[發(fā)明專利]一種基于PCA降維和K-Means聚類的低壓臺區(qū)用戶接入點識別方法

在審

• 申請?zhí)枺?/td>: 201911091514.1
• 申請日: 2019-11-10
• 公開（公告）號: CN111126429A
• 公開（公告）日: 2020-05-08
• 發(fā)明（設計）人: 王偉峰;嚴華江;胡瑛俊;葉方彬;姜瑩;姜馳;戴磊華
• 申請（專利權）人: 國網(wǎng)浙江省電力有限公司;國網(wǎng)浙江省電力有限公司電力科學研究院;浙江華云信息科技有限公司;國家電網(wǎng)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;H02J13/00
• 代理公司: 浙江翔隆專利事務所(普通合伙) 33206
• 代理人: 王曉燕

1.一種基于PCA降維和K-Means聚類的低壓臺區(qū)用戶接入點識別方法，其特征在于包括以下步驟：

1)獲取臺區(qū)用戶負荷數(shù)據(jù)；

2)對獲取的臺區(qū)用戶負荷數(shù)據(jù)進行標準化處理；

3)對標準化處理的數(shù)據(jù)進行主成分分析法PCA降維處理，經(jīng)主成分分析法PCA降維處理的數(shù)據(jù)在保持各維數(shù)據(jù)維度內方差最大的前提下，通過尋找新的向量基，將原有高維數(shù)據(jù)投影在低維空間，剔除方差較小的噪聲，保留信息量最大的主成分；變換后的特征值大的維度即代表原有數(shù)據(jù)中方差較大的維數(shù)，取變換后最能反映原始數(shù)據(jù)方差特征的前五維數(shù)據(jù)，作為下一步聚類分析的輸入數(shù)據(jù)；

4)聚類分析，對PCA降維后的數(shù)據(jù)采用K-Means方法進行聚類分析；最后得到各相下用戶的接入點拓撲分析結果，并與系統(tǒng)中現(xiàn)有拓撲檔案進行比對；

5)對所分析臺區(qū)進行現(xiàn)場排查，驗證分析結果的準確性。

2.根據(jù)權利要求1所述的一種基于PCA降維和K-Means聚類的低壓臺區(qū)用戶接入點識別方法，其特征在于：在步驟1)，從采集系統(tǒng)中選定待分析臺區(qū)，提取待分析臺區(qū)下所有用戶的96點日負荷數(shù)據(jù)，根據(jù)采集率進行數(shù)據(jù)清洗，選取日負荷滿96點日期的數(shù)據(jù)進行分析，由于日負荷在24小時內具有較大的波動性，而96點數(shù)據(jù)在模型中分析時應具有相同地位，對分析結果起到同等作用，因此需要對數(shù)據(jù)進行特征縮放，在步驟2)中采用z-score標準化方法，反映各數(shù)據(jù)在原始數(shù)據(jù)分布中的地位，同時以標準差為單位實現(xiàn)不同維度間數(shù)據(jù)的等距比較，z-score標準化公式如下：

其中，mean(x)表示用戶該維度下特征的均值，std(x)表示該維度下用戶特征的方差。

3.根據(jù)權利要求2所述的一種基于PCA降維和K-Means聚類的低壓臺區(qū)用戶接入點識別方法，其特征在于：在步驟3)中主成分分析法PCA降維處理包括以下步驟：

31)構建原始特征值矩陣[x₁,x₂,x₃...x_n]，其中n代表個樣本的維數(shù)，x_i是第i維上各樣本的特征值列向量；

32)計算各維樣本均值ψ和差值向量d_i：

d_i＝x_i-ψ

33)構建協(xié)方差矩陣：

式中，A＝[d₁,d₂...d_n]；

34)奇異值分解(Singular Value Decomposition,SVD)求得AA^T的特征值，并按照單調遞減的順序排列λ₁≥λ₂≥...≥λ_p，與其對應的特征向量分別為：μ₁,μ₂,...μ_p(p≤n)；

35)根據(jù)降維目標維度選取前p個特征向量組成線性變換矩陣：

W＝[μ₁,μ₂...μ_p]

36)將原始差值特征投影到p維子空間：

PC_p＝W^Td_i(i＝1,2,...n)

式中，PC_p為所求的p維主成分降維特征。

4.根據(jù)權利要求3所述的一種基于PCA降維和K-Means聚類的低壓臺區(qū)用戶接入點識別方法，其特征在于：在步驟4)中，K-Means算法先根據(jù)預設聚類數(shù)隨機初始化聚類中心，對所有樣本按照其距離各中心的遠近進行歸類，計算各類內樣本到中心的誤差和，并將類內樣本均值作為新的聚類中心，不斷迭代，直到類內誤差和達到最小值范圍內，完成聚類分析；其中誤差準則函數(shù)如下：

其中，k表示預設聚類數(shù)量，i代表聚類樣本序號，C_i代表第i類樣本集，x_i表示第i類樣本的均值。