混沌时间序列的模糊聚类预测与目标检测

针对海杂波中的弱信号检测问题,以相空间重构和模糊理论为基础,提出了一种基于T-S模型的模糊聚类方法对混沌时间序列进行预测和目标检测,利用自适应门限法判决混沌背景下微弱目标信号的有无.在模糊聚类建模中将前件划分和结论参数分开辨识,既简化辨识步骤,又提高模型的泛化能力,同时解决了模糊模型随辨识系统复杂程度提高而规则数增大的问题.与基于RBF神经网络的混沌背景下弱信号检测结果进行比较,仿真结果验证了该方法的有效性.     

基于聚类和时间序列分析的变压器状态评价方法

传统的电力变压器DGA故障诊断方法,仅能二值化地判断设备处于健康或故障状态,无法表征变压器的潜在故障情况,也无法确定变压器向故障状态转化的趋势。对此,提出了一种基于聚类和时间序列分析的变压器状态评价方法。首先,基于点密度判据进行数据预处理,消除噪声影响。其次,基于大数据聚类思想,计算采样数据和历史故障数据簇的相对邻近度,根据计算结果将设备状态划分为健康、潜伏故障或故障。在此基础上判断故障设备的故障类型,基于故障类型关联权重计算健康设备的健康得分,通过时间序列相似性分析方法获取潜伏故障设备的预测故障发展时间。算例分析验证了该方法的可行性与有效性。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

基于时间序列关联聚类的储能电池典型工况曲线提炼

针对储能电池真实运行工况开展评价和检测标准研究已受到业界关注,但尚未形成工况曲线的权威性分析结果。文中基于储能电池典型应用场景中的运行曲线,在未考虑时间序列关联分析工况中特征因子及不同置信度下静态配置值的基础上,提出一种基于时间序列关联分析并结合聚类法的典型工况提炼方法,分析储能电池在工况运行中出力的周期性变化规律、工作模式及其交互顺序与频次,描述电池荷电状态的运行轨迹,提炼出可实时动态控制与评估储能电池出力及能量存储状态的工况特征曲线。以储能跟踪某一风电场风电计划出力的应用工况为例,仿真验证了该方法的有效性和可行性。     

考虑双尺度相似性的负荷曲线集成谱聚类算法

负荷聚类可以依据形态特性差异对负荷曲线进行归类,实现用户用能行为规律分析,为需求侧响应、电网客户服务等提供重要的决策信息。文中提出一种考虑双尺度相似性的负荷曲线集成谱聚类算法。首先,为了克服欧氏距离在负荷特性相似程度度量上的局限,基于负荷差分向量的余弦距离实现负荷形态变化的相似性度量,提出一种双尺度相似性度量方式;然后,基于双尺度相似性与谱聚类算法,建立差异化基聚类模型;最后,依据聚类评价指标自适应计算基聚类模型权重,以加权一致性矩阵与谱聚类实现聚类集成。算例结果证明,所提方法可有效挖掘负荷形态特性差异,在不同数据集中性能表现稳定,具有显著的聚类有效性和鲁棒性。     

基于可加性模糊系统的负荷时间序列预测

本文依据可加性模糊系统理论，提出了一种新的预测方法，利用聚类方法与有监督学习相结合的训练方法，提高了系统的函数逼近能力。仿真结果表明，系统学习速度快、预测精度高，在电力负荷时间序列预测中获得相当满意的结果。     

灰色聚类与模糊聚类集成诊断变压器内部故障的方法研究

根据反映变压器绝缘状态的模糊和灰色特征，采用模糊聚类方法，对若干典型故障样本聚类成C个灰类，得到C个最优聚类中心。依据聚类中心矩阵并借助灰色系统理论，提出了一种确定故障诊断各灰类白化权函数的原则和算法，根据该算法，首先求出各待检模式状态的灰色聚类系数，进而建立了一种灰色聚类与模糊聚类相结合的变压器故障诊断的新模型，进行了大量的该模型应用实例分析，结果表明该文方法的诊断准确度高于现有的常用方法。     

基于改进动态时间规整的相似性度量及轨迹聚类

针对传统轨迹相似性计算方法度量效果不佳,且当时间序列数据过度扭曲时相似性度量难以取得好的效果.鉴此基于诸多实际应用之精度和实时性需求,基于动态时间规整算法,结合轨迹平移的思路及全局变量约束的思想,通过算法优化和参数分析给出了一种改进动态时间规整算法.数值实验结果表明改进算法在轨迹相似性度量上的识别率为90％,与经典算法...     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

基于二次聚类弱监督学习的图像语义分割

针对在给定大量用户标注图像基础上,将图像分割成一系列具有单一语义的完整区域,并同时对各区域实现语义标注的问题,提出了一种基于弱监督学习的二次聚类的图像语义分割算法。将谱聚类和判别式聚类相结合,用谱聚类学到的类标指示函数来指导判别式聚类,学习特征的潜在数据结构,利用弱监督信息对聚类分配标签。该方法能够充分利用区域上下文信息,为每个类别选择判别式特征,并且输出鲁棒的多类分类器,对外来没有标签的图像也可以进行有效的区域标注。通过在公用数据集上的充分实验,证明了本方法的有效性。     

结合降维技术的电力负荷曲线集成聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。分析3种典型聚类有效性指标,指出Davies-Bouldin有效性指标更适用于评估负荷曲线的聚类结果。研究基于层次、基于划分、基于密度、基于模型等类型的聚类算法,从聚类效率和聚类质量两方面评价各种算法。层次聚类的质量较高,效率较低;划分聚类的效率较高,质量较低。针对单一聚类算法的不足,研究基于经典聚类算法的集成聚类算法并将其应用于负荷曲线聚类。该算法包括bootstrap重采样、划分聚类、层次聚类3步,对不同规模数据集的聚类结果表明集成算法具有更好的性能,特别适用于大规模数据集聚类。针对电力负荷曲线的特征,研究多种数据集降维算法,在降维后的数据集上进行集成聚类,比较各种降维算法的信息损失和计算效率。研究结果表明,对于大规模电力负荷曲线的聚类问题,结合主成分分析降维的集成聚类算法可以取得最佳效果。     

