基于结构自适应神经网络的用电量时间特征的聚类分析.pdfVIP

重庆市电机工程学会 2008 年学术会议论文 基于结构自适应神经网络的用电量时间特征的聚类分析 1 2 2 陈刚 ，胡绍勇 ，戴晓峰 （1 重庆大学 电气工程学院 高电压与电工新技术教育部重点实验室 重庆 400044 2 重庆市电力公司 沙坪坝供电局） 摘要：鉴于聚类分析在数据挖掘中具有重要的作用，本 聚类效果和性能具有重要的影响。其中聚类数确 文针对聚类分析中聚类数确定难的问题，深入研究了聚 定问题，一直都是聚类分析中的一个的难点。本 类准则的选择和曲线特性；提出了一种基于 SOFM 神经 文将结合自组织特征神经网络和聚类准则研究 网络的结构自适应聚类神经网络，其特点是能够自动确 一种能自动确定聚类数的自适应的自组织特征 定最佳的聚类数。基于实际营销数据，采用结构自适应 神经网络，并将其应用在电力营销的用户用电特 聚类神经网络技术实现了用户用电量时间特征分析，所 征分析中，以支持电力营销的辅助决策。 得结论对于电价的针对性的调整以及合理地安排电力生 产具有重要的参考价值。 2 自组织特征神经网络的聚类原理 1981 年 Kohonen 提出了自组织特征映射 关键词：聚类分析；最优聚类数；人工神经网络；用电 SOFM(Self-Organizing feature Map) [8] 的模型 。图 量时间特征 1 给出了由输入层和竞争层组成的无隐层 SOFM 1 引言 网络模型示意图，该网络利用自组织特点，将 n 个一维输入模式，通过 Euclidean 距离函数进行 聚类（clustering ）是数据挖掘领域最为重要 相似性判断，映射到二维神经元阵列上，以实现 和基本的技术之一，用于发现在数据库中未知的 了息的特征提取或称聚类，这种自组织聚类过程 知识分类。从数据库知识发现的角度来讲，对聚 是系统自主、无导师指导的过程下完成的。 类问题的研究是要从大量的数据集中智能地、自 动地抽取出有价值的聚类知识。 ② 学习速率 胜者调整相应的权值以匹配输入模式 人们先后提出了聚类分析领域的大量算法 和方法，总结起来可以归纳为五大类[1-5] ：划分方 法、层次方法、密度方法、网格方法以及模型方 法。模型方法由于具有设计简单、解决问题范围 ① 输入 ② 竞争胜者输出 广且最终可以归结为优化问题等优点，成为聚类 分析的主流方法[6,7] 。但该方法采用数值迭代算 法，在大数据量的聚类中的运算速度较慢。到了 20 世纪 90 年代初，随着神经网络（ANN ）理论 获胜者 邻近 ANN 图 1 Kohonen 自组织特征图 及其应用研究的重