[发明专利]一种基于典型特征提取的负荷结构解析方法

权利要求书

1.一种基于典型特征提取的负荷结构解析方法，其特征在于，包括以下步骤：

S1、历史负荷数据处理及修复：

在数据异常点判断时采用模糊聚类算法，其算法目标函数为：

其中：

式中；X为使用的样本，V为聚类中心矩阵，T为可能性划分矩阵，U为模糊矩阵，c为聚类中心，m为加权模糊指数，且m1，n为样本数量，u_ij为U中的第j个样本点隶属于第i类的模糊值，且t_ij为T中的第j个样本点隶属于第i类的可能性值,q1；

在检测到异常数据判断出类型后进行补全修正，假设96点负荷中第i天的第j个数据缺失或者异常时，而前后两天的第i个数据正常时，空数据补全公式为：

P_ij＝(P_(i-1)j+P_(i+1)j)/2       (2)

当连续两天以上同时刻负荷值异常时，使用拉格朗日插值法进行修正补全，公式为：

其中l_i(P)为插值基函数；

S2、负荷分类：

根据负荷标签完整程度对负荷实行不同的分类策略；

S3、典型曲线分析：

将处理过的数据进行标准化使其成为无量纲数据，以避免因数量级差异导致的量级较大的属性占据主导地位、避免数量级差异将导致迭代收敛速度慢、降低依赖于样本距离的算法对于数据的数量级敏感性的影响；利用Z-score对选取的负荷样本数据进行标准化，标准化公式如下：

P^*＝(P-P_H)/P_σ     (4)

其中P_μ为负荷样本数据的均值，P_σ为负荷样本数据的标准差；

提取典型曲线时采用K-means算法，该算法的原理是对给定的样本集，按照样本之间的距离大小，将样本划分为k个簇，让簇内的点尽量紧密的连接在一起，取簇间的距离最大值；

K-means聚类的相似性度量函数表达式如下：

其中E是所有样本的平方误差和；k为聚类个数；C_i为第i簇；p是聚类空间中的样本点；μ_i是第i簇的聚类中心；在确定聚类簇数k时采用肘部法则，更加优化智能的确定簇数，最后提取出典型曲线后进行负荷特性的分析，得出负荷规律特性。

2.根据权利要求1所述的一种基于典型特征提取的负荷结构解析方法，其特征在于：所述步骤S2中负荷标签的完整程度包括以下三种状态：负荷分类标签准确完整、负荷分类标签部分缺失及负荷分类标签全部缺失。

3.根据权利要求2所述的一种基于典型特征提取的负荷结构解析方法，其特征在于：所述步骤S2中的负荷分类标签准确完整时：此种情况采用逐级累加的方法解析负荷结构；建立行业标准分类逻辑关系结构，按行业标准分类小类名称匹配采集上来的10kV及以上用户负荷数据所属类型标签，根据该行业小类所属中类，中类所属大类，大类所属门类，门类所属行业用电分类，按所属关系采用从下至上逐级累积的方法，对负荷结构进行统计解析。

4.根据权利要求2所述的一种基于典型特征提取的负荷结构解析方法，其特征在于：所述步骤S2中的负荷分类标签部分缺失时：利用典型的机器学习分类算法补全负荷标签，然后根据标签采用逐级累加的方法进行负荷结构解析；行业分类标签存在部分缺失的情况下，首先对贴有标签完整的负荷数据作为训练集，以负荷特征作为分析对象，对标签缺失的负荷进行分类贴标签，然后采用逐级累加的方法进行负荷结构解析。

5.根据权利要求2所述的一种基于典型特征提取的负荷结构解析方法，其特征在于：所述步骤S2中的负荷分类标签全部缺失时：对负荷进行标准化处理，分析负荷特征，根据负荷特征对负荷进行聚类分析，按聚类类别解析负荷结构。

6.根据权利要求1所述的一种基于典型特征提取的负荷结构解析方法，其特征在于：所述步骤S3中采用K-means算法提取典型曲线包括以下步骤：

(1)确定聚类簇数k；

(2)初始化k个聚类中心μ₁，……，μ_k；

(3)计算样本到中心之间的距离，将每个样本分配到最近的中心；

(4)根据各簇样本，更新各簇中心；

(5)迭代第(3)～(4)步，直到相似性度量函数开始收敛为止。