基于谱聚类与评估机制的供水管网DMA分区方案

为解决供水管网DMA分区研究中算法原理和人工经验不能紧密结合的局限性,提出了基于谱聚类算法结合评估机制的供水管网DMA分区方案,该方案以谱聚类为主要理论基础,利用高斯核函数将节点间的图距离转化为结构相似度,获得管网节点的一次划分结果,并在此基础上引入代价评估机制对管网节点进行调整,从而获得符合管网规划目标且代价更优的D...     

基于互信息的自动聚类算法在故障诊断过程中的应用

随着热工建模过程中参数的增多,根据参数之间的相关性进行分块建模成为降低模型复杂度、提高模型监测效果的有效手段之一。因此提出了一种基于互信息的自动聚类、分块建模方法。首先,获取参数之间的互信息矩阵,在此基础之上以训练数据的平均平方预测误差最小为标准,使用谱聚类算法对参数进行自动聚类。然后,分别建立每个子块对应的主成分分析(Principle component analysis, PCA)模型,并将所有子块的建模结果通过贝叶斯理论进行融合来对多个子块模型进行统一监测。最后,采用基于最小角度回归(Least angle regressions, LARS)的故障诊断方法定位故障发生的方向和幅值。通过数学案例的验证和电厂高温再热器的实际应用,表明了所提方法在故障监测和诊断方面的有效性。     

基于改进GN算法的电网关键输电断面辨识方法

输电断面是电网子区域之间的能量传输通道,准确、快速地辨识电网中的关键输电断面,是电力系统安全稳定分析与控制的前提.首先考虑电网源发性扰动造成的系统多项电气量波动,结合熵理论量化电力线路与系统状态之间交互关系,将电力线路加权化处理,构造出加权无向复杂网络模型;然后,按照输电断面挖掘技术要求,对复杂网络理论中的GN算法进行...     

基于可变聚类数k值的聚类算法在绩效考核中的应用

针对实际应用中聚类数k值可变问题,利用遗传算法的变长编码方式,设计了可变聚类数k值的聚类算法.在理论研究的基础上,把该算法应用到某高校职工绩效考核中,完成了对该校职工绩效考核的聚类实现,并对聚类结果进行分析和验证,得出一些有实际意义的结论,可为高校人事管理提供一定的参考和指导.     

基于改进K-means算法的坝体保温效果时空聚类分区评价方法

在高寒地区修建混凝土拱坝,超低极端气温和超大年内温差等环境温度荷载是影响混凝土结构拉裂破坏的关键因素,因此分析结构内部温度变化规律,开展长期保温防裂措施的效果评价意义重大。为解决传统保温效果评价过程中温度场蕴含规律和模式复杂,难以量化对比的问题,提出了一种基于时空聚类数据挖掘的混凝土坝保温效果分区评价方法,即以多测点时空监测数据为输入,以改进的K-means聚类算法为分区手段,通过有效性函数自动确定聚类数,降低聚类分析结果对参数的依赖性,解决了保温效果评价分区时聚类数目难以确定的问题。实例应用表明,该方法可对大体积混凝土内部温度测值和规律进行有效分区,能充分反映合理实施保温措施和维护保温材料完好对结构运行的重要性。     

基于流数据聚类算法的电力大数据异常检测

针对电力大数据流的异常检测问题,该文将流数据聚类算法与电力大数据相结合,针对现有流数据聚类算法不易存储全部数据、断电数据易丢失等问题,以及流数据聚类算法对于离线阶段聚类算法实时应答的要求,从数据的完整性、安全性以及流数据聚类算法的低时间复杂度的角度出发,对CluStream流数据聚类算法进行改进,提出流式K-means聚类算法。对在线阶段,使用Redis集群进行流数据的缓冲,并设计节点时间衰减策略,增大心跳消息中有效消息所占比例;对离线阶段聚类算法进行优化,使用最佳距离法确定初始聚类中心,减少迭代次数;最后,使用所提出的流式K-means聚类算法进行用户用电异常行为检测,实验结果表明,该算法能够很好的发现用户用电异常行为。     

