基于粒子群算法优化FCM聚类的居民用电行为分析与Matlab实现

智能电表普及之后，居民侧负荷数据一下子变成了最不缺的数据资源：每户每天96个点（15分钟粒度）甚至更高频的采集，攒上一年就是几万行。可数据多了反而更头疼——怎么从一堆毛刺和噪声里看出用户的用电习惯？我把这个项目定为“基于粒子群算法优化FCM聚类的居民用电行为分析”，目的就是把用户的日负荷曲线自动归类，让每类用户都能画出一条有代表性的典型用电曲线，再用粒子群算法解决FCM聚类本身容易陷入局部最优的老问题。整个方案用Matlab实现，代码不复杂，跑通一遍之后你会对“聚类+智能优化”这套组合有非常直观的理解。

这篇内容适合正在做电力数据挖掘、负荷预测、需求响应方向的同学，也适合刚接触粒子群算法和模糊聚类、想找个完整落地案例的读者。我不会只贴代码，会把每一步为什么这么做讲清楚，包括我踩过的坑和最后怎么调参的经验。

1. 项目到底要解决什么问题：居民用电行为分析的三个层次

1.1 居民用电行为分析的核心需求

居民用电行为分析，表面上是聚类，实际上是在回答三个递进的问题：第一，这群用户的负荷曲线长什么样？第二，他们能分成几类，每一类有什么共性？第三，分完类之后，这个结果能不能指导实际业务——比如分时电价怎么定、需求响应选哪些用户参与、配电网改造该重点关注哪条馈线。

做聚类的输入数据一般是一张二维表：行是用户，列是时间点（一天96个点或48个点），每个单元格是用户在该时刻的用电功率。有些项目还会在列方向追加特征，比如峰时电量占比、谷时电量占比、负荷率、日用电量，把原始曲线和统计特征叠在一起。这样做的原因是：纯曲线聚类容易受个别尖峰影响，加入特征维度后聚类结果会更稳定，业务解释性也更强。

最终输出的东西，最常见的是K条典型日负荷曲线。比如分4类，你会得到“晚高峰型”、“全天平稳型”、“夜间活跃型”、“午间小高峰型”四条曲线，每一类对应多少户，一目了然。有了这些，后续做用户画像、需求响应潜力评估、负荷预测的样本划分就有依据了。

1.2 FCM聚类为什么是“主力选项”也是“痛点来源”

居民负荷数据不是天然可分簇的。一个用户今天晚高峰明显，明天可能因为加班变成深夜负荷；同一栋楼里，老人和上班族的曲线又完全不一样。如果用K-means这类硬聚类，每个用户必须硬性划到某一个类里，结果往往会偏敏感，噪声一多就容易错分。

FCM（模糊C均值聚类）不一样，它给每个样本一个隶属度向量，例如某用户属于第1类的隶属度是0.6、第2类是0.3、第3类是0.1，而不是简单地判定“他就是第1类”。这种软划分的设定，非常贴合居民用电的模糊性特征。FCM的目标就是最小化下面这个函数：

J = Σᵢⱼ (μᵢⱼ)^m · ||xᵢ - vⱼ||²

其中μᵢⱼ是第i个样本对第j个聚类中心的隶属度，m是模糊指数，vⱼ是第j个聚类中心。求解方式是交替迭代：固定隶属度更新聚类中心，再固定聚类中心更新隶属度，往复循环直到目标函数变化量小于阈值。

但FCM的痛点也非常明显。它本质上是坐标下降法，对初始聚类中心极其敏感。初始中心选得不好，迭代很容易收敛到局部最优，出来的聚类中心可能只是“凑合能看”，而不是全局最优划分。数据量大、维度高时，这个毛病会被放大。我一开始直接用Matlab自带的fcm函数跑，同一个数据集换几次初始值，聚类结果明显不一样，这就是典型的局部最优问题。

1.3 粒子群算法为什么能和FCM“组队”

既然FCM卡在“初值敏感+局部最优”，一个自然的思路就是：在FCM迭代之前，先用一个全局搜索能力强的优化算法把聚类中心的位置“大致找出来”。粒子群算法（PSO）在这个场景下是很好的候选。

PSO的思想非常简单：把每个候选解看成搜索空间里的一只鸟，鸟群在飞行过程中不断比较“我自己飞到过的最好位置”和“整个群体飞到过的最好位置”，然后根据这两个信息修正自己的飞行方向和速度。用公式表达就是：

vᵢ(t+1) = w·vᵢ(t) + c₁·r₁·(pbestᵢ - xᵢ(t)) + c₂·r₂·(gbest - xᵢ(t))

xᵢ(t+1) = xᵢ(t) + vᵢ(t+1)

和遗传算法、模拟退火这些相比，PSO的优势是：不需要求导，不依赖梯度信息；参数少，核心就三个（惯性权重w、学习因子c₁、c₂）；编码方式灵活，粒子直接就是连续的实数向量，正好对应聚类中心坐标；收敛速度快，通常几十代就能逼近较优区域。对于FCM这种已经有明确目标函数、只是局部极小值多的优化问题，PSO算是“对症下药”。

把两者结合，我的方案是：用粒子编码一组聚类中心（一个粒子就是K×D维的向量），适应度函数直接取FCM的目标函数值，PSO负责全局寻优，迭代结束后把找到的最优解作为FCM的初始聚类中心，再做一轮FCM精调。这样既利用了PSO的全局搜索能力，也保留了FCM快速局部收敛的特性。

2. 算法原理与数学模型：把“为什么”讲透

2.1 FCM的原理想清楚，后面代码才不会懵

先花点时间把FCM的数学过程捋清楚。假设有n个样本xᵢ（每个样本是D维向量），想分成K类，FCM需要求解两个变量：隶属度矩阵U（n×K，每行和为1）和聚类中心矩阵V（K×D）。

目标函数上面已经写过，这里重点说两个核心公式的来龙去脉。模糊聚类问题通常用拉格朗日乘子法把“每行隶属度之和等于1”的约束加进去，对μᵢⱼ和vⱼ分别求导，令导数为0，就能得到两个更新公式。隶属度更新公式是：

μᵢⱼ = 1 / Σₖ (||xᵢ - vⱼ|| / ||xᵢ - vₖ||)^(2/(m-1))

聚类中心更新公式是：

vⱼ = Σᵢ (μᵢⱼ)^m · xᵢ / Σᵢ (μᵢⱼ)^m

直观理解：某个样本离某个中心越近，它对那个类的隶属度就越高；聚类中心是所有样本的加权平均，权就是隶