CN114065819B 基于多特征融合与改进谱聚类的用电行为分析方法及系统 （国网江苏省电力有限公司泰州供电分公司）

基于多特征融合与改进谱聚类的用电行为本发明公开一种基于多特征融合与改进谱理和负荷特征构造对清洗后的用电数据提取用得到的特征子集采用改进的谱聚类模型进行不2基于负载特性曲线、信号处理和负荷特征构造方法对清洗后的用电数据提取用电特基于信号处理提取用电特征包括：采用小波变换和特征降维提取用电特根据用电特征与用电行为的关联，对用电特征进行递归特征消从提取的各类用电特征中使用递归特征消除算法RFE挑选与用电行为分析关联明显的基于融合得到的特征子集采用改进的谱聚类模型进行不同用电行2.如权利要求1所述的基于多特征融合与改进谱聚类的用电行为分析方法，其特征在3.如权利要求1所述的基于多特征融合与改进谱聚类的用电行为分析方法，其特征在4.如权利要求1所述的基于多特征融合与改进谱聚类的用电行为分析方法，其特征在ij为样本点xi,xj之间连线的5.如权利要求1所述的基于多特征融合与改进谱聚类的用电行为分析方法，其特征在36.如权利要求5所述的基于多特征融合与改进谱聚类的用电行为分析方法，其特征在7.基于多特征融合与改进谱聚类的用电行特征提取模块，被配置为基于负载特性曲线、信号处理和负特征融合模块，被配置为根据用电特征与用电行为的关8.一种电子设备，其特征在于，包括存储器和4[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技[0006]第一方面，本发明提供一种基于多特征融合与改进谱聚[0010]基于融合得到的特征子集采用改进的谱聚类模型进行不同用电行为的分类；其5[0019]第二方面，本发明提供一种基于多特征融合与改进谱聚6[0032]图1为本发明实施例1提供的基于多特征融合与改进谱聚类的用电行为分析方法备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过[0042]如图1所示，本实施例提供一种基于多特征融合与改进谱聚类的用电行为分析方7[0047]S5：基于融合得到的特征子集采用改进的谱聚类模型进行不分类，所述增强高斯核函数为根据特征子集中样本点间的距离与预设正参数得到边权重，的三个方面提取用户多种类型的用电特征(部分特征在实际计算时仅使用了12个周的用电89降维技术来获取用电特征，该组特征记为B；其中，ji[0080](1)近似系数与三阶细节系数B1：将近似系数与三阶细节系数拼接构成第一组小[0082](2)近似系数与三阶二阶细节系数B2：将近似系数与三阶二阶小波系数拼接构成[0084](3)标准化的近似系数与三阶细节系数B3：查阅相关文献了解到对近似系数进行[0086](4)标准化的近似系数与三阶二阶细节系数B4：使用标准化后的近似系数重构B2888888881131413343[0123]所述步骤S4中，从提取的各类用电特征中使用递归特征消除算法RFE挑选与用电[0126]因此，将提取的三组用户行为特征作为递归特征消除算法RFE的输入进行递归选[0131]步骤S5.1：构建邻接矩阵W。增强高斯核函数EGK(EnhancedGaussianKernel)来更好地生成边权重，刻画样本点的距[0135]样本点的度d为该样本点与其他样本点边权重之和，即邻接矩阵中每一行元素的[0152]至此，本实施例通过对提取的各类型用电特征进行多特述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系[0165]实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件[0166]本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步需要付出创造性劳动即可做出的各种修