[發(fā)明專利]基于DBSCAN和K-means算法的用戶篩選方法

在審

• 申請?zhí)枺?/td>: 202010788081.1
• 申請日: 2020-08-07
• 公開（公告）號: CN111950620A
• 公開（公告）日: 2020-11-17
• 發(fā)明（設計）人: 徐波;張富強;孫東磊;李雪亮;趙龍;劉曉明;徐沈智
• 申請（專利權(quán)）人: 國網(wǎng)能源研究院有限公司;國網(wǎng)山東省電力公司經(jīng)濟技術(shù)研究院;國家電網(wǎng)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/06;G06Q50/06
• 代理公司: 北京八月瓜知識產(chǎn)權(quán)代理有限公司 11543
• 代理人: 李斌

1.一種基于DBSCAN和K-means算法的典型用戶篩選方法，其特征在于，包括以下步驟：

獲取待分析行業(yè)中若干用戶負荷曲線的樣本；通過DBSCAN算法剔除所述樣本中的異常樣本，獲得處理后的樣本；通過改進的K-means方法對所述處理后的樣本進行聚類獲得聚類結(jié)果；根據(jù)所述聚類結(jié)果，確定并輸出典型用戶。

2.如權(quán)利要求1所述的基于DBSCAN和K-means算法的用戶篩選方法，其特征在于，以日負荷曲線為特征量進行聚類形成聚類樣本。

3.如權(quán)利要求2所述的基于DBSCAN和K-means算法的用戶篩選方法，其特征在于，對負荷曲線進行歸一化處理。

4.如權(quán)利要求1-3任意所述的基于DBSCAN和K-means算法的用戶篩選方法，其特征在于，所述通過DBSCAN算法剔除所述數(shù)據(jù)樣本中的異常樣本具體包括以下步驟：

設置搜索半徑ε和最小對象數(shù)目Nminpts，系統(tǒng)將搜索空間中每個對象在搜索半徑ε范圍內(nèi)覆蓋的其他對象的數(shù)量與預先設置的最小對象數(shù)目Nminpts進行比較，將數(shù)量大于最小對象數(shù)目的對象劃分為核心點，將數(shù)量等于Nminpts的對象劃分為邊界點，數(shù)量小于Nminpts的對象歸為噪聲點，聚類得到的噪聲點即為異常樣本，從而剔除這些異常樣本，獲得處理后的樣本。

5.如權(quán)利要求1所述的基于DBSCAN和K-means算法的用戶篩選方法，其特征在于，所述通過改進的K-means方法對所述處理后的樣本進行聚類獲得聚類結(jié)果具體包括以下步驟：

利用切比雪夫距離對歐氏距離進行處理后的樣本的內(nèi)部加權(quán)，用歸一化處理來消除歐氏距離對噪聲點和離群點敏感，使得數(shù)據(jù)對象能夠更科學地劃分到所屬的聚類集中。

定義處理后的樣本點間的距離為：

式中，X＝{x₁,x₂,...x_n}，x_i＝{x_i1,x_i2,…x_im}，其中，n為樣本數(shù)據(jù)的個數(shù)，m為每個樣本的維數(shù)。

再通過改進的K-means算法進行聚類，具體流程如下：

A1、隨機選擇第一個初始簇質(zhì)心；

A2、計算數(shù)據(jù)集X中每個點到最近已選出的簇質(zhì)心的距離；

A3、選擇相異度較大的點，作為下一個簇質(zhì)心；

A4、若已選出k個簇質(zhì)心，則進行步驟A5，否則，重復步驟A2；

A5、測量剩余樣本點其到每個簇質(zhì)心的距離，并把它歸到最近的質(zhì)心所在的簇；

A6、重新計算已經(jīng)得到的各個簇的質(zhì)心；

A7、重復步驟A5—A6，直到k個質(zhì)心不再發(fā)生變化。