[发明专利]一种日负荷曲线聚类方法及其应用

权利要求书

1.一种日负荷曲线聚类方法，其特征在于，包括以下步骤：

S1、获取用户日负荷曲线数据，并通过多维尺度变换将日负荷曲线数据从高维映射到二维平面形成二维映射分布图；

S2、基于步骤S1获得的二维映射分布图获得样本点x_i和x_j之间的欧氏距离d_i,j，确定与样本x_i距离最近的k个样本点所构成的集合KNN_k(x_i)，其中，k的取值通过自然最近邻算法获得；

S3、基于步骤S2获得的d_i,j和KNN_k(x_i)构建局部密度ρ_i'的计算模型，然后计算局部密度ρ_i'的计算模型、最小距离δ计算模型和决策值γ计算模型分别计算样本的局部密度ρ'、最小距离δ和决策值γ；

S4、根据决策值γ的降序排列的分段特点，采用拟合分段函数的方式选出类簇中心；

S5、根据基于加权KNN图的样本分配策略对剩余样本点进行分配实现样本聚类。

2.根据权利要求1所述的一种日负荷曲线聚类方法，其特征在于，步骤S2中，自然最近邻算法的具体过程如下：

步骤21、初始化搜索指数r＝1，逆近邻集合

步骤22、计算每个样本x_i的KNN_r(x_i)、RNN(x_i)；

步骤23、令r＝r+1，当使得或所有令的x_j不再变化时，sup_k＝r-1输出sup_k，否则转跳至步骤22；

进行以下定义：

逆近邻：若样本点x_j是样本点x_i的其中一个K-最近邻点，则称样本点x_i是样本点x_j的逆近邻，记为x_i∈RNN(x_j)；

自然稳定状态：在自然邻居搜索过程中，若每个数据点都有逆近邻或者当所有逆近邻个数为0的数据不变时，自然邻居搜索达到自然稳定状态；

自然特征值：当自然邻居的搜索达到自然稳定状态时，自然邻居的搜索次数即为自然特征值，表示数据样本的平均近邻节点数，记为sup_k；

其中，计算得到自然特征值sup_k作为KNN算法的k值，r为小于等于k的自然数，KNN_r(x_i)为x_i距离最近的r个样本点所构成的集合；为任意样本点。

3.根据权利要求1所述的一种日负荷曲线聚类方法，其特征在于，步骤S3中，局部密度ρ_i′的计算模型如下：

式中，d_i,j为样本点x_i和x_j之间的欧氏距离，KNN_k(x_i)为与样本x_i距离最近的k个样本点所构成的集合；KNN_k(x_j)为与样本x_j距离最近的k个样本点所构成的集合，d_i，l为样本点x_i和x_l之间的欧氏距离。

4.根据权利要求1所述的一种日负荷曲线聚类方法，其特征在于，步骤S3中，最小距离δ_i计算模型如下：

式中，d_i,j为样本点x_i和x_j之间的欧氏距离。

5.根据权利要求1所述的一种日负荷曲线聚类方法，其特征在于，步骤S3中，决策值γ计算模型如下：

γ_i＝ρ_i′·δ_i

式中，ρ_i′为局部密度，δ_i为最小距离。