数据挖掘的主要技术

在当今海量数据充斥人类生活方方面面的情况下，如何从中发现有用信息为我们所有，成为人们要解决的一个重点研究方向。本文中着重探讨数据挖掘的主要技术，以便更好的开发出高效精确的数据挖掘产品。     

基于粒计算和双尺度相似性的负荷曲线集成聚类算法

电力负荷曲线聚类通常依靠负荷形态差异和负荷数值差异对负荷曲线进行分类.提出了一种基于粒计算和双尺度相似性的集成聚类算法,采用以欧氏距离和皮尔森相关系数作为相似性度量的K-means算法生成基聚类,再通过粒度距离度量基聚类间的相似性,从而选择部分基聚类参与集成,最后生成相似度矩阵并采用层次聚类获得最终聚类结果.算例结果表...     

基于数据负荷序列聚类的配电网电力营销实时信息系统测试

伴随现代信息技术的快速发展,在电力营销工作中构建信息系统对优化电网正常工作、推动营销活动顺利实施具有十分关键的影响。构建一种基于数据负荷序列聚类的配电网电力营销实时信息系统,当数据接口模块通过现场设备采集电力数据之后,传输至数据操作模块进行数据统计、存储并传输至基本操作模块,设备管理人员可以在基本操作模块刷新配电网电力数据;然后基于该数据通过预警模块使用基于数据挖掘多层次细节分解的负荷序列聚类分析方法,预测电力信息是否存在异常,若存在异常情况,预警模块将及时通知设备管理人员实施修复。经验证,在谐波、电压闪变两种不同的异常电力环境下,所构建系统预测精度较高、时延较短,可实现高精度、高效率的配电网电力营销实时信息管理。     

基于时间序列模型的变压器油中溶解气体预测

变压器作为电力系统的核心设备,其安全运行是电力系统稳定可靠的基础。根据在线监测系统提供的油中溶解气体含量历史数据,预测未来气体体积分数及其发展趋势,是DGA故障预测的关键,也是在线监测的必要补充和提前预警变压器故障的重要手段。现有的预测算法存在着模型泛化性差和没有考虑时间序列模型等问题。为提高预测能力,文中首先介绍了非时序有监督学习和时间序列模型关键技术及其在变压器油中溶解气体体积分数预测的应用;然后搜集和发布了一个大规模数据样本,为算法提供了一个较为全面的验证集,提高模型的泛化性;最后使用前向数据分割方法进行数据增强,增加模型的训练数据。大量实验证明了时间序列模型在变压器油中溶解气体体积分数预测的有效性。     

基于数据挖掘和模糊聚类的风电功率实时预测研究

准确的风电功率预测是实现风能大规模开发利用的有效手段,实时预测能够滚动地修正日出力计划曲线,保证电力系统运行的安全性和经济性。在分析风电场不同机组出力特性的基础上,利用数据挖掘和模糊聚类技术将不同的机组进行分类,并分别进行实时预测,将预测结果进行累加得到最终的预测结果。以中国吉林省某风电场的实测风电数据为例,进行了实时预测,结合国家能源局对风电功率实时预测预报管理要求中的指标进行了分析。结果表明,所提出的方法准确率最大提高2.57%,合格率最大提高4.23%,均方根误差最大下降3.21%,说明了该方法的有效性。     

基于数据挖掘的暂态电力斜坡均衡聚类算法研究

功率斜坡是由间歇性的风力发电引起的,在电力系统中需要始终保持负载和发电平衡,任何不平衡将会导致价格波动,电网安全等问题。进而造成电力系统稳定性问题,导致经济损失。文中采用Apriori算法的K-均值聚类和关联规则,基于平潭风电场记录的10 min时间数据,分析和预测风电发电中电力斜坡的发生。根据时间数据对5台空间不相似的风电机组进行聚类,通过K-means算法分析功率斜坡数据,并计算其的聚类均值和聚类标签。采用数据挖掘算法的关联规则分析风力涡轮机之间的电力斜坡事件,每个涡轮机对其他涡轮机的影响在每个时间步骤被分析为不同的转换。通过Apriori关联规则算法来发现这些转换间的运行规则,并用于操作室进行决策。     

基于粒计算的电力系统中长期负荷动态聚类预测模型

结合聚类分析与时间序列数据挖掘技术,提出了基于粒计算的动态聚类预测模型。该模型有助于消除聚类结果与先验知识之间的主观不协调性,使聚类结果与客观实际相符。基于该模型得到的预测结果是区间值,这降低了预测风险。某地区需电量的预测结果表明,该模型能显著提高预测精度,适用于电力系统中长期负荷预测。     

基于数据挖掘多层次细节分解的负荷序列聚类分析

提出了多层次细节分解的负荷聚类算法及其性能评估指标。该算法利用负荷序列间的差分序列均方差和欧氏距离形成交集优化判据;同时根据随机因素对负荷的敏感性加入对应参数要求来控制多层次细节分解聚类,对负荷曲线轮廓相似性细节程度聚类是提高预测精度的重要基础。笔者对所提出的聚类算法与一般欧氏距离聚类、Kohonen神经网络聚类算法进行了性能评估和比较,证明了该算法对季节性负荷具有高敏感性,对高温和气候因素与负荷之间的复杂相关性具有高识别能力,该聚类算法对提高负荷预测精度是有效的。