智能用电数据的采集与预处理

解决好智能用电网络数据采集和传输过程中的数据缺失和噪声问题,提高其用电数据的数据质量,才能在智能用电云平台中有效的运用各种用电大数据分析与预测算法。本文在总结智能用电网络的数据采集与数据传输特点,及分析智能用电云平台对用电数据的数据质量要求的基础上,提出了智能用电网络的用电数据预处理方法。对智能用电终端采集的用电数据归一化处理后,利用聚类算法从噪声、模糊、随机数据中提取出正常数据,本文对比验证了K-均值聚类和基于密度的空间聚类两种算法的聚类效果。相比K-均值聚类算法,密度的空间聚类两种算法在检测数据噪声点的同时,可自动获取复杂形状数据集的聚类数量,更适合智能用电网络的用电数据预处理。     

基于智能电网的安全监测云平台设计

为了保证智能电网的安全运维,设计了基于智能电网的安全监测云平台.利用监控数据收发器的工作原理,将智能电网数据分类.通过监控收发器的通信原理,实现数据的采集和提取,完成监控数据收发器的设计.将数据收发器采集到的智能电网数据,通过电能计量芯片提取出智能电网的传感电流.利用芯片外端接口完成电能计量芯片的设计.通过监控数据收发...     

智能电网电量异常数据的识别和修复研究

为了提升智能电网电量数据质量、保证电网安全运行,对智能电网电量异常数据的识别和修复进行了研究。创新性地采用粒子群优化(PSO)算法优化可能性模糊C均值(PFCM)聚类算法,组成PSO-PFCM算法。通过指标函数确定最优聚类数目和最优聚类中心、聚类电量特征曲线,结合各类别电量曲线特征识别异常电量数据。建立径向基函数(RBF)神经网络修复模型,输入识别到的异常电量样本数据。经归一化预处理、神经网络训练后,用输出结果替换异常电量值,以实现异常电量数据的修复。试验结果表明：该算法的异常电量数据检测率高于0.82、误检率低于0.06,修复后电量值更接近实际值,异常修复相对误差低于20%。以上数据证明所提算法可智能识别和修复异常电量数据,保证电网安全运行。     

云模式事件混沌关联特征提取的物联网大数据聚类算法

目前的聚类方法单纯从某个角度研究数据聚类问题,对基于云模式的混沌的物联网大数据聚类的考虑不足,聚类质量不高。为实现敏捷、智能、平稳的物联网大数据聚类,基于开展物联网事件的云模式通用描述模型、物联网事件混沌关联特征的云模式通用解析模型、基于云模式的物联网事件混沌关联特征提取算法、基于云模式混沌关联特征的物联网大数据关联挖掘研究,改进分解奇异值算法、网格耦合聚类算法、K-means算法、决策树学习法、分析主成分法、分层合并法等算法和分布概率函数,设计了一种基于事件混沌关联特征、敏捷、智能、平稳的物联网大数据聚类算法。最后,开展实验验证,并与传统算法进行性能对比分析。实验结果表明,相比传统算法,该算法聚类时间短、误差小,且敏捷性、智能性、动态演化性和平稳性高。因此,该算法实现了基于云模式的具有混沌关联特征的物联网事件大数据的有效聚类,具有较高的应用价值。     

一种基于竞争型群体优化的数据聚类方法

数据聚类在智能信息处理中具有非常重要的作用。传统的数据聚类方法，如K-means算法，存在对初始聚类中心敏感等问题。随着智能优化算法的发展，人们用智能优化算法进行数据聚类取得了一定的效果，但存在容易陷入局部最优等问题。为此，本文将在高维优化问题中取得良好效果的竞争型群体优化算法中引入数据聚类，利用竞争型群体优化算法强大的全局探索能力搜索聚类中心进行数据聚类，在UCI的5个数据集上的实验结果表明竞争型群体优化算法比遗传算法、粒子群算法不仅能得到更好的聚类效果，而且收敛性能更好。     

面向云数据安全存储的分段融合模糊聚类算法

为了提高云数据的安全存储性能,需要对数据进行优化属性聚类归集。针对传统方法采用模糊C均值聚类进行云数据存储归类设计具有对初始聚类中心敏感、容易陷入局部收敛的问题,提出一种基于分段融合模糊聚类的云数据安全存储模型构建方法。建立云数据安全存储的网格分布结构模型并进行数据结构分析,进行云数据属性集的向量量化特征分解,对海量的云存储数据流采用分段匹配检测方法进行特征压缩,实现冗余数据自适应归集合并,挖掘云数据信息流的高阶谱特征。在模糊C均值聚类算法的基础上采用分段数据融合进行数据分簇模糊聚类,提高数据存储的安全性,同时降低云数据存储的负荷。仿真结果表明,采用该方法进行云数据聚类和优化存储设计,能降低数据聚类的误分率,提高云数据存储的吞吐量,确保云数据的安全存储。     

