(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211127930.4 (22)申请日 2022.09.16 (71)申请人 之江实验室 地址 311121 浙江省杭州市余杭区之江实 验室南湖总部 (72)发明人 陈页　杨嘉帆　 (74)专利代理 机构 北京志霖恒远知识产权代理 有限公司 1 1435 专利代理师 戴莉 (51)Int.Cl. G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 一种基于 特征提取和改进K-means算法的负 荷聚类方法 (57)摘要 本发明公开了一种基于特征提取和改进K ‑ means算法的负荷聚类方法， 涉及电力系统负荷 聚类的技术领域， 包含以下步骤： 输入电力负荷 数据， 进行数据预处理， 计算负荷特征指标， 采用 奇异值分解法对负荷数据降维， 得到负荷特征指 标表征权重， 实用降维后的负荷数据， 采用考虑 密度的改进K ‑means算法进行负荷聚类， 本发明 解决了目前负荷聚类方法存在的聚类结果不稳 定、 有丢失原始负荷重要特征的风险以及计算复 杂度较高的问题， 为下一步进行负荷预测、 储能 容量配置、 需求侧管理等 提供有效量 化参考。 权利要求书2页 说明书6页 附图4页 CN 115221980 A 2022.10.21 CN 115221980 A 1.一种基于特征提取和改进K ‑means算法的负荷聚类方法， 其特征在于， 包含以下步 骤： S1： 输入电力负荷数据， 进行 数据预处 理， 得到处 理后的电力负荷数据； S2： 计算负荷特 征指标； S3： 采用奇异值分解法对负荷数据降维， 得到负荷特 征指标表征权 重； S4： 根据负荷特征指标表征权重， 使用降维后的负荷数据， 采用考虑密度的改进K ‑ means算法进行负荷聚类。 2.根据权利 要求1所述的一种基于特征提取和改进K ‑means算法的负荷聚类方法， 其特 征在于， 所述 步骤S1中对数据的预处 理包括以下步骤： S1.1： 输入原始负荷数据， 判断每一个用户日负荷数据是否存在数据缺失， 若存在数据 缺失则进行步骤S1.2， 否则进行步骤S1.3； S1.2： 计算该用户数据缺失率， 并将所述数据缺失率与设定的阈值比较， 若该用户数据 缺失率大于等于所述阈值， 则判断该样本数据无效， 对该样本做删除处理； 若 该用户数据缺 失率小于所述阈值， 则采用相邻点的平均值 替换法将缺失数据补齐； S1.3： 采用正态分布 原则判断每个用户的日负荷数据是否存在极端跳变情况； 若存 在极端跳变情况则进行步骤S1.4， 否则进行步骤S1.5； S1.4： 采用相邻点的平均值 替换法对 存在极端跳变情况的数据进行修 正； S1.5： 采用max ‑min法对负荷数据做归一 化处理。 3.根据权利 要求1所述的一种基于特征提取和改进K ‑means算法的负荷聚类方法， 其特 征在于： 所述S1.2中设定的阈值 为40%。 4.根据权利 要求1所述的一种基于特征提取和改进K ‑means算法的负荷聚类方法， 其特 征在于： 所述步骤S2中的负荷特征指标包括日最大负荷、 日最小负荷、 日平均负荷、 日负荷 率、 日峰谷 差率、 负荷变异系数、 峰时负载率、 平时负载率、 谷时负载率。 5.根据权利 要求1所述的一种基于特征提取和改进K ‑means算法的负荷聚类方法， 其特 征在于， 所述 步骤S3中采用奇异值分解法对负荷数据降维， 具体包括： S3.1： 输入m个负荷的s个特性， 并用矩阵A 表示； S3.2： 对矩阵A进行奇异值 λi求解； S3.3： 将奇异值 λi从大到小 进行排序， 取 前l个对应特 征值； S3.4： 采用max ‑min法对前l个对应特 征值进行归一 化处理， 得到各 特征指标表征权 重。 6.根据权利 要求5所述的一种基于特征提取和改进K ‑means算法的负荷聚类方法， 其特 征在于： 所述 步骤S3.1中的m、 s均为大于1的自然数。 7.根据权利 要求1所述的一种基于特征提取和改进K ‑means算法的负荷聚类方法， 其特 征在于， 所述 步骤S4中考虑 密度的改进K ‑means算法， 具体包括： S4.1： 输入 m个用户l维特征负荷数据； S4.2： 计算聚类对象之间的距离； S4.3： 提取聚类对象中 高密度的负荷数据点； S4.4： 比较各聚类对象的密度， 以密度最高的点作为聚类初始中心； S4.5： 选取距离该初始聚类 中心最远的点作为第二个聚类 中心， 并以此类推， 形成聚类 中心候选点；权　利　要　求　书 1/2 页 2 CN 115221980 A 2S4.6： 计算各聚类对象到初始聚类中心的距离， 进行初始聚类； S4.7： 计算各聚类对象到聚类中心候选点的距离， 若附近数据点数量达不到要求数量 则重选中心； S4.8： 计算各聚类对象到聚类 中心距离的和方差， 若满足条件则停止， 形成最终聚类方 案； 若不满足， 则重复步骤S4.6和步骤S4.7。 8.根据权利 要求7所述的一种基于特征提取和改进K ‑means算法的负荷聚类方法， 其特 征在于： 所述步骤S4.8中停止迭代的判断条件为和方差 ， 其中 表示一个任意小 的正值。权　利　要　求　书 2/2 页 3 CN 115221980 A 3