CN105303468A - 一种基于主成分聚类分析的智能电网建设综合评价方法 - Google Patents

Abstract

本发明涉及一种基于主成分聚类分析的智能电网建设综合评价方法，其技术特点是：包括以下步骤：步骤1、建立或选用普遍认可的智能电网建设综合评价指标体系；步骤2、对指标数据进行标准化处理；步骤3、建立指标数据相关系数矩阵并求解该矩阵的特征值和特征向量，生成主成分表达式；步骤4、计算主成分方差贡献率和累积方差贡献率，确定主成分个数；步骤5、构造综合主成分评价指标函数，给出智能电网发展建设水平的综合评价结果；步骤6、建立主成分因子负载矩阵，对智能电网综合评价指标进行聚类分析。本发明采用主成分分析与聚类分析相结合的方法对智能电网建设评价指标体系进行简化并重构，对落后地区的智能电网建设提供建议。

Description

一种基于主成分聚类分析的智能电网建设综合评价方法

技术领域

本发明属于智能电网技术领域，特别涉及一种基于主成分聚类分析的智能电网建设综合评价方法。

背景技术

智能电网为未来电网的发展指明了方向，科学准确地评价智能电网总体发展建设水平、衡量不同区域电网智能化的差异化程度势在必行。

主成分分析(PrincipalComponentAnalysis,PCA)和聚类分析(ClusterAnalysis)是现代多元统计分析学科中处理多变量、高维度系统最方便快捷的方法之一。主成分分析是一种把系统中的多个变量(指标)转化为几个综合指标的统计分析方法，聚类分析是一种根据研究对象特征对研究对象进行分类的多元分析技术。上述两种方法已广泛应用于电力系统负荷预测、同调机群识别和输电网规划方案决策等众多研究方向。

目前，针对于智能电网建设评价方法的研究主要集中于运用动态综合评价法嫡权法和生产函数法等评价方法对智能电网整体进行评估，但是运用主成分分析与聚类分析相结合的方法对智能电网建设阶段进行综合评估的研究还是略显不足。另外，现阶段对智能电网的研究主要集中在以“智能电网”为基础的的其他领域(诸如效益等)的评价上，对智能电网的建设阶段的研究较少。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、计算过程简易且计算结果可靠性高的基于主成分聚类分析的智能电网建设综合评价方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于主成分聚类分析的智能电网建设综合评价方法，包括以下步骤：

步骤1、建立或选用普遍认可的智能电网建设综合评价指标体系；

步骤2、对评价对象关于评价指标体系中的各个指标原始数据进行标准化处理，得出各个指标数据的正态标准化数值；

步骤3、对正态标准化处理后的指标数据进行PCA可行性检验，若通过检验，则依据标准化后的指标数据构建相关系数矩阵并求解该矩阵的特征值和特征向量，根据特征向量，生成主成分表达式；若检验结果不可行，则返回步骤1重新建立智能电网建设综合评价指标体系；

步骤4、判断各个主成分之间是否已去除相关性，若已去除，则计算各个主成分方差贡献率和累积方差贡献率并根据累积方差贡献率确定主成分个数；若尚未去除，则返回步骤2重新计算各个指标数据的正态标准化数值；

步骤5、构造主成分综合评价指标函数，给出各个主成分以及综合评价结果；

步骤6、依据主成分因子负载矩阵，对智能电网综合评价指标进行聚类分析。

而且，所述步骤1的具体评价指标包括：发电侧清洁电源利用率、单位发电量一氧化碳排放量、间歇性电源新增调峰容量率、分布式电源接入率、风电及光电接入能力；电网综合网损下降率、电网储能利用率、动态增容装置髓盖率、特高压线路输电占有率；插入式电动汽车低谷充电率、电动汽车需求侧管理参与率、可控负荷比例、智能电表普及率。

而且，所述步骤2的具体方法为：

根据公式i＝1,2；k＝1,2,…,n计算各个指标的正态标准化数值，

其中， $\stackrel{\‾}{x_i}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{x}_{ik}^0;$ ${\mathrm{\σ}}_i^2=\frac{1}{n-1}{\underset{k=1}{\overset{n}{\Σ}}(x_{ik}^0-\stackrel{\‾}{x_i})}^2$

