基于高斯混合模型聚类的双馈风电场动态等值建模方法

针对风电场动态运行条件下等值建模精度偏低、聚类依据不足的难题,提出一种基于高斯混合模型聚类思想的风电场等值建模方法。首先,分析单台双馈感应式风力发电机在低电压穿越期间的动态响应特性,根据响应特性的集群特征构建聚类指标。然后,提出基于高斯混合模型动态初步聚类、优化聚类数目的两阶段等值建模方法,推导出赤池信息和贝叶斯信息准则下聚类数目的寻优算法。以典型中等规模风电场为例,在Matlab/Simulink平台进行不同故障穿越条件的仿真测试,结果表明所提风电场等值建模方法聚类有效、精度高。

基于高斯混合聚类的海上风电出力特征曲线提取方法及其在电量平衡计算中的应用

[目的]为了减少化石能源消耗和改善环境污染问题,海上风力发电是解决问题的有效方式之一。然而,海上风电存在间歇性强、波动性大、双向调峰性等问题,研究其出力特性曲线对海上风电消纳具有重要意义。[方法]提出一种基于贝叶斯信息准则的高斯混合聚类模型,对海上风电原始出力曲线进行分类和特征曲线提取。[结果]得到能够反映不同海风区域特点的海上风力特性曲线,并应用于海上风电出力的电量平衡计算。[结论]最后,以沿海某省份海上风电15 GW装机规模下不同海风区域原始海上风电出力曲线为研究对象,验证所提方法的有效性。

基于贝叶斯网络与高斯混合聚类的配网设备数据分析模型设计

为了减少由配电网设备问题所造成的人力物力浪费,且在有限的品控投入下提高效率,设计了一种基于贝叶斯网络与高斯混合聚类算法的配网设备数据分析模型。该模型筛选出配电网设备中频繁出现的问题及影响较大的设备作为研究对象,并利用高斯混合模型对相似设备进行聚类分析。同时采用深度贝叶斯概率网络算法建立与设备运维成本相关的概率模型,再进行数据挖掘和分析建模。以两个典型县级供电局的配电网设备数据信息为对象,验证了所提模型的有效性,进而实现了基于数据的设备品质分析及针对设备效用性能的价值评估。

基于高斯混合聚类算法的西安市人工填土空间分布研究

通过整理西安市主城区400 km^(2)范围内的工程地质资料,筛选出20793个工程地质钻孔,用以进行杂填土和素填土的空间分布研究。采用机器学习中高斯混合聚类的算法,对无标记的钻孔数据样本进行学习;使用赤池信息准则和贝叶斯信息准则对高斯混合聚类算法进行检验;通过试算确定杂填土和素填土聚类簇数的底部为n=140,并形成杂填土和素填土的空间分布图。研究表明,西安市人工填土分布广泛,厚度多在3~10 m,局部地区最大厚度可达十几米,土层产状和厚度在平面上变化迅速,性质较为复杂。杂填土和素填土均广泛分布于城区各处,埋深多在3 m以内,部分地区埋深可达3~10 m,极少数区域层底深度达到10 m以上。

基于高斯混合聚类模型的汽轮机运行状态预警

针对汽轮机结构复杂,监测项目和测点数量众多,监测参数具有类型多、数量大及价值密度低等原因造成运行状态预警困难的问题,首先利用相关性分析方法筛选出对机组安全运行有重要影响的监测参数,并基于大数据平台的历史数据采集设备异常数据样本,然后通过对样本数据进行预处理及选择合适的聚类个数,最终建立了机组运行状态预警最佳高斯混合聚类模型。基于该模型计算出机组状态期望值与状态预警值,通过对机组状态影响参数进行排序,实现机组运行状态预警。将基于该模型开发的汽轮机组状态预警系统实际应用到某台汽轮机组后,定量计算了机组状态预警值,实现了该机组的运行状态预警,保障了机组的安全稳定运行。

基于高斯混合模型聚类的风电场短期功率预测方法

对任意来流条件下的风电场发电功率进行准确预测,是提高电网对风电接纳能力的有效措施。针对大型风电场的功率预测采用单点位风速外推预测代表性差的局限,提出基于高斯混合模型(GMM)聚类的风电场短期功率预测方法。方法结合数据分布特征,利用GMM聚类将大型风电场划分为若干机组群,借助贝叶斯信息准则指标评价,获得风电场内最优机组分组方案。实际算例验证表明,按照小时级、月度级、年度级等时间尺度进行统计,所建立的GMM聚类模型均极大地提高了未分组的风电功率预测模型的准确性。相较于应用广泛的k-means聚类、层次凝聚聚类等方法,GMM聚类方法在分组功率预测中表现出了显著优势,为大型风电场短期功率预测模型的优化及运行经济性的提升提供了技术支持与依据。

