基于自适应神经模糊推理系统的风功率缺失数据补齐

风电场风电输出功率数据的完整性在风能利用中具有重要意义。利用相邻风机法、持续法、平均插值法、标准功率曲线对应法均可以对风电缺失功率数据进行补齐,但都有各自的优缺点及适用范围;在单一补齐数据方法的基础上,文中采用自适应神经模糊推理系统(ANFIS)模型对丢失数据进行补齐和优化。对实测数据的仿真计算结果表明,用所提出的方法进行数据补齐后风电输出功率的计算结果平均相对误差降低,准确率提高。

一种基于改进的ROUSTIDA算法的数据补齐方法

针对ROUSTIDA数据补齐方法存在的问题,提出了一种改进的ROUSTIDA数据补齐方法。该方法首先将条件属性与决策属性区分对待,优先填补决策属性值,避免了不一致决策表的产生;然后,在决策属性相同的前提下填补条件属性缺失值,扩展了原算法的使用范围;最后,通过一个实例说明改进算法补齐后的决策表的确能够获得更集中的决策规则。

一种基于加权相似性的粗糙集数据补齐方法

近年来,对不完备数据的处理引起了人们的广泛关注。目前,在粗糙集理论中已经提出了多种不完备数据补齐方法,这些方法通常需要计算决策表中具有缺失值的对象与其他没有缺失值的对象之间的相似性,并以最相似对象的取值来代替缺失值。然而,这些方法普遍存在一个问题,即在计算决策表中对象之间的相似性时假设决策属性对所有条件属性的依赖性都是相等的,而且所有条件属性都是同等重要的,并没有考虑不同条件属性之间的差异性。针对这一问题,引入一个加权相似性的概念,以决策属性对条件属性的依赖性和条件属性的重要性作为权值来计算相似性。基于加权相似性,提出一种新的粗糙集数据补齐算法WSDCA。最后,在UCI数据集上,将WSDCA算法与现有的数据补齐算法进行了比较分析。实验结果表明,所提出的数据补齐方法是有效的。

基于相对决策熵与加权相似性的粗糙集数据补齐方法

现有的基于粗糙集的数据补齐方法在计算任意两个对象之间的相似性时并没有考虑不同条件属性之间的差异性。针对这一问题,引入一种新的加权相似性的概念,并提出一种基于相对决策熵与加权相似性的粗糙集数据补齐算法RDNAWS。RDNAWS算法采用相对决策熵的概念来度量每个条件属性的重要性,并通过计算每个条件属性的重要性以及决策属性集对其的依赖性来为每个条件属性提供一个权值,从而将不同的条件属性有效地区分开来。在真实数据集上的实验表明,与现有的算法相比,所提算法能够获得更好的分类性能。

基于最大相关最小冗余相关向量机的风电功率缺失数据补齐研究

首先分析得出与功率有关的变量,然后根据互信息理论对变量通过最大相关最小冗余的原则进行特征选取,挖掘特征与功率之间的联系,最后根据这种联系对功率数据进行补齐。利用该方法对吉林省某风电场进行算例验证,结果表明,随机缺失的数据补齐之后的准确率高于连续缺失后补齐的结果,而且基于相关向量机模型补齐的输出功率的结果误差减小,准确率提高。

基于Copula理论的风电功率缺失数据补齐方法研究

风电数据的完整性对风电功率的准确预测以及风能的利用具有重要意义。文中从风电场中风机输出功率的相关性分析,提出利用Copula理论建立不同风机输出功率的联合概率分布模型的方法。利用实测的风电功率数据,采用非参数核密度估计法估计风机输出功率的概率分布。以Kendall秩相关系数作为相关性测度。利用风机输出功率的相关性对缺失数据进行补齐。仿真实验说明补齐数据的准确率和平均相对误差得到较好的效果,能够有效提高补齐数据的质量。

