CN105678314A - 一种基于模糊c聚类的典型需求侧用户筛选方法 - Google Patents

Abstract

本发明公开了一种基于模糊C聚类的典型需求侧用户筛选方法，根据用户的电力、电量数据提取特征量进而得到对应用户的日负荷曲线向量和电量水平特征，采用模糊C-均值聚类算法对同种行业内的用户以日负荷曲线为特征量进行聚类获得日负荷曲线相似的同类型用户及分类数目；根据日负荷曲线向量和电量水平特征以及分类数目采用加权重心的思想建立同类型用户中的典型用户筛选模型，进而通过该筛选模型从同类型用户中筛选出典型用户。本发明不仅能够对同行业电力用户进行分类，而且能从同类型用户中筛选出典型用户。

Description

一种基于模糊C聚类的典型需求侧用户筛选方法

技术领域

本发明涉及一种根据电力系统海量用能负荷及其数据信息，适用于同行业内电力用户的分类及同类型用户的筛选的方法，属于电力需求侧管理领域

背景技术

随着电源种类和电网负荷日益多样化，电网面临的问题越来越复杂。为了能够适应环境和能源以及对电力服务要求日益提高的电力用户对电网提出的挑战，智能电网应运而生。友好互动已成为智能电网的主要特征之一，具有重要的意义，具体表现在：电源侧，互动电网将极大增强电力系统承载大规模新能源入网的能力，丰富发电侧市场主体；输电侧，互动电网依托各类智能表计和先进的调度控制体系，可大幅提升输系统运行、监控、检修等环节的效率，降低线路损耗、实现线路自愈重构、提升输网设备的运行效率；用户侧，互动电网将极大增强用户参与资源优化配置过程的能力。

如今越来越多的传感器、智能仪表等监测设备被装入电网，能够获得越来越多的电网实时运行数据，由此产生了能够覆盖电力系统发电、输电、变电、配电、用电、调度以及通信整个生产过程的海量数据，从而为电力负荷特性的研究奠定了坚实的基础。由于电力负荷变化与很多因素有关，而这些因素又具有很强的不确定性、地域性以及时段性，同时不同的因素对负荷的影响特性又是互不相同，从而使得电力负荷呈现极强的随机变化现象。因此，能够面向海量用能数据深入挖掘得到电力用户日益复杂的负荷特性，掌握各种激励和电价措施下各类用户的响应行为信息，了解新能源装置、电动汽车等外部应用系统对负荷变化的影响程度，为以后DSM项目实施等方面开展相关研究、制订相关政策提供技术支持。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于模糊C聚类的典型需求侧用户筛选方法，本发明不仅能够对同行业电力用户进行分类，而且能从同类型用户中筛选出典型用户。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于模糊C聚类的典型需求侧用户筛选方法，根据用户的电力、电量数据提取特征量进而得到对应用户的日负荷曲线向量和电量水平特征，采用模糊C-均值聚类算法对同种行业内的用户以日负荷曲线为特征量进行聚类获得日负荷曲线相似的同类型用户及分类数目；根据日负荷曲线向量和电量水平特征以及分类数目采用加权重心的思想建立同类型用户中的典型用户筛选模型，进而通过该筛选模型从同类型用户中筛选出典型用户。

具体包括以下步骤：

步骤1，根据用户的电力、电量数据提取特征量进而得到对应用户的日负荷曲线向量和电量水平特征；

步骤2，根据日负荷曲线向量初步确定待分类用户类型及分类数目；然后根据用户类型得到的用户日负荷曲线向量的隶属矩阵，同时用值在[0,1]间的随机数初始化隶属矩阵U，使其满足约束条件：

