基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究.PDF

第42 卷 第21 期 电力系统保护与控制 Vol.42 No.21 2014 年11 月1 日 Power System Protection and Control Nov. 1, 2014 基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究 张少敏，赵 硕，王保义 （华北电力大学控制与计算机工程学院，河北 保定 071003 ） 摘要：针对电力数据海量化、多维化的趋势，为了提高聚类算法的聚类质量，并解决传统聚类算法聚类海量高维数据时单机 计算资源不足的瓶颈，提出了一种基于云计算的电力负荷曲线聚类的并行量子粒子群优化模糊 C 均值聚类算法。将量子粒子 群群体智能算法引入到传统模糊 C 均值聚类算法中，利用 QPSO 较强的全局搜索能力，克服 FCM 算法易陷入局部最优以及其 对初始聚类中心过于敏感的缺陷。最后，采用云计算的 MapReduce 编程框架以及 HBase 分布式数据库对算法进行并行化改进。 经实验验证与 FCM 算法和 AFCM 算法相比聚类正确率提高了10%左右，且并行性能较好。 关键词：云计算; Mapreduce 框架; 电力负荷分类; 模糊 C 均值聚类算法; 量子粒子群算法 Research of power load curve clustering algorithm based on cloud computing and quantum particle swarm optimization ZHANG Shao-min, ZHAO Shuo, WANG Bao-yi (School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China) Abstract: Encountering the trend of massive amd multidimensional data, in order to improve the quality of clustering algorithm and solve the computing resources bottleneck of traditional clustering algorithm when clustering massive amounts of high dimensional data, this paper proposes a Parallel Quantum-Behaved Particle Swarm Optimization Fuzzy C-Means clustering algorithm based on cloud computing for power load curve clustering. Quantum particle swarm intelligence algorithm (QPSO) is introduced into the traditional Fuzzy C-Means (FCM) clustering algorithm, QPSO‘s stronger global search ability is used to overcome FCM algorithm‘s weakness of falling into local optimum easily and being sensitive to initial clustering center. Cloud computing is adopted in the MapReduce program