本發(fā)明涉及人工智能應(yīng)用領(lǐng)域，具體為一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法與系統(tǒng)。
背景技術(shù)：
1、在電力行業(yè)及其他工業(yè)領(lǐng)域中，電廠(chǎng)運(yùn)行績(jī)效指標(biāo)的管理是提升運(yùn)營(yíng)效率、降低成本、增強(qiáng)競(jìng)爭(zhēng)力的關(guān)鍵環(huán)節(jié)。然而，傳統(tǒng)的電廠(chǎng)運(yùn)行績(jī)效指標(biāo)管理系統(tǒng)主要依賴(lài)于人工記錄和經(jīng)驗(yàn)調(diào)整，這種方式存在諸多顯著問(wèn)題。
2、首先，傳統(tǒng)方法中，績(jī)效指標(biāo)數(shù)據(jù)的收集、整理和分析往往需要人工干預(yù)，導(dǎo)致數(shù)據(jù)更新不及時(shí)，導(dǎo)致數(shù)據(jù)滯后無(wú)法實(shí)時(shí)反映電廠(chǎng)的運(yùn)行狀態(tài)。這種滯后性嚴(yán)重影響了管理層的決策效率，使得電廠(chǎng)難以及時(shí)調(diào)整運(yùn)營(yíng)策略以應(yīng)對(duì)市場(chǎng)變化。其次，由于依賴(lài)人工經(jīng)驗(yàn)進(jìn)行調(diào)整，傳統(tǒng)績(jī)效指標(biāo)管理系統(tǒng)往往缺乏科學(xué)的數(shù)據(jù)支持和精細(xì)化的管理手段，這導(dǎo)致管理決策可能偏離最優(yōu)解，無(wú)法精確識(shí)別運(yùn)營(yíng)中的瓶頸問(wèn)題和改進(jìn)空間，從而限制了電廠(chǎng)運(yùn)營(yíng)效率的進(jìn)一步提升。
3、隨著電力行業(yè)數(shù)據(jù)量的爆炸性增長(zhǎng)，人工處理方式已難以滿(mǎn)足實(shí)際需求，亟需一種能夠自動(dòng)從數(shù)據(jù)中提取關(guān)鍵信息、實(shí)現(xiàn)績(jī)效指標(biāo)智能化優(yōu)選與管理的方法。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明提供一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法與系統(tǒng)。使用機(jī)器學(xué)習(xí)算法，從數(shù)據(jù)的采集預(yù)處理到模型的訓(xùn)練預(yù)測(cè)，再到綜合排名算法模型的構(gòu)建，最后完成指標(biāo)優(yōu)選及可視化展現(xiàn)。整個(gè)過(guò)程從數(shù)據(jù)驅(qū)動(dòng)模型，從模型中探索規(guī)律，解決了從傳統(tǒng)的經(jīng)驗(yàn)看數(shù)據(jù)，人工操作看數(shù)據(jù)的一些弊端。提供了自動(dòng)化、智能化、可視化的指標(biāo)管理運(yùn)營(yíng)模式。
2、本發(fā)明是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：
3、一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，包括以下步驟：
4、步驟1、獲取業(yè)務(wù)指標(biāo)數(shù)據(jù)并構(gòu)建特征向量矩陣，特征向量矩陣包括指標(biāo)樣本名稱(chēng)行向量和指標(biāo)得分矩陣；
5、步驟2、確定特征向量矩陣的最優(yōu)聚類(lèi)數(shù)量k；
6、步驟3、根據(jù)最優(yōu)聚類(lèi)數(shù)量k初始化聚類(lèi)器，根據(jù)聚類(lèi)器對(duì)特征向量矩陣進(jìn)行聚類(lèi)形成多個(gè)簇，并對(duì)每個(gè)樣本分配所屬簇的序號(hào)；
7、步驟4、對(duì)各簇的質(zhì)心確定簇的綜合排名參考；
8、步驟5、根據(jù)特征向量矩陣的指標(biāo)樣本名稱(chēng)行向量、每個(gè)樣本所屬簇的序號(hào)以及各簇的綜合排名參考，對(duì)業(yè)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行排名，得到業(yè)務(wù)指標(biāo)數(shù)據(jù)排名序列，根據(jù)業(yè)務(wù)指標(biāo)數(shù)據(jù)排名序列確定最優(yōu)指標(biāo)。
9、優(yōu)選的，步驟1所述獲取業(yè)務(wù)指標(biāo)數(shù)據(jù)并構(gòu)建特征向量矩陣，包括：
10、對(duì)業(yè)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)預(yù)處理后的業(yè)務(wù)指標(biāo)數(shù)據(jù)獲取特征值，根據(jù)特征值構(gòu)建特征向量矩陣。
11、優(yōu)選的，步驟2所述確定特征向量矩陣的最優(yōu)聚類(lèi)數(shù)量k，包括：
