[发明专利]基于曲线均值聚类算法的边缘侧用电数据聚类方法及装置

权利要求书

1.一种基于曲线均值聚类算法的边缘侧用电数据聚类方法，其特征在于，具体按照如下步骤进行：

获取第一用电日负荷数据，并对所述用电日负荷数据进行预处理以获取第二用电日负荷数据；

对所述第二用电日负荷数据进行低秩性分析和奇异值计算，并采用肘方法确定最优簇数；

基于所述最优簇数对所述第二用电日负荷数据采用K均值聚类算法进行聚类。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取聚类的簇内平均距离、簇间平均距离以及DI指数以对聚类结果进行评价。

3.根据权利要求1所述的方法，其特征在于，所述对所述第二用电日负荷数据进行低秩性分析和奇异值计算的步骤包括：

采用如下公式进行低秩性分析和奇异值计算：

L＝UΣV^T

U—m×m阶酉矩阵；

∑—m×n阶非负实数对角矩阵；

V—n×n阶酉矩阵。

4.根据权利要求1所述的方法，其特征在于，所述对所述用电日负荷数据进行预处理以获取第二用电日负荷数据的步骤包括：

删除所述第一用电日负荷数据含缺失值的数据，并对所述第一用电日负荷数据进行归一化处理。

5.根据权利要求1所述的方法，其特征在于，所述对所述第二用电日负荷数据进行低秩性分析和奇异值计算，并采用肘方法确定最优簇数的步骤包括：

采用如下公式获取两对象之间的距离：

d＝1-|ρ|

ρ—相关系数；

相关系数采用如下公式计算：

基于相关系数获取r_SSE与簇数C关系曲线以获取最优簇数；

k—总簇数；

n_i—第i个分簇的对象数量；

d_ij—第i个分簇中，第j个对象与该簇质心的距离。

6.根据权利要求1所述的方法，其特征在于，所述基于所述最优簇数对所述第二用电日负荷数据采用K均值聚类算法进行聚类的步骤包括：

获取所述第二用电日负荷数据、设置最大迭代次数、迭代误差，并基于所述最优簇数获取第一聚类中心，并初始化迭代次数i＝1；

判定所述迭代次数i是否小于最大迭代次数，若是，则执行如下步骤：

基于所述第二用电日负荷数据以及所述第一聚类中心获取第一属隶度函数；

基于所述第一属隶度函数获取第二聚类中心，并所述基于第二聚类中心以及所述第二用电日负荷数据获取第二隶属度函数；

基于所述第二隶属度函数与所述第一隶属度函数之间判定是否小于迭代误差：

若所述第二隶属度函数与所述第一隶属度函数之间小于迭代误差，则输出第二隶属度函数；

若所述第二隶属度函数与所述第一隶属度函数之间大于迭代误差，令迭代次数i＝迭代次数i+1，令所述第二隶属度函数为第一隶属度函数，令所述第二聚类中心为第一聚类中心，并重新执行所述判定所述迭代次数i是否小于最大迭代次数的步骤。

7.根据权利要求1所述的方法，其特征在于，所述基于所述最优簇数对所述第二用电日负荷数据采用K均值聚类算法进行聚类的步骤还包括：

获取所述第二用电日负荷数据、设置最大迭代次数、迭代误差，并基于所述最优簇数获取第一聚类中心，并初始化迭代次数i＝1；

判定所述迭代次数i是否小于最大迭代次数，若否，则结束此次聚类。

8.根据权利要求6或7所述的方法，其特征在于，采用如下公式获取第二隶属度函数与所述第一隶属度函数之间的误差：

采用如下公式获取隶属度函数：

{x_i,i＝1,…,n}为n个样本的集合；

m_j(j＝1,…,k)为每个聚类的中心；

k为总簇数；

b为控制聚类结果模糊程度的常数，且b1；

μ_j(x_i)是第i个样本对于第j类的隶属度函数。