$\underset{i=1}{\overset{k}{\Σ}}{u}_{ij}=1,\∀j=1,...,n;$

其中，u_ij表示第j个用户的日负荷曲线向量属于第i类用户的隶属度；

步骤3，根据步骤1得到的用户日负荷曲线向量及步骤2得到的隶属矩阵建立每类用户类型的聚类中心；

步骤4，根据步骤1得到的日负荷曲线向量、步骤2得到的隶属矩阵、步骤3建立的聚类中心建立日负荷曲线向量的聚类目标函数，进而得到日负荷曲线向量的聚类目标函数值：

步骤5，给定聚类目标阈值，将步骤4得到的聚类目标函数值与给定阈值比较，判断目标函数值与给定阈值的大小关系，若目标函数值大于给定阈值，则返回步骤3重新求解每类的聚类中心；

步骤6，根据步骤1得到的日负荷曲线向量，步骤2得到的分类用户类型、分类数目、隶属矩阵以及步骤5得到确定的聚类中心建立分类数目的有效性进行检验模型；给定有效性检验阈值，当有效性检验均在有效性检验阈值范围内时，分类数目有效，若分类数目无效，返回步骤2重新确定分类数目；

步骤7，将根据步骤1得到的用户的日负荷曲线向量和电量水平特征作为其对应用户的位置和重量，然后通过步骤6检验模型检验有效的分类数目通过加权重心的思想建立典型用户的筛选模型，进而从同类型用户中筛选出典型用户。

所述步骤3建立每类用户类型的聚类中心：

$c_i=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m{x}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m};$

其中，c_i为第i类用户的聚类中心，u_ij表示第j个日负荷曲线向量属于第i类用户的隶属度，x_j表示第j个日负荷曲线向量，m∈[1,∞)是一个加权指数。

所述步骤4建立的聚类目标函数：

$J(U,c_1,...,c_k)=\underset{i=1}{\overset{k}{\Σ}}{J}_i=\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{n}{\Σ}}{u}_{ij}^m{d}_{ij}^2;$

该目标函数达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m};$ 和 $u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{2/(m-1)}};$

其中，J表示k类价值函数之和，U为隶属矩阵，c_i为第i类用户的聚类中心，J_i代表第i类用户的价值函数，u_ij表示第j个日负荷曲线向量属于第i类用户的隶属度，m∈[1,∞)是一个加权指数，d_ij＝‖c_i-x_j‖为第i个聚类中心与第j个向量间的欧几里德距离，x_j表示第j个日负荷曲线向量。

所述步骤6建立分类数目的有效性进行检验模型包括同类离散度检验模型、中心离散度检验模型、平均隶属度检验模型，其中：

同类离散度检验模型：

$I_1=\sqrt{\frac{1}{k}\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{x_j\∈i}{\Σ}}{d}^2(c_i,x_j)};$

中心离散度检验模型：

$I_2=\frac{1}{(k-1)k}\underset{i\≠j}{\Σ}d(c_i,c_j);i,j=1,2,...,k;$

平均隶属度检验模型：

$I_3=\frac{1}{n}\underset{p=1}{\overset{n}{\Σ}}{U}_{max,p};$

式中，k为聚类数目，c_i(i＝1,2,…,k)为第i类的聚类中心，x_j表示第j个用户的日负荷曲线向量，d(c_i,x_j)＝‖c_i-x_j‖表示第j个日负荷曲线向量x_j与第i个聚类中心c_i的距离，U_max,p表示第p个用户隶属度矩阵的最大值。

所述步骤7建立的典型用户筛选模型：

minf＝‖X_j-W_i‖；

$s.t.Q_j\≥\frac{1}{k_i}\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j;$

$Wi=\frac{\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j{X}_j}{\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j};$

其中，f为日负荷曲线向量X_j与第i类用户的重心W_i的欧几里德距离，X_j为属于第i类模糊集合的日负荷曲线向量，W_i为同类用户的重心，Q_j为电量水平特征，k_i为i类用户个数。

有益效果：本发明提供的一种基于模糊C聚类的典型需求侧用户筛选方法，相比现有技术，具有以下有益效果：

该方法通过从国名经济行业中随机选取若干用户，根据用户的电力、电量数据提取特征量，采用模糊C-均值(FCM)聚类算法对同种行业内的用户以日负荷曲线为特征量进行聚类，从而选取该行业最具代表性的用户进行负荷特性分析，为探讨用户参与电网互动的潜力打好基础，因此本发明不仅能够对同行业电力用户进行分类，而且能从同类型用户中筛选出典型用户。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

