[发明专利]基于有监督和无监督算法结合的负荷曲线数据可视化方法

权利要求书

1.一种基于有监督和无监督算法结合的负荷曲线数据可视化方法，其特征在于，该方法包括以下步骤：

步骤1：针对输入的用户用电负荷曲线数据通过误差平方和确定最优聚类数；

步骤2：选取输入的用户用电负荷曲线数据中的部分数据通过无监督双尺度谱聚类对其进行聚类，获得类别标签数据；

步骤3：通过稀疏自编码算法学习输入的用户用电负荷曲线数据的内在特征并初始化神经网络分类器；

步骤4：利用步骤2中的类别标签数据训练步骤3中的神经网络分类器，获取训练完成的神经网络分类器；

步骤5：将步骤1中的输入的用户用电负荷曲线数据通过训练完成的神经网络分类器进行有监督数据分类，获得经过有监督数据分类的用户用电负荷曲线数据；

步骤6：将经过有监督数据分类的用户用电负荷曲线数据传输至用于电力调配的可视化设备上并显示。

2.根据权利要求1所述的一种基于有监督和无监督算法结合的负荷曲线数据可视化方法，其特征在于，所述步骤2包括以下分步骤：

步骤21：根据欧式距离公式判断输入的用户用电负荷曲线数据中的部分数据的距离相似度并建立距离相似性度量矩阵；

步骤22：根据相关性系数公式判断输入的用户用电负荷曲线数据中的部分数据的形态相似度并建立形态相似性度量矩阵；

步骤23：根据距离相似性度量矩阵和形态相似性度量矩阵建立双尺度相似性度量矩阵并对其进行谱聚类，获得类别标签数据。

3.根据权利要求2所述的一种基于有监督和无监督算法结合的负荷曲线数据可视化方法，其特征在于，所述步骤21中的欧式距离公式为：

式中，a_i,j表示彼此i和j两条用户用电负荷曲线数据之间的欧式距离，m表示维数，k、i和j均为自然数，x_i,k和x_j,k分别表示彼此i和j两条用户用电负荷曲线数据中对应第k点的数据值。

4.根据权利要求2所述的一种基于有监督和无监督算法结合的负荷曲线数据可视化方法，其特征在于，所述步骤22中的相关性系数公式为：

式中，b_ij表示彼此i和j两条用户用电负荷曲线数据之间的相关距离，表示第i条用户用电负荷曲线数据平均值，表示第j条用户用电负荷曲线数据平均值。

5.根据权利要求2所述的一种基于有监督和无监督算法结合的负荷曲线数据可视化方法，其特征在于，所述步骤23中的双尺度相似性度量矩阵为：

P＝αA+βB,α+β＝1

式中，P表示双尺度相似性度量矩阵，A表示距离相似性度量矩阵，B表示形态相似性度量矩阵，α和β分别为距离相似性度量矩阵和形态相似性度量矩阵的权重参数。

6.根据权利要求1所述的一种基于有监督和无监督算法结合的负荷曲线数据可视化方法，其特征在于，所述步骤4包括以下分步骤：

步骤41：设置神经网络分类器的初步参数，所述初步参数包括训练学习率，稀疏参数、随机权值矩阵和随机偏移矩阵；

步骤42：设置神经网络分类器前向算法中的训练次数、迭代次数，并进一步得出神经网络分类器隐藏层神经元的平均激活量；

步骤43：对神经网络分类器输出层的每一个神经元经过稀疏代价函数处理后反向传播更新层间连接权值，至此神经网络分类器设置完毕；

步骤44：利用类别标签数据中的无标签用户负荷数据输入对设置完毕的神经网络分类器进行训练，同时执行前向算法并使用梯度下降算法微调网络参数以提升训练精度，最终获得训练完成的神经网络分类器。

7.根据权利要求6所述的一种基于有监督和无监督算法结合的负荷曲线数据可视化方法，其特征在于，所述步骤42中的神经网络分类器隐藏层神经元的平均激活量为：

式中，ρ_j表示神经网络分类器隐藏层神经元的平均激活量，n表示神经元数量，a_j^(l)()表示第l层第i个神经元的激活值，x表示输入负荷曲线数据矩阵，l为自然数。

8.根据权利要求1所述的一种基于有监督和无监督算法结合的负荷曲线数据可视化方法，其特征在于，所述步骤6中的可视化设备包括显示器、投影仪和电力监控仪。