原创《基于优化模糊C均值聚类选取相似日燃气负荷预测》：本论文可用于均值论文范文参考下载，均值相关论文写作参考研究。
摘 要：
针对短期负荷预测方法中传统的模糊C均值（FCM）聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化（PSO）算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取和预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.
关键词：
短期负荷预测； 相似日； 相似性； 模糊C均值（FCM）聚类； 粒子群优化（PSO）算法； 支持向量机（SVM）
中图分类号： TP 315.69文献标志码： A文章编号： 1000-5137（2017）04-0560-07
Abstract：
Traditional fuzzy c-means （FCM） clustering in short term load forecasting method is easy to fall into local optimum and is sensitive to the initial cluster center.In this paper,we propose to use global search feature of particle swarm optimization （PSO） algorithm to avoid these shortcomings,and to use FCM optimization to select similar date of forecast as training sample of support vector machines.This will not only strengthen the data rule of training samples,but also ensure the consistency of data characteristics.Experimental results show that the prediction accuracy of this prediction model is better than that of BP neural network and support vector machine （SVM） algorithms.
Key words：
short term load forecasting； similar days；similarity； fuzzy c-means （FCM） clustering； particle swarm optimization （PSO） algorithm；support vector machine （SVM）
0引言
提高燃气负荷的预测精度,既是为了工业用气和居民生活用气得到合理分配和调度,也是燃气工业自身健康发展的需要.燃气负荷预测对燃气工业乃至整个国民经济的发展都有着十分重要的意义[1].
目前负荷预测大致可以分为传统方法和智能方法.用传统方法所建的模型由于难以表达负荷和其影响因素的非线性关系,其预测精度难以进一步提高,限制了它在短期负荷预测中的应用[2-3].作为智能方法主要代表的人工神经网络,以其强大的自主学习能力、非线性处理能力等特性,较好地克服了传统方法的缺点[4-5],但在实际运用中还存在着网络结构选择困难,泛化能力较差,易陷入局部极小,收敛慢等缺陷[6-7].支持向量机作为数据挖掘的一项新技术,在模式识别、处理回归问题等方面已得到了成功应用,被认为是神经网络的替代方法[8-9],文献[10-11]將支持向量机和聚类算法相结合,以改善支持向量机在短期负荷预测中的应用效果.
模糊C均值聚类存在两个严重的缺陷[12]：1） 算法的性能依赖于初始聚类中心的选取,同时聚类的效果受初始值的影响较大；2） 模糊C均值（FCM）聚类算法在迭代寻找最优解的过程中使用的是梯度下降的方法,会不可避免地导致陷于局部最优值.针对这些问题,本文作者结合粒子群算法的全局搜索特性优化FCM聚类.通过优化后的FCM聚类,获取历史负荷样本的最优模式分类,再通过模式识别抽取出和预测样本相似的样本,作为最优训练样本集,强化了参和支持向量机（SVM）训练建模的样本数据规律性,使训练样本都具有相同或相近的输入、输出数学关系,实现了FCM聚类分析和SVM的有效结合,同时也改善了SVM算法的预测效果.
1FCM算法
由于FCM聚类算法是基于目标函数的聚类过程,其本质上是一种局部寻优的求解过程,如果初始化不当,就会导致算法陷入局部收敛达不到全局最优解.为此,可以采用粒子群的全局搜索特性优化.
2基于粒子群优化FCM聚类算法
2.1粒子群优化（PSO）算法
2.3基于粒子群优化的FCM聚类算法的步骤
步骤1：确定聚类数目c,群体规模N,学习因子c1,c2,惯性权重w范围,最大迭代次数itermax.
步骤2：从n个样本中随机的选取c个不同的样本向量作为染色体的初始聚类中心,每个粒子代表各类的聚类中心.
步骤3：根据式（9）计算初始种群中个体的适应度值.
步骤4：根据式（6）计算粒子当前的位置,并根据式（5）更新粒子的位置,产生下一代种群.
步骤5：计算种群中个体的适应度值,若满足终止条件,算法结束,输出整个搜索空间找到的最小适应度值所对应的类的聚类中心,并通过FCM算法得到最终划分结果；否则返回到步骤4.
FCM聚类优化前后目标函数值和迭代次数的关系如图1所示.可以看出粒子群优化后的FCM聚类具有更强的全局搜索能力.
均值论文参考资料：
结论：基于优化模糊C均值聚类选取相似日燃气负荷预测为关于本文可作为均值方面的大学硕士与本科毕业论文均值公式论文开题报告范文和职称论文论文写作参考文献下载。
