基于数据-物理特征联合驱动的海量电力用户聚类算法

1.一种基于数据-物理特征联合驱动的海量电力用户聚类算法，其特征在于，包括以下步骤：S1、单用户日典型负荷曲线聚类；S2、标幺化用户日典型负荷数据，计算用户日典型负荷的标幺值；S3、多用户日典型负荷曲线聚类；S4、自动迭代，寻找满足轮廓系数与行业集中度标准的聚类数目；S5、输出最佳聚类数目对应的用户聚类结果。 2.根据要求1所述的基于数据-物理特征联合驱动的海量电力用户聚类算法，其特征在于，所述步骤S1中，所述单用户日典型负荷曲线聚类，即采用层次聚类法对用户日典型负荷曲线进行聚类，通过包含最多日负荷曲线的类别计算出用户典型日负荷曲线。 3.根据要求2所述的基于数据-物理特征联合驱动的海量电力用户聚类算法，其特征在于，所述层次聚类方法具体为：采用自上而下的方式，先将所有样本的每个点都看成一个簇，然后找出距离最小的两个簇进行合并，不断重复到预期簇，所述层次聚类方法的代表算法有：AGNES，Agglomerative Nesting。 4.根据要求1所述的基于数据-物理特征联合驱动的海量电力用户聚类算法，其特征在于，所述步骤S3中，选定聚类类别数目的取值范围为N/2到2N，利用所述层次聚类法进行多用户日典型负荷曲线聚类，同时计算不同聚类数目下的每个类别的轮廓系数以及行业集中度。 5.根据要求4所述的基于数据-物理特征联合驱动的海量电力用户聚类算法，其特征在于，所述轮廓系数的具体计算方法如下：S101、计算样本i到同簇其他样本的平均距离ai，ai越小，说明样本i越应该被聚类到该簇，将ai称为样本i的簇内不相似度，簇C中所有样本的ai均值称为簇C的簇不相似度；S102、计算样本i到其他某簇Cj的所有样本的平均距离bij，称为样本i与簇Cj的不相似度，定义为样本i的簇间不相似度：bi＝min{bi1,bi2,...,bik}bi越大，说明样本i越不属于其他簇；S103、根据样本i的簇内不相似度ai和簇间不相似度bi，定义样本i的轮廓系数：S104、判断：若si接近1，则说明样本i聚类合理；若si接近-1，则说明样本i更应该分类到另外的簇；若si近似为0，则说明样本i在两个簇的边界上；S105、所有样本的si的均值称为聚类结果的轮廓系数，是该聚类是否合理、有效的度量。 6.根据要求1所述的基于数据-物理特征联合驱动的海量电力用户聚类算法，其特征在于，所述步骤S4中，利用自动迭代收敛算法，判断每次聚类的轮廓系数与行业集中度是否达到指标标准并且收敛，若否则增加聚类数目，继续迭代计算。