12、根據(jù)業(yè)務(wù)指標(biāo)數(shù)據(jù)的分級(jí)指標(biāo)確定最優(yōu)聚類(lèi)數(shù)量k；
13、或，采用數(shù)據(jù)驅(qū)動(dòng)求解確定最優(yōu)聚類(lèi)數(shù)量k。
14、優(yōu)選的，所述數(shù)據(jù)驅(qū)動(dòng)求解確定最優(yōu)聚類(lèi)數(shù)量k，包括：
15、采用kmeans聚類(lèi)的肘部法則確定最優(yōu)聚類(lèi)數(shù)量k，或采用輪廓系數(shù)法確定最優(yōu)聚類(lèi)數(shù)量k。
16、優(yōu)選的，步驟3所述根據(jù)最優(yōu)聚類(lèi)數(shù)量k初始化聚類(lèi)器，根據(jù)聚類(lèi)器對(duì)特征向量矩陣進(jìn)行聚類(lèi)形成多個(gè)簇，并對(duì)每個(gè)樣本分配所屬簇的序號(hào)，包括：
17、s3.1、隨機(jī)選擇初始聚類(lèi)中心，使用random_state參數(shù)控制隨機(jī)種子；
18、s3.2、隨機(jī)選擇k個(gè)樣本數(shù)據(jù)點(diǎn)作為初始簇中心；
19、s3.3、將每個(gè)樣本數(shù)據(jù)點(diǎn)分配給距離最近的簇中心形成k個(gè)簇；
20、s3.4、計(jì)算每個(gè)簇的簇中心；
21、s3.5、重復(fù)執(zhí)行s3.3和s3.4，直到簇中心達(dá)到預(yù)設(shè)的迭代次數(shù)，即完成業(yè)務(wù)指標(biāo)數(shù)據(jù)的聚類(lèi)，形成一個(gè)表示樣本數(shù)據(jù)所屬簇的行向量，向量中每個(gè)元素的值為該業(yè)務(wù)指標(biāo)數(shù)據(jù)所屬簇的索引編號(hào)。
22、優(yōu)選的，步驟4所述對(duì)各簇的質(zhì)心確定簇的綜合排名參考，包括：
23、對(duì)各簇的質(zhì)心的中心特征值求和得到簇的綜合排名參考。
24、優(yōu)選的，步驟5所述根據(jù)特征向量矩陣的指標(biāo)樣本名稱(chēng)行向量、每個(gè)樣本所屬簇的序號(hào)以及各簇的綜合排名參考，對(duì)業(yè)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行排名，得到業(yè)務(wù)指標(biāo)數(shù)據(jù)排名序列，包括：
25、根據(jù)特征向量矩陣的指標(biāo)名稱(chēng)行向量，結(jié)合每個(gè)樣本所屬簇的特征行向量和簇的綜合排名參考，構(gòu)建綜合排名模型，綜合排名模型輸出各業(yè)務(wù)指標(biāo)數(shù)據(jù)排名序列，綜合排名模型中，一個(gè)是各個(gè)簇的質(zhì)心的求和，一個(gè)是各個(gè)簇中指標(biāo)樣本名稱(chēng)行和樣本所屬簇的序號(hào)的集合。
26、優(yōu)選的，還包括以下步驟：
27、對(duì)業(yè)務(wù)指標(biāo)數(shù)據(jù)排名序列中靠后的多個(gè)業(yè)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行分析確定優(yōu)化策略，根據(jù)優(yōu)化策略指導(dǎo)電廠(chǎng)運(yùn)營(yíng)。
28、一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選系統(tǒng)，包括：
29、數(shù)據(jù)采集模塊，用于獲取業(yè)務(wù)指標(biāo)數(shù)據(jù)并構(gòu)建特征向量矩陣，特征向量矩陣包括指標(biāo)樣本名稱(chēng)行向量和指標(biāo)得分矩陣；
30、聚類(lèi)模塊，用于確定特征向量矩陣的最優(yōu)聚類(lèi)數(shù)量k；
31、分組模塊，用于根據(jù)最優(yōu)聚類(lèi)數(shù)量k初始化聚類(lèi)器，根據(jù)聚類(lèi)器對(duì)特征向量矩陣進(jìn)行聚類(lèi)形成多個(gè)簇，并對(duì)每個(gè)樣本分配所屬簇的序號(hào)；
32、綜合排名模塊，用于對(duì)各簇的質(zhì)心確定簇的綜合排名參考；
33、指標(biāo)排序模塊，用于根據(jù)特征向量矩陣的指標(biāo)樣本名稱(chēng)行向量、每個(gè)樣本所屬簇的序號(hào)以及各簇的綜合排名參考，對(duì)業(yè)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行排名，得到業(yè)務(wù)指標(biāo)數(shù)據(jù)排名序列，根據(jù)業(yè)務(wù)指標(biāo)數(shù)據(jù)排名序列確定最優(yōu)指標(biāo)。
34、一種電子設(shè)備，包括：
35、存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；
36、處理器，用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法的步驟。
37、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：
