(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 202210965713.6 (22)申请日 2022.08.12 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市钱塘新区白杨 街道2号大街1 158号 (72)发明人 左一帆　涂海程　夏永祥　刘春山　 (51)Int.Cl. G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 基于改进聚类算法的电力系统运行关键特 征选择方法 (57)摘要 本发明公开了一种基于改进聚类算法的电 力系统运行关键特征选择方法， 包括如下步骤： S1、 将高维的电力数据组成的数据集处理成由每 一个电气特征组成的数据集； S2、 通过部分优先 聚 类 算 法 产 生 聚 类 成 员 ； S 3 、通 过 C o ‑ association矩阵进行聚类融合； S4、 特征选择算 法对电气特征进行聚类， 并选择出关键属性。 本 发明方法通过改进的聚类算法来实现电力大数 据的快速精确聚类， 然后 在得到聚类结果的基础 上实现关键特征选择， 实现对数据集的降维。 本 发明一方面有利于快速实现聚类， 降低计算复杂 度的同时还 可以减少时间复杂度。 另一方面可以 实现可靠的聚类结果， 保证了对电力大数据进行 关键特征选择的可靠性。 权利要求书2页 说明书6页 附图2页 CN 115310545 A 2022.11.08 CN 115310545 A 1.一种基于改进聚类算法的电力系统运行关键特征选择方法， 其特征在于， 包括如下 步骤： S1、 将高维的电力数据组成的数据集处 理成由每一个电气特 征组成的数据集； S2、 通过部分优先聚类算法产生聚类成员 S2‑1、 参数初始化： 根据数据 集的大小， 选择 聚类成员个数ρ； 设定距离参数r， 判断典型 样本A的最大迭代次数cs， 以及样本点α 邻域内最小个数 μ； S2‑2、 从数据集中随机 选取一个样本A， 然后从A中再随机 选取一个样本点α； S2‑3、 为样本点α的均值， N为样本点数据的个数； 数据Xi的均值为 若 则判定Xi在样本点α 的邻域内， 统计α邻域内的数据量Num， 若Num ＞ μ时， 则判定A 为典型样 本， 否则， 则重复步骤S2 ‑2， 但是如果超过最大判断次数cs， 则结束 算法； S2‑4、 若A为典型样本， 计算聚类中心， 表达式如下： 其中|A|为典型样本中数据量， 根据C遍历整个数据集， 将 的数据归到A 中， 否 则就判断下一个数据， 此时即得到以C为聚类中心的数据组成的一类， 然后 将其中的重复数 据删除， 得到新的一类Cluster， 将Cluster从数据集中删除， 使Cluster中的数据不得参与 下一次分类， 从而降低运行时间； S2‑5、 重复步骤S2 ‑2至S2‑4得到剩下的ρ ‑1个聚类成员； S3、 通过Co ‑association矩阵进行聚类融合； S4、 特征选择算法对电气特 征进行聚类， 并选择 出关键特 征。 2.根据权利要求1所述的基于改进聚类算法的电力系统运行关键特征选择方法， 其特 征在于， 所述步骤S1中将高维的电力数据组成的数据集Xjt＝{T1t,T2t,…,Tnt}转换为Xij＝ {Ti1,Ti2,…,Tin}的形式， 其中， Xjt是表示第j个区域t时刻的一个高维数据， 其中Tnt表示t时 刻的第n个电气 特征值， 其中Xij表示第j个区域第i个特征的一个数据， Tin表示第n个时刻的 第i个电气特 征的值。 3.根据权利要求2所述的基于改进聚类算法的电力系统运行关键特征选择方法， 其特 征在于， 所述 步骤S1中数据集的转换 方法为： S1‑1、 统一数据集维度， 删除与数据集中大多数样本维度不 一致的样本； S1‑2、 对数据集中剩余的数据样本进行观察， 若所有样本中均是某些特征存在数值上 的重复， 则只保留其中的一个特 征； S1‑3、 对数据集进行归一 化处理。 4.根据权利要求1所述的基于改进聚类算法的电力系统运行关键特征选择方法， 其特 征在于， 所述 步骤S3中， Co ‑association矩阵CM的定义为：权　利　要　求　书 1/2 页 2 CN 115310545 A 2其中， K表示聚类成员的个数， V表示基簇中的数据的个数， CCkv表示在第k个类中的第v 个基簇， 其中δ(i,j,C Ckv)函数的定义如下： 5.根据权利要求4所述的基于改进聚类算法的电力系统运行关键特征选择方法， 其特 征在于， 所述 步骤S3中聚类融合的方法如下： S3‑1、 通过Co ‑association矩阵计算C M值； S3‑2、 若CM的值大于0.5， 则将这一基簇的数据记为聚类融合后新一类中的数据成员， 所有的基簇通过C M值的判定后， 即可 形成新的一类C1； S3‑3、 将C1中的数据经 过处理， 删除重复的数据， 即可 得到有效的一类C2； S3‑4、 计算其聚类中心， 遍历整个数据集， 并实时更新聚类中心， 得到最终聚类的第一 类C3， 然后将C 3从数据集中删除， 使得C 3中的数据不 参与下一次的聚类； S3‑5、 重复上述部分优先聚类和聚类融合的步骤。 6.根据权利要求1所述的基于改进聚类算法的电力系统运行关键特征选择方法， 其特 征在于， 所述 步骤S4的具体方法如下： S4‑1、 数据经过S2和 S3处理后， 即可得到最终的聚类结果， 选择数据量满足设定条件的 类； S4‑2、 将选择后类中的数据与电气特征进行匹配， 统计每一个类中每一个特征的数据 量； S4‑3、 通过计算每一个电气特征的平均数据量占比， 根据占比情况将电气特征进行分 类， 分类后从每一类中挑选出一个电气特 征组成最终的关键特 征。 7.根据权利要求6所述的基于改进聚类算法的电力系统运行关键特征选择方法， 其特 征在于， 所述步骤S4 ‑1中， 所述设定的条件为： 数据变量初始化， 就是根据每一次仿真后的 得到的一组类中， 选择 数据量较多的类。权　利　要　求　书 2/2 页 3 CN 115310545 A 3