基于模糊聚類分析的能源產業信息自動挖掘建模研究

陳 競，杜 杰，丁勝利

（南方電網數字電網研究院有限公司，廣東廣州 510663）

新型能源產業能夠為用戶提供智慧用電方案，電費谷值時儲電，峰值時用電，將大幅度減少用戶電費[1-3]，還可以利用互聯網對信息流進行跨界交換，為用戶提供實時的電表數據，但是隨之而來的問題是能源產業信息劇增[4-5]，加大了信息挖掘難度。文獻[6]通過模糊C 均值算法聚類降維后的特征數據，獲取數據挖掘結果，該模型具備較優的數據聚類效果。文獻[7]依據模糊神經網絡建立數據挖掘模型結果。但這兩種方法均存在計算開銷較大的缺點，在挖掘較大規模的信息時實時性較差，在數據維度不同時的挖掘效果較差。

模糊聚類分析算法具備模糊集合理論的特點，在各大領域均取得了較優的應用效果，可全面呈現數據集的結構[8]，聚類效果較佳。為此建立基于模糊聚類分析的能源產業信息自動挖掘模型，以此精準自動挖掘能源產業信息。

1 能源產業信息自動挖掘建模方法

1.1 確定初始聚類中心

利用基于密度聚類算法確定初始聚類中心[9]，步驟如下：

步驟1：通過基于密度聚類方法獲取o維Xφ內每維中的聚類中心，相應區間內能源產業信息樣本點數量為ri，i∈{1,2,…,n} ；

步驟3：計算dτ的確切度ρ，公式如下：

式中，構建dτ的o維子區間中相應標號子集的并、交分別為Rτ、。

步驟4：以ρ符合dτ為前提，確定能源產業信息樣本集的孤立點，公式如下：

在γ未超過設定百分比值的情況下，代表dτ內的能源產業信息樣本點屬于孤立樣本點，即虛聚類[11-12]，通過步驟4 可獲取τ′個符合ρ與γ條件的有效聚類子集；

1.2 粒子群優化KFCM算法

利用粒子群優化（Particle Swarm Optimization，PSO）算法優化縮短KFCM 算法的聚類時間[14]，提升能源產業信息自動挖掘精度。

網絡信息的海量化和獲取的便利化，造成相當一部分學生做作業時對電腦產生依賴，主要表現為遇到問題時不是進行認真的思考和研究，而是動輒上網搜索，在網絡上尋找答案。因此，在新媒體環境下，如何提高學生的鉆研精神和創新意識，減少網絡依賴，杜絕網絡抄襲，成為學校和老師必須重視的問題。

步驟1：設置樣本數量c與允許誤差δ；

步驟2：設置群體規模n，慣性權重ω，學習因子η1、η2，指數權重w；

式中，t是迭代次數；vi(t)、Yi(t)是粒子前一時刻的速度與位置；任意數是?1,?2∈[0,1] ；P(t)、P′(t)分別是個體、全局極值。

步驟7：如果此時迭代次數T達到Tmax，那么結束迭代，在最后一代搜索出最佳解，獲取得到P′的粒子，即初始聚類中心的集合，反之，令t=t+1，返回至步驟5；

步驟8：將更新隸屬度函數ζjk作為一個粒子，對其進行更新處理[15]；

1.3 能源產業信息自動挖掘建模

步驟4：通過融合改進的Hubert Γ 統計量與分離度建立KFCM 的自動挖掘模型F′Γ(c,G,Xφ)，其公式如下：

2 實驗分析

以某電網為實驗對象，該電網共包含42 個發電站，其中包含16 個水力發電站，在該電網內隨機選擇有關16 個水力發電站的10 個數據集，這10 個數據集的樣本規模逐漸增大，由100 GB 到1 000 GB，且數據集的樣本維度各不相同，這10 個數據集內的能源產業信息包含電網發電量信息、能源消耗信息、能源供應商信息與客戶用電信息等。

利用該文模型自動挖掘10個數據集內在2020年有關16 個水利發電站的能源消耗信息，自動挖掘結果如表1 所示。

表1 能源消耗信息自動挖掘結果

根據表1 可知，該文模型可有效挖掘出所選擇的10 個數據集內有關能源產業信息中的能源消耗信息，且自動挖掘結果非常詳細，實驗證明該文模型可有效自動挖掘能源產業信息。

以數據集1 為例，利用該文模型聚類處理該數據集內各類別能源產業信息的數據，該數據集內共包含三種類型的能源產業信息，分別是電網發電量信息、能源消耗信息與客戶用電信息，聚類結果如圖1所示。

圖1 聚類結果

根據圖1 可知，該數據集內共包含三個類別的數據，該文模型的聚類結果中共包含三個類別，與實際結果一致，說明該文模型具備較優的能源產業信息聚類效果。

利用調整蘭德系數（Adjusted Rand Index，ARI）衡量該文模型的聚類效果，其取值區間為[-1,1]，其值越大，聚類效果越佳，測試結果如圖2 所示。

圖2 ARI測試結果

根據圖2 可知，在不同數據集規模時，該文模型的平均ARI 值與最大ARI 值均較高，具備較優的能源產業信息聚類效果。

測試該文模型在不同樣本維度時，初始聚類中心優化前后的能源產業信息自動挖掘的完整性，測試結果如圖3 所示。

圖3 完整性測試結果

根據圖3 可知，樣本維度越大，該文模型的初始聚類中心優化前后的完整性均有所降低，在不同樣本維度時，優化后的完整性均顯著高于優化前，且收斂速度快于優化前。實驗證明，在不同樣本維度時，初始聚類中心優化后的完整性值較高，即優化后的能源產業信息自動挖掘效果優于優化前。

3 結論

電力企業的不斷改革，使得能源產業信息呈爆炸式增長，同時由于能源產業信息規模龐大、維度不同，加大了能源產業信息自動挖掘難度，無法精準找到所需信息，為此建立基于模糊聚類分析的能源產業信息自動挖掘模型，提升信息自動挖掘效果，在不同能源產業信息規模與維度時，均可精準自動挖掘所需信息，為電力企業和用戶提供更好的服務。