[发明专利]一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法

权利要求书

1.一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法，其特征在于，该方法的具体步骤为：

步骤1：将台区变压器年负载率序列数据经过数据处理层进行归一化处理，并加入一定比例噪声；

步骤2：由三层自编码网络的全连接编码层(encode)对步骤1中归一化数据进行特征提取降维操作，每个隐藏层部分神经元加入稀疏性约束，再由三层自编码网络的全连接解码层(decode)对步骤2中提取的特征序列进行重构操作,在训练过程中，使得序列重构误差最小，从而获得特征降维序列；

步骤3：由K-means聚类算法对步骤4中的降维特征序列进行聚类分析，分类出煤改电台区和非煤改电台区；

步骤4：继续采用步骤1—步骤3所述方法，对煤改电台区采暖季日负载率序列进行降维聚类分析。

2.根据权利1所述一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法，其特征在于，所述数据预处理，将变压器年/日负载率序列数据做归一化处理，采用min-max标准化(Min-max normalization)/0-1标准化(0-1normalization)，消除原始数据量纲的影响，解决指标之间的可比性，将数据值缩放至[0,1]之间，标准化公式如下：

其中x_max为样本数据的最大值，x_min为样本数据的最小值。

然后在归一化的样本中分别加入10％和20％比例的噪声，得到加噪负载率序列。

3.根据权利要求1所述的一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法，其特征在于，所述的稀疏降噪自编码网络提取降维步骤为：

步骤1：三层全连接编码层对数据处理层输入的年负载率加噪样本训练，每层部分神经元加入稀疏性约束，年负载率提取抽象特征数分别是150、75、35；

步骤2：然后通过三层全连接解码层，即编码层的逆过程，对编码层最后一层提取出的35个抽象特征进行重构训练；

步骤3：不断训练此网络，使得重构误差最小，即提取的负载率序列抽象特征最能“表征”原始数据。

步骤4：将变压器日负载率加噪样本作为该模型输入，继续采用步骤1—步骤3所述方法，只是将三个编码层抽象特征提取数即神经元个数修改为64、32、16，应用此参数的模型降维日负载率序列，提取出16个抽象特征。

4.根据权利要求1所述的一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法，其特征在于，所述的对特征序列进行K-means聚类，计算DBI聚类内部指标，寻找最佳聚类数，然后设置K-means聚类数目，分类出不同类型配电网台区。