上述表达式中，x_ik为标准化化数据，为原始数据，为原始数据的均值，为原始数据的方差。

而且，所述步骤3的具体步骤包括：

(1)对正态标准化处理后的指标数据进行PCA可行性检验；

(2)依据正态标准化后的指标数据构建相关系数矩阵R；

$R=\frac{1}{n-1}{\mathrm{xx}}^{\′}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1n}\\ r_{21}& r_{22}& \mathrm{...}& r_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{p1}& r_{p2}& \mathrm{...}& r_{pn}\end{array}\right]$

上述表达式中，R为相关系数矩阵，r₁₁,r₂₁.…,r_pp为相关系数，x为已标准化的样本数据矩阵，x′为矩阵x的转置矩阵，n为评价对象个数；

(3)求解该相关系数矩阵的特征值和特征向量，根据该矩阵的特征向量，生成主成分表达式；

①求解该相关系数矩阵R的特征值；

根据相关系数矩阵R的对角 $\left|\begin{array}{cccc}{r}_{11}-\mathrm{\λ}& r_{12}& \mathrm{...}& r_{1p}\\ r_{21}& r_{22}-\mathrm{\λ}& \mathrm{...}& r_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{p1}& r_{p2}& \mathrm{...}& r_{pp}-\mathrm{\λ}\end{array}\right|=0$ 即|R-λI|＝0，求解相关系数矩阵R的特征值；

上述表达式中，λ为特征值，同时也是相应主成分的方差，I为单位矩阵，γ₁₁,γ₂₁,…,γ_pp为相关系数；

②根据如下公式求解该相关系数矩阵R的特征向量；

$L=\left[\begin{array}{cccc}{l}_{11}& l_{12}& \mathrm{...}& l_{1p}\\ l_{21}& l_{22}& \mathrm{...}& l_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ l_{p1}& l_{p2}& \mathrm{...}& l_{pp}\end{array}\right]=\left[\begin{array}{c}{L}_1\\ L_2\\ L_3\\ L_4\end{array}\right]$

上述表达式中，L为特征向量矩阵，l₁₁,l₂₁,…,l_pp为特征向量矩阵中的具体数值，L₁,L₂,L₃,L₄为特征向量矩阵中的行向量；

③根据相关系数矩阵的特征向量，建立第i主成分y_i表达式；

y₁＝L₁x；y₂＝L₂x…；y_p＝L_px

上述表达式中，y_i为第i个主成分，i的取值为1,2,…,p；

L₁,L₂,…,L_p为相关系数矩阵R的特征向量矩阵中的行向量，x为已标准化的样本数据矩阵。

而且，所述步骤4的具体步骤包括：

(1)判断各个主成分之间是否已去除相关性；

(2)计算各个主成分方差贡献率和累积方差贡献率并根据累积方差贡献率确定主成分个数；

①根据公式ω_i＝λ_i/p，求解出各个主成分方差贡献率；

上述表达式中，ω_i为第i主成分的方差贡献率，λ_i为第i个主成分的方差，p为所有主成分方差的总和；

其中，p的计算公式为p＝λ₁+λ₂+…λ_p；

②根据公式求解出q个主成分的累积方差贡献率；

上述表达式中，ρ为前q个主成分的累积方差贡献率，λ_s为第s个主成分的方差，p为所有主成分方差的总和；

③以累积方差贡献率85％为界，确定主成分个数。

而且，所述步骤5的具体方法为：

构造综合主成分评价指标函数f＝ω₁y₁+ω₂y₂+…+ω_qy_q，给出各个主成分以及综合评价结果；

上述表达式中，f为主成分综合评价函数，ω_i为第i个主成分的方差贡献率，y_i为第i个主成分的表达式，i的取值为1,2…,q。

而且，所述步骤6的具体步骤为：

(1)建立被考察电网的主成分因子负载矩阵，定义主成分y_j和原变量x_i的相关系数为并根据公式求解主成分因子载荷值；

上述表达式中，θ_i为主成分对原变量x_i的总贡献率，α_ji为因子负荷量表示第j个主成分y_j对原变量x_i的贡献程度；λ_j为第j个主成分的方差，l_ji为第j个主成分表达式上第i个原有变量的系数；

