(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 202210829543.9 (22)申请日 2022.07.15 (71)申请人 国家电投集团江西电力工程有限公 司 地址 330096 江西省南昌市南昌 高新技术 产业开发区艾溪湖北路6 6号四楼东 面 (72)发明人 黄必成　张敏　童浪兴　刘勇　 吴绍华　杨荣坪　钱大庆　左宇　 陈经玮　方涛　王天龙　吴逸鸣　 林康玮　黄雪斌　熊磊　吴涛　 罗孝峰　 (74)专利代理 机构 鹰潭市智埠专利代理事务所 (普通合伙) 36131 专利代理师 周少华(51)Int.Cl. G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 一种基于集成聚类的支柱性产业的判定方 法 (57)摘要 一种基于集成聚类的支柱性产业的判定方 法， 包括： 构建多源电力指标， 明确各指标类型， 对于多源电力指标中的极小型以及区间型指标 进行转换， 对各指标数据进行数据预处理， 对各 指标数据进行降维， 将不同的聚类算法作为个体 学习器分别得到聚类结果， 通过学习法的结合策 略将各个体学习器的输出结果通过聚类算法结 合； 采用DBSCAN密度聚类作为次级学习器以结合 各个体学习器的输出； 进行支柱性产业类簇判 定。 本发明构建多源电力指示， 并根据指标特性， 大致将其分为经济贡献度、 能源消耗、 能源消费 结构、 节能环保四个层面， 对指标进行解析， 通过 熵权法给多源电力指标赋予权重， 结合各聚类簇 产业的多源电力指标数据， 判定出支柱性产业 簇。 权利要求书3页 说明书10页 附图5页 CN 115545090 A 2022.12.30 CN 115545090 A 1.一种基于集成聚类的支 柱性产业的判定方法， 其特 征在于： 包括如下步骤： 步骤一、 构建多源电力指标： 将经济贡献度、 能源消耗、 能源消费结构、 节能环保四个方面指标构建为多源电力指 标； 其中， 所述经济贡献度指标， 包括： 产业总产值S1、 总产值同比增长S2、 利 润总额S3； 所述能源消耗指标， 包括： 用电量S4、 油品消耗 量S5、 燃气消耗 量S6、 万元产值能耗S7； 所述能源消费结构， 包括： 电力占能源比重S8、 煤炭占能源比重S9、 油品占能源比重 S10、 燃气占能源比重S1 1； 所述节能环保指标， 包括： 煤炭消耗 量S12； 步骤二、 明确各指标类型： 产业总产值S1、 总产 值同比增长S2、 利润总额S3、 燃气消耗量S6、 燃气占能源比重S11属 于极大型指标； 油品消耗量S5、 万元产 值能耗S7、 煤炭占能源比重S9、 油品占能源比重S10、 煤炭消耗量 S12属于极小型指标； 用电量S4、 电力占能源比重S 8属于区间型指标； 步骤三、 对于多源电力指标中的极小型以及区间型指标进行转换： 对于极小型指标， 转换为： 对于区间型指标， 转换为： 式(1)(2)中： x代表原始指标数据； 代表转换后的指标数据； [q1， q2]为区间型指标数 据的最佳 稳定区间； M、 m代 表分别为x允许的上 下界； 步骤四、 对各指标 数据进行 数据预处 理： 采用极差标准 化如式(3)所示： 其中， xij代表第i个指标的第j个 数据， xij’代表经过数据预处理后的第i个指标的第j个 数据； 标准化后的新数据， 变量的极大值 为1， 极小值 为0， 其余的数值均在0与1之间； 步骤五、 对各指标 数据进行降维： 使用主成分分析法PCA对数据进行降维， 其降维的核心是正交分解， 通过相互正交的空 间基向量来表示原始数据； 将数量较少的几个重要的的主成分向量作为向量基， 然后用重 构的方法来实现原 始特征的维度降低；权　利　要　求　书 1/3 页 2 CN 115545090 A 2步骤六、 将不同的聚类算法作为个体学习器分别得到聚类结果， 通过学习法的结合策 略将各个体学习器的输出结果通过聚类算法结合； 采用DBSCA N密度聚类作为次级 学习器以 结合各个 体学习器的输出； 步骤七： 进行支 柱性产业类簇判定： 首先求出各多源电力指标 下， 各类簇各样本占整体样本的平均比重： 式中： xijk代表第k类簇的样本， i代表第i个产业样本， j代表第j维多源电力指标； nk为第 k类产业簇的样本数量； n代表所有产业样本的个数； Mjk表示在第j 维多源电力指标上k类簇 中各样本占整体样本的平均比重 。 由于一共有12个多源电力指标， 得到k类簇样本占比矩阵 则M＝ [M1,M2,...,M12]作为在各维特征属性上各类簇各样本占整体样本的平均比重矩阵， 为k*12 的矩阵。 然后结合特 征权重给给类簇评分： P＝M·ω (10) 式中： ω＝[ω1,ω2,···,ω12]′是各多源电力指标的权重， 为12*1矩阵； P为各类簇 产业得分， 为 k*1矩阵。 2.如权利要求1所述的一种基于集成聚类的支柱性产业的判定方法， 其特征在于： 所述 步骤五中， PCA降维是指： 找到一个n 维的向量， 然后获取另一个低维的向量空间， 再把想n维 向量映射到获取到的低维向量空间； 关于nD—>kD降维表 示新的向量空间由这k个向量来定 义， 再将样本映射到这个向量空间来； 在具体的操作中， 首先通过奇异值分解方法计算样本数据的协方差矩阵特征值与 特征 向量； 在协方差矩阵中， 所有 特征向量用U表 示， 特征向量用列来表 示， 而且特征值 从大到小 进行降序， U的维度为n*n。 U又叫做降维矩阵， 默认的所有的特征向量都在U的协方差矩阵 中， 若要将样本降至k维， 只需要选取U的前k列便能够将样本降到k个维度。 这时， Uk的维度 就是n*k。 当获得降维之后的矩阵时， 就能够通过 降维矩阵把样本特征对应到低维空间当 中； 降维公式见式(4)： Z＝X·Uk (4) 式(4)表示对矩阵X进行降维， X为m*n的矩阵， Uk 为n*k的矩阵， 降维后为m*k矩阵； 对于选择降维参数k的值， 即贡献率， 就是降维矩阵中U所包含的特征向量的数量； k越 大， 如果U中的特征向量比较多， 累积贡献率越 大， 包含的原始特征数据信息越多， 那么降维 产生的误差就比较小， 然而可能造成的后果是数据维度仍然过大； 因此具体取值需视实际 情况而定； 算法步骤如下： (1)计算样本的协方差矩阵Σ ＝XXT；权　利　要　求　书 2/3 页 3 CN 115545090 A 3