[发明专利]一种基于主成分分析和k-means聚类的台区用户识别方法

权利要求书

1.一种基于主成分分析和改进k-means聚类的台区用户识别方法，其特征在于，包括以下过程：

步骤1，获取台区变压器低压侧及用户电表电压数据；

步骤2，对电压数据进行主成分分析，获取低维度分析对象；

步骤3，确定k-means聚类个数k；

步骤4，计算待聚类对象数据密度，确定初始聚类质心；

步骤5，采用k-means聚类算法对待聚类对象进行聚类，然后识别台区用户关系。

2.如权利要求1所述的基于主成分分析和改进k-means聚类的台区用户识别方法，其特征在于，所述步骤1的具体过程为：

获取l台台区变压器低压侧电压数据其中，表示第n个时刻第f台变压器A相的低压侧电压；表示第n个时刻第f台变压器B相的低压侧电压；表示第n个时刻第f台变压器A相的低压侧电压；待识别的m台用户电表电压数据其中，表示第n个时刻第f台待识别用户电表电压。

3.如权利要求2所述的基于主成分分析和改进k-means聚类的台区用户识别方法，其特征在于，所述步骤2的具体过程为：

步骤21，将台区变压器低压侧电压数据和待识别电表电压数据组成形成矩阵

步骤22，对所有的电压数据进行去中心化

所有去中心化的电压数据组成新的样本矩阵X'；

步骤23，计算样本的协方差矩阵C＝X'X'^T,对矩阵C进行特征值分解；

步骤24，取出最大的n'个特征值对应的特征向量(w₁,...w_n')，将所有的特征向量标准化后，组成特征向量矩阵W；

步骤25，对样本集中的每一个样本X，转化为新的样本Z＝W^TX,得到降维后的矩阵其中Z_f＝[z_f1,z_f2,...,z_fn']。

4.如权利要求3所述的基于主成分分析和改进k-means聚类的台区用户识别方法，其特征在于，所述步骤4的具体过程为：

步骤41，计算任意两个对象之间的距离L_pq，其中，L_pq为第p个样本到第q个样本的距离；

步骤42，计算所有对象间的平均距离MeanL，

式中，n'为样本的数据维度；

步骤43，计算对象Z_p的密度Den(Z_p)，

其中当z≥0时，u(z)＝1，否则u(z)＝0；

选取数据密度最大的对象作为第1个初始聚类中心，选择密度第二大的对象作为第2个初始聚类中心，依此类推，直到达到预定的聚类数k为止。

5.如权利要求4所述的基于主成分分析和改进k-means聚类的台区用户识别方法，其特征在于，所述步骤5的具体过程为：

步骤51，基于确定的聚类数k，以及选取的k个初始聚类质心，进行初始化；步骤52，分别计算所有样本到k个初始聚类质心的距离L_pq，按照距离大小将样本分配给最近的中心点；步骤53，按距离对所有样本分完组之后，计算每个组的均值，作为新的质心；步骤54，重复步骤52、步骤53直到新的质心和原质心距离小于阈值，算法结束，将l+m个对象分为k类。

6.如权利要求5所述的基于主成分分析和改进k-means聚类的台区用户识别方法，其特征在于，所述步骤41和步骤51中，所述距离L_pq采用欧式距离来定义，

式中，z_pd为第p个行向量的第d维坐标，z_qd为第q个行向量的第d维坐标。