(2)依据|cov(F_i,z_j)|≥0.5的聚类判别标准对智能电网综合评价指标进行聚类分析，对原有的评价指标进行分类。

本发明的优点和积极效果是：

本发明以主成分聚类分析方法为理论基础，对智能电网评估指标体系中的多维评价指标进行标准化、降维和去相关性处理，消除原指标体系中指标间的二次加权，为各评价指标赋予主成分权重，同时利用主成分因子载荷矩阵聚类分析，结合指标大类的实际意义与评估方向，对指标体系中的指标进行分类，梳理原指标体系评测变量的内在脉络，最终利用综合主成分评价函数定量考察特定区域智能电网发展建设水平并作横向比较，为智能电网发展提供有益参照。

附图说明

图1是本发明的评价流程图；

图2是本发明的对原始评价指标体系进行分层的设计图。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

一种基于主成分聚类分析的智能电网建设综合评价方法，如图1所示，包括以下步骤：

步骤1、建立或选用普遍认可的智能电网建设综合评价指标体系；

所述步骤1的具体的评价指标包括：发电侧清洁电源利用率、单位发电量一氧化碳排放量、间歇性电源新增调峰容量率、分布式电源接入率、风电及光电接入能力；电网综合网损下降率、电网储能利用率、动态增容装置髓盖率、特高压线路输电占有率；插入式电动汽车低谷充电率、电动汽车需求侧管理参与率、可控负荷比例、智能电表普及率。

对天津市5个市辖区的智能电网在此评价指标体系上的原始数据进行采集，得表1。

(表1)：天津市5辖区智能电网建设评价指标值

其中，单位发电量C0₂排放量为逆指标，需要利用公式P_last-P_current/P_last将此指标转化为正指标C0₂排放量下降率，式中P_last和P_current分别表示上一期与本期的单位用电量的C0₂的排放量，转化后的指标电网1到电网5的分别为2.4％、2.1％、2.2％、2.1％、1.9％。

另外，风电及光电接入能力为定性指标，构造定量评价集{1,2,3,4,5，6,7,8,9}与定性指标{极差，很差，较差，稍差，一般，稍好，较好，很好，极好}一一对应。

步骤2、对评价对象关于评价指标体系中的各个指标原始数据进行标准化处理，得出各个指标数据的正态标准化数值；

所述步骤2的具体方法为：

利用SPSS软件，根据公式i＝1,2；k＝1,2,…,n，

计算各个指标的正态标准化数值；

其中， $\stackrel{\‾}{x_i}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{x}_{ik}^0;$ ${\mathrm{\σ}}_i^2=\frac{1}{n-1}{\underset{k=1}{\overset{n}{\Σ}}(x_{ik}^0-\stackrel{\‾}{x_i})}^2$

上述表达式中，x_ik为标准化化数据，为原始数据，为原始数据的均值，为原始数据的方差。

步骤3、对正态标准化处理后的指标数据进行PCA可行性检验，若通过检验，则依据标准化后的指标数据构建相关系数矩阵并求解该矩阵的特征值和特征向量，根据特征向量，生成主成分表达式；若检验结果不可行，则返回步骤1重新建立智能电网建设综合评价指标体系；

所述步骤3的具体步骤为：

(1)对正态标准化处理后的指标数据进行常规PCA可行性检验；

(2)依据正态标准化后的指标数据构建相关系数矩阵R；

$R=\frac{1}{n-1}{\mathrm{xx}}^{\′}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1n}\\ r_{21}& r_{22}& \mathrm{...}& r_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{p1}& r_{p2}& \mathrm{...}& r_{pn}\end{array}\right]$

上述表达式中，R为相关系数矩阵，r₁₁,r₂₁.…,r_pp为相关系数，x为已标准化的样本数据矩阵，x′为矩阵x的转置矩阵，n为评价对象个数；

(3)求解该相关系数矩阵的特征值和特征向量，根据该矩阵的特征向量，生成主成分表达式；

①求解该相关系数矩阵R的特征值；

根据相关系数矩阵R的对角 $\left|\begin{array}{cccc}{r}_{11}-\mathrm{\λ}& r_{12}& \mathrm{...}& r_{1p}\\ r_{21}& r_{22}-\mathrm{\λ}& \mathrm{...}& r_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{p1}& r_{p2}& \mathrm{...}& r_{pp}-\mathrm{\λ}\end{array}\right|=0$ 即|R-λI|＝0，求解相关系数矩阵R的特征值；