基于高斯混合聚类的阵列干涉SAR三维成像

阵列干涉SAR具备高程分辨能力,单次航过即可生成观测场景的3维点云分布,解决叠掩问题。但是,由于阵列干涉SAR阵元数目有限、基线长度较短,高程向分辨率受到限制,加之城区建筑物的叠掩现象,常规方法重建结果定位精度较差,难以提取建筑物有效特征。针对这个问题,该文提出了一种基于高斯混合聚类的阵列干涉SAR 3维成像方法,首先通过基于压缩感知(Compressive Sensing,CS)的超分辨算法获得场景区域的3维点云分布,然后利用密度估计方法提取出建筑物的散射点,之后使用高斯混合模型(Gaussian Mixture Model,GMM)对建筑物3维点云进行聚类,最后利用系统参数完成各个区域的SAR图像反演,实现建筑物的3维成像。通过国内首次机载阵列干涉SAR实验的实际数据,验证了该文算法的有效性,并获得了真实的建筑物3维成像结果。

嵌套删失数据期望最大化的高斯混合聚类算法

针对聚类问题中的非随机性缺失数据,本文基于高斯混合聚类模型,分析了删失型数据期望最大化算法的有效性,并揭示了删失数据似然函数对模型算法的作用机制.从赤池弘次信息准则、信息散度等指标,比较了所提出方法与标准的期望最大化算法的优劣性.通过删失数据划分及指示变量,推导了聚类模型参数后验概率及似然函数,调整了参数截尾正态函数的一阶和二阶估计量.并根据估计算法的有效性理论,通过关于得分向量期望的方程得出算法估计的最优参数.对于同一删失数据集,所提出的聚类算法对数据聚类中心估计更精准.实验结果证实了所提出算法在高斯混合聚类的性能上优于标准的随机性缺失数据期望最大化算法.

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。

联合手肘法和期望最大化的高斯混合聚类电力系统客户分群算法

为进一步提升电力系统客户的用户体验,针对现有聚类算法寻优能力差、紧凑性不足以及较难求解聚类数目最优值的问题,提出一种联合手肘法与期望最大化(EM)的高斯混合聚类算法,挖掘大量客户数据中的潜在信息。该算法通过EM算法迭代出良好的聚类结果,而针对传统的高斯混合聚类算法需要提前获取用户分群数量的缺点,利用手肘法合理找出客户的分群数量。案例分析表明,所提算法与层次聚类算法和K-Means算法相比,FM、AR指标的增幅均超过10%,紧凑度(CI)和分离度(DS)的降幅分别低于15%和25%,可见性能有较大提升。

高斯混合聚类对移动曲面拟合滤波分类的应用

为了提高激光雷达点云滤波算法的精度和自适应性,对移动曲面滤波算法进行改进。采用格网边界点构建曲面约束条件,检验格网内是否全部为建筑物点。利用区域拟合求解地形的起伏,引入机器学习中高斯混合模型(GMM)对地形起伏进行滤波分类,将移动曲面中的种子点作为聚类算法中的靶向点参与分类学习。实验数据为雷达飞行的自测区,对于自测区采用随机抽样的方式,检验判断滤波效果。同时为检验GMM算法的准确性,在三类误差检验方式的基础上,增加了Kappa系数作为检验方式。通过与谱系聚类分类算法对比,证明所提算法能取得较好的滤波效果。

基于高斯混合聚类的切换系统的辨识

针对具有未知切换规则与未知子系统数量的切换系统的辨识问题,提出一种两阶段辨识方法,包括模式检测与参数辨识.在模式检测阶段,首先建立高斯混合模型表示采样数据的分布,并通过轮盘法选择合适的初始模型参数.其次,计算采样数据属于每个子系统的后验概率,通过极大似然估计算法迭代更新模型参数,使高斯混合模型最大化地拟合采样数据的分布.在此基础上,通过贝叶斯信息准则确定子系统的数量,并根据最大后验概率准则估计切换规则.在参数辨识阶段,通过递推增广最小二乘法估计每个子系统的参数向量.最后,通过仿真结果验证了所提方法的有效性.

联合知识图谱与改进高斯混合模型的电力用户聚类方法

随着电力用户数据复杂程度不断增大,为了改善人工处理海量复杂文本数据的低效方式,以及解决现有聚类方法存在的寻优能力差、紧凑性不足的问题,提出一种联合知识图谱(knowledge graph,KG)与改进高斯混合模型的聚类方法,利用KG将复杂的文本拆解成相关的知识元结构,并利用知识库对所需内容进行提取,规范高斯混合聚类模型所需要的输入数据,通过期望最大化(expectation-maximization,EM)迭代出良好的聚类结果,进而挖掘大量用户数据中的潜在信息。案例分析表明:与K-Means和层次聚类等典型聚类方法相比,所提方法具有更好的聚类结果、分类效果和全局寻优性能,验证了所提方法的可行性和有效性。

