基于多维缩放和KICIC的电力负荷聚类

电力负荷曲线聚类在电力大数据研究中有重要的应用。针对传统负荷聚类方法难以有效处理海量化的高维负荷数据,以及存在簇间样本模糊导致算法聚类质量不高、聚类效率低下等问题,提出一种结合多维缩放(multi-dimensional scaling,MDS)和一种新的集成簇间、簇内欧式距离的加权K-means方法(weighting k-means clustering approach by integrating intra-cluster and inter-cluster distances,KICIC)的聚类算法(MDS-KICIC)。该方法首先采用MDS算法对高维负荷数据进行数据降维处理,得到降维后的低维矩阵和归一化的特征值向量作为KICIC算法的输入矩阵和权重向量,KICIC通过在子空间内最大化簇中心与其他簇数据对象的距离来融合簇内和簇间的距离进行聚类,得到最终聚类结果。通过算例表明该方法运算时间短、聚类质量高,进一步提高了负荷曲线的聚类性能。

基于多维缩放和随机森林的轴承故障诊断方法

为快速准确识别轴承的运行状态,提出了一种基于多维缩放和随机森林的轴承故障诊断方法。该方法采用函数型数据分析,得到轴承振动信号自相关函数的拟合系数,构造故障特征集;使用网格搜索法优化随机森林参数,得到特征重要性排序;然后使用多维缩放方法对特征选择后的故障特征集进行降维;最后采用随机森林对降维后的故障特征进行诊断识别。为验证所提方法的有效性,开展了正常、内圈故障、外圈故障、滚子故障状态下的轴承振动实验,结果表明,函数型数据分析的特征提取方式能有效表征不同状态轴承振动信号的不同特征,与t分布随机邻域嵌入和主分量分析方法相比,多维缩放方法具有更高的类间距和类内距的比值,且优势明显,各类状态的诊断准确率均高达100%,较使用原始特征集的随机森林平均准确率提高了5%。

多维缩放舰船运行数据聚类算法设计

传统的聚类化运算算法(基于K-Means算法),在大数据环境下运算力下降,数据聚类运算收敛不足。提出基于多维缩放的舰船运行数据聚类算法设计。利用基于多维缩放的KNTSCCA聚类算法,对舰船运行数据传统算法进行替换,通过对舰船数据的降维迭代计算,实现多维缩放聚类算法设计。通过仿真实验证明,提出的多维缩放的舰船运行数据聚类算法,能够解决现有基于K-Means算法收敛不足的问题,具有可行性。

基于多维缩放的日负荷曲线聚类分析

负荷曲线聚类在负荷预测,需求侧响应等方面有重要应用。目前负荷数据日趋海量化和多维化,需要对其进行降维处理,但现有的降维会对曲线信息造成一定程度的损失,为此提出了一种基于多维缩放(Multi-Dimensional Scaling,MDS)降维的日负荷曲线聚类方法。使用MDS算法对采集到的负荷数据进行降维处理,采用CRITIC—熵权法作为降维指标的权重配置方法,通过计及权重的修正轮廓系数选择最优类簇数,以加权欧式距离的K-means算法进行聚类。通过算例表明该方法能最大程度保留原始曲线信息,在聚类准确度和运行时间两方面均有优势。

基于非度量多维缩放的聚类组合算法

针对单一聚类方法远不能满足实际数据分析需求,且K-Means聚类中维数高,非度量型数据分析亟待解决的问题,提出一种基于非度量多维缩放的聚类组合算法(NMDSCCA)。该算法通过非度量多维缩放方法对非度量型的高维数据进行降维,利用降维后得到的主成分变量作为输入变量,以K-Means算法作为基聚类器进行聚类,解决了K-Means算法无法处理分类数据以及维数高的变量局限性,使其具有普适性。仿真实验表明,新算法不仅聚类效果上均优于传统K-Means算法及基于主成分分析(PCA)的聚类组合算法,而且算法应用于大数据时具有更高的收敛速度。

融合卷积神经网络和最短路径计算的染色体三维重构

通过卷积神经网络建模,利用染色体的原始相互作用频率(IF)矩阵中的值推断矩阵邻近区域,以降低矩阵的稀疏程度形成相对稠密矩阵;将相对稠密矩阵转换为距离矩阵,构建加权无向图,计算图中任意两个顶点之间的最短路径,以补全矩阵剩余未知部分的值,形成完整距离矩阵;运用多维缩放方法在完整距离矩阵上推断出染色体三维结构.在高通量染色体构象捕获(Hi-C)数据上的实验结果表明,相较于已有的代表性同类算法,本文给出的算法能够获得更小的均方根误差值、更大的Pearson相关系数值,所重构的染色体三维结构与真实结构更相似.

