面向电力大数据的用电负荷分类及用户用电行为分析

针对大数据应用背景下因电网规模急剧扩大和电力系统结构更加复杂而造成的用户用电行为分析困难的问题,提出一种基于改进K均值算法—K-means++的电力负荷分类方法,并展开用户用电行为分析。首先导入负荷历史数据进行清洗,再将其导入模型进行聚类,同时得到每类用户用电的特征,最后进行用户用电行为分析。经过负荷聚类,可更直观地展现用户用电的特征,以方便供电公司给用户提供更合理的套餐服务,提高系统的能源利用率。     

基于电力大数据的用户用电感知研究

在基于电力大数据对用户提供多元化服务的研究中,发现电网在不同时刻停电,不同用户的停电感受不一样以及在调度计划制定时,由于不同线路所带用户不同需进行差异化服务。为此,提出基于电力大数据的用户用电感知研究。首先通过电网内部系统及外部系统进行数据采集,然后基于大数据从多维度进行数据处理和分析,建立了用电需求模型和用户用电感知模型并进行了深入应用;通过该模型可以实现有限投资供电可靠性提升最快,最大限度满足用户需求;可最大限度实现不同行业、类别的用户用电互补,提高设备利用率;可实现用电感知最低时段停电,停电涉及用户更精准。该模型的引用实现了电网规划、用户接入、调度运行的智能决策,使电网规划投资更精准,固定投资提升可靠性最快,提高设备利用效率和用户满意度。     

基于特征加权K-means聚类的多模型软测量建模

针对传统K-means聚类算法的聚类结果易随不同的初始聚类中心波动的问题,采用最大距离积法优化K-means聚类算法的初始聚类中心。传统的K-means聚类算法都假定样本的各维特征对聚类的贡献相同,影响了聚类效果和模型估计精度。为了考虑样本各维特征对聚类的不同影响,利用一种新型的特征加权K-means聚类算法逐步调整特征权值,最终有效改善了聚类效果。利用本文方法建立组合支持向量机模型,将其用于双酚A生产过程质量指标的软测量建模中,仿真结果表明该算法能够有效改进数据的分类效果并提高软测量模型的估计精度。     

基于用电行为特征大数据的异常用户识别模型研究与应用

在落实准确执行电价的政策要求过程中,发现用户用电行为多样复杂,生成的用电数据量非常庞大,给管理增加了难度,再加上客户档案数据更新不及时,用户电价执行错误的情况一直未能杜绝.为解决电力大数据时代背景下电力工作人员难以快速识别电价执行错误的异常用户的问题,本文通过用户用电量、96点负荷曲线和多指标综合评分等手段,利用大数据...     

基于SVR的用电负荷特征三维回归模型

针对用电负荷的周期性特点,将用电负荷特征学习建模为小时、天数、负荷数3个维度的回归问题,提出一种基于支持向量回归机的三维回归模型。将支持向量机的核函数设计为多个核函数的线性组合分别进行参数训练,并给出多路径逐步逼近的参数训练算法。仿真结果表明,与三层神经网络、最小二乘非线性拟合模型相比,该模型具有较好的用电负荷特征学习与预测能力。     

基于ELM优化模型的用户短期负荷研究

随着售电侧的逐步开发以及用电大数据时代的到来,短期负荷预测更加复杂,必须综合考虑实时电价、用户历史用电行为以及预测模型的精度和时间复杂度。在分析各种短期负荷影响因素的基础上,利用K-means聚类方法对用户历史用电行为进行聚类,再利用兼具有自动寻找隐层节点数和在线学习功能的I-OS-ELM学习机进行负荷预测。实例预测结果证明,该模型能够有效地解决实时电价机制下短期负荷的预测问题。     

基于改进K-means聚类算法的组合模型建模

在传统的K-means聚类算法中,初始聚类是随机选取的,其聚类结果易随着不同的初始聚类中心波动.针对这一问题,首先采用最大距离积法对传统K-means聚类算法的初始聚类中心进行了优化.同时定义了一种新的目标函数并将其引用到传统的K-means聚类算法中,以实现对聚类结构类别数K的优化选择.将训练集样本数据经上述方法聚类后,再将各个子类分别建立基于支持向量机的子模型,通过开关切换的方式连接各子模型得到组合的支持向量机模型.将该方法应用于双酚A生产过程的缩合反应单元溶解罐出口苯酚含量的软测量建模.工业实例仿真结果表明:该算法能较好地跟踪苯酚含量的变化趋势,有效地改善了数据分类效果,提高了软测量模型的估计精度,显示了它在工业领域的应用潜力.     

基于脸部特征的性别识别

提出一种基于人脸正面图像的性别分类方法.为了提高性别识别率,本文采用AdaBoost算法提取整体特征,主动外观模型提取局部特征,组合局部与整体特征后使用支持向量机(SVM)进行分类的方法.本文在一个由AR,FERET,网上收集和实验室自行采集共同组成,且包含14 700余张人脸的数据库上进行实验.实验结果表明,该方法具有90%以上的识别率.     

基于低秩模型的电力能源大数据异常修正方法研究

传统的电力能源大数据异常修正方法存在搜索次数过多问题,会造成异常数据辨识结果异常、修正结果不准确.为此,引入低秩模型,改善以上问题.采用低秩模型处理电力能源数据样本,去除样本数据噪声;在离线模式下,通过训练支持向量机对数据样本进行聚类;在联机模式下,利用滑动窗口辨识异常数据;针对单个或多个不相关的异常数据,依据基尔霍夫...     