一种基于模糊C聚类的典型需求侧用户筛选方法，如图1所示，根据用户的电力、电量数据提取特征量进而得到对应用户的日负荷曲线向量和电量水平特征，采用模糊C-均值聚类算法对同种行业内的用户以日负荷曲线为特征量进行聚类获得日负荷曲线相似的同类型用户及分类数目；根据日负荷曲线向量和电量水平特征以及分类数目采用加权重心的思想建立同类型用户中的典型用户筛选模型，进而通过该筛选模型从同类型用户中筛选出典型用户。

具体包括以下步骤：

步骤1，根据用户的电力、电量数据提取特征量进而得到对应用户的日负荷曲线向量和电量水平特征；

步骤2，根据日负荷曲线向量初步确定待分类用户类型及分类数目；然后根据用户类型得到的用户日负荷曲线向量的隶属矩阵，同时用值在[0,1]间的随机数初始化隶属矩阵U，使其满足约束条件：

$\underset{i=1}{\overset{k}{\Σ}}{u}_{ij}=1,\∀j=1,...,n;$

其中，u_ij表示第j个日负荷曲线向量属于第i类用户的隶属度；

步骤3，根据步骤1得到的用户日负荷曲线向量及步骤2得到的隶属矩阵建立每类用户类型的聚类中心；

步骤4，根据步骤1得到的日负荷曲线向量、步骤2得到的隶属矩阵、步骤3建立的聚类中心建立日负荷曲线向量的聚类目标函数，进而得到日负荷曲线向量的聚类目标函数值：

步骤5，给定聚类目标阈值，将步骤4得到的聚类目标函数值与给定阈值比较，判断目标函数值与给定阈值的大小关系，若目标函数值大于给定阈值，则返回步骤3重新求解每类的聚类中心；

步骤6，根据步骤1得到的日负荷曲线向量，步骤2得到的分类用户类型、分类数目、隶属矩阵以及步骤5得到确定的聚类中心建立分类数目的有效性进行检验模型；给定有效性检验阈值，当有效性检验均在有效性检验阈值范围内时，分类数目有效，若分类数目无效，返回步骤2重新确定分类数目；

步骤7，将根据步骤1得到的用户的日负荷曲线向量和电量水平特征作为其对应用户的位置和重量，然后通过步骤6检验模型检验有效的分类数目通过加权重心的思想建立典型用户的筛选模型，进而从同类型用户中筛选出典型用户。

本发明是利用数据挖掘方法中的模糊C-聚类分析算法实现同行业电力用户分类和同类型典型用户筛选。其策略是首先提取用户日负荷曲线(96点功率)按照同行业用户分类模型获得负荷曲线相似的同类用户，然后用筛选模型从同类型用户中筛选出典型用户。在进行模糊划分时，用值在[0,1]间的隶属度来确定每个给定数据点属于各个组的程度，通过迭代的方法确定每类的聚类中心及隶属矩阵，通过计算目标函数值的大小来判断算法是否结束即分类是否合理，通过同类离散度、中心离散度和平均隶属度来检验分类数目是否有效，选取距离聚类重心最近的用户作为典型用户。

FCM聚类算法是用隶属度确定每个数据点属于某类程度的一种聚类算法。1973年，Bezdek提出了该算法，作为早期硬C均值聚类(HCM)方法的一种改进。根据FCM聚类算法，把n个日负荷曲线向量x_j(j＝1,2,3,…,n)分为k个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM与HCM的主要区别在于FCM用模糊划分，使得每个给定数据点用值在[0,1]间的隶属度来确定其属于各个组的程度。也就是确定分类数目后，进行模糊划分时，用值在[0,1]间的隶属度来确定每个给定数据点属于各个组的程度。与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素。不过，加上归一化规定，一个数据集的隶属度的和总等于1：

