基于改进云分段模型的光伏功率缺失数据补齐研究

光伏功率缺失数据阻碍了对光伏功率的相关研究,因此,须要对光伏功率缺失数据进行有效补齐。在分析各种补齐方法的基础上,文章对原始光伏功率数据进行了描述和预处理,依据光伏功率模型对光伏功率数据进行分段,利用正向云算法,建立并实现了传统云分段模型。考虑到传统云分段模型中正态随机熵的不足,文章利用联合经验函数拟合出各分段太阳辐照度与光伏功率的联合分布,得到改进的随机熵并建立改进的云分段模型,参照云分段模型结果和不同光伏功率缺失数据的波动特性,构建了光伏功率缺失数据的补齐模型。通过不同方法对不同种类和比例的缺失数据进行补齐,分析结果表明,文章所提出的光伏功率缺失数据补齐方法的效果优于滑动平均法和传统云分段模型。

基于云分段最优熵算法的风电机组异常数据识别研究

风电场的历史运行数据尤其是风速和功率数据是研究风电功率波动特性、风电功率预测、风电功率曲线计算和测试的重要基础。但风电场实际采集到的数据中通常会出现大量异常数据,而这些异常数据是由各机组的异常数据构成,故对风电机组进行异常数据识别具有重要意义。该文以风电机组的风速–功率曲线为研究基础,提出了用于机组异常数据识别的云分段最优熵算法,该算法基于云模型的熵识别机组发电异常的数据集,对数据进行分离。结果表明,该算法可以有效地识别出机组异常数据,提高异常数据的正确识别率,保证数据的准确性。

基于云分段最优熵算法的航行异常轨迹识别研究

海洋运输业的迅速发展对大型航运公司的船舶管理水平提出了更高要求,随着船舶数量的迅速增加,针对船舶航行异常轨迹的识别和监控技术成为了研究热点。本文对如何提高船舶航行异常轨迹的识别效果进行了研究,引入一种基于AIS和雷达的航行轨迹识别系统,基于云分段最优熵算法,实现了船舶航行异常轨迹数据的快速识别和剔除,有助于提高海上航运公司对船舶管理水平,及早发现船舶的异常航行状态并进行航线调整,防止船舶事故的发生。

基于自适应分段云模型的电力异构数据聚类研究

云空间中的电力数据种类繁多、数据维度大、结构复杂,容易引发电力系统运行安全问题。有效的数据聚类可以消除云空间中电力异构的无关、冗余数据。引入自适应分段云模型,提出一种全新的电力异构数据聚类方法。通过Tent映射预处理电力异构数据,使数据空间分布更加均匀,提高了数据聚类精度。利用自适应正态云模型建立云期望曲线方程,获取正态云滴,以确定数据聚类中心。根据熵值定义分段聚合条件,实现异构数据有序聚类。测试结果表明,所提方法在聚类中心空间中的异构数据分布较为均匀,分类聚类面积较大,聚类收敛较快,轮廓系数为0.4。所提方法的电力异构数据聚类效果更优,具有较好的适用性和有效性。

基于自适应分段云模型的可再生能源电力系统设计

电力系统接入可再生能源时会出现电力负荷不平衡的问题,为此设计基于自适应分段云模型的可再生能源电力系统。采用高能量存储的内馈感应发电机,使系统在可再生资源强度调整过程中能够处于供电稳定状态;使用电力转换器用来均衡电力;充分考虑不确定性因素,结合自适应分段云模型计算电力负荷数据相似度,剔除重复数据;构建系统调度目标,实现负荷平衡分配。由实验结果可知,该系统能够平衡调度电力负荷且能够均衡调度可再生能源。

基于时间序列二维分段云模型的配网用电模式划分方法的研究

在对配网用电模式进行划分时,为了解决用电量等时间序列数据长度过大及相似性度量不精确的问题,本文提出了一种基于二维分段云模型的时间序列分析方法。该方法首先将用电时间序列数据用二维的分段云模型来表示,然后在基于计算期望曲线重叠面积的方法上对不同云模型的相似度进行度量,最后通过K-最邻近算法对这些用电时间序列进行分类,并将实验结果与传统方法进行比较。实验结果表明:该方法能有效提高对配网用户侧用电模式分类的准确率。

基于密度聚类算法的风电机组异常数据点筛选

风电机组异常数据点筛选受到大规模高维噪声数据干扰,导致数据点筛选结果不全面。为精准筛选风电机组异常数据点,提出了基于密度聚类算法的风电机组异常数据点筛选方法。根据风电机组异常数据特征密度聚类,将多维向量空间中的数据形式化为特征值邻域,避免高维噪声影响异常数据点筛选过程。计算邻域半径和邻域密度,以反映数据分布紧密程度,确定密度低的点为噪声点。采用云分段最优熵算法,分析风速、功率数据样本关系,并计算信息熵。将样本熵计算结果输入到云发生器中,获取熵所在云序列坐标点,实现异常数据点筛选。由实验结果可知,所提出方法能够精准筛选出1号和2号风电机组异常数据点,为风电机组的安全运行提供精准数据。

Alpha-Shapes分段改进算法在三维模拟树枝体积扫描测量中的应用

针对树木与树枝分叉部分体积计算困难,三维扫描建模易产生黏连现象等问题,提出一种Alpha-Shapes分段改进算法。通过三维激光扫描技术获取三维模拟树枝的点云数据,利用Alpha-Shapes算法计算出三维模拟树枝的点云边缘轮廓并进行三维重建,利用分段算法对三维重建数据进行体积分割计算,通过点云最高层补偿以此保证分段算法的准确度。最后用Alpha-Shapes算法计算各个分段体积并进行累加。实验使用标准塑料直管段、三通管段和四通管段对树干以及树枝的分叉情况进行模拟并通过扫描真实树枝进行验证,通过三维激光扫描技术获取点云数据,实验充分考虑树枝分叉情况、检测精度、黏连问题,结合不同模拟树枝分叉特点,对比选择最合适的半径α值与分段高度β值。实验表明该改进算法的体积计算误差值在4%-5%之间,较改进前降低5%。

基于车载LiDAR数据的道路横纵断面获取

传统道路横纵断面获取主要是先利用全站仪或实时差分定位技术RTK放样得到中桩,再测出每个横断面的高程,费时费力。针对传统方法获取效率低、成本高的问题,提出了一种利用高精度车载LiDAR数据进行道路横纵断面获取的方法。首先对获取的点云数据进行预处理,然后进行点云滤波、路面点云精确提取,最后通过对路面点云数据构建地表数模的方式制作道路横纵断面图。工程实践表明,该方法可高精度自动提取道路横纵断面,提高了道路勘测设计的效率。