基于SOM-DB-PAM混合聚类算法的电力客户细分

《基于SOM-DB-PAM混合聚类算法的电力客户细分》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第41卷第10期计算机工程2015年10月V01．41No．10ComputerEngineering0ctober2015·开发研究与工程应用·文章编号：lOOO-3428(2015)10_0295_07文献标识码：A中图分类号：TP391基于SOM-DB·PAM混合聚类算法的电力客户细分胡晓雪，赵嵩正，吴楠(西北工业大学管理学院，西安7lOl29)摘要：针对电力客户具有客户数量大、存在孤立点等特点，提出一种适用于对大量电力客户进行快速聚类的s0M—DB-PAM混合聚类算法。该算法利用自组织映射神经网络训练输入数据，以获取代表输入模式且数据量远小于输入数据量的原型向量，使用

2、围绕中心点的切分(PAM)对该原型向量聚类并用Davies—Bouldin指标判定最优聚类个数以保证聚类效果。实验结果表明，与传统聚类算法相比，该算法具有更高的分类正确率，当客户数量较大时，能实现对客户的快速、有效聚类，并减少人为指定聚类个数的盲目性和主观性。关键词：电力客户细分；围绕中心点的划分；自组织映射；混合聚类算法；聚类分析中文引用格式：胡晓雪，赵嵩正，吴楠．基于sOM—DB．PAM混合聚类算法的电力客户细分[J]．计算机工程，2015，41(10)：295-30l，307．英文引用格式：Huxiaoxue，ZhaoSongzheng，wuNan．PowerCusto

3、mersegmentationBasedonsOM-DB·PAMHybridclusteringAlgorithm[J]．Engineeringcomputer，2015，41(10)：295—301，307．PowerCustomerSegmentationBasedonSOM-DB-PAMHybridClusteringAlgorithmHUXiaoxue，ZHAOSongzheng，WUNan(SchoolofManagement，NonhwestemPolytechnicalUniVersity，Xi’an7lOl29，China)【Abstract】Basedonp

4、owercustomerswhichreachavery1argeamountandthefeatureofpresenceofoutlier，and“mitationsofPartitioningAroundMedoid(PAM)algorithminhandlinglargeamountsofdataandpredefiningthenumberofclusters，anewhybridclusteringalgorithmcalledSOM-DB·PAMthatissuitableforfastclusteringoflargenumberofelectricitycu

5、stomers，isproposed．Intheproposedalgorithm，theSelf·O略anizingMap(SOM)neuralnetworkisusedtotraininputdatatofindprototypevectorsthatrepresentspattemsoftheinputdatasetbutfarlessthanthenumberofit，andtheprototypevectorsareclusteredbythePAMalgorithmandtoensuretheValidityofclustering，theDavies—Bould

6、in(DB)indexiscalculatedforSOMprototypeVectorstosolVeoptimalnumberofclusters．Experimentalresultsshowthat，conlparedwithtraditionalclusteringalgorithms，theaccuracyofclassificationisenhancedandwhentheamountofelectricitycustomersislarge，theproposedalgorithmcanachieVeafastandeffectiVeclustering．I

7、naddition，theblindnessandsubjectivityofpredefiningthenumberofclustersartificiallyisdecreased．【Keywords】powercustomersegmentation；PanitioningAroundMedoid(PAM)；self-0rganizingMap(soM)；hybridclusteringaIgorithm；clusteringanaIysisDol：10．3969／i，issn．1000—3428