$\underset{i=1}{\overset{k}{\Σ}}{u}_{ij}=1,\∀j=1,...,n---\left(1\right)$

上式中u_ij表示第j个向量属于第i类的隶属度。

那么，FCM的价值函数(或目标函数)就是式(1)的一般化形式：

$J(U,c_1,...,c_k)=\underset{i=1}{\overset{k}{\Σ}}{J}_i=\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{n}{\Σ}}{u}_{ij}^m{d}_{ij}^2---\left(2\right)$

这里u_ij为第j个向量属于第i类的隶属度，值介于[0,1]间；m∈[1,∞)是一个加权指数；c_i为第i类模糊集合的聚类中心，是一个与日负荷曲线同维度的向量，d_ij＝‖c_i-x_j‖为第i个聚类中心与第j个向量间的欧几里德距离，x_j表示第j个日负荷曲线向量，J_i代表第i类的价值函数，J表示k类价值函数之和。

构造如下新的目标函数，可求得使(2)式达到最小值的必要条件：

$\begin{array}{c}\stackrel{\‾}{J}\left(U,c_1,\mathrm{...},c_k,{\mathrm{\λ}}_1,\mathrm{...},{\mathrm{\λ}}_n\right)=J\left(U,c_1,\mathrm{...},c_k\right)+\underset{q=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_q\left(\underset{i=1}{\overset{k}{\Σ}}{u}_{ij}-1\right)\\ =\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{n}{\Σ}}{u}_{ij}^m{d}_{ij}^2+\underset{q=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_q\left(\underset{i=1}{\overset{k}{\Σ}}{u}_{ij}-1\right)\end{array}---\left(3\right)$

这里λ_q，q＝1,2,…,n，是(3)式的n个约束式的拉格朗日乘子。对所有输入参量求导，使式(2)达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m{x}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m}---\left(4\right)$

和

$u_{ij}=\frac{1}{\underset{k=1}{\overset{c}{\Σ}}{\left(\frac{d_{ij}}{d_{kj}}\right)}^{2/(m-1)}}---\left(5\right)$

由上述两个必要条件，FCM聚类算法是一个简单的迭代过程。在批处理方式运行时，FCM聚类算法用下列步骤确定聚类中心c_i和隶属矩阵U：

步骤1：用值在[0,1]间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；

步骤2：用式(4)计算k个聚类中心c_i，i＝1,2,…,k。

步骤3：根据式(2)计算目标函数。如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止。

步骤4：用式(5)计算新的U矩阵。返回步骤2。

该算法采用隶属度对用户进行分类，但是分类之前必须先要确定待分类用户的分类数目，即k必须是已知量。实际中，用户的情况是非常复杂的，不可能预先知道用户合理的分类数目，而分类数目是否合理直接影响分类效果的好坏，进而影响典型用户筛选。所以，必须对分类数目的有效性进行检验。有效的聚类结果应具有如下特点：1、同类用户间距离较小；2、不同类型用户间距离较大；3、用户应具有相对于某一类较大的隶属度，即在聚类生产的隶属度矩阵中，所有用户的最大隶属度均值较高。引入如下指标：

(1)同类离散度(I₁)

它表示各类的聚类中心和其对应聚类中所有元素的距离的平均值^[48]。假设聚类得到k个类，聚类中心为c_i(i＝1,2,…,k)，x_j表示第j个日负荷曲线，则I₁指标如式(2-14)所示，I₁越小聚类效果越好。同类离散度描述了同一类中所有用户和该类用户电量特性中心的距离，该指标越小分类效果越好。

$I_1=\sqrt{\frac{1}{k}\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{x_j\∈i}{\Σ}}{d}^2(c_i,x_j)}---\left(6\right)$

上式中d(c_i,x_j)＝‖c_i-x_j‖，表示第j个向量x_j与第i个聚类中心c_i的距离。

(2)中心离散度(I₂)

$I_2=\frac{1}{(k-1)k}\underset{i_1\≠i_2}{\Σ}d(c_{i_1},c_{i_2});i_1,i_2=1,2,...,k---\left(7\right)$