基于混沌PSO的大数据智能加权K均值聚类算法

针对传统聚类算法无法处理大数据中多视图高维数据问题,提出一种基于混沌粒子群优化算法的智能加权K均值聚类算法。在聚类模型中引入聚类之间的耦合程度以扩大聚类的相似性。为了消除初始聚类中心的敏感性,利用混沌粒子群优化算法通过全局搜索得到最优初始聚类中心、视图权重和特征权重。引入一种精确摄动策略提高混沌粒子群优化算法的寻优性能。通过在Apache Spark和Single Node两个平台上的实验验证了该方法在视图多、维数高的复杂数据集条件下具有较好的聚类性能。     

基于数据中台的智能化电力监控数据应用模型

为了精准采集低开销智能化电力监控数据,有效应用电力监控数据,评估智能化电网运行状态,设计基于数据中台的智能化电力监控数据应用模型,该模型中数据技术层利用基于压缩传感的数据采集方法,采集低开销智能化电力监控数据,按照结构化与非结构化数据形式存储采集的数据;统一数据层利用贴源层按照存储数据类型,建立数据库,分类存储各类型数据;通过共享层清洗整合各类型数据,获取各类型数据的业务明细数据;采用分析层分析业务明细数据,为数据分析应用提供所需数据;通过统一数据服务引擎为不同数据分析应用提供数据服务支撑;数据分析应用中利用K-means算法与多元线性回归法预测智能化电网线损,通过博弈论集对云方法,评估与预测智能化电网运行状态。实验结果证明：该模型可精准采集低开销电力监控数据,在不同数据稀疏度与压缩长度时,数据采集的累积相对估计误差均较低;可有效聚类线损相关特征属性数据,精准预测电网线损,有效评估电网运行状态。     

面向电力大数据的云审计研究与应用

随着电网数字化转型的深入开展,电力大数据时代悄然而至,也为电网企业的内部审计带来了挑战,大数据等新技术的推广应用为革新审计模式开拓了新的思路。在此背景下,基于信息融合技术和数据挖掘技术,本文搭建了具备“开放、融合、动态、智能”特点的面向电力大数据的云审计平台,实现电网全业务领域审计数据资源共享。借助该平台,审计人员可以及时、准确地获取数字化审计需要的全业务数据,实现跨系统、跨业务数据分析,并可通过自主搭建审计分析模型,捕获疑点,筛查线索。通过配网项目全过程监督评价模型实践应用,充分验证了云审计可以有效提升审计效率和质量,对防范和化解电网企业经营管理风险起到了积极的促进作用。     

云计算下的基因测序数据并行化生成方法

传统基因测序数据生成方法对聚类的起始和终止判断不准确,导致测序数据生成速度慢,且无法对基因特征实现精准表达。为强化描述测序数据与基因之间的关联程度,优化基因测序数据生成效率,提出云计算下的基因测序数据并行化生成方法。利用主成分分析法,建立初始数据特征子集,获取综合数据指标,构建描述特征集合的系数矩阵,计算特征值与特征向量,保留方差贡献值较高的数据,完成降维处理。设计具有应用层、服务层与资源层的云架构体系,确定云平台组件。结合基因数据发展特征,验证基因中是否存在污染物,控制测序数据质量;根据聚类算法的反单调特性,将最小矩阵作为起点,通过阈值判断能否生成聚类。当聚类结束时,得到生成的并行化测序数据。实验表明,上述方法效率高,且生成的数据能够准确表达出基因特性。     

基于聚类特征感知的电网中心数据隐藏防护方法

高效、可靠的数据隐藏防护能够有效防止电网数据中心主动泄密。现有的数据隐藏方法隐藏数据元冗余程度高,且稀疏程度低。针对数据隐藏特征冗余和高效表征的难题,提出一种基于内容感知聚类的电网中心数据隐藏防护方法,构建支持向量机的电网数据压缩架构,采用正交回归的电网数据聚类系数,通过仿真和实验搭建,验证基于内容感知聚类的电网中心数据隐藏防护方法能够有效提升数据聚类的效率和准确度。     

电力调度大数据应用平台系统技术研究

为解决智能电网的发展中电网运行和设备检测或监测数据、电力企业管理数据、电力企业营销等数据海量的增加带来的不同业务系统之间分散地开发、运行和管理,系统数据存储结构独立,带来数据多源、格式不一致,数据准确性、实时性不强,数据质量不高,缺乏统一的数据规范等问题,本文利用Hadoop的分布式文件系统HDFS和并行处理框架MapReduce的工作原理,搭建电网调度大数据应用平台系统,解决了不同业务系统之间的数据不能及时共享、访问、管理与分析挖掘等问题。采用数据清洗数据,解决数据质量不高的问题。搭建电网调度大数据应用平台系统,既能实现跨专业、跨部门的多维度关联分析,又能满足海量的智能电网数据存储和数据处理需求,并具有强大的伸缩性,可扩展为电网实现安全、可靠、经济、高效地运行提供保障。     

