[发明专利]一种基于Kd树与Canopy优化Bisecting K-means的负荷聚类方法

权利要求书

1.一种基于Kd树与Canopy优化Bisecting K-means的负荷聚类方法，其特征在于：包括以下步骤：

S1.采集指定时间段内各个用户的用电负荷数据，并对用电负荷数据进行预处理得到负荷数据集X；

S2.将负荷数据集X输入Canopy算法中，得到聚类个数K，同时，建立负荷数据集X的Kd树；

S3.将步骤S2中得到聚类个数K作为参数输入Bisecting K-means算法，再将负荷数据集X输入Bisecting K-means算法进行聚类分析，Kd树对Bisecting K-means算法进行加速计算；

S4.得到聚类结果。

2.根据权利要求1所述的一种基于Kd树与Canopy优化Bisecting K-means的负荷聚类方法，其特征在于：所述步骤S1中，对用电负荷数据进行缺损值填充，异常值替换，降维和归一化的预处理之后得到负荷数据集X。

3.根据权利要求2所述的一种基于Kd树与Canopy优化Bisecting K-means的负荷聚类方法，其特征在于：所述步骤S2中，Canopy算法包括以下步骤：

S211.复制负荷数据集X得到数据集X_copy，根据先验知识或交叉验证调整初始距离阈值T₁、T₂，且T₁≥T₂；

S212.从数据集X_copy中随机选择一个样本x₁作为第一个Canopy的聚簇质心c₁，质心集记为C,c₁∈C，并将c₁从数据集X_copy中删除。

S213.从数据集X_copy中随机选择一个样本x_i，计算其到质心集中所有质心的距离d_ij，d_ij代表第i个样本到第j个质心的距离，考察其中最小的距离如果则给x_i一个弱标记，表示x_i属于c_j，并将x_i加入其中；如果则给x_i一个强标记，表示x_i属于该c_j，且和质心非常接近，因此将x_i从X_copy中删除；如果则x_i形成一个新的聚簇质心c_new，加入质心集C，并将x_i从X_copy中删除；

S214.重复步骤S213直到数据集X_copy为空，得到聚簇质心数量即聚类个数K。

4.根据权利要求3所述的一种基于Kd树与Canopy优化Bisecting K-means的负荷聚类方法，其特征在于：所述步骤S2中，Kd树的建立使用递归的KdConstruct(X,h＝0,H＝d)函数，包括以下步骤：

S221.输入负荷数据集X，Kd树的当前深度h和截止深度H，其中H＝d，d为数据集的维度；

S222.计算负荷数据集X中每一维数据的方差值，将维度序号按方差大小来排序，形成Split List，取Split List中第h维的中点值作为分割点MidPoint，将负荷数据中的数据X分为两个集合和根节点Root包含整个样本集X。

S223.建立根节点Root的左右子节点，Lchild为左子节点，包含样本集X_left，Rchild为右子节点，包含样本集X_right，Lchild＝KdConstruct(X_left,h+1,H),Rchild＝KdConstruct(X_right,h+1,H),递归地调用直到子节点为叶子节点，或h＝H；

S224.返回根节点Root。