[发明专利]基于DBSCAN和K-means算法的用户筛选方法

说明书

本发明公开了一种基于DBSCAN和K‑means算法的用户筛选方法，包括步骤：获取待分析行业中若干用户负荷曲线样本；通过DBSCAN算法剔除所述样本中的异常样本，获得处理后的样本；通过改进的K‑means方法对所述处理后的样本进行聚类获得聚类结果；根据所述聚类结果，确定并输出典型用户。本发明结合DBSCAN和改进K‑means两种算法的优势，提出聚类用户筛选方法，对待研究的行业的用户负荷曲线的数据样本进行筛选聚类，从而确定典型用户，对各类用户数据挖掘分析，便于电网企业准确把握用户对用电服务的差异化需求的用户筛选，实现制定针对性的分类用户电网调控政策。

技术领域

本发明涉及电力分析技术领域，具体涉及一种基于DBSCAN和K-means算法的用户筛选方法。

背景技术

电力需求侧管理通过需求侧资源优化配置，实现系统安全水平和运行效益的优化提升。随着负荷用电形势日趋多元化、以及配电侧电动汽车、储能及新能源发电等分布式资源的快速发展，电力需求侧管理资源特性各异、高度分散，对系统级的需求侧资源综合协调优化技术提出了越来越高的要求，受技术条件限制，传统的电力需求侧优化管理技术难以实现整体效益最优和分布式资源的精准管理。

随着电动汽车、工业过程负荷、云计算负荷、温控负荷等新型具有柔性调节能力的负荷的大量接入，用户在用电行为特征方面的多元性突显。高度分散的用户需求响应特性各异，需要基于大数据分析技术对数据采集终端采集到的实时负荷数据进行多元用户行为分析。

有鉴于此，亟需提供一种基于对各类用户数据挖掘分析，准确把握用户对用电服务的差异化需求的用户筛选方法。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供了一种基于DBSCAN和K-means算法的用户筛选方法，包括以下步骤：

获取待分析行业中若干用户负荷曲线的样本；通过DBSCAN算法剔除所述样本中的异常样本，获得处理后的样本；通过改进的K-means方法对所述处理后的样本进行聚类获得聚类结果；根据所述聚类结果，确定并输出典型用户。

在上述方法中，以日负荷曲线为特征量进行聚类形成聚类样本。

在上述方法中，对负荷曲线进行归一化处理。

在上述方法中，所述通过DBSCAN算法剔除所述数据样本中的异常样本具体包括以下步骤：

设置搜索半径ε和最小对象数目Nminpts，系统将搜索空间中每个对象在搜索半径ε范围内覆盖的其他对象的数量与预先设置的最小对象数目Nminpts进行比较，将数量大于最小对象数目的对象划分为核心点，将数量等于Nminpts的对象划分为边界点，数量小于Nminpts的对象归为噪声点，聚类得到的噪声点即为异常样本，从而剔除这些异常样本，获得处理后的样本。

在上述方法中，所述通过改进的K-means方法对所述处理后的样本进行聚类获得聚类结果具体包括以下步骤：

利用切比雪夫距离对欧氏距离进行处理后的样本的内部加权，用归一化处理来消除欧氏距离对噪声点和离群点敏感，使得数据对象能够更科学地划分到所属的聚类集中。

定义处理后的样本点间的距离函数为：

式中，X＝{x₁,x₂,…x_n}，x_i＝{x_i1,x_i2,…x_im}，其中，n为样本数据的个数，m为每个样本的维数。

再通过改进的K-means算法进行聚类，具体流程如下：

A1、随机选择第一个初始簇质心；

A2、计算数据集X中每个点到最近已选出的簇质心的距离；