基于计算智能的基因表达数据聚类分析研究进展

基因表达数据聚类是发现基因功能和确立基因调控网络的重要方法,计算智能在该领域的应用为分析 大量基因数据提供了新途径．本文根据基因表达数据的特点,提出了基因表达数据聚类领域的关键问题,探讨了基 于计算智能的基因表达数据聚类基本框架,综述了计算智能在基因数据聚类领域的应用现状,最后指出了在基因数 据聚类领域计算智能方法未来的发展方向．     

基于N-k故障的电网数据通信业务保障分级方法

通过对电网通信业务保障分级处理，提高电网通信稳定性，提出基于N-k故障的电网数据通信业务保障分级方法。采用智能传感信息处理技术构建电网通信业务保障分级数据的时间序列，数据集包括控制、保护、调度等信息，根据多维参数约束及网络资源均衡调度方法提取电网通信业务保障分级数据的关键性特征参数，结合风险控制建立电网风险均衡多目标优化模型，分析电网数据通信业务保障分级的N-k故障树，采用多层次决策树实现对电网业务等级划分，构建为以链路带宽可用性最大目标集的决策树，根据N-k故障层次化聚类结果实现对电网数据通信业务保障分级处理。仿真测试结果表明，采用该方法进行电网数据通信业务保障分级处理，与应用对比方法相比，应用所提方法后其链路利用率高于90%,可更好地为电网数据通信业务提供保障。     

基于大数据技术的中医药云服务平台基础架构设计

为了解决传统中医药云服务平台存在的时效性差、故障发生率高的问题。提出一种基于大数据技术实现对平台基础架构的优化设计。通过优化设计的平台基础架构，完成对平台网络架构的设计。根据通信网络存储数据，建立中医药服务数据处理大数据技术。通过挂号预约服务、中医问诊等服务业务，保证中医药云服务平台的正常运行。与传统基础架构下开发的中医药云服务平台相比，加载速度有所提高，且在恶劣条件下平台故障发生的次数有所降低。     

隐蔽无线通信网络传输信息云存储密文检索

云储存技术下密文检索由于储存位置不同,需要使用与传统数据库不同的检索策略.提出隐蔽无线通信网络传输信息云存储密文检索.分析隐蔽通信流程,构建AWGN信道模型;设计多层次云储存平台架构,构建包含云储存平台、数据拥有者以及授权用户群三个实体的密文检索系统模型;利用改进的质量层次聚类方法获取信息特征根计算贡献率,实现数据降维,完成聚类;结合用户基本信息与密文兴趣向量,建立用户兴趣模型;确定需检索的关键字权重,将其发送到云端服务器,计算陷门与索引向量内积,将得分最高的密文反馈给用户,完成密文检索.仿真结果表明,上述方法所需检索时间较短,提高检索效率,且满足安全性要求.     

基于大数据技术的高校科研管理服务平台优化

为实现高校科研管理平台的数据安全,本文提出一种基于大数据技术的高校科研管理服务平台优化方法。利用大数据技术对平台设计过程进行优化,通过大数据检索技术解决数据存储问题,通过布尔检索模型连接平台本地空间中检索目录与云存储空间,减轻本地平台大数据存储压力。结果表明设计平台科研数据置乱程度较高,达到80%以上,加密功能较好;F-measure值较高,检索时间5 s以下,可以达到高校科研管理服务平台优化的目的。     

基于云平台的大数据资源挖掘技术研究

针对云平台下大数据资源挖掘过程准确率低、耗时长等问题,对大数据资源挖掘技术进行改进研究;利用MST聚类法对云平台数据集进行预处理,根据数据间的关联性来增强检测结果,并提高数据索引效率,将数据间的邻接矩阵作为边的权值,生成全图的MST,获取评价数据资源挖掘准确度的标准,并得到k个最小生成子树,其中的一个子树就是数据集最优聚类结果;实验结果表明,所提方法有效提高了大数据挖掘准确性,使得数据资源得到了更高效的利用。     

运维驾驶舱大数据平台关键技术研究

电网自动化调度业务繁多,若存在数据遗漏,数据突变等数据准确率问题很难通过人工发现.本文通过阐述运维大数据、云计算和智能电网之间的关联,提出了基于智能电网的海南运维驾驶舱大数据平台总体框架.该平台的总体框架分为五个层,分别是应用程序层、数据源层、数据调度处理层、数据集成存储层以及数据分析层.本文对基于大数据的集成管理技术、索引技术、分析技术和数据挖掘技术进行了深入的探索和研究,以实现自动化驾驶舱大数据关键技术的突破.     

智能电网海量信息数据检测关键技术分析

为满足智能电网对海量信息数据的检测需求,对基于调控云的智能电网海量数据检测的关键技术进行了研究,电网海量信息数据的检测基于对流通和传输的电网数据的分析结果.针对智能电网数据节点的电压和电流间的关系通过潮流计算方法的使用完成分析过程(以电网的导纳和阻抗为依据),电流与功率则根据电网的有功及无功注入完成计算,进而得到海量数...