基于MDS和改进SSA-SVM的高速铁路道岔故障诊断方法研究

针对高速铁路道岔设备故障频繁,现场维修工作量大等问题,提出基于多维尺度缩放法(MDS)和改进麻雀搜索算法(SSA)优化支持向量机(SVM)的高速铁路道岔故障诊断模型。首先以ZDJ9道岔转换功率曲线为研究对象,总结现场典型道岔故障类型及故障原因,分别提取道岔功率曲线的时域、频域特征指标以及小波包能量熵,组成特征指标向量;其次采用MDS方法进行多维特征指标的降维优化,建立道岔故障特征指标样本数据库;最后利用改进Circle混沌映射初始化种群,并通过自适应t分布增强麻雀种群的多样性,再以改进SSA算法优化SVM模型中的惩罚因子和核函数方差2个关键参数,构建改进SSA-SVM的道岔故障诊断模型。故障诊断结果表明,本模型的故障诊断正确率高达96.25%,诊断效果优于其他方法,可以为道岔设备的故障维修提供理论依据。

用于数据挖掘的多维数据可视化技术

用于数据挖掘的多维数据可视化技术,将多维数据通过平行坐标、圆形分段或多维缩放变换以二维图形显示。平行坐标用其坐标点显示变量,直线连接坐标点为折线。圆形分段以每个彩色像素点映射一个值,并将每一维的数据在不同区域显示。多维缩放则在尽可能保留数据点间距的同时,在低维空间内表示多维数据。

变压器绝缘老化状态评估方法研究

针对传统拉曼老化模型对变压器绝缘老化状态评估准确率的问题,提出一种基于多维缩放(MDS)算法的特征降维结合改进BP神经网络的老化评估方法。首先以在250 mW激光功率、0.5s积分时间环境下获取的拉曼光谱作为数据来源,然后对该数据进行预处理和多维缩放降维,提取主要特征成分,最后通过改进BP神经网络进行变压器老化状态评估。结果表明,在10:1和15:1的单一油纸样本中,本模型的评估准确率分别为97.7%、98.3%;混合油纸样本中,模型评估准确率为96.4%。且相较于糠醛判别方法,本模型的判别结果与聚合度判别结果更为接近。由此说明,采用本模型可实现不同变压器油纸状态下的拉曼光谱老化评估,很大程度上提升了变压器老化状态的评估准确率,进一步验证了本模型的可靠性和准确性。

基于快速动态时间弯曲和最小覆盖球的多日负荷曲线聚类方法

现有负荷曲线聚类的研究主要基于单日负荷曲线或多日同时刻的负荷分布开展,忽略了负荷在多日间的波动特性和负荷曲线的时间滞后特性,导致聚类结果的准确度和鲁棒性不足。综合考虑负荷的波动特性和时间滞后特性,提出一种快速动态时间弯曲和最小覆盖球相结合的多日负荷曲线聚类方法。在考虑负荷时间滞后特性的基础上,利用快速动态时间弯曲和多维尺度缩放对负荷曲线进行降维;为每个降维负荷迭代寻找最小覆盖球,并计算不同覆盖球的球间相似度;利用谱聚类算法得到相似度矩阵。算例结果表明,所提方法在准确度和鲁棒性上较传统方法有一定优势。

基于改进SSA优化MDS-SVM的变压器故障诊断方法

为了提高变压器故障诊断精度,提出一种基于改进SSA优化MDS-SVM的变压器故障诊断方法.首先,利用多维尺度缩放法(multiple dimensional scaling,MDS)对20维变压器故障特征数据进行特征提取,降低高维数据存在的稀疏性和多重共线性;其次,引入樽海鞘群算法(salp swarm algorithm,SSA),并对该算法进行改进,增置信赖机制和突变,以提高算法的收敛速度和收敛能力;然后,通过与原始SSA、PSO、GWO和β-GWO算法进行寻优测试对比来验证改进SSA算法的优越性;最后,使用改进SSA算法对MDS降低维数和支持向量机(support vector machine,SVM)的参数联合寻优,构建新的故障诊断模型.分析并比较其与常用算法优化的SVM故障诊断模型、BP神经网络(back propagation neural network,BPNN)、K最近邻(K-nearest neighbor,KNN)以及随机森林(random forest,RF)故障诊断模型的故障诊断精确度,结果表明,基于改进SSA的MDS-SVM变压器故障诊断模型的精确度高于其他算法模型,且泛化能力较强.

音乐相似性的可视化:500位古典音乐作曲家的聚类和映射

文章将聚类技术和多维缩放分析应用于500×500作曲家的相似性/距离矩阵。目的是将相似度矩阵可视化或转变成古典(欧洲艺术)音乐作曲家的树状图和映射图。先分别构建了巴洛克时期、古典时期和浪漫时期的树状图和映射图,以及一张展示了七个世纪欧洲艺术音乐的映射图。最后使用线性和非线性典型相关分析来确定聚类技术和多维缩放方法所产生的维度的基础变量。