[發(fā)明專利]基于DBSCAN和K-means算法的用戶篩選方法

在審

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

本發(fā)明公開了一種基于DBSCAN和K?means算法的用戶篩選方法，包括步驟：獲取待分析行業(yè)中若干用戶負(fù)荷曲線樣本；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(jìn)的K?means方法對(duì)所述處理后的樣本進(jìn)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。本發(fā)明結(jié)合DBSCAN和改進(jìn)K?means兩種算法的優(yōu)勢(shì)，提出聚類用戶篩選方法，對(duì)待研究的行業(yè)的用戶負(fù)荷曲線的數(shù)據(jù)樣本進(jìn)行篩選聚類，從而確定典型用戶，對(duì)各類用戶數(shù)據(jù)挖掘分析，便于電網(wǎng)企業(yè)準(zhǔn)確把握用戶對(duì)用電服務(wù)的差異化需求的用戶篩選，實(shí)現(xiàn)制定針對(duì)性的分類用戶電網(wǎng)調(diào)控政策。

技術(shù)領(lǐng)域

本發(fā)明涉及電力分析技術(shù)領(lǐng)域，具體涉及一種基于DBSCAN和K-means算法的用戶篩選方法。

背景技術(shù)

電力需求側(cè)管理通過需求側(cè)資源優(yōu)化配置，實(shí)現(xiàn)系統(tǒng)安全水平和運(yùn)行效益的優(yōu)化提升。隨著負(fù)荷用電形勢(shì)日趨多元化、以及配電側(cè)電動(dòng)汽車、儲(chǔ)能及新能源發(fā)電等分布式資源的快速發(fā)展，電力需求側(cè)管理資源特性各異、高度分散，對(duì)系統(tǒng)級(jí)的需求側(cè)資源綜合協(xié)調(diào)優(yōu)化技術(shù)提出了越來越高的要求，受技術(shù)條件限制，傳統(tǒng)的電力需求側(cè)優(yōu)化管理技術(shù)難以實(shí)現(xiàn)整體效益最優(yōu)和分布式資源的精準(zhǔn)管理。

隨著電動(dòng)汽車、工業(yè)過程負(fù)荷、云計(jì)算負(fù)荷、溫控負(fù)荷等新型具有柔性調(diào)節(jié)能力的負(fù)荷的大量接入，用戶在用電行為特征方面的多元性突顯。高度分散的用戶需求響應(yīng)特性各異，需要基于大數(shù)據(jù)分析技術(shù)對(duì)數(shù)據(jù)采集終端采集到的實(shí)時(shí)負(fù)荷數(shù)據(jù)進(jìn)行多元用戶行為分析。

有鑒于此，亟需提供一種基于對(duì)各類用戶數(shù)據(jù)挖掘分析，準(zhǔn)確把握用戶對(duì)用電服務(wù)的差異化需求的用戶篩選方法。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是提供了一種基于DBSCAN和K-means算法的用戶篩選方法，包括以下步驟：

獲取待分析行業(yè)中若干用戶負(fù)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(jìn)的K-means方法對(duì)所述處理后的樣本進(jìn)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。

在上述方法中，以日負(fù)荷曲線為特征量進(jìn)行聚類形成聚類樣本。

在上述方法中，對(duì)負(fù)荷曲線進(jìn)行歸一化處理。

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

在上述方法中，所述通過改進(jìn)的K-means方法對(duì)所述處理后的樣本進(jìn)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(duì)歐氏距離進(jìn)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(duì)噪聲點(diǎn)和離群點(diǎn)敏感，使得數(shù)據(jù)對(duì)象能夠更科學(xué)地劃分到所屬的聚類集中。

定義處理后的樣本點(diǎn)間的距離函數(shù)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(gè)數(shù)，m為每個(gè)樣本的維數(shù)。

再通過改進(jìn)的K-means算法進(jìn)行聚類，具體流程如下：

A1、隨機(jī)選擇第一個(gè)初始簇質(zhì)心；

A2、計(jì)算數(shù)據(jù)集X中每個(gè)點(diǎn)到最近已選出的簇質(zhì)心的距離；