基于动态聚类算法的两相流流型识别方法研究

采集了水平管内气水两相层状流、搅拌流以及弹状流三种流型的差压信号,利用概率密度函数(PDF)方法对信号特征进行了分析,定义了反应PDF变化的四个特征参数,即,PDF波峰个数K1、PDF波峰峰值K2、PDF波峰位置K3以及PDF方差K4,然后利用动态聚类算法对三种流型进行了分类识别。结果表明,应用PDF结合动态聚类算法可以快速、准确的对气水两相流流型进行识别,这种方法是可行的。     

基于聚类算法的低压电网分段线损智能识别方法

传统电网线损识别方法未能对线损特征进行提取,导致识别结果不准确,识别用时较长。提出一种基于聚类算法的低压电网分段线损智能识别方法。通过Wpdec小波分解函数对低压电网分段线损数据进行3层小波分解,利用Wprcoef函数对小波系数进行重构,提取低压电网分段线损特征;根据提取到的线损特征变量,设定分段线损异常判定依据,使用K-means算法对所提取的特征向量进行聚类分析,借助聚类结果获取线损特征规则,最终实现基于聚类算法的低压电网分段线损智能识别。经实验结果表明,所提方法不仅能够精准识别低电压分段线损,同时还能够提升识别速率。     

基于模糊C均值聚类的火焰检测算法

在基于数字图像处理的锅炉火焰检测方法基础上,分析了聚类的相关理论.提出了基于模糊C均值聚类的火焰检测算法,同时,用煤粉燃烧火焰资料对该火焰检测算法进行了试验,结果证明该算法简单易行,能有效地检测出煤粉燃烧器火焰燃烧状态.     

基于聚焦式模糊聚类算法的数据挖掘故障诊断方法

针对现有的火电厂大型设备故障诊断精度较低的问题，提出一种基于聚焦式模糊聚类算法的数据挖掘故障诊断方法。它采用分段相关分析的方法在火电厂SCADA系统历史数据库查找故障征兆变量，然后利用聚焦式量化算法对故障征兆变量进行离散化，最后应用双向模糊聚类算法找出对应故障类型的关键数据。该方法避免了为诊断故障而附加的专门测试或试验，在降低费用的同时，减少了试验对设备造成的潜在威胁。故障诊断实例表明：其诊断精度在不同的月份介于91％～95％之间，可以满足现场应用的要求。参3     

喷嘴临界截面直径对喷射器性能影响实验研究

依据索科洛夫等学者提出的经验公式对喷射器进行优化设计,搭建了用于测量喷射器性能的实验台,以CO2为工质,分别研究当工作流体压力在8.0~9.6MPa、引射流体压力在2.4~2.8MPa以及工作流体温度在70~90℃时,喷嘴临界截面直径对喷射系数的变化规律。实验结果表明：当喷射器背压为3.9MPa、工作流体温度为90℃、引射流体压力为2.4MPa、工作流体压力在8.0~9.6MPa时,喷射器的喷射系数随喷嘴临界截面直径的增大而减小;当喷射器背压为3.9MPa、工作流体温度为90℃、工作流体压力为10.0MPa、引射流体压力在2.4~2.8MPa时,喷射器的喷射系数也随喷嘴临界截面直径的增大而减小;且喷射系数理论值与实验值吻合度较好,误差在±3.75%范围内。当喷射器工作流体压力为10.0MPa、引射流体压力为2.7MPa、喷射器背压为3.9MPa、工作流体温度在70~90℃时,喷射系数随着喷嘴临界截面直径的增大而逐渐减小。另外,在保持喷射器的基本工作参数不变时,工作流体压力及引射流体压力的提高对喷射器喷射系数均有提升作用。     

