_max是否成立，若是，则生成最终聚类并结束；若否，则由所述循环模块进行循环计算；循环模块5用于当t＝t+1时重新确定聚类中心并返回至类聚计算模块22并进行循环计算。

在本发明实施例中，动态调整模块3可以采用公式

和

对下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整。

在本发明实施例中，判断模块4可以采用公式

计算粗糙核聚类的目标函数值J_w；其中，w_j为特征加权系数，且

表示下近似集中的对象到所属类中心距离的加权和，

表示上近似集中的对象到所属类中心距离的加权和。

在本发明实施例中，循环模块5可以采用公式

计算第p类聚类中心C_p；其中，

表示第p类中心的边界集；

表示第p类中心的下近似集，

表示第p类中心的上近似集。

本发明提供的装置基于粗糙集和核函数的聚类方法来研究负荷特性的相似性特征，能够更加客观、准确的提取同类负荷的功能本质特征，算法简易快速有效，聚类结果合理，可以作为基于量测负荷建模的负荷特性记录装置安装位置选择的根本依据，对负荷建模研究的实用化具有重要意义。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于电力负荷聚类的方法，其特征在于，包括下述步骤：

S1：获取样本矩阵

该样本矩阵包括n行，具体每一行为一个样本，从

到

每个样本有d个属性，作为每个样本

的d个列分量，即Φ(x)矩阵中的每个元素可以表示为

其中i=1，2，…，n，j＝1，2，…，d，样本

均属于F空间；

S2：通过在样本矩阵Φ(x)的n个样本中选取k个样本来确定初始聚类中心C，C={C₁，C₂，...，C_k}，其中C表示k类中心的矩阵集合，k为聚类数目，包括k行，具体每一行为每一类的中心，从C₁到C_k，每一类的中心也相应的有d个属性，作为每类中心C_p的d个列分量，C矩阵中的每个元素可以表示为C_pj，其中p=1，2，…，k，j＝1，2，…，d，k取

中任一值；

S3：令迭代次数t=1；

S4：将所述样本矩阵Φ(x)进行聚类计算，并根据上、下近似集确定的方法将各样本分配给最近类的上、下近似集；

S5：根据当前迭代次数t对所述下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整；

S6：计算粗糙核聚类的目标函数值J_w，并判断|J_w(t)-J_w(t-1)|≤ε或t≥t_max是否成立，若是，则结束；若否，则进入步骤S7；ε为根据实际情况确定的一个参数，t_max为人为确定的迭代次数上限；

S7：令t＝t+1，重新确定聚类中心C_p，并转入步骤S4。

2.如权利要求1所述的方法，其特征在于，所述步骤S1具体为：获取n个变电站综合负荷静态特性的准样本，构成准样本矩阵X={x₁,x₂,…,x_n}，x_i∈R^d，并通过高斯核函数将所述准样本数据映射到Hilbert空间后获得样本

准样本x_i均属于空间R^d内；所述高斯核函数为：F(x，y)＝exp(-β||x-y||²/2σ²)，其中σ为函数的宽度参数，β为1，x为变换前的准样本，y为变化后的样本。

3.如权利要求1所述的方法，其特征在于，在步骤S4中，上、下近似集确定的方法具体为：

若

则令

否则令

其中γ＝0.07；

表示第i个样本

到第p类中心的欧式距离，表示第i个样本

到第q类中心的欧式距离中的最小值，其中p=1，2，…k，q=1，2，…k，p≠q；dist(C_p,C_q)表示第p类的中心到第q类的中心的欧式距离，

为第q类的上近似集，

为第p类的下近似集。

4.如权利要求1所述的方法，其特征在于，在步骤S5中，采用公式

和

对下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整。

5.如权利要求4所述的方法，其特征在于，在步骤S6中，采用公式i=1，2，…，n，计算粗糙核聚类的目标函数值J_w；其中，w_j为特征加权系数，且

表示下近似集中的对象到所属类中心距离的加权和，

表示上近似集中的对象到所属类中心距离的加权和。

6.如权利要求4所述的方法，其特征在于，在步骤S7中，采用公式计算第p类聚类中心C_p；其中，

表示第p类边界集；表示第p类的下近似集，表示第p类的上近似集。

7.一种用于电力负荷聚类的装置，其特征在于，包括依次连接的数据采集模块、数据计算模块、动态调整模块、判断模块以及循环模块，

所述数据采集模块用于获取样本矩阵

该样本矩阵包括n行，具体每一行为一个样本，从

到

每个样本有d个属性，作为每个样本

的d个列分量，即Φ(x)矩阵中的每个元素可以表示为

i=1，2，…，n，j＝1，2，…，d，；

所述数据计算模块包括依次连接的初始类聚中心确定模块和类聚计算模块，所述初始类聚中心确定模块通过在样本矩阵Φ(x)的n个样本中选取k个样本来确定初始聚类中心C，C={C₁，C₂，...，C_k}，其中C表示k类中心的矩阵集合，k为聚类数目，包括k行，具体每一行为每一类的中心，从C₁到C_k，k取

中任一值，每一类的中心也相应的有d个属性，作为每类中心C_p的d个列分量，C矩阵中的每个元素可以表示为C_pj，p=1，2，…，k；所述类聚计算模块用于将所述样本矩阵Φ(x)进行聚类计算，并根据上、下近似集确定的方法将各样本分配给最近类的上、下近似集；

所述动态调整模块用于根据当前迭代次数t对所述下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整；

所述判断模块用于计算粗糙核聚类的目标函数值J_w，并判断|J_w(t)-J_w(t-1)|≤ε或t≥t_max是否成立，若是，则生成最终聚类并结束；若否，则由所述循环模块进行循环计算；

所述循环模块用于当t＝t+1时重新确定聚类中心并返回至所述类聚计算模块并进行循环计算。

8.如权利要求7所述的装置，其特征在于，所述动态调整模块采用公式

和对下近似集的权重因子ω_l和所述上近似集的权重因子ω_bnr进行动态调整。

9.如权利要求7所述的装置，其特征在于，所述判断模块采用公式计算粗糙核聚类的目标函数值J_w；其中，w_j为特征加权系数，且

表示下近似集中的对象到所属类中心距离的加权和，

表示上近似集中的对象到所属类中心距离的加权和。

10.如权利要求7所述的装置，其特征在于，所述循环模块采用公式

计算第p类聚类中心C_p；其中，

表示第p类边界集；

表示第p类的下近似集，

表示第p类的上近似集。

Images