基于GSA的肘形判据用于电力系统不良数据辨识

在分析GSA(gap statistic algorithm)数据挖掘技术应用于电力系统不良数据辨识的基础上,提出一种判断最佳聚类个数的肘形判据,该判据通过分析数据集的聚类离散度与聚类个数k的关系,按照各个k点的聚类离散度计算k处的肘形折角,并以最小肘形折角判断最佳聚类个数。将该判据与GSA相结合用于电力系统不良数据辨识。仿真结果表明:该方法不仅可以避免状态估计方法辨识的残差污染和残差淹没现象,而且可以克服单纯GSA辨识法在计算速度和辨识准确性方面的缺陷。对于大系统、数据量巨大的情况,该方法是一种快速高效的算法,具有很好的应用前景。

基于优化GSA算法的不良数据辨识方法研究

不良数据辨识是提高工业自动化监测数据可靠性的有效方法。为克服聚类初值随意选取对传统GSA不良数据辨识算法的精度和运算速度造成的负面影响,本文利用最大最小距离法对基于GSA不良数据辨识过程进行了优化。分别将传统GSA算法和优化GSA算法应用于UCI标准数据库中的IRIS数据集辨识中,仿真结果表明,优化GSA算法在辨识精度和计算耗时方面明显优于传统GSA方法。