上述表达式中，λ为特征值，同时也是相应主成分的方差，I为单位矩阵，γ₁₁,γ₂₁,…,γ_pp为相关系数；

②根据如下公式求解该相关系数矩阵R的特征向量；

$L=\left[\begin{array}{cccc}{l}_{11}& l_{12}& \mathrm{...}& l_{1p}\\ l_{21}& l_{22}& \mathrm{...}& l_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ l_{p1}& l_{p2}& \mathrm{...}& l_{pp}\end{array}\right]=\left[\begin{array}{c}{L}_1\\ L_2\\ L_3\\ L_4\end{array}\right]$

上述表达式中，L为特征向量矩阵，l₁₁,l₂₁,…,l_pp为特征向量矩阵中的具体数值，L₁,L₂,L₃,L₄为特征向量矩阵中的行向量；

③根据相关系数矩阵的特征向量，建立第i主成分y_i表达式；

y₁＝L₁x；y₂＝L₂x…；y_p＝L_px

上述表达式中，y_i为第i个主成分，i的取值为1,2,…,p；

L₁,L₂,…,L_p为相关系数矩阵R的特征向量矩阵中的行向量，x为已标准化的样本数据矩阵。

步骤4、判断各个主成分之间是否已去除相关性，若已去除，则计算各个主成分方差贡献率和累积方差贡献率并根据累积方差贡献率确定主成分个数；若尚未去除，则返回步骤2重新计算各个指标数据的正态标准化数值；

所述步骤4的具体步骤为：

(1)判断各个主成分之间是否已去除相关性；

(2)计算各个主成分方差贡献率和累积方差贡献率并根据累积方差贡献率确定主成分个数；

①根据公式ω_i＝λ_i/p，求解出各个主成分方差贡献率；

上述表达式中，ω_i为第i主成分的方差贡献率，λ_i为第i个主成分的方差，p为所有主成分方差的总和；

其中，p的计算公式为p＝λ₁+λ₂+…λ_p；

②根据公式求解出q个主成分的累积方差贡献率；

上述表达式中，ρ为前q个主成分的累积方差贡献率，λ_s为第s个主成分的方差，p为所有主成分方差的总和；

③以累积方差贡献率85％为界，确定主成分个数。

其具体的主成分特征值、方差贡献率和累积贡献率如表2所示：

(表2)评价指标值的主成分特征值分布

由于自第5主成分开始特征值趋近于零，因此表2中仅列出了前4个主成分，从表2可以清晰地看到，前两个主成分的累积贡献率已经达到89.023％，已经超出0.8的阀值，只选取前2个主成分就可以对原有的系统进行很好的反映。

步骤5、构造主成分综合评价指标函数，给出各个主成分以及综合评价结果；

所述步骤5的具体方法为：

依据所选取的主成分表达式和方差贡献率，构造综合主成分评价指标函数f＝ω₁y₁+ω₂y₂+…+ω_qy_q，给出各个主成分以及综合评价结果；

上述表达式中，f为主成分综合评价函数，ω_i为第i个主成分的方差贡献率，y_i为第i个主成分的表达式，i的取值为1,2…,q。

评价结果如表3所示：

(表3)被考察电网的主成分评价函数值

由表3可知，电网1、电网3智能化发展水平领先，电网2处于中间水平，电网4和电网5在智能电网建设中已经处于滞后水平尤其是电网5在智能电网的建设中已严重落后于其他4个地区。

步骤6、建立被考察电网的主成分因子负载矩阵，对智能电网综合评价指标进行聚类分析；

所述步骤6的具体步骤为：

(1)建立被考察电网的主成分因子负载矩阵，定义主成分y_j和原变量x_i的相关系数为并根据公式求解主成分因子载荷值；

上述表达式中，θ_i为主成分对原变量x_i的总贡献率，α_ji为因子负荷量表示第j个主成分y_j对原变量x_i的贡献程度；λ_j为第j个主成分的方差，l_ji为第j个主成分表达式上第i个原有变量的系数。