基于模糊加权相似度量的粗糙集数据补齐方法

目前基于粗糙集的数据补齐方法,大多都是通过计算决策信息系统中具有缺失值的对象与无缺失值的对象之间的相似性,选取相似性最大的对象的属性值来补齐缺失的数据。这类算法的问题在于:计算对象之间的相似性时所有条件属性对于决策属性的重要性是相同的,忽略了条件属性间的差异性。鉴于此,引入了模糊加权相似的概念,根据每个条件属性的重要性以及决策属性对条件属性的依赖度,计算对象间的相似性,提出基于模糊加权相似性度量的粗糙集数据补齐方法,并通过实例计算以及与现有算法的比较分析,说明了方法的有效性。

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。

绝对信息量不完备信息系统的数据补齐算法

现实中的信息系统往往是不完备的。处理不完备信息系统的一种常用方法是根据一定的规则对缺失的属性值予以赋值,从而将其补齐成完备的信息系统。文中提出了一种基于绝对信息量的赋值规则,根据该规则提出了补齐不完备信息系统的算法。该算法基于信息系统的内在性质,减少了数据补齐时人为引入的不确定性,因而更加合理、有效。

粗集中最大相似度的不完备数据补齐

在运用Rough集理论获取知识时,经常遇到不完备数据的完备化处理。提出了基于最大相似度的不完备数据补齐方法,通过建立相似关系,定义个体对象间的相似度,通过比较相似度的大小来确立最为相似的个体对象,然后进行数据补齐,这种补齐后的信息系统能使对象之间保持最大的相似度。

基于极限学习机与格兰杰检验的风电功率缺失数据补齐

风电场输出功率的完整性对于研究人员后续的数据分析工作具有重要的意义.分别从时间和空间入手,提出一种基于极限学习机与格兰杰检验的风电功率缺失数据补齐方法.首先,提出一种输出权重优化的极限学习机,对缺失数据段前后的数据建立目标约束,进行时间上的补齐;然后,将格兰杰因果检验运用在数据补齐模型中,找到空间上与功率缺失风机对应的因果风机,进行空间上数据的补齐;最后,运用多重插补法,将两组数据补齐结果进行组合.就单机与多机的数据缺失情况进行补齐,通过与自适应神经模糊推理模型进行效果比较,补齐效果有明显的提高.

基于极限学习机与格兰杰检验的风电功率缺失数据补齐

风电场输出功率的完整性对于研究人员后续的数据分析工作具有重要的意义.文中分别从时间和空间入手,提出一种基于极限学习机与格兰杰检验的风电功率缺失数据补齐方法.首先,提出一种输出权重优化的极限学习机,对缺失点后的数据建立目标约束,综合考虑缺失数据段前、后的数据,进行时间上的补齐;然后,将格兰杰因果检验运用在数据补齐模型中,找到空间上与功率缺失风机对应的因果风机,进行空间上数据的补齐;最后,运用多重插补法,将两组数据补齐结果进行组合.就单机与多机的数据缺失情况进行补齐,通过与自适应神经模糊推理模型进行效果比较,补齐效果有明显的提高.

一种不完备决策表的数据补齐方法

针对不完备信息系统,提出缺失比概念.用缺失比表示待填充样本中缺失数据和剩余数据对决策结果的影响能力的大小,进而根据缺失比选择使用的约简,然后通过填充矩阵寻找缺失数据的最大可能值.采用对Rough集进行扩充和数据填补相结合的决策表数据补齐方法.试验结果表明该方法有较好效果.

基于随机森林重要性的LSTM网络风电功率缺失数据补齐

针对风电场实际运行中易出现的输出功率缺失问题,在分析了影响风电功率因数的基础上,构建了一个基于随机森林(RF)重要性分析的使用长短期记忆网络补齐缺失功率的模型。首先,基于RF分析得出了各项监测数据与风电功率的两个重要性指标,然后采用加权的重要性指标组成模型的输入向量,最后利用长短期记忆网络建立了风电功率补齐模型。以具体实例研究了不同的输入向量、预测方法和缺失数据类型对于补齐风电功率效果的影响,结果证明了所提方法可在不丢失有用信息的情况下,合理利用有效信息来提高功率预测精度,具有良好的补齐效果和一定的工程实用价值。