中心离散度描述了类与类之间的差别，如果中心离散度较大，说明不同类之间的差别较明显，表示第i₁个聚类中心与第i₂个聚类中心的距离。

(3)平均隶属度(I₃)

$I_3=\frac{1}{n}\underset{p=1}{\overset{n}{\Σ}}{U}_{max,p}---\left(8\right)$

上式中U_max,p表示第p个用户隶属度矩阵的最大值。

通过同类离散度、中心离散度和平均隶属度来检验分类数目是否有效。当同类离散度、中心离散度和平均隶属度三个指标均在合理范围内时(可通过预先给定阈值实现，即给定有效性检验阈值)，分类数目有效；否则要重新确定分类数目，并重复之前的步骤，计算聚类中心及隶属矩阵后进行分类数目有效性检验。

按上述方法可以将同一行业的用户按日负荷曲线特征分为几类，下面从每一类中，计及用户的电量水平特征(年用电量)筛选行业典型用户。本文将日负荷曲线特征X_j和电量水平特征Q_j视为用户j的位置和重量，用加权重心的思想，求出同类用户的重心W_i相比广义聚类中心c_i，用户重心W_i能更好的反映同类用户整体负荷的时段分布情况；再从重量Q_j不小于该类平均重量的用户中，搜索出离用户重心W_i最近的一个用户作为典型用户。

模型表示如式(9)：

minf＝‖X_j-W_i‖(9)

$s.t.Q_j\≥\frac{1}{k_i}\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j;$

$Wi=\frac{\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j{X}_j}{\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j};$

其中f为日负荷曲线向量X_j与第i类用户的重心W_i的欧几里德距离，X_j为属于第i类模糊集合的日负荷曲线向量，k_i为i类用户个数。

具体使用步骤如下，如图1所示，包括：步骤S1，确定用户分类数目，并用值在[0,1]间的随机数初始化隶属矩阵U，使其满足隶属度和为1的约束条件；步骤S2，根据隶属度矩阵及已知日负荷曲线向量求出每类的聚类中心；步骤S3，根据隶属度矩阵、已知日负荷曲线向量及聚类中心由式(2)计算目标函数值；步骤S4，将目标函数值与给定阈值比较，判断目标函数值与给定阈值的大小关系，若目标函数值大于给定阈值，则返回步骤S2，否则进入步骤S5；步骤S5，对分类数目进行有效性检验，若分类数目无效，则重新确定分类数目，返回步骤S1，否则进入步骤S6；步骤S6，根据同类型用户筛选模型，筛选出典型用户。具体的实施过程分为以下6步：

①确定分类数目，用值在[0,1]间的随机数初始化隶属矩阵U，使其满足式(10)的

约束条件，即满足隶属度和为1的约束；

$\underset{i=1}{\overset{k}{\Σ}}{u}_{ij}=1,\∀j=1,...,n---\left(10\right)$

上式中u_ij表示第j个向量属于第i类的隶属度。

②由已知的n个向量x_i(i＝1,2,…,n)及隶属矩阵U，由式计算每类的聚类中心c_i。

$c_i=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m{x}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m}---\left(11\right)$

u_ij为第j个向量属于第i类的隶属度，值介于[0,1]间；m∈[1,∞)是一个加权指数；x_j为第j个用户的日负荷曲线向量，c_i为第i类模糊集合的聚类中心。

③由隶属矩阵U、每类的聚类中心c_i及已知的n个向量x_i(i＝1,2,…,n)，根据式(12)计算目标函数值。

$J(U,c_1,...,c_k)=\underset{i=1}{\overset{k}{\Σ}}{J}_i=\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{n}{\Σ}}{u}_{ij}^m{d}_{ij}^2---\left(12\right)$

上式中u_ij为第j个向量属于第i类的隶属度，值介于[0,1]间；m∈[1,∞)是一个加权指数；c_i为第i类模糊集合的聚类中心，是一个与日负荷曲线同维度的向量，d_ij＝‖c_i-x_j‖为第i个聚类中心与第j个向量间的欧几里德距离，x_j表示第j个日负荷曲线向量，J_i代表第i类模糊集合的价值函数，J表示k个模糊集合的价值函数之和。