基于牛顿迭代法的圆形断面临界水深直接计算法

通过对圆形断面临界流公式的数学变换,得到其临界水深的牛顿迭代公式,应用最优一致逼近法得到了临界水深中心角θ的近似计算式,并以此近似算式为初值函数,代入迭代方程获得了圆形断面临界水深的直接计算公式。实例计算及误差分析结果表明,在工程实用范围内该方法最大相对误差为0.03%,若用该近似结果再迭代一次,精度则高出104倍。     

基于多层聚类的需求侧用户负荷形态分析方法

针对传统用户负荷形态分析方法在用户数量急剧增加时效率降低的问题,提出一种基于多层聚类的需求侧用户负荷形态分析方法。该方法以余弦相似度度量用户负荷曲线的差异,并将用户负荷形态聚类过程分为三层,分别为凝聚-聚类-还原过程,从而有效降低用户数量增加对聚类效果的影响。与传统方法相比,该方法能够有效提高负荷形态分析方法的计算效率和准确性,并能有效度量负荷曲线之间的相似性,在需求侧管理中具有使用价值。     

基于主成分分析的流域聚类研究

针对流域聚类研究中流域特征指标变量过多会增加计算的复杂性和指标间存在相关性使信息重叠导致计算结果失真的问题,采用主成分分析的方法将原特征指标综合为少数几个不相关的主成分,且提取出的主成分基本包含原特征指标的全部信息,并根据各流域在主成分上的得分值作为新样本进行流域聚类研究,找出相似流域,实现了无资料地区的参数移植。实例应用结果表明,该方法可行、有效。     

基于模糊聚类的光伏组件功率输出模型研究

摘要： 在光伏组件工程用功率输出模型的基础上提出了一种改进模型。基于模糊聚类方法将多晶硅组件户外测试数据、环境参数以天为单位聚类,聚类结果为晴天、多云、阴天、雨天、多云转阴和多云转雨。再由每一类聚类结果依次分析组件输出功率与组件温度以及太阳辐照度之间关系,最后验证了该模型的准确性。     

基于改进的k-means聚类算法的季节性负荷特性分析

负荷特性分析的研究对电力系统稳定运行和调度具有重要意义。以历史负荷数据为基础,采用改进的k-means聚类方法得到具有代表性的负荷特性曲线。在考虑了检验聚类结果有效性模型的基础上加入了最大最小算法,让初始聚类中心稳定;采用改进的k-means聚类典型场景缩减算法,考虑到气候因素的影响,按照春、夏、秋、冬4个季节来对负荷数据进行分类,对历史负荷数据进行处理,得到具有代表性的负荷特性曲线。以某市的历史数据为例进行仿真分析,结果表明,该算法可以将原始的大规模场景缩减合并后得到可以表述该市的几个更少的负荷特性曲线,具有代表性和准确性,更具实际应用价值。     

基于优化近邻传播聚类的CMN风速预测

提出一种基于快速相关性约简和近邻传播聚类的卷积记忆网络短期风速预测模型。计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性;针对风速属性矩阵样本,采用压缩-激励模块（squeeze-and-excitation networks,SENet）构建属性表征序列,以该序列间距为样本相似度,利用近邻传播聚类实现样本集优选重构;构建卷积记忆网络,利用其挖掘深层特征及短期预测。通过对实际风场风速进行预测,对比实测数据,结果表明,该方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息,提高了预测精度。     

基于自适应竞争聚类的多输人多输出热工过程模糊辨识

针对多输入多输出（MIM0）热工过程的非线性、强耦合、变工况及参数时变等特点,提出了一种基于系统输入输出数据和模糊自适应竞争聚类的模型辨识新方法．该方法首先依据系统的各个典型运行工况,使用模糊自适应竞争聚类对输入输出数据进行聚类划分,并对T—S模糊模型进行结构辨识,以确定系统的模型结构和参数;然后采用最小二乘递推算法对模型后件参数进行辨识,同时对结构辨识参数进行精确修正．将所提出的模型辨识方法用于锅炉一汽轮机非线性系统的模型辨识,仿真结果验证了该方法的有效性．