向量空间协议爬虫动态污点Bug数据补齐算法

采用网络协议爬虫方法对Web网页跨站脚本的动态污点Bug进行检测和数据补齐,根本上保证Web安全。传统方法采用主成分分析和驱动爬虫方法进行Bug数据补齐,当用户提交的数据没有经过严格的过滤和验证的时,Bug漏洞不能得到有效检测。提出一种基于向量空间动态污点传播模型的Web协议爬虫算法,实现对动态污点Bug检测与数据补齐,构建向量空间模型,计算Bug数据和漏洞检测中的模糊关系的隶属度,提取动态污点Bug数据模态特征进行网络爬虫,优化对动态污点数据的检测性能。仿真实验结果表明,该算法能提高数据补齐的准确性,聚类性好,收敛性提高,保证了系统安全防御的实时性,在Web程序安全设计中应用前景广阔。

结合属性重要度和灰色关联度的数据补齐方法

结合属性重要度和灰色关联度,提出了一种新的数据补齐方法,可使补齐后的数据具有更高的识别率和分类性能。按照属性重要度确定各个条件属性的补齐顺序;对于当前要补齐的缺失样本,将所有完备样本分别与其进行比较,并选择灰色关联度最大的完备样本对该样本的缺失数据进行补齐。并提出了一种新的判断数据补齐性能的评价标准,即补齐后的数据不能影响原有数据的识别率。实验结果表明,即使在很高的数据缺失比率下,该方法仍能很好地进行补齐,并能取得较高的识别率。

基于属性重要度的数据补齐方法

为更好地处理不完备决策信息系统的缺失值,提出一种基于属性重要度的增量式数据补齐算法。基于同类数据分布的内聚性和异类数据的耦合性定义属性的重要度,优先填补重要属性;提出一种属性重要度定义;采取加权欧氏距离和余弦相似从距离和角度两方面同时衡量样本的相似度;为避免不同类别数据的相互干扰,将相似样本的搜索范围限定为同类别的完备样本集。实验采用7个UCI标准数据集比较该算法和其它算法,实验结果表明,该算法能有效提高补齐后的分类识别率。

基于双概率相似关系的不完备决策系统数据补齐算法

针对某型导弹故障测试数据的部分缺失问题,提出一种基于双概率相似关系的不完备决策系统数据补齐算法。在ROUSTIDA算法的基础上,根据决策属性值将不完备决策系统划分为各个决策子系统,考虑不同决策子系统中相似对象对决策规则的影响,选择同一决策子系统内最相似的对象来填补条件属性缺失值,并通过实例进行验证分析。结果表明:该算法在一定程度上能降低计算的复杂性、提高填补率,并能有效解决ROUSTIDA算法可能存在的决策规则冲突问题。

基于自适应神经模糊推理系统的风速数据补齐

风电场测风数据的完整性和准确性在风电场的选址、设计、运行中具有重要意义。利用测风塔不同高度风速具有相关性这一特性可以对风电场缺失的测风数据进行补齐;本文中采用自适应神经模糊推理系统(ANFIS)模型对丢失数据进行补齐和优化,以测风塔70m和10m风速为输入数据,计算60m风速。对实测数据的仿真计算结果表明,用所提出的方法进行数据补齐后风速数据的计算结果误差较低,准确率高。

基于空间邻近点与极限学习机的大坝位移缺失数据补齐

准确补齐大坝位移缺失数据,对科学有效地分析大坝变形监测数据和准确可靠地评价大坝安全性态至关重要。从大坝的整体性和连贯性角度出发,构建了一种基于空间邻近点和极限学习机的大坝位移缺失数据补齐方法。同时将目标测点的空间邻近点测值和大坝变形统计模型分量作为大坝位移缺失数据的影响因子,利用输出权重优化的极限学习机算法对缺失数据进行补齐。以某碾压混凝土重力坝为例,利用基于空间邻近点和极限学习机的方法对大坝位移缺失数据补齐,同时与利用BP神经网络算法和基于大坝变形统计模型分量的补齐结果进行对比,结果表明,基于空间邻近点和极限学习机的方法补齐精度更高。