④将目标函数值与给定阈值比较，判断目标函数值与给定阈值的大小关系，若目标函数值大于给定阈值，则返回步骤②，重复上述步骤，否则进入步骤⑤。

⑤对分类数目进行有效性检验。根据式(13)、(14)、(15)分别计算同类离散度(I₁)、中心离散度(I₂)和平均隶属度(I₃)，并判断这三个指标值是否在合理范围，若是，则进入步骤⑥，否则，返回步骤①，重新设定分类数目，重复上述步骤。

$I_1=\sqrt{\frac{1}{k}\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{x_j\∈i}{\Σ}}{d}^2(c_i,x_j)}---\left(13\right)$

d(c_i,x_j)＝‖c_i-x_j‖，表示第j个向量x_j与第i个聚类中心c_i的距离。

$I_2=\frac{1}{(k-1)k}\underset{i\≠j}{\Σ}d(c_i,c_j);i,j=1,2,...,k---\left(14\right)$

d(c_i,c_j)＝‖c_i-c_j‖表示第j个聚类中心c_j与第i个聚类中心c_i的距离。

$I_3=\frac{1}{N}\underset{p=1}{\overset{N}{\Σ}}{U}_{max,p}---\left(15\right)$

U_max,p表示第p个用户隶属度矩阵的最大值。

⑥根据同类型用户筛选模型筛选典型用户。将日负荷曲线特征X_j和电量水平特征Q_j视为用户j的位置和重量，用加权重心的思想，求出同类用户的重心W_i。相比广义聚类中心c_i，用户重心W_i能更好的反映同类用户整体负荷的时段分布情况；根据式(16)从重量Q_j不小于该类平均重量的用户中，搜索出离用户重心W_i最近的一个用户作为典型用户。

minf＝‖X_j-W_i‖(16)

$s.t.Q_j\≥\frac{1}{k_i}\underset{j}{\Σ}{Q}_j$

$Wi=\frac{\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j{X}_j}{\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j}$

其中f为日负荷曲线向量X_j与第i类用户的重心W_i的欧几里德距离，X_j为属于第i类模糊集合的日负荷曲线向量，k_i为i类用户个数。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于模糊C聚类的典型需求侧用户筛选方法，其特征在于：根据用户的电力、电量数据提取特征量进而得到对应用户的日负荷曲线向量和电量水平特征，采用模糊C-均值聚类算法对同种行业内的用户以日负荷曲线为特征量进行聚类获得日负荷曲线相似的同类型用户及分类数目；根据日负荷曲线向量和电量水平特征以及分类数目采用加权重心的思想建立同类型用户中的典型用户筛选模型，进而通过该筛选模型从同类型用户中筛选出典型用户。

2.根据权利要求1所述的基于模糊C聚类的典型需求侧用户筛选方法，其特征在于：包括以下步骤：

步骤1，根据用户的电力、电量数据提取特征量进而得到对应用户的日负荷曲线向量和电量水平特征；

步骤2，根据日负荷曲线向量初步确定待分类用户类型及分类数目；然后根据用户类型得到的用户日负荷曲线向量的隶属矩阵，同时用值在[0,1]间的随机数初始化隶属矩阵U，使其满足约束条件：

$\underset{i=1}{\overset{k}{\Σ}}{u}_{ij}=1,\∀j=1,...,n;$

其中，u_ij表示第j个日负荷曲线向量属于第i类用户的隶属度；

步骤3，根据步骤1得到的用户日负荷曲线向量及步骤2得到的隶属矩阵建立每类用户类型的聚类中心；

步骤4，根据步骤1得到的日负荷曲线向量、步骤2得到的隶属矩阵、步骤3建立的聚类中心建立日负荷曲线向量的聚类目标函数，进而得到日负荷曲线向量的聚类目标函数值：

步骤5，给定聚类目标阈值，将步骤4得到的聚类目标函数值与给定阈值比较，判断目标函数值与给定阈值的大小关系，若目标函数值大于给定阈值，则返回步骤3重新求解每类的聚类中心；

