基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法(particle swarm optimization,PSO)修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。

基于关联规则的映射聚类算法

针对很多算法对高维数据比较敏感的问题,提出了一种基于关联规则的映射聚类算法。该方法将映射聚类算法和关联规则方法相结合,利用关联规则发现每个类在子空间的最大相关维,可以提高算法的准确性,从而可以有效的在子空间进行聚类。文章后面的实验结果说明了该方法的有效性。

基于文本聚类的映射聚类算法研究

文本聚类在信息过滤和网页分类等方面有着较好的应用,可是它面临数据维数很高的难点。由于维度很高,使得经典的聚类算法难以有效处理。针对这个问题给出了一种快速鲁棒的映射聚类算法,其中利用关联规则查询簇的相关维,然后使用相关维进行进一步的分析。实验结果说明了该算法具有速度快以及较好的鲁棒性等特点,可以应用在文本聚类中。

基于改进自组织映射聚类算法的连锁故障预测模型

为提高电力系统连锁故障预测的快速性和全面性,提出一种基于改进自组织映射聚类算法的连锁故障预测模型。针对事故链预测模型的故障指标模糊、事故链模型过于庞大等问题,该模型首先设计了初始故障集评价指标、上下级支路间关联性指标。其次改进自组织映射聚类算法,对关联性指标进行聚类分类,并在上下级支路关联性确定中,设定适当阈值。最后,利用IEEE36节点系统进行仿真验证。结果显示:本文方法在3.245 s时可预测到6级总计37条故障线路,故障预测范围达到97%。可见,本文方法与传统方法相比能有效缩短预测时间,扩大预测范围。

高维数据流映射聚类算法的研究概述

随着流数据收集大量应用,数据流挖掘是数据挖掘的一个新的研究方向。本文在介绍数据流的基本特点以及分析了数据流对聚类的要求,并对现有高维数据流映射聚类算法的主要思想方法进行了总结。最后对面向高维数据流聚类的发展方向进行了展望。

基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究

现有光伏发电量预测模型大多以太阳辐照度作为必要的输入,然而,由于当前国内太阳辐射站点仍较稀少且预报能力较低,因此此类预报方法难于实施。利用距离分析方法分析光伏发电量与气象因素间的相关性,确定以气温和湿度作为预报输入因子,建立反传播(back propagation,BP)神经网络的无辐照度发电量短期预报模型。此外,为适应天气突变,采用自组织特征映射(self-organizing feature map,SOM)由云量预报信息对天气类型聚类识别,继而对各天气类型采用相应的预测网络,避免了单神经网络的过拟合问题。通过与含辐照度输入及无天气聚类识别的预测模型做交叉对比实验,预测结果表明,天气类型聚类识别能显著提高预测精度,无辐照度光伏发电量短期预测模型有较高的精度和50%湿度抗扰动性。

基于多语言社会化标签聚类的潜在社会关系网络发现

文章采用分裂式层次聚类算法分别对中英文标签进行聚类,在标签聚类的基础上,采用先聚类后翻译的映射策略实现中英文标签的映射;在标签聚类及映射的基础上,自动发现多语言环境下潜在的社会关系网络。实验结果表明多语言环境下的社会关系网络比单一语言环境下的社会关系网络更为丰富。

基于聚类算法的风电波动过程研究

受电源结构和电网结构等因素制约,风电出力的随机性和波动性已给我国电网的安全运行和清洁能源的高效消纳带来了很大挑战。文中研究了基于自组织映射神经网络算法的风电波动过程划分方法,进而提出了基于聚类分析的多时空尺度风电波动特性研究框架。并在此基础上,以“三北”地区2017年实际运行数据为依据,从“风电场-省级电网-区域电网”三个层级研究了风电的分钟-小时级短期波动幅度特性和长期统计特性。分析结果表明,自组织映射聚类算法可对风电波动类别进行有效辨识,风电出力波动的时间-空间特性指标可对风电富集地区的调度运行提供量化决策依据。

基于天气类型聚类和LSTM的PM_(2.5)短期预测模型

为了提高多变天气状态下PM_(2.5)的预测精度,利用灰色关联分析确定与PM_(2.5)相关性较强的因素,通过Copula函数建模分析得出PM_(2.5)与AOD具有强相关性且季节差异明显。采用自组织特征映射(SOM)对天气类型进行聚类识别,基于LSTM建立不同天气类型下的PM_(2.5)浓度短期预测模型。算例结果表明,与传统BP神经网络、支持向量回归方法相比,基于LSTM建立的模型具有更高的预测精度。

基于BR-SOM聚类算法的配电网短期负荷预测

为了提高配电网短期负荷预测能力,建立贝叶斯正则化(Bayesian regularization(BR))的自组织特征映射网络(SOM)聚类算法对配电网短期负荷用电行为分析模型。输出层拓扑内存在紧密关联的节点与邻域节点,能够根据各自的特点开展学习,因此,相邻节点将会形成相近的权重,并达到与相近输入节点的良好匹配性。之后选择宁夏某地区的电网作为测试对象对该方法进行有效性验证。研究结果表明:通过改进后的Relief算法对电力系统负荷特征向量实施筛选,最终确定5个,大幅降低了特征量的数量,达到简化负荷描述的效果。测试了存在显著特征的三类用户负荷平均准确率,SOM算法准确率均在97%以上,验证了这个模型的准确性。

