基于粒子群的K-均值算法在電網(wǎng)企業(yè)對標中應用

國網(wǎng)婁底供電公司 羅林波 羅嵐波 伍 娟

基于粒子群的K-均值算法在電網(wǎng)企業(yè)對標中應用

國網(wǎng)婁底供電公司 羅林波 羅嵐波 伍 娟

在電網(wǎng)企業(yè)對標體系中，結(jié)合我國電力行業(yè)實際情況與國外已有的對標體系，構建一個多因素，多層次的指標體系。利用聚類分析技術在電網(wǎng)企業(yè)對標中的應用，采用了粒子群算法和K-means相結(jié)合的聚類算法，同時考慮多種對標。電網(wǎng)企業(yè)通過對標指標體系評價，及時發(fā)現(xiàn)企業(yè)與企業(yè)的差距，并制定相應的改進措施。

指標體系；聚類分析；粒子群算法；K-means算法

前言

我國電力體制的改革逐步深化，電力市場逐步成為一個買方市場。為了提高和完善電網(wǎng)企業(yè)，電網(wǎng)企業(yè)與標桿企業(yè)的各項指標進行對比勢在必行，不斷尋找差距并持續(xù)改進，文獻[1-3]電力行業(yè)開展了同業(yè)對標管理工作，選出標桿企業(yè)且向其學習，不斷改善管理方式和提高經(jīng)營效益，實現(xiàn)企業(yè)的突破性發(fā)展，文獻[4]通過使用層次從電網(wǎng)公司同業(yè)對標綜合評價，確定相關指標的權重，多維距離方法來區(qū)分相關指標的優(yōu)劣，與實際相比較，以驗證該方法的可行性和平衡。文獻[5]使用個人優(yōu)勢識別指標選擇電力行業(yè)與標桿企業(yè)的過程中的行業(yè)標準，并通過實例演示了選擇科學合理的商業(yè)模式的方法。文獻[6]通過對電力企業(yè)的標準指標灰的特點，分別選取標桿企業(yè)，及分類和企業(yè)指標綜合評價方法，建立相應的二模型，并通過實例說明灰色模型的有效性和實用性。同時數(shù)據(jù)信息能夠給企業(yè)提供真實的發(fā)展狀況，數(shù)據(jù)挖掘在電網(wǎng)同業(yè)中的應用，從供電質(zhì)量，規(guī)范服務，咨詢服務，電費繳納，服務管理建立新型電網(wǎng)企業(yè)滿意度對標指標體系，通過數(shù)據(jù)挖掘中的聚類分析，為電網(wǎng)企業(yè)的決策提供新的思路，能夠為電網(wǎng)企業(yè)結(jié)合自身發(fā)展戰(zhàn)略制定更為科學，平衡，合理的工作計劃。

1.聚類分析

1.1 K-means算法

聚類分析是統(tǒng)計學中研究物以類聚問題的多元統(tǒng)計方法，它能夠?qū)€體（個案或變量）數(shù)據(jù)根據(jù)其諸多特征，按照在性質(zhì)上的相似性進行自動分類，產(chǎn)生多個分類結(jié)果。在聚類之前，個體類劃分的數(shù)量與類型均是未知的，分類后，類內(nèi)部的個體特征差異性較大。聚類分析是在大量數(shù)據(jù)中發(fā)現(xiàn)有價值信息的重要手段。聚類在圖像處理、系統(tǒng)建模、數(shù)據(jù)挖掘、模式識別等領域都發(fā)揮著非常重要的作用，聚類分析有系統(tǒng)聚類和逐步聚類兩種方法，

首先隨機選擇K個聚類中心，根據(jù)最近的原則將其他類別分配到各個類中，然后分別計算k個聚類與每一類中心的平均值，迭代進行個體的再分配，直到?jīng)]有變化為止，從而得到最終的K個類，K-means算法太過于依賴于初始聚類中心的選擇，且得出結(jié)果波動性較大。

輸入：聚類個數(shù)K數(shù)據(jù)集，輸出：K個簇的集合。

步驟1：隨機選擇k個對象在數(shù)據(jù)集里。

步驟2：將余下的數(shù)據(jù)劃分到和數(shù)據(jù)本身相距最近的簇心得簇中。

步驟3：在完成個體的分配之后，針對每一個類，計算其所有個體的平均值，作為該類新的中心，

步驟4：如果得到的結(jié)果收斂，則輸出聚類結(jié)果；如果不收斂，則返回步驟2，進行重新類聚。

1.2 改進K-means的粒子群的聚類算法

由于k-means算法對初始聚類中心的選取容易陷入局部最優(yōu)解具有波動性，本文基于改進粒子群優(yōu)化算法的k-means聚類算法，利用粒子群算法全局尋優(yōu)能力來優(yōu)化k-means算法的初始聚類中心。消除K-means對聚類中心初值的依賴性。聚類中心用粒子位置表示，每個粒子的位置包含K個聚類中心，通過調(diào)整聚類中心獲得最優(yōu)劃分，利用粒子群算法給聚類中心加擾動，以增強跳出局部極值和尋找最優(yōu)聚類的能力，如果多次擾動下聚類劃分不變，則認為當前的聚類為最優(yōu)聚類。

如果達到結(jié)束條件(足夠好的位置或最大迭代次數(shù))，則結(jié)束，否則轉(zhuǎn)步驟(2)。其流程圖如圖1所示。

圖1 粒子群算法流程圖Fig 1 particle swarm algorithm flowchart

1.3 粒子群編碼方案及適應度評價

在利用粒子群優(yōu)化算法對k-means算法的初始中心點進行優(yōu)化之前。假設待聚類數(shù)據(jù)集中的數(shù)據(jù)對象是d維向量，聚類個數(shù)為則粒子的位置為k×d維向量，粒子的速度也是k×d維向量。若粒子群數(shù)目大小為m，則每個粒子i所對應的適應度值為設Zj為第j個類的中心cj，則粒子可以釆用以下的編碼方案：

