基于模糊C均值聚类算法的区域用电特征分析

某区域内电力用户的用电行为往往会影响该区域电力公司的负荷调度以及分时电价等重要问题的决策.为使得这些决策更符合该区域的实际情况,必须对该区域的用电特征进行分析.针对这一问题,提出了一种基于聚类算法的区域用电特征分析方法.采用模糊C均值算法并结合K-means算法,按照某区域的电力用户分布情况,将数据样本聚类为居民区电力用户、商业区电力用户和工业区电力用户3个类簇,并结合该地区实际用电情况,对得到的类簇负荷曲线进行了分析,得出了该区域不同类型电力用户的用电特征.     

基于离群点算法的低压窃电行为主动辨识系统

为了更有效地打击窃电行为、提高对窃电行为的辨识能力,基于离群点算法设计了一种低压窃电行为主动辨识系统,用以实现对窃电现象的全面分析.根据距离离群点检测算法对原始数据进行预处理,利用判别规则筛选出离群点,再通过数据采集器直接采集用户侧用电信息,作为判断窃电的依据.基于此,通过管理电力负荷来监控电路数据信息,并引入椭圆曲线密码体制,确保用电信息的安全传输,从而构建低压窃电行为主动辨识系统.实验结果表明：该系统能够准确、安全地获取用电信息,及时辨识窃电行为,增强反窃电能力.     

计及用户需求响应的智能用电互动潜力分析

针对用户用电行为特征进行分析是一项重要的工作。针对需求响应下居民用电互动行为模式与响应潜力问题,以及负荷聚类中不同特征之间相关性干扰的问题,提出一种基于响应特征聚类的分析方法。考虑实际运行中用户对电价的反应,通过提取用户在分时电价政策下的互动响应特征,使用改进马氏距离的模糊C均值(FCM)算法,对负荷进行聚类分析,并利用马氏距离中协方差因子排除特征之间的相关性干扰,最后对某电网用户负荷数据进行实验,将用户分为特征较明显的5类,并对其互动响应潜力进行分析。实验结果验证了该文方法的有效性与实用性。     

基于改进人工蜂群算法的用电异常检测方法

为全面有效分析和检测数据和用电异常,提高异常用电报警准确率和电量管理水平。从两个方面研究用电异常检测:一是通过用户用电异常防止意外,保障用户安全,如检测到用户负荷长期居高不下,则提醒用户可能存在电器漏电;二是防止非技术性电能损失或用户窃电,如检测到用户连续异常负荷骤降,提醒稽查人员到现场检测用户是否存在窃电。通过改进人工蜂群算法自动提取电力负荷曲线进行关联对比,实现上述行为的判断。实验结果表明,基于改进人工蜂群的异常检测算法具有较好的适应性和较高的异常检测精度。     

基于手机信令数据的用户出行方式识别

基于通信网络获取的手机信令数据,挖掘用户出行轨迹,在传统模糊C均值聚类算法(fuzzy c-means algorithm,FCMA)的基础上,依据出行方式的先验知识构建初始隶属度函数,并将传统欧氏距离替换为对多维度数据之间变化关系更加敏感的马氏距离,提出基于改进模糊C均值聚类算法的出行方式识别模型,对长春市区范围内用户的三种常见出行方式,即步行、自行车、机动车进行识别,并从用户出行距离、出行时耗、平均行程速度三方面验证了模型识别结果的准确性.     

基于蚁群及空间邻域信息的FCM图像分割方法

针对模糊C均值(FCM)聚类算法聚类个数难以确定、搜索过程易陷入局部最优的缺陷,把蚁群算法与改进的FCM聚类算法相结合,提出了一种基于蚁群算法的带有空间邻域信息的模糊C均值聚类图像分割算法.首先利用分水岭算法对图像进行初始分割,然后利用蚁群算法寻优,求得聚类中心和聚类个数,将其作为模糊C均值聚类的初始聚类中心和聚类个数进行模糊聚类.实验结果表明:由于聚类样本数量显著减少,很大程度上提高了聚类速度和抗噪能力,增强了算法的鲁棒性.     

改进的模糊核聚类算法

将核学习方法的思想和改进的选择C-均值聚类算法相结合,提出了一种改进的模糊核聚类算法,使其能对非超球体、含有噪音和离群点及样本不均衡的数据进行有效的聚类.通过引入高斯核函数,原样本的特征被非线性变换到高维核空间,提高了聚类性能.实验结果表明,该改进算法具有有效性.     

基于数据挖掘的电力系统异常数据辨识与调整

为了保证电力系统的可靠运行,需要对系统中的异常数据进行检测辨识与调整。在数据挖掘领域,模糊C均值聚类法(FCM)在处理小量低维的数据挖掘时是有效的,但是面向电力系统的数据库的数据挖掘时要处理大量、高维的数据,这样FCM算法在时间性能上难以令人满意。本文基于采样技术对FCM算法进行改进,利用遗传算法对聚类结果进行优化,利用一种新的基于遗传优化的采样模糊C均值聚类算法FFGO(Fuzzy FCM with Genetic Optimization),实现对异常数据的实时动态处理。     

一种基于HMM聚类的视频目标轨迹分析方法

针对视觉监控中基于运动轨迹的目标行为分析问题,提出了一种基于隐马尔科夫模型(HMM)聚类的轨迹分布模式提取和异常行为检测算法。首先为每一条运动轨迹训练一个HMM,并通过这些模型来计算轨迹两两之间的距离;然后对该距离矩阵采用主元分析法(PCA)降维并以降维后的每一行作为对应轨迹的特征进行模糊C均值聚类,接着为聚类后的每一类轨迹训练一个HMM作为其分布表达模型;最后利用这些HMM模型来检测给定轨迹所表示的目标行为是否异常。对不同场景的轨迹分析实验表明了方法的有效性。     

燃气轮机排气温度异常检测及诊断

针对燃气轮机运行过程中的健康维护问题,提出了一种基于模糊C均值聚类的燃气轮机排气温度异常检测方法。以某型工业燃气轮机为例,采用模糊C均值聚类算法对排气温度的监测数据进行了聚类分析,得到了燃气轮机不同运行状态下的排气温度特征模式,并在此基础上实现了燃气轮机排气温度异常状态下的故障诊断分析。研究结果表明,燃气轮机甩负荷及其热通道部件的损坏失效均能够对排气温度产生不同程度的影响,模糊C均值聚类算法可以有效实现燃气轮机排气温度的异常检测,为燃气轮机性能退化预测及故障诊断提供决策参考。