38、本申請(qǐng)?zhí)岢隽艘环N基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，首先通過(guò)獲取業(yè)務(wù)指標(biāo)數(shù)據(jù)并構(gòu)建特征向量矩陣，確保了數(shù)據(jù)的結(jié)構(gòu)化處理與高效分析；隨后，利用最優(yōu)聚類(lèi)數(shù)量k的確定策略，包括業(yè)務(wù)需求指定與數(shù)據(jù)驅(qū)動(dòng)求解兩種方式，增強(qiáng)了方法的靈活性與適應(yīng)性。通過(guò)初始化聚類(lèi)器并對(duì)特征向量矩陣進(jìn)行聚類(lèi)，形成多個(gè)具有內(nèi)在相似性的簇，進(jìn)一步細(xì)化了數(shù)據(jù)分類(lèi)。對(duì)各簇質(zhì)心的綜合排名參考計(jì)算，結(jié)合指標(biāo)樣本名稱(chēng)與所屬簇序號(hào)，實(shí)現(xiàn)了業(yè)務(wù)指標(biāo)數(shù)據(jù)的精準(zhǔn)排名與最優(yōu)指標(biāo)確定。該技術(shù)方案的顯著優(yōu)點(diǎn)在于，它徹底擺脫了傳統(tǒng)績(jī)效管理中依賴(lài)人工記錄與經(jīng)驗(yàn)調(diào)整的局限性，通過(guò)數(shù)據(jù)驅(qū)動(dòng)與模型驅(qū)動(dòng)的方式，顯著提升了績(jī)效指標(biāo)管理的自動(dòng)化與智能化水平。同時(shí)，該方法還具備強(qiáng)大的可視化能力，使得績(jī)效指標(biāo)數(shù)據(jù)一目了然，便于管理層快速洞察運(yùn)營(yíng)狀況，及時(shí)作出科學(xué)決策。此外，該方案還通過(guò)分析排名靠后的業(yè)務(wù)指標(biāo)數(shù)據(jù)，為電廠(chǎng)運(yùn)營(yíng)提供了針對(duì)性的優(yōu)化策略，有效降低了運(yùn)營(yíng)成本，增強(qiáng)了企業(yè)的市場(chǎng)競(jìng)爭(zhēng)力。
39、本申請(qǐng)還提出了一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選系統(tǒng)、一種電子設(shè)備和一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，具備上述基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法的全部?jī)?yōu)勢(shì)。
1.一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，其特征在于，步驟1所述獲取業(yè)務(wù)指標(biāo)數(shù)據(jù)并構(gòu)建特征向量矩陣，包括：
3.根據(jù)權(quán)利要求1所述的一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，其特征在于，步驟2所述確定特征向量矩陣的最優(yōu)聚類(lèi)數(shù)量k，包括：
4.根據(jù)權(quán)利要求3所述的一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，其特征在于，所述數(shù)據(jù)驅(qū)動(dòng)求解確定最優(yōu)聚類(lèi)數(shù)量k，包括：
5.根據(jù)權(quán)利要求1所述的一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，其特征在于，步驟3所述根據(jù)最優(yōu)聚類(lèi)數(shù)量k初始化聚類(lèi)器，根據(jù)聚類(lèi)器對(duì)特征向量矩陣進(jìn)行聚類(lèi)形成多個(gè)簇，并對(duì)每個(gè)樣本分配所屬簇的序號(hào)，包括：
6.根據(jù)權(quán)利要求1所述的一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，其特征在于，步驟4所述對(duì)各簇的質(zhì)心確定簇的綜合排名參考，包括：
7.根據(jù)權(quán)利要求1所述的一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，其特征在于，步驟5所述根據(jù)特征向量矩陣的指標(biāo)樣本名稱(chēng)行向量、每個(gè)樣本所屬簇的序號(hào)以及各簇的綜合排名參考，對(duì)業(yè)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行排名，得到業(yè)務(wù)指標(biāo)數(shù)據(jù)排名序列，包括：
8.根據(jù)權(quán)利要求1所述的一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選方法，其特征在于，還包括以下步驟：
9.一種基于kmeans聚類(lèi)算法的績(jī)效指標(biāo)優(yōu)選系統(tǒng)，其特征在于，包括：
10.一種電子設(shè)備，其特征在于，包括：