其具体的主成分因子载荷矩阵如表4所示：

(表4)被考察电网的主成分因子载荷矩阵

(2)依据|cov(F_i,z_j)|≥0.5的聚类判别标准对智能电网综合评价指标进行聚类分析，对原有的评价指标进行分类。

其具体步骤为依据|cov(F_i,z_j)|≥0.5的聚类判别标准，由第一主成分与原有的指标体系的因子载荷矩阵可将指标1至指标5归为一类，指标6至指标9归为另一类，由此可知，前5个指标反映智能电网发电侧的建设水平，后4个指标则反映出智能电网输配电侧的建设情况。同样地，根据第2主成分因子载荷可将指标10至指标13划为一类，反映智能电网用电侧的建设水平。

结合表3中的评价函数值，可以得出：智能电网发输配电侧的建设水平排序：电网1>电网2>电网3>电网4>电网5；智能电网用电侧建设水平排序为:电网3>电网4>电网1>电网2>电网5。

根据各个主成分下电网的具体得分排名可知，电网2要在总得分(总排名)上迎头赶上，应在智能电网用电侧加大投入，电网4应在智能电网的发电侧继续加大投入力度，电网5则应在智能电网的发电侧和用电侧均加大投入力度。

最终，根据评价指标的分类结果，考虑指标所属大类的实际意义，对原始评价指标体系进行分层设计如图2所示。

具体的分层后的评价指标体系为：

(1)智能电网发电侧：发电侧清洁电源利用率、单位发电量一氧化碳排放量、间歇性电源新增调峰容量率、分布式电源接入率、风电及光电接入能力；

(2)智能电网输配电侧：电网综合网损下降率、电网储能利用率、动态增容装置髓盖率、特高压线路输电占有率；

(3)智能电网用电侧：插入式电动汽车低谷充电率、电动汽车需求侧管理参与率、可控负荷比例、智能电表普及率。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (7)

1.一种基于主成分聚类分析的智能电网建设综合评价方法，其特征在于：包括以下步骤：

步骤1、建立或选用普遍认可的智能电网建设综合评价指标体系；

步骤2、对评价对象关于评价指标体系中的各个指标原始数据进行标准化处理，得出各个指标数据的正态标准化数值；

步骤3、对正态标准化处理后的指标数据进行PCA可行性检验，若通过检验，则依据标准化后的指标数据构建相关系数矩阵并求解该矩阵的特征值和特征向量，根据特征向量，生成主成分表达式；若检验结果不可行，则返回步骤1重新建立智能电网建设综合评价指标体系；

步骤4、判断各个主成分之间是否已去除相关性，若已去除，则计算各个主成分方差贡献率和累积方差贡献率并根据累积方差贡献率确定主成分个数；若尚未去除，则返回步骤2重新计算各个指标数据的正态标准化数值；

步骤5、构造主成分综合评价指标函数，给出各个主成分以及综合评价结果；

步骤6、依据主成分因子负载矩阵，对智能电网综合评价指标进行聚类分析。

2.根据权利要求1所述的一种基于主成分聚类分析的智能电网建设综合评价方法，其特征在于：所述步骤1的具体评价指标包括：发电侧清洁电源利用率、单位发电量一氧化碳排放量、间歇性电源新增调峰容量率、分布式电源接入率、风电及光电接入能力；电网综合网损下降率、电网储能利用率、动态增容装置髓盖率、特高压线路输电占有率；插入式电动汽车低谷充电率、电动汽车需求侧管理参与率、可控负荷比例、智能电表普及率。

3.根据权利要求1所述的一种基于主成分聚类分析的智能电网建设综合评价方法，其特征在于：所述步骤2的具体方法为：

根据公式计算各个指标的正态标准化数值，

其中， $\stackrel{\‾}{x_i}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{x}_{ik}^0;{\mathrm{\σ}}_i^2=\frac{1}{n-1}\underset{k=1}{\overset{n}{\Σ}}{(x_{ik}^0-\stackrel{\‾}{x_i})}^2$

上述表达式中，x_ik为标准化化数据，为原始数据，为原始数据的均值，为原始数据的方差。

4.根据权利要求1所述的一种基于主成分聚类分析的智能电网建设综合评价方法，其特征在于：所述步骤3的具体步骤包括：

(1)对正态标准化处理后的指标数据进行PCA可行性检验；

(2)依据正态标准化后的指标数据构建相关系数矩阵R；

$R=\frac{1}{n-1}{\mathrm{xx}}^{\′}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1n}\\ r_{21}& r_{22}& ...& r_{2n}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ r_{p1}& r_{p2}& ...& r_{pn}\end{array}\right]$

