(19)中华 人民共和国 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 202111552871.0 (22)申请日 2021.12.17 (71)申请人 国网江西省电力有限公司南昌供电 分公司 地址 330000 江西省南昌市昌东大道70 07 号 申请人 国家电网有限公司 (72)发明人 李卿鹏　康水平　王煜晗　彭飞　 李勇平　杨琴　尹士豪　 (74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 代理人 吴称生 (51)Int.Cl. G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 一种基于主成分分析和密度峰值聚类的用 户用电行为分析方法 (57)摘要 本发明公开了一种基于主成分分析和密度 峰值聚类的用户用电行为分析方法， 将降维后的 数据归一化处理， 输入样本邻近个数K； 然后计算 样本间的欧氏距离dij； 计算出样本i的局部密度 ρi和样本i的K近邻距离 建立决策图， 选取 类簇中心； 计算出样本i与 样本j的共享近邻相似 度S(i,j)； 获得样本的相似度矩阵； 最后通过相 似性矩阵对所有已分配的样本寻找相似度最高 的未分配样 本， 将未分配样本分配给已分配样本 所在类簇； 循环该操作直至所有剩余样本分配完 毕； 输出最终聚类结果。 本发明用样本邻近个数K 取代dc， 容易确定取值； 并引入 调节各样本对 当前样本的密度贡献， 使获得的类簇中心更加准 确； 通过共享近邻相似度计算局部密度， 更易区 分决策图中的类 簇中心与非类 簇中心。 权利要求书2页 说明书7页 附图3页 CN 114417972 A 2022.04.29 CN 114417972 A 1.一种基于主成分分析和密度峰值聚类的用户用电行为分析方法， 其特征是： 步骤如 下： 步骤1： 对用户的用电负荷数据进行 预处理， 对缺失数据进行插补， 剔除无效数据； 步骤2： 采用PCA技 术对负荷数据进行降维， 计算特 征矩阵， 提取其主成分； 步骤3： 输入降维后的数据， 并将数据归一 化处理， 输入样本邻近个数 K； 步骤4： 根据归一 化是数据设置样本i与样本j， 计算样本i与样本j间的欧氏距离dij； 步骤5： 结合样本K近邻信息和高斯核函数定义样本的局部密度， 计算出样本i的局部密 度ρi和样本i的K近邻距离 步骤6： 计 算所有样本的ρi和 用 ρi作为横坐 标， 作为纵坐标， 建立决策图， 选取ρi和 都较大的点作为类簇中心即密度峰值； 步骤7： 将样本i的K个最近样本组成集合KNN(i)， 样本j的K个最近样本组成集合KNN (j)， KNN(i)与KN N(j)的交集 为样本i与样本j的共享近邻SN N(i,j)； 步骤8： 根据样本i的K近邻集合KNN(i)分布特征与样本j的K近邻集合KNN(j)分布特征， 对样本i与样本j的共享近邻SNN(i,j)进行加权， 得到样本i与样本j的共享近邻相似度S(i, j)； 步骤9： 将确定的密度峰值标记为已分配样本， 计算样本间的共享近邻相似度S(i,j) 后， 获得样本的相似度矩阵； 步骤10： 通过相似性矩阵对所有已分配的样本寻找相似度最高的未分配样本， 将未分 配样本分配给已分配样本所在类簇， 循环步骤10中的分配策略直至所有剩余样本分配完 毕； 步骤11： 输出最终聚类结果。 2.根据权利要求1所述的一种基于主成分分析和密度峰值 聚类的用户用电行为分析方 法， 其特征是： 步骤2中PCA技术降维方法为： 假设有n个样本{X1,X2,...,Xn}， 每个样 本有p维 特征 每一个特 征xj都有各自的特 征值； PCA首先对数据每个特征进行零均值化处理， 即减去这一特征的均值， 如公式 所示； 其后计算协方差矩阵： 式中， 求解公式如 下： 在计算完协方差矩阵C后， 求解该协方差矩阵C的特征值和对应特征向量， 如公式Cu＝λ u所示， 式中， λ为特征值， 每个特征值λi对应一个特征向量ui， 选择特征值最大的k个特征向 量ui按列叠加， 形成矩阵U；权　利　要　求　书 1/2 页 2 CN 114417972 A 2将原始特征投影到选取的特征向量上， 得到降维后的新k维特征， 新特征的计算公式 为： 对于每一个样本Xi， 原来的特征是 投影之后 的新特征是 即将样本Xi由p维降至k维。 3.根据权利要求1所述的一种基于主成分分析和密度峰值 聚类的用户用电行为分析方 法 ， 其 特 征 是 ： 步 骤 5中 ， 的 计 算 公 式 为 ρi的 计 算 公 式 为 式中KNN(i)表示样本i的K个近邻构成的集合， 为样本i的K近邻距 离。 4.根据权利要求1所述的一种基于主成分分析和密度峰值 聚类的用户用电行为分析方 法， 其特征是： 步骤7中， 共享近邻SN N(i,j)的计算公式为 SNN(i,j)＝KN N(i)∩KN N(j)。 5.根据权利要求1所述的一种基于主成分分析和密度峰值 聚类的用户用电行为分析方 法， 其特征是： 步骤8中， 共享近邻相似度S(i,j)的计算公式为 式中 表征样本i的K近邻 样本对样本j的隶属度， 表征样本j的K近邻样本对样本i的隶属度， 将两隶属度 之和为权值对共享近邻SNN(i,j)进行加权， 得到两样本的共享近邻相似度， |SNN(i,j)|表 示样本i和样本j的共享近邻集 合内的元 素个数。 6.根据权利要求1所述的一种基于主成分分析和密度峰值 聚类的用户用电行为分析方 法， 其特征是： 步骤6 中， 类簇中心还可以通过决策值γi选取， γi的定义如式γi＝ρi×δi所 示。 7.根据权利要求1所述的一种基于主成分分析和密度峰值 聚类的用户用电行为分析方 法， 其特征是： 步骤1中， 缺失数据时刻的前后两个时刻数据的求和平均值 修复缺失数据。权　利　要　求　书 2/2 页 3 CN 114417972 A 3