[发明专利]基于复合聚类算法的电力居民用户日负荷曲线聚类方法

说明书

基于复合聚类算法的电力居民用户日负荷曲线聚类方法，获取电力居民用户日负荷数据，该数据包含有P个样本，每个样本有Q个时间点属性的数据集矩阵；对电力居民用户日负荷数据进行预处理，获得初始群集；对初始群集进行降维处理，获得降维群集；采用聚类算法1对降维群集进行初步聚类，得到初始聚类中心；采用聚类算法2对聚类算法1得到的初始聚类中心进行聚类，并使用聚类有效性指标，对聚类结果进行评估，最终得到M个聚类中心；采用得到的M个聚类中心，作为聚类算法2的初始聚类中心，对数据进行聚类，获得行为相似的用户群。本发明把庞大零散的日负荷数据聚类成行为相似的用户群。电力企业管理人对聚类成的用户群进行分析，可以更好地预测用电量高峰和低谷，为电力业务的管理提供更可靠地方法。

技术领域

本发明涉及电力居民用户用电技术领域，尤其是一种基于复合聚类算法的电力居民用户日负荷曲线聚类方法。

背景技术

随着电力行业的快速发展，以及智能电表的普及，获取电力居民用户的用电情况变得更加方便，同时，电力公司会获得更加庞大以及详细的用户用电数据。

面对庞大的用电数据，利用现有的数据挖掘和分析技术，对电力用户日负荷数据进行规律分析以及特征提取，从而便于电力公司根据电价政策为用户提供更加高质量的供电服务。其中，居民用户用电细分是电力公司提供优质服务的重要方面，面对日益增长的居民用户用电负荷那比例的增加，使用合理，高效的数据聚类算法对用户进行分析可以帮助电力公司根据用户的特征提供更加合理，个性化的供电方案，让用户获得更好的体验。

但是，单一的原始的聚类算法聚类效率低，聚类效果差，例如，K-means算法由于对于初始聚类中心的选择是随机的，这使得对于样本数据量大的数据集，容易使聚类结果陷入局部最优。无法确定最佳聚类数目，需要研究人员逐个测试，导致聚类效率低下。从而不能很好地反映用户用电数据中的潜在规律以及用电特征，从而无法为电力公司在居民用户聚类方面提供良好的支持。

发明内容

本发明提供一种基于复合聚类算法的电力居民用户日负荷曲线聚类方法，该方法根据实时采集用电负荷的智能电表中的数据，对负荷曲线进行聚类，进而将有相同用电行为的用户聚到一起。

本发明采取的技术方案为：

基于复合聚类算法的电力居民用户日负荷曲线聚类方法，包括以下步骤：

步骤1：获取电力居民用户日负荷数据，该数据包含有P个样本，每个样本有Q个时间点属性的数据集矩阵；

步骤2：对电力居民用户日负荷数据进行预处理，获得初始群集；

步骤3：对初始群集进行降维处理，获得降维群集；

步骤4：采用聚类算法1对降维群集进行初步聚类，得到初始聚类中心；

步骤5：采用聚类算法2对聚类算法1得到的初始聚类中心进行聚类，并使用聚类有效性指标，对聚类结果进行评估，最终得到M个聚类中心；

步骤6：采用步骤5得到的M个聚类中心，作为聚类算法2的初始聚类中心，对数据进行聚类，获得行为相似的用户群，并对获得的行为相似的用户群进行行为特征分析。

所述步骤1中，对于P个样本，每个样本有Q个时间点属性的电力居民用户日负荷数据集，具体包括：

P个样本为居民用户样本，居民生活主要受季节变化、气温变化、收人水平、空调、电炊拥有率等因素影响，不用的因素会导致不同的日负荷曲线；Q为每日各个时间点由智能电表采集的该时间点的用电功率，Q的值根据智能电表采集数据的时间间隔而定。

所述步骤2中，预处理包括缺失值处理、数据标准化、数据正则化处理；

缺失值处理，对含有较多缺失值的数据进行删除，对含有较少缺失值的数据进行补全；