[发明专利]一种基于负荷特性指标加权聚类算法的电网用户分类方法

说明书

本申请公开了一种基于负荷特性指标加权聚类算法的电网用户分类方法，引入负荷曲线聚类，针对现有算法复杂度较高的问题，构建负荷特性指标并对传统AP算法进行降维，以提高算法效率；利用权重改进相似度计算，并以DB指标进行收敛判断。面对主观赋权的不足，设计特性指标贡献度的评价规则，采用熵权法客观自适应地确定负荷特性指标的权重，以衡量各特性指标对聚类结果的区分度大小，提升了权重赋值的合理性，最终提高了用户分类结果的精准度。

技术领域

本申请涉及用电数据分析技术领域，尤其涉及一种基于负荷特性指标加权聚类算法的电网用户分类方法。

背景技术

根据用户的用电情况对用户进行分类，对电力公司具有重大的意义，电力公司可以根据用户的类型对不同类型的用户的用电情况进行具体分析，并为用户提供更优质的服务，现有技术中，常使用聚类算法对用户进行分类。许多学者对不同聚类算法展开研究，探讨对负荷曲线的聚类效果，不同算法根据其处理目标、数据类型的不同而有所区别，通常分为直接聚类和间接聚类两种。直接聚类是对负荷数据直接进行处理的一种技术，包括Kmeans、FCM、DBSCAN、CFSFDP等，以及针对这些聚类算法的改进。直接聚类的优势是简单快捷，能够充分利用数据自身的特征，但是当面对大量高维数据时在运行效率上不占优势。间接聚类则是先将负荷原始数据进行降维或者特征提取，再对数据进行处理的一种技术。常用方法是利用降维算法进行数据变换，产生或提取数据特征，如SVD、PCA、SOM等。采用该类方法能够对数据进行非线性降维，但提取的特征物理意义不明显，不能为聚类结果提供进一步服务。

AP聚类算法(Affinity propagation Clustering Algorithm，吸引子传播算法)于2007年在Science上发表，该算法具有不需要指定聚类数目和选取初值、聚类结果误差平方和小等优势，在图像、文本及信号处理等领域应用广泛。但算法本身复杂度较高，当处理多维大量数据时，AP聚类算法往往需要长时间计算。并且，常将用户的用电数据加权后再进行聚类，但现有技术中的权重赋值方法是专家评判法，具有主观性且效率较低。

因此如何降低采用聚类算法对用户进行分类时的运算时间，提升权重赋值的合理性，进而提升用户分类结果的精准度成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术存在的上述不足，本申请要解决的技术问题是：如何降低采用聚类算法对用户进行分类时的运算时间，提升权重赋值的合理性，进而提升用户分类结果的精准度。

为解决上述技术问题，本申请采用了如下的技术方案：

一种基于负荷特性指标加权聚类算法的电网用户分类方法，包括：

步骤A：获取待分类用户的负荷曲线d_l，l表示不同的待分类用户，l为正整数，执行步骤B；

步骤B：基于所述负荷曲线d_l计算负荷特性指标集合D_l＝[V_l1,V_l2,...,V_ln]，V_l1至V_ln表示不同的负荷特性指标，n表示所述负荷特性指标集合内负荷特性指标种类的个数，n为正整数，执行步骤C；

步骤C：基于所述负荷特性指标集合D_l＝[V_l1,V_l2,...,V_ln]设置初始权重集合λ＝[λ₁,λ₂,...,λ_n]，并以所述初始权重集合为负荷特性指标权重集合，所述负荷特性指标权重集合中的每个权重即为所述负荷特性指标集合中每种负荷特性指标的权重，设第一迭代次数i为1，设第二迭代次数j为1，设置吸引信息矩阵R和归属信息矩阵A为零，设置DB指标，执行步骤D；