基于高斯混合聚类模型的公交出行特征分析

针对公交出行特征的传统数据分析方法人工成本大的问题,提出一种基于高斯混合聚类模型的公交出行特征分析方法。以公交IC卡刷卡数据、公交运行GPS数据及静态站点数据为基础,建立高斯混合聚类模型,对比节假日与通勤日公交出行特征差异。最后以深圳市某路公交为实例,仿真结果表明,节假日与通勤日公交出行在高峰时段分布与持续时间上具有显著差异,验证了高斯混合聚类模型在交通数据分析领域中的有效性,对公交运营与调度优化有一定的借鉴意义。

基于高斯混合模型聚类和多维尺度分析的负荷分类方法

针对传统聚类方法存在聚类"硬分配"的局限性,及其面对海量数据集难以同时满足聚类效率与聚类精度要求的问题,文章提出一种基于高斯混合模型聚类和多维尺度分析的负荷分类方法,对负荷数据进行多维尺度分析降维后,输入高斯混合模型聚类算法中,实现大规模负荷数据集的分类。基于Rstudio工具对上海市办公、商场、宾馆和综合型楼宇各一栋的负荷(2015—2017年每小时用电负荷)进行分类,并将该方法与K-Means、模糊聚类、层次聚类和高斯混合模型聚类等方法比较。此外以降维速率、降维质量、降维损失和聚类质量为评价指标,将多维尺度分析与高斯混合模型聚类的结合与t分布随机邻域嵌入、主成分分析与高斯混合模型聚类的结合进行比较。结果表明,该研究提出的分类方法不仅有效精细地实现了楼宇负荷分类,且能够有效节约计算成本,提高运算效率。

基于高斯混合EM聚类的多编队航迹起始方法

针对现有航迹起始方法难以对编队目标进行有效航迹起始的问题,在Hough变换法及其衍生算法基础上,提出基于Hough变换和高斯混合最大期望(expactation maximazation,EM)聚类的多编队目标航迹起始方法。该方法首先利用量测数据的时序信息和目标的运动参数进行筛选,剔除大量虚假量测;再对筛选后的量测数据进行Hough变换,得到初步航迹信息;然后利用相异度矩阵对所得航迹进行预聚类,完成聚类中心初始化;最后进行高斯混合EM聚类,得到聚类结果。仿真结果表明,与Hough变换法及其衍生算法相比,该方法能够快速有效地起始编队目标的航迹,解决了目标密集带来的航迹起始混乱问题。

基于程序变异和高斯混合聚类的错误定位技术

错误定位的效率依赖回归测试用例的质量,然而相同相似的测试用例影响着错误定位的效率。针对以上问题,文中提出了利用基于改进的人工免疫技术的程序变异产生多个变异体,然后通过高斯混合聚类约简变异体进行错误定位。实验结果表明,相比其他方法,所提方法可以提高错误定位的效率。

基于高斯混合聚类工况划分的脱硫优化研究

本文采用高斯混合聚类算法对脱硫系统运行数据进行工况划分,并根据优化目标标记最优工况,在脱硫系统实际运行时,预测系统的最优工况,并提出优化指导方案。基于电厂真实运行数据进行实验,实验结果显示该方法能够使得脱硫系统节能能力平均提高大概10.67%,节能效果较好。

基于GMM聚类的铁路网络数据风险等级分类方法

铁路行业信息基础设施及重要信息系统产生的数据种类繁多、数量庞大且价值密度高,而不同类型或等级的铁路网络数据存在不同级别的安全风险。为了完善铁路网络数据风险评估机制,设计一种基于高斯混合模型(GMM,Gaussian Mixture Model)聚类的铁路网络数据风险等级分类方法。从数据和风险角度提取关键信息,构建风险信息数据集;通过K-means聚类获得初始聚类中心;基于混合距离计算进行GMM聚类,实现数据风险等级划分。经实验验证,与传统K-means聚类、谱聚类算法相比,GMM聚类算法对铁路网络数据的聚类效果更优,能够更加准确地对铁路网络数据进行风险等级分类,从而为进一步落实铁路网络数据安全管理要求提供重要的技术支撑。

基于混合高斯模型和主成分分析的轨迹分析行为识别方法

针对家庭辅助生活应用场景下的目标意图识别和异常行为判别问题,提出了一种基于目标轨迹的行为分析方法.首先,提出了关键点和关键区域的概念,将家庭环境划分为不同的关键点和关键区域,并以此来描述和区分不同轨迹;然后,提出了利用混合高斯模型的关键点及关键区域获取算法,将轨迹转化为关键点及关键区域表示,并以此为基础进行了行为意图的识别和部分异常轨迹的判断;最后,借助主成分分析的方法弥补混合高斯聚类在异常轨迹识别方面的缺陷,提高了识别准确率.实验表明,该方法能够有效的对行为意图和异常行为进行识别.