基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。

基于自组织映射的神经网络轨道客流时序研究

文章主要分析城市轨道交通客流时序趋势及神经网络的机理,建立了基于自组织映射结合周期性时间序列特征的神经网络预测模型,该模型不需要进行复杂的数学推导,直接传递输入和输出数据即可自动建立,并与神经网络仿真分析结合,具备收敛速度快和预测轨道客流最佳唯一逼近的特点。选择轨道AFC刷卡数据进行案例分析,文章建立的模型在轨道客流预测中具备良好的适应性。

基于气象资源插值与迁移学习的广域分布式光伏功率预测方法

针对广域分布式新能源普遍缺乏新能源资源监测装置,而导致功率预测精度不足的问题,提出一种基于气象资源插值与迁移学习的广域分布式光伏功率预测方法。首先,基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化插值;其次,依据插值结果对具有相同气象特征的光伏电站进行自组织映射(self-organizing maps,SOM)网络聚类,并对每一类中的光伏电站进行迁移学习的源域和目标域的划分,以保证预测精度;然后,结合长短期记忆(long short term memory,LSTM)网络,引入误差修正环节,建立源域至目标域的双迁移模型;最后,以浙江省绍兴市的分布式光伏电站为实例验证该方法的有效性。相比于对各个光伏电站单独建模,所提方法能将目标域光伏电站的训练速度提高10倍以上,且在预测精度方面也有显著提升,具有一定的推广应用价值。

基于高斯映射聚类的点云边缘提取算法

基于高斯映射聚类边缘提取算法提出了一种快速而精确的新方法,通过凝聚聚类和估计法线将高斯球中的法线进行聚类,通过分析每个点最近邻域点的协方差矩阵特征值来检测边缘特征。对不同的点云对象进行边缘提取对比实验,分别从边缘提取效果和提取时间进行对比分析。实验结果表明,所提方法能快速有效地提取点云的边缘特征,相比原高斯映射聚类边缘提取算法有很大的提升。

映射聚类算法在学生成绩管理中的应用

学生考试成绩包含的信息丰富,是教学工作的重要资料,常被用于学生学习效果的测定和教师教学质量的评估。采用一般如关联规则等数据挖掘方法发现其隐藏模式多存在缺陷,且传统的聚类算法不利于高维计算,无法从这类海量数据中提取有用信息。本文采用基于密度的最优映射聚类(DOC)算法对学生成绩进行分析,较好地解决了经典聚类算法中的维度灾难以及降维带来的信息丢失,且能同时得到相关维和相似类。实验表明DOC算法在学生成绩分析中,能够同时得到相关维和相似类,具有更高的效率,对于教学更具指导意义。

基于波动特性的风电出力时间序列建模方法研究

掌握风力发电的随机、波动与间歇特性,并在此基础上构建风电出力时间序列模型对于电力系统规划与运行具有重要意义。提出了一种构造未来风电出力场景的新方法。研究了风电波动过程特性,在极值点处将历史风电出力时间序列划分为波动,采用自组织映射(self-organization map,SOM)神经网络将波动聚类为大波动、中波动、小波动和低出力波动。波动变化规律可用高斯函数来定量表达。基于风电波动过程特性阐述了建模方法,将月份按波动出力特性进行分类,分别统计波动类间转移概率和类内统计参数的概率分布,按月序贯抽样风电波动类别与各统计参数,计算并模拟得到风电出力时间序列。对中国某省部分风电场进行了仿真模拟,统计特征参数的对比分析结果验证了上述方法的有效性。

快速DOC算法及其学生成绩分析中的应用研究

针对现有基于密度聚类算法在簇扩展方法上的优势及其聚类判据的弊端,提出了一种融入启发式思想的基于密度的DOC算法。启发式DOC算法通过降低扫描数据的个数,加快DOC算法的运行速度。实验表明,算法在聚类精度、执行效率方面具有一定的优越性,能够发现任意形状分布的数据。

面向智能电网的一种新型可信可控网络体系架构

智能电网中信息传输和通信调控的网络攻击在影响智能电网正常运行的同时,也会导致物理设备受到破坏并威胁其附近居民的生命财产安全。针对此问题,提出了一种新型可信可控网络体系架构,创建身份标签与位置标签,提出标签分离、聚类映射网络理论模型,实现身份信息与位置信息分离,研究一套全新的信息网络工作机理、原理以及协议体系,为智能电网高效、可靠和稳定运行奠定技术基础。实验结果表明,所设计网络体系架构对智能电网具有较好的支持,满足其安全可靠、可控可管的需求。

基于SOM聚类算法的核级管道支吊架根部智能选型研究

基于数据挖掘技术,对核级管道支吊架根部智能选型数据预处理方法开展了研究,研究了根部选型预处理的分类方法,设计了数据预处理流程,确定了支吊架根部选型的优先级顺序;基于自组织映射网络(SOM)聚类算法,研究了支吊架根部智能选型数据的计算流程;设计了实验平台,基于实际工程数据,验证了算法的可行性和有效性,证明了数据的预处理及聚类效果明显。

基于三维外形扫描的间隙阶差自动评定方法

为满足工业复杂间隙阶差自动检测的需要,采用三维结构光扫描方式,以多种对缝间隙阶差类型为研究对象,提出了一种适用于不同间隙阶差类型的自动评定检测方法。对预处理后的点云数据,基于三角形顶点法矢估计理论,结合高斯映射聚类完成间隙阶差模式划分,提出根据法向夹角的模式点识别方法,建立间隙阶差求解模型。通过对标准块进行测量实验,验证了方法的可行性。实验表明:所述方法间隙精度为0.03 mm、阶差精度为0.02 mm,满足工业间隙阶差测量要求。