粒子群算法优化FCM聚类：居民用电行为分析Matlab实现

做居民用电行为分析，最核心的一步就是聚类。可现实情况是，很多人拿K-means或者FCM跑完一版，结果出来一看，样本全挤在一个簇里，剩下几个簇都是空的；或者今天跑和明天跑，聚类结果完全不一样。这种不稳定性，我在处理智能电表数据时遇到过太多次。后来把粒子群算法（PSO）和FCM聚类结合起来，用PSO的全局寻优能力去覆盖FCM对初始聚类中心过于敏感的短板，再用优化后的聚类中心去划分居民用电行为，整体结果稳定了不少。

这篇文章就是把整套思路和Matlab实现完整记录一遍，从原理拆解到代码骨架，再到参数调优和常见报错。项目名字叫“基于粒子群算法优化FCM聚类的居民用电行为分析研究”，听着有点长，但拆开看就是三件事：粒子群算法、FCM聚类、居民用电行为分析。适合正在做电力负荷数据挖掘的学生，也适合已经在用FCM但一直被初值问题折腾的工程师。

先说结论：PSO-FCM并不是一个特别高深的方法，它只是在传统FCM前面加了一个“找好初始中心”的预处理步骤。但恰恰是这一步，能把聚类结果从“随机抽奖”变成“可复现的稳定输出”。下面我按自己实际做的流程来讲，尽量把每个选择背后的原因都说清楚。

1. 项目背景与整体设计思路

1.1 居民用电行为分析到底在分析什么

居民用电行为分析，本质上是从用户的历史负荷数据里提取出“规律”。智能电表通常每15分钟或者每小时采集一个功率值，一天下来就是24个点或者96个点，一个月就是几千个点。这些原始数据直接拿去做聚类，维数高、噪声大，很难得到有解释力的结果。

所以实际操作中，我们一般会先构造特征。常用特征包括：峰期平均负荷、谷期平均负荷、日负荷率（平均负荷/最大负荷）、峰值出现时刻、夜间用电占比等等。把这些特征拼成一个向量，每个用户就变成了一个多维空间里的点。聚类的目标是把这些点分成若干组，每组代表一种典型的用电模式。

比如我手头有一批某小区用户的月度负荷曲线，经过特征提取后发现大致有四类：一类是典型的“双峰型”，早高峰和晚高峰都很突出；一类是“夜间活跃型”，晚上10点后负荷反而升高；一类是“全天平稳型”，负荷波动很小；还有一类是“周末型”，工作日和周末差异极大。这些画像看起来简单，但落到具体业务上，可以直接指导需求侧响应、分时电价套餐设计，甚至帮助供电公司识别异常用电行为。

1.2 为什么选FCM聚类，而不是直接用K-means

K-means是硬聚类，每个样本必须属于且只属于一个簇。但居民用电行为之间的边界其实很模糊，一个用户可能既像“上班族”又有“夜猫子”倾向，这时候硬生生把它归到某一类，信息损失就比较大。

FCM（模糊C均值聚类）则允许一个样本以不同的隶属度属于多个簇，隶属度在0到1之间，并且对每个样本而言，所有簇的隶属度之和为1。这就更贴合“用户行为不可能是单一模式”的现实。用FCM聚出来的结果，除了每个用户的最终标签，还能得到它跟每个聚类中心的相似程度，这个信息在电力营销场景里非常有用。

但FCM有一个众所周知的毛病：它对初始聚类中心非常敏感。FCM本质上是迭代求解一个非线性优化问题，目标函数是非凸的，存在大量局部极小值。如果初始中心选得不好，迭代很容易收敛到某个局部最优点，聚类结果就会偏离真实结构。实际情况就是：换一组随机初始中心，跑出来的簇可能完全不一样。

1.3 粒子群算法在这里扮演什么角色

粒子群算法是一种群体智能优化算法，灵感来自鸟群觅食。每个“粒子”代表一个候选解，通过不断向自身历史最优位置和群体历史最优位置学习，逐步逼近全局最优解。

在这个项目里，我把每个粒子编码成一组聚类中心，具体来说就是K个簇中心拼接成一个向量。粒子的位置就是候选的聚类中心组合，粒子的适应度就是FCM的目标函数值。PSO的任务就是在搜索空间里找到一组让FCM目标函数尽可能小的聚类中心，然后把这一组中心作为FCM的初始中心，再做一次标准的FCM迭代精炼。

一句话概括：PSO负责“全局搜索”，FCM负责“局部精炼”。这种组合方式比单纯用FCM从随机起点开始跑要稳得多，也比完全用PSO替代FCM迭代要高效得多。

2. 核心原理拆解

2.1 FCM聚类的目标函数和迭代逻辑

FCM的目标函数是这样的：

J = sum_i sum_j u_ij^m * ||x_i - c_j||^2

其中x_i是第i个样本，c_j是第j个聚类中心，u_ij是样本i对簇j的隶属度，m是模糊指数（通常取2），||x_i - c_j||^2是欧氏距离的平方。

FCM通过迭代更新隶属度矩阵U和聚类中心矩阵C，直到目标函数不再显著下降。更新公式我放在后面代码部分再给。这里只强调一个关键点：整个迭代过程是坐标下降式的，从一个初始C出发，反复交替更新U和C，本质上是一个爬山过程。如果初始C没选好，很容易爬到某个局部山顶就不动了。

2.2 粒子群算法的位置更新与速度更新

PSO的每个粒子i在t时刻有一个位置向量X_i(t)和一个速度向量V_i(t)。在每次迭代中，每个粒子记录自己历史最优位置Pbest_i，群体记录全局最优位置Gbest。

速度更新公式：

V_i(t+1) = w * V_i(t) + c1 * r1 * (Pbest_i - X_i(t)) + c2 * r2 * (Gbest - X_i(t))

位置更新公式：

X_i(t+1) = X_i(t