[发明专利]一种基于改进聚类算法的电动汽车充电负荷特征提取方法

权利要求书

1.一种基于改进聚类算法的电动汽车充电负荷特征提取方法，其特征在于，包括以下步骤：

S1、对原始电动汽车充电负荷数据进行预处理，得到充电负荷曲线；

S2、设置聚类数K和初始聚类中心Q；

S3、根据聚类数K和初始聚类中心Q对充电负荷曲线进行聚类分析，提取出电动汽车充电负荷特征；

所述步骤S3包括以下分步骤：

S31、采用K-prototypes聚类算法中的相异度测量方法计算充电负荷曲线与初始聚类中心Q的距离，并根据距离远近进行分类，得到聚类结果；

S32、根据聚类结果对同一类的充电负荷曲线进行更新操作，得到该类充电负荷曲线新的聚类中心；

S33、判断聚类中心是否发生改变，若是则返回步骤S31，否则进入步骤S34；

S34、输出聚类结果作为电动汽车充电负荷特征提取结果；

所述步骤S31中K-prototypes聚类算法中的相异度测量方法的计算公式为：

其中，d(x,y)表示对象x和对象y之间的距离，ω为权重，A为属性集，δ_r(x,y)表示对象x和对象y在r属性上的距离，计算公式为：

其中，p、q表示r属性的不同取值，iδ(p,q)表示p、q的内部相似度，计算公式为：

其中iδ_r(cha)(p,q)表示字符型数据的内部相似度，iδ_r(num)(p,q)表示数值型数据的内部相似度，α与β为敏感因子；

aeδ(p,q)表示p、q的平均外部相似度，计算公式为：

其中，eδ_r(p,q)表示p、q的外部相似度，上标f表示属性集A中的第f个属性，e表示不同于f的属性，eδ_r(p,q)的计算公式为：

其中表示对象x的r属性的上近似，表示对象y的r属性的上近似。

2.根据权利要求1所述的电动汽车充电负荷特征提取方法，其特征在于，所述步骤S1包括以下分步骤：

S11、数据降维：对原始电动汽车充电负荷数据进行降维处理，得到降维数据；

S12、数据修补：采用高斯滤波对降维数据中的异常数据进行平滑处理，并用三次样条插值算法对其中的缺失数据进行填充，得到修补后数据；

S13、选取特征构造充电负荷曲线：选取充电起始时间、充电持续时间及充电功率三维数据对修补后数据进行表征，构造出充电负荷曲线；

S14、标幺化：对充电负荷曲线进行标幺化处理。

3.根据权利要求2所述的电动汽车充电负荷特征提取方法，其特征在于，所述步骤S11中对原始电动汽车充电负荷数据进行降维处理的公式为：

其中，n为原始电动汽车充电负荷数据的维数，m为降维数据的维数，m_i表示第i个降维数据，n_j表示第j个原始电动汽车充电负荷数据，i＜j。

4.根据权利要求1所述的电动汽车充电负荷特征提取方法，其特征在于，所述步骤S2包括以下分步骤：

S21、设置次数阈值L，并令聚类数K的初始值为2；

S22、判断K>L+1是否成立，若是则进入步骤S24，否则进入步骤S23；

S23、针对充电负荷曲线，运行K-prototypes聚类算法并保存聚类结果，同时令聚类数K加1，返回步骤S22；

S24、将每次K-prototypes聚类算法的聚类结果作为层次聚类算法的输入，得到层次聚类树，通过分析层次聚类树，确定最佳的聚类数K和初始聚类中心Q。

5.根据权利要求1所述的电动汽车充电负荷特征提取方法，其特征在于，所述步骤S32中对同一类的充电负荷曲线进行更新操作的具体方法为：对于数值型属性，通过累加各条充电负荷曲线对应属性值后取平均值，得到新聚类中心的数值属性值；对于字符型属性，通过计算各类字符属性值在该类中的占比，以最高占比所对应的字符为新聚类中心的字符属性值。