[发明专利]一种电力用户画像自适应聚类方法

权利要求书

1.一种电力用户画像自适应聚类方法，其特征在于：它是通过包括如下的步骤实现的：

步骤A、特征提取；

步骤B、聚类分析；

步骤C、类别融合；

特征提取提取实现数据多元化，包括时序数据、类别数据，且无需对数据进行标准化；输入数据首先通过一个编码网络进行特征提取，然后通过K均值算法进行初始聚类，后通过单峰统计测试值矩阵进行类别融合，通过统一的损失函数统一优化，重复特征提取、聚类分析和类别融合上述步骤过程直至稳定，最后输出标签和类簇数量K；

步骤A、特征提取——通过如下子步骤实现：

A.1）自动编码机准备：自动编码机分为编码部分enc(·)和解码部分dec(·)，输入为X；

A.2）自动编码机训练：网络的输入和输出是相同的，即X = dec(enc(X))，训练使Loss函数值最小；

A.3）特征提取，使用训练好的自动编码机的编码部分得到特征数据：enc(X) ；

步骤B、聚类分析——通过如下子步骤实现：

B.1）将原始输入特征(X)输入编码部分,得到低维的特征向量enc(X)；

B.2）将步骤2.1得到的enc(X)使用K均值算法进行聚类，得到原始的类别记为，其中i表示聚类标签；

B.3）更新类别中心为最靠近K均值算法所得出的类别中心的实际的向量，得到聚类类别数据标签；

步骤C、类别融合——通过如下子步骤实现：

C.1）每两个类别的聚类类别数据标签均投影到两类类别中心的连线上；

C.2）每两个类别中心的数据计算单峰统计测试值为Dip值和dip-p-value值，使用dip-p-value值得到一个大小为：类簇数量*类簇数量的单峰统计测试值的对称矩阵Matrix；

C.3）对于单峰统计测试矩阵中最大的值，若最大的值大于阈值则融合两个类，同时更新矩阵，直到没有融合合并为止。

2.根据权利要求1所述的一种电力用户画像自适应聚类方法，其特征在于：自动编码机网络训练过程使用梯度下降法对公式（1）求最小值：

表示自动编码机的损失，其中B表示一个小的输入批次，X表示输入数据，也即自动编码机想要的输出数据，enc(·)表示数据经过编码网络编码后的数据，dec(·)表示数据经过解码网络后的数据，表示欧式距离的平方。

3.根据权利要求1所述的一种电力用户画像自适应聚类方法，其特征在于：自动编码机编码后的结果首先通过普通的K均值算法进行一个非常高估的类簇数量的聚类，求取类簇中心，随后对当前类簇构造单峰统计测试值的矩阵，再根据该单峰统计测试值的矩阵进行类簇融合，最后输出类簇数量K和具体的标签。

4.根据权利要求1或权利要求3所述的一种电力用户画像自适应聚类方法，其特征在于：所述类簇中心按照公式（2）得到

其中表示类簇标签为的类簇中心；

表示使用K均值算法得到的类簇中心；

计算单峰统计测试值的点值由公式（3）得到

其中是一个一维数据。

5.根据权利要求1所述的一种电力用户画像自适应聚类方法，其特征在于：聚类的损失评估使用公式（4）得到，并且通过最小化公式（6）对整个过程进行优化：

表示聚类的损失，其中是分配给x的类簇标签，std(·)表示标准差，mean(·)表示平均值，表示类簇中心的欧式距离由公式（5）得到：

其中表示自动编码机的损失，表示聚类的损失。

6.根据权利要求1所述的一种电力用户画像自适应聚类方法，一种电力用户画像自适应聚类方法，其特征在于：类簇融合后类簇中心通过公式（7）得到：

并且通过不断更新单峰统计测试值的矩阵进行合并。