基于用电大数据的低压电力客户电费异常识别模型

针对传统电费识别模型中电费异常识别耗时较长、误差较大等问题,提出基于用电大数据的低压电力客户电费异常识别模型。将低压电力客户用电数据转换为数据集形式,清洗该数据集中脏数据,通过多阶拉格朗日内插法修补日负荷曲线的缺失值;利用流聚类技术设置阈值,获取用电数据集中初始簇的中心,采用平方和误差最小函数确定具有最大关联特征的用电数据;通过对n维空间中所有电力特征参数的处理,获取时间序列矩阵,构建低压电力客户电费异常识别模型。实验结果表明：采用所提模型识别低压电力客户电费异常的耗时最短约为0.1 s,且误差最高约为2.1%。     

基于步态特征的身份识别算法研究

步态识别根据人走路的姿势进行身份识别,由于人在行走时在空间呈现出的不同几何模式,单一几何特征难以全面描述步态特征,导致身份识别正确率不高。为提高身份识别的正确率,提出一种空间和频率特征模式相融合的身份识别算法。首先利用摄像机采集步态图像序列,然后分别采用极坐系和傅里叶变换提取步态空间特征和频率特征,并对两种特征进行融合,最后采用支持向量机对融合特征进行学习和分类,进行身份识别。结果表明,相对于单一步态特征为参数的身份识别算法,融合算法的身份识别正确率有了明显提高,且具有更好的稳定性。     

基于物联网的图书馆用户行为大数据分析模型探究

大数据人工智能时代实时产生的大量图书馆用户行为数据需要更高效更科学的分析技术帮助图书馆提升个性化服务水平和质量,同时日益普及的校园物联网系统需要更加积极的网络安全防范措施,主动检测出网络不可信的异常行为并反馈警告用户,提升安全意识。针对上述需求,本文在国内外权威数据库输入用户行为分析等关键词查找相关文献,根据文献分析法综合比较剔除筛选出55篇核心技术文献进行细读研究,梳理了技术发展历程,明确了用户行为个性分析和可信性分析的核心技术和方法并做了重点拓展性研究,根据文献研究成果结合图书馆当前实际发展的需要,探究出一套基于传统数据挖掘和分类学习的用户行为大数据分析模型,该模型将用户个性分析和异常行为的检测高度有机结合能有效解决上述两大难题。     

基于聚类的Web用户会话识别优化方法

会话识别是用户访问行为分析的基础和关键工作,其质量对于识别和发现用户的信息需求具有决定性的影响。目前常用的是基于时间阈值的切分方法,但是该方法存在的主要问题是针对不同用户时间阈值难以准确地确定。提出了一种新的基于聚类技术的会话识别优化方法,首先建立了基于聚类的会话识别优化模型,然后采用改进的K-means算法进行会话识别。实验结果表明该方法与传统方法相比具有较好的效果。     

基于融合聚类的篦冷机工况划分与识别研究北大核心CSCD

篦冷机的运行性能是决定整个水泥生产过程的能源利用效率的重要因素,而准确把握工况状态则是保证冷却过程的运行性能处于最优的前提。以篦冷机为研究对象,提出一种基于融合聚类的篦冷机工况划分与评价方法。首先,通过分析与3种典型工况相关的专家知识及操作经验,选取篦下压力和窑主机电流为检测参数;然后,利用融合聚类算法得到不同运行工况下的聚类标签;最后,利用RBF-SVM算法对得到的聚类标签进行训练得到工况识别模型。利用水泥企业的现场运行数据进行了仿真实验,实验结果表明所提方法为提高水泥冷却过程的运行性能提供了一套可行方案。     

基于K-means算法改进的SOM神经网络调制识别分类器

通信过程中,获得情报信息的关键步骤是清楚接收到的调制信号的调制方式.随着现代通信技术的高速发展,人工智能广泛应用于调制方式识别领域.提出将自组织特征映射(Self-Organizing feature Map,简称SOM网络)神经网络用于调制制式的识别.用K均值(K-means)聚类算法来寻找每类特征参数的两个聚类中心...     

基于键盘行为数据的用户身份识别

用户击键行为作为一种生物特征,具有采集成本低、安全性高的特点。然而,现有的研究方法和实验环境都是基于实验室数据,并不适用于极度不平衡的真实数据。比如,在实验室数据上效果出色的分类算法在真实数据上却无法应用。针对此问题,提出了基于真实击键行为数据的用户识别算法。该方法将聚类算法和距离算法结合起来,通过比较新来的击键行为和历史击键行为相似度以实现用户识别。实验结果表明,该算法在100名用户的3015条真实击键记录组成的数据集上准确率达到88.22%,在投入实际应用后,随着样本集的增大算法的准确率还可以进一步提升。     

基于SVM和词间特征的新词识别研究

中文分词的难点在于处理歧义和识别未登录词,因此对新词的正确识别具有重要作用.文中结合提出的新词词间模式特征以及各种词内部模式特征,对从训练语料中抽取正负样本进行向量化,通过支持向量机的训练得到新词分类支持向量.对测试语料结合绝对折扣法进行新词候选的提取与筛选,并与训练语料中提取的词间模式特征以及各种词内部模式特征进行向量化,得到新词候选向量,最后将训练语料中得到的新词分类支持向量以及对测试语料中得到的新词候选向量结合进行SVM测试,得到最终的新词识别结果