粒子的適應度函數(shù)f(x)是用來評價粒子位置X性能好壞的評價函數(shù)，因此可將評價k-means算法聚類效果的準則函數(shù)作為粒子群優(yōu)化算法中評價粒子位置性能的適應度函數(shù)f(x)則粒子群的適應度函數(shù)可定義為：

2.電網(wǎng)企業(yè)同業(yè)指標模型構建

其模型必須與電力用戶實際情況相結(jié)合，因此把電力客戶滿意度評價模型分為三個層次，第3層直接反應電力客戶滿意度的基本特征，如供電質(zhì)量，供電安全性等19個因素。及選取規(guī)范服務等5個因素作為二級指標，具體模型如圖2所示。

圖2 電力客戶滿意度測評模型Fig.2Measurement Model of Customer Satisfaction

3.實例研究

基于上文提出的粒子群和K-means相結(jié)合的算法，首先通過粒子群算法找到初始聚類中心，然后通過K-means算法進行聚類，本節(jié)采用基于粒子群的k均值算法，對某省十個地級市的供電公司的相關指標進行實際對標。對標分為3個等級。

首先選取10個地級市的原始數(shù)據(jù)，每個地級市選取的問卷份數(shù)500份，利用基于主成分回歸的熵權值對數(shù)據(jù)進行處理，最后分別得出不同地級市電力公司在供電質(zhì)量，規(guī)范服務，咨詢服務，電費繳納，服務管理五類指標的，各地級市的滿意度如表3。

表3 各地級市電力公司滿意度Tab 3power companies around the city level satisfaction

初始粒子群大小設定50迭代300次c1=1.2，c2=1.2，wmax=0.9，wmin=0.4可以得到最好值（Best），最壞值（Worst）平均值（Average），標準誤差（Std）和達到最優(yōu)解總的迭代次數(shù)（N）還有適應度f(x)。

從表4得知，就輸出結(jié)果的標準差而言，混合算法優(yōu)于K-means，K-means容易陷入局部最優(yōu)解，且每次聚類分析其結(jié)果具有較大的波動性，當適應度越小時，粒子性能越好。

表4輸出結(jié)果看出混合算法比K-means算法分類更加合理，而且混合算法標準誤差遠小于K-means，K-means易于陷入局部最優(yōu)解。在供電質(zhì)量專項指標上，采用混合算法時，G、E市表現(xiàn)欠佳，F(xiàn)、I表現(xiàn)最好，其他六個市次之，F(xiàn)、I作為標桿企業(yè)，其他企業(yè)應該改善電網(wǎng)結(jié)構，提高運行靈活性，改善電網(wǎng)設備，采用新技術。在規(guī)范服務專項指標上A、D、F、I最為標桿企業(yè)，其他市表現(xiàn)次之的企業(yè)在營銷與管理制度的不斷完善，職場素質(zhì)提高，市場化意識增強。就咨詢服務而言，D公司表現(xiàn)最差，要從企業(yè)的本身尋找原因，客戶管理方式的改進，對客戶需求的全面重視，不斷改善對客戶的服務水平。電費繳納而言，十個市相對平穩(wěn)。但就C市而言，要借鑒其他供電企業(yè)經(jīng)驗及時準確抄表，同時要使信息透明化，提高企業(yè)文化與形象，方便客戶了解自身消費水平，增強客戶對企業(yè)的信賴。服務管理方面，A、B、J市建立了完善的客戶投訴機制，加強了客戶反饋信息的管理，及時了解自身的不足。

表4 聚類算法性能比較Tab 4 clustering algorithm performance comparison

4.結(jié)論

論述企業(yè)同業(yè)對標管理的作用，并選取了聚類分析中的K-means算法與粒子群算法相結(jié)合的方法作為本文章的電力企業(yè)同業(yè)對標管理的運行方法。第一，在同一類別的供電企業(yè)具有差不多的條件與企業(yè)規(guī)模。其結(jié)果具有可比性。在實際情況中，應重視同類供電企業(yè)之間對標，有效且及時知道企業(yè)服務中的薄弱環(huán)節(jié)，和存在的服務問題。有針對的提出改進措施。第二，K-means算法與粒子群算法的相互比較，結(jié)合兩者的優(yōu)勢。提出了基于粒子群的K-means算法，不僅消除算法對聚類中心初值的依賴性，改進算法的聚類能，還能有效的降低迭代次數(shù)。

[1]Aoife Brophy Haney,Michael G Pollitt. International bench marking of electricity transmission by regulators: A contrast between theory and practice[J].Energy Policy,2013,62: 267-281.

[2]Aoife Brophy Haney,Michael G Pollitt.Exploring the determinants of“best practice”bench marking in electricity network regulation[J].Energy Policy,2011,39(12):7739-7746.

[3]TJamasb,M Pollitt.Benchmarking and regulation:international electricity experience[J].Utilities Policy,2000,9(03): 107-130.

[4]楊靜,張宣江,盛慧慧,等.電力企業(yè)對標指標評價方法研究[J].華北電力技術,2009 (05):10-13.

[5]William Chung. Review of building energy-use performance bench marking methodologies[J].Applied Energy,2011,88:1470-147936(10): 55-57.

[6]王邦林.基于個性優(yōu)勢識別的標桿選評方法及其在同業(yè)對標中的應用研究[D].沈陽:東北大學,2007.

羅林波（1989-），男，湖南婁底新化人，本科，助理工程師，研究方向：電力運行維護，檢修，電網(wǎng)規(guī)劃。