上述表达式中，R为相关系数矩阵，r₁₁,r₂₁.…,r_pp为相关系数，x为已标准化的样本数据矩阵，x′为矩阵x的转置矩阵，n为评价对象个数；

(3)求解该相关系数矩阵的特征值和特征向量，根据该矩阵的特征向量，生成主成分表达式；

①求解该相关系数矩阵R的特征值；

根据相关系数矩阵R的对角 $\left|\begin{array}{cccc}{r}_{11}-\mathrm{\λ}& r_{12}& ...& r_{1p}\\ r_{21}& r_{22}-\mathrm{\λ}& ...& r_{2p}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ r_{p1}& r_{p2}& ...& r_{pp}-\mathrm{\λ}\end{array}\right|=0$ 即|R-λI|＝0，求解相关系数矩阵R的特征值；

上述表达式中，λ为特征值，同时也是相应主成分的方差，I为单位矩阵，γ₁₁,γ₂₁,…,γ_pp为相关系数；

②根据如下公式求解该相关系数矩阵R的特征向量；

$L=\left[\begin{array}{cccc}{l}_{11}& l_{12}& ...& l_{1p}\\ l_{21}& l_{22}& ...& l_{2p}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ l_{p1}& l_{p2}& ...& l_{pp}\end{array}\right]=\left[\begin{array}{c}{L}_1\\ L_2\\ L_3\\ L_4\end{array}\right]$

上述表达式中，L为特征向量矩阵，l₁₁,l₂₁,…,l_pp为特征向量矩阵中的具体数值，L₁,L₂,L₃,L₄为特征向量矩阵中的行向量；

③根据相关系数矩阵的特征向量，建立第i主成分y_i表达式；

y₁＝L₁x；y₂＝L₂x…；y_p＝L_px

上述表达式中，y_i为第i个主成分，i的取值为1,2,…,p；

L₁,L₂,…,L_p为相关系数矩阵R的特征向量矩阵中的行向量，x为已标准化的样本数据矩阵。

5.根据权利要求1所述的一种基于主成分聚类分析的智能电网建设综合评价方法，其特征在于：所述步骤4的具体步骤包括：

(1)判断各个主成分之间是否已去除相关性；

(2)计算各个主成分方差贡献率和累积方差贡献率并根据累积方差贡献率确定主成分个数；

①根据公式ω_i＝λ_i/p，求解出各个主成分方差贡献率；

上述表达式中，ω_i为第i主成分的方差贡献率，λ_i为第i个主成分的方差，p为所有主成分方差的总和；

其中，p的计算公式为p＝λ₁+λ₂+…λ_p；

②根据公式求解出q个主成分的累积方差贡献率；

上述表达式中，ρ为前q个主成分的累积方差贡献率，λ_s为第s个主成分的方差，p为所有主成分方差的总和；

③以累积方差贡献率85％为界，确定主成分个数。

6.根据权利要求1所述的一种基于主成分聚类分析的智能电网建设综合评价方法，其特征在于：所述步骤5的具体方法为：

构造综合主成分评价指标函数f＝ω₁y₁+ω₂y₂+…+ω_qy_q，给出各个主成分以及综合评价结果；

上述表达式中，f为主成分综合评价函数，ω_i为第i个主成分的方差贡献率，y_i为第i个主成分的表达式，i的取值为1,2…,q。

7.根据权利要求1所述的一种基于主成分聚类分析的智能电网建设综合评价方法，其特征在于：所述步骤6的具体步骤为：

(1)建立被考察电网的主成分因子负载矩阵，定义主成分y_j和原变量x_i的相关系数为并根据公式求解主成分因子载荷值；

上述表达式中，θ_i为主成分对原变量x_i的总贡献率，α_ji为因子负荷量表示第j个主成分y_j对原变量x_i的贡献程度；λ_j为第j个主成分的方差，l_ji为第j个主成分表达式上第i个原有变量的系数；

(2)依据|cov(F_i,z_j)|≥0.5的聚类判别标准对智能电网综合评价指标进行聚类分析，对原有的评价指标进行分类。