步骤6，根据步骤1得到的日负荷曲线向量，步骤2得到的分类用户类型、分类数目、隶属矩阵以及步骤5得到确定的聚类中心建立分类数目的有效性进行检验模型；给定有效性检验阈值，当有效性检验均在有效性检验阈值范围内时，分类数目有效，若分类数目无效，返回步骤2重新确定分类数目；

步骤7，将根据步骤1得到的用户的日负荷曲线向量和电量水平特征作为其对应用户的位置和重量，然后通过步骤6检验模型检验有效的分类数目通过加权重心的思想建立典型用户的筛选模型，进而从同类型用户中筛选出典型用户。

3.根据权利要求1所述的基于模糊C聚类的典型需求侧用户筛选方法，其特征在于：所述步骤3建立每类用户类型的聚类中心：

$c_i=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m\·x_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m};$

其中，c_i为第i类用户类型A的聚类中心，u_ij表示第j个日负荷曲线向量属于第i类用户的隶属度，x_j表示第j个日负荷曲线向量，m∈[1,∞)是一个加权指数。

4.根据权利要求1所述的基于模糊C聚类的典型需求侧用户筛选方法，其特征在于：所述步骤4建立的聚类目标函数：

$J(U,c_1,...,c_k)=\underset{i=1}{\overset{k}{\Σ}}{J}_i=\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{n}{\Σ}}{u}_{ij}^m{d}_{ij}^2;$

该目标函数达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m{x}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m};$ 和 $u_{ij}=\frac{1}{\underset{k=1}{\overset{c}{\Σ}}{\left(\frac{d_{ij}}{d_{kj}}\right)}^{2/(m-1)}};$

其中，J表示k类价值函数之和，U为隶属矩阵，c_i为第i类用户类型A的聚类中心，J_i代表第i类的价值函数，u_ij表示第j个日负荷曲线向量属于第i类用户的隶属度，m∈[1,∞)是一个加权指数，d_ij＝||c_i-x_j||为第i个聚类中心与第j个向量间的欧几里德距离，x_j表示第j个日负荷曲线向量。

5.根据权利要求1所述的基于模糊C聚类的典型需求侧用户筛选方法，其特征在于：所述步骤6建立分类数目的有效性进行检验模型包括同类离散度检验模型、中心离散度检验模型、平均隶属度检验模型，其中：

同类离散度检验模型：

$I_1=\sqrt{\frac{1}{k}\underset{i=1}{\overset{k}{\Σ}}\underset{j}{\overset{x_j\∈i}{\Σ}}{d}^2(c_i,x_j)};$

中心离散度检验模型：

$I_2=\frac{1}{(k-1)k}\underset{i\≠j}{\Σ}d(c_i,c_j);i,j=1,2,...,k;$

平均隶属度检验模型：

$I_3=\frac{1}{n}\underset{p=1}{\overset{n}{\Σ}}{U}_{max,p};$

式中，k为聚类数目，c_i(i＝1,2,…,k)为第i类的聚类中心，x_j表示第j个用户的日负荷曲线向量，d(c_i,x_j)＝||c_i-x_j||，表示第j个日负荷曲线向量x_j与第i个聚类中心c_i的距离，U_max,p表示第p个用户隶属度矩阵的最大值。

6.根据权利要求1所述的基于模糊C聚类的典型需求侧用户筛选方法，其特征在于：所述步骤7建立的典型用户筛选模型：

minf＝||X_j-W_i||；

$s.t.Q_j\≥\frac{1}{k_i}\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j;$

$Wi=\frac{\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j{X}_j}{\underset{j}{\overset{x_j\∈i}{\Σ}}{Q}_j};$

其中，f为日负荷曲线向量X_j与第i类用户的重心W_i的欧几里德距离，X_j为属于第i类模糊集合的日负荷曲线向量，W_i为同类用户的重心，Q_j为电量水平特征，k_i为i类用户个数。