[发明专利]一种基于中心优化的差分K-means负荷聚类方法

权利要求书

1.一种中心优化的差分K-means负荷聚类方法，其特征在于，包括以下步骤：

步骤1，采集用户用电的负荷数据，并对所述负荷数据进行预处理；

步骤2，根据负荷数据曲线的局部密度得到聚类初始中心；

步骤3，通过计算所述负荷数据的差分序列的欧式距离得到差分欧氏距离，并将所述差分欧氏距离和所述负荷数据的欧氏距离组合作为所述负荷数据的相似性度量；

步骤4，对于所述负荷数据随机选取K个所述聚类初始中心作为簇的聚类中心，根据所述相似性度量进行聚类并更新所述聚类中心，在更新迭代完成后输出划分好的K个簇和每个簇的聚类标签；

步骤5，根据所述聚类标签对每个类别的簇中的所述负荷数据曲线求均值，得到每个类别的用户典型负荷曲线，确定每类电力居民用户用电类型。

2.根据权利要求1所述的一种中心优化的差分K-means负荷聚类方法，其特征在于：

其中，步骤1中对数据进行预处理包括以下子步骤：

步骤1-1，对所述负荷数据进行个别缺失值处理，对于数据空缺，以多项式差值法进行补全；

步骤1-2，采用最大最小值对所述个别缺失值处理后的所述负荷数据进行归一化处理，具体公式如下：

公式(1)中，为极值归一化后的第i点所述负荷数据，x_imin为预处理前的负荷数据序列的最小值，x_imax为预处理前的负荷数据序列的最大值，通过归一化处理将所述负荷数据压缩在区间[0，1]中。

3.根据权利要求1所述的一种中心优化的差分K-means负荷聚类方法，其特征在于：

其中，步骤2中根据所述负荷数据曲线的局部密度得到所述聚类初始中心包括以下子步骤：

步骤2-1，定义所述负荷数据曲线间的邻近元素平均距离：

步骤2-2，定义所述负荷数据曲线的密度参数，以任一所述负荷数据曲线x_p为中心线，与x_p的欧氏距离小于邻近平均距离的所述负荷数据曲线的个数定义为局部密度参数，记为density(meandist，x_p)，

公式(2)中，d(x_i，x_j)为所述负荷数据之间的欧氏距离，

公式(3)中，density(meandist，x_p)越大代表该负荷数据曲线的局部密度越大，越适合作为聚类中心。

4.根据权利要求1所述的一种中心优化的差分K-means负荷聚类方法，其特征在于：

其中，步骤3中具体过程如下：对于第i条所述负荷数据X_i＝[x_i1，x_i2，...，x_in]，将其转换成一组长度为n-1的形态序列，即一阶差分序列X_i＝(x′_i1，x′_i2，...，x′_in-1)，用于反映负荷数据曲线在各时间段的趋势信息，描述曲线的局部动态特性，计算所述差分欧氏距离并和所述负荷数据的欧氏距离组合作为所述相似性度量，公式如下：

D_all(X_i，X_j)＝α×D_eu(X_i，X_j)+β×D_eu(X′_i，X′_j) (4)

公式(4)中，D_eu(X_i，X_j)表示两条负荷数据曲线的欧氏距离，D_eu(X′_i，X′_j)表示两个差分序列的欧式距离，D_all(X_i，X_j)值越小，表示两条负荷数据曲线的相似度越高，α和β为两者的权重。

5.根据权利要求1所述的一种中心优化的差分K-means负荷聚类方法，其特征在于：

其中，步骤4包括以下子步骤：

步骤4-1，对于所述负荷数据随机选取K个所述聚类初始中心作为簇的聚类中心；

步骤4-2，根据定义的所述相似性度量找到离所述聚类中心最近的样本点，将其划归到最近的簇中，同时更新簇的所述聚类中心；

步骤4-3，迭代执行步骤4-2的操作，直到达到最大迭代次数或者簇的所述聚类中心不再变化，此时输出划分好的K个簇C＝(C₁，C₂，...，C_k)和每个簇的聚类标签，且聚类的损失函数为：

公式(5)中，u_i是簇C_i的均值向量，其具体表示如下：