基于形态相似距离的暂态电压稳定评估方法

针对电网暂态电压稳定问题,基于数据挖掘和机器学习提出了一种基于形态相似距离的暂态电压稳定性在线评估方法。根据PMU实时量测数据,提取电气物理量的时间序列,以给定时间窗内形态相似距离为特征,采用决策树算法训练生成具有较好分类性能的二叉决策树。在学习过程中融入代价敏感机制,减小样本分类不平衡带来的影响,继而基于决策树的"白箱"性质,利用生成的规则对电力系统电压失稳规律进行分析。通过IEEE39节点标准算例的测试表明,该方法不仅具有较强的分类效果,而且对分类结果也提供了良好的解释性,这为电压在线监测评估和探索电压失稳规律提供指导。

基于形态相似距离的时间序列相似性度量

时间序列的相似性度量是时间序列分析的基础工作之一,是进行相似匹配的关键。针对欧几里德距离描述分段趋势的不足和各种模式距离对应分段之间距离值的离散化问题,提出一种基于形态相似距离的时间序列相似性度量方法,标准数据集上完成的识别和聚类实验表明了该方法的可行性和有效性。

基于二维离散傅立叶变换及形态相似距离的证券时序数据相似性搜索

本文针对证券市场难以预测的现状,提出一种基于二维离散傅立叶变换及形态相似距离的相似性搜索算法,希望通过在历史数据中进行相似性搜索,找到与被查找K线形态相似的历史数据,从而为当下提供一定的投资参考。本文提出通过基于二维离散傅立叶变换的高斯低通滤波去除时序数据中的噪声并保留数据整体走势,再通过形态相似距离在关注形态相似程度的同时通过时序数据间距离计算相似性。实验表明,这种相似性搜索算法可以有效地在历史数据中找出与被查找K线形态相似的时间序列。

基于小样本性能数据的电气设备可靠性评估与预测方法研究

提出了基于电气设备小样本性能数据的可靠性评估与预测模型。首先采用改进的Bootstrap法对小样本性能数据进行扩容,并进一步分析了设备性能变化的分布函数。在此基础上提出了设备性能可靠性的概念,并由此计算出设备在不同时刻下的可靠性。然后基于形态相似距离对上述可靠性值进行了曲线拟合,最后基于曲线预测值与预测误差对设备的可靠性进行预测估计。该方法不仅在数据扩容上优势明显,而且还能抑制＂野值点＂对拟合结果的影响。算例分析结果说明了所提方法在小样本数据条件下进行可靠性评估与预测的有效性与实用性。

基于M-DSSE和RVM的复杂装备健康状态预测

针对故障呈现渐发特性的复杂装备健康状态预测问题,提出基于多距离形态相似度评估(M-DSSE)和相关向量机(RVM)的预测方法。在提取装备状态特征信息的基础上,采用M-DSSE方法对装备的健康状态进行评估,计算得到装备的健康指数;运用RVM回归模型对装备的健康指数进行预测,实现对装备健康趋势的预知,为最终的预知维修提供重要技术支撑。在某航空机电设备上的应用结果表明,该方法可以有效解决复杂装备健康状态评估与预测的问题,结果与实际情况相吻合。

基于DMS和LS-SVM的复合材料结构健康预测方法

复合材料结构损伤机理复杂,其损伤破坏一般呈现缓慢扩展趋势。为了有效地对复合材料结构健康状态进行预测,将距离形态相似度(DMS)和最小二乘支持向量机(LS-SVM)模型引入复合材料结构健康状态预测中,提出了基于DMS和LS-SVM的复合材料结构健康状态预测方法。首先,以复合材料层合板(T300/QY8911)为具体研究对象,对其进行损伤试验,采集其振动加速度作为表征其健康状态的原始信息,并进行小波包分解,利用分解得到的各个频带信号的样本熵作为特征向量;然后,采用距离形态相似度(DMS)方法确定结构健康指数;最后,将结构健康指数作为建模数据用以构建LS-SVM预测模型,预测复合材料结构健康指数。结果表明,该方法可以有效实现复合材料结构裂纹损伤的预测,具有很好的应用前景。

基于Spark的改进K-means算法的并行实现

针对K-means聚类算法存在的不足,提出了改进K-means来提高算法的性能,利用简化后的轮廓系数作为评估标准衡量K-means算法中k值,采用K-means++完成K-means算法初始中心点的选择。设置好k值以及初始中心点后使用形态学相似距离作为相似度测量标准将数据点归属到距离最近的中心点形成的簇中,最后计算平均轮廓系数确定合适的k值,并在Spark上实现算法并行化。通过对四个标准数据集在准确性、运行时间和加速比三个方面的实验表明,改进后的K-means算法相对于传统的K-means和SKDK-means算法不仅提高了聚类划分质量,缩短了计算时间,而且在多节点的集群环境下表现出了良好的并行性能。实验结果分析出提出的改进算法能有效提高算法执行效率和并行计算能力。

基于Spark的K-means快速聚类算法的优化

针对聚类算法处理海量数据所存在的不足,提出基于Spark的K-means快速聚类算法的优化。使用形态学相似距离代替欧氏距离作为相似度测量标准来提高聚类准确率;通过最大距离(Max-distince)准则改进因初始聚类中心选取不当而造成的局部最优问题;为减少迭代过程中的冗余计算,利用数据集中点的位置信息与聚类质心的位置关系建立网格结构。综合肘部法则绘制误差平方和SSE-K的关系图确定K值,并在Spark实现SMGK-means(SparkMaxGridK-means)聚类算法。通过实验表明,SMGK-means算法不仅准确率平均提高了6.73%,而且在Spark分布式集群下表现出优秀的执行效率和并行计算能力。