基于局部密度的最小生成树聚类算法及其在电力大数据的应用

电力大数据主要来源于电力生产和电能使用的发电、输电、变电、配电、用电和调度各个环节,,如何运用这些数据提高电力管理工作的智能化水平已经成为相关电力环节十分重要的研究课题之一。但现有电力大数据中用到的聚类方法却不能发现任意形状的数据集聚类类别(即类簇),这影响了电力大数据在应用中的计算精度与计算时长。因此提出了一种新的算法,即使用局部密度峰值和基于共享邻点的距离,更好地结合了密度与距离的关系,表示出数据之间的差异。使用局部密度峰值并用基于共享邻点的距离来构造最小生成树,然后重复切割最长的边,直到找到给定数量的簇。在电力大数据应用上的实验结果表明,该算法在具有良好的效果。

多空间尺度融合的出行轨迹规律分析

多源时空轨迹数据隐含丰富的城市出行信息,通过对其进行挖掘、处理和分析,可以找到个体与群体之间的交互关系。针对轨迹数据挖掘研究范围单一,缺少多空间尺度研究的问题,提出一种融合多空间尺度特征的出行轨迹数据挖掘分析方法。以广东为例,结合社交媒体腾讯用户密度(Tencent user density,TUD)数据集,通过具有噪声的基于密度的聚类方法(density-based spatial clustering of applications with noise,DBSCAN)聚类算法与局部密度峰值计算法提取时空相似性轨迹区域,进而簇类分成一系列热点区域,获得不同时间粒度、不同空间尺度下的出行轨迹规律特征。这能够实现在不同空间尺度融合下展示同一地区的热点区域,进一步探讨出行轨迹的规律变化。可见所提出的方法为利用时空大数据进行城市空间结构研究提供科学参考。

基于LNN-DPC加权集成学习的转炉炼钢终点碳温软测量方法

转炉炼钢终点控制的关键是碳温准确预报。针对实际生产中因原料品质差异导致的炉次样本波动性较大所造成全局单一模型无法精确预测终点碳温的问题,提出一种局部最近邻密度峰值聚类算法(LNN-DPC)加权集成学习软测量方法。首先,采用改进的峰值密度聚类算法划分降维后的训练数据形成局部样本子集,构建子集与原始数据间的一一对应关系生成高斯过程回归子模型,并在原始数据子集下度量得到熵值加权的子集“质心”;其次,通过灰色关联分析选择与测试样本关联度较强的模型作为局部模型,提出关联度加权集成策略输出碳温预测结果。在实际转炉炼钢生产过程数据仿真结果下,碳含量在±0.02%的误差范围内精度达到85.2%,温度在±10℃的误差范围内精度达到84.8%。