基于加权FCM聚类算法的电力交易数据动态提取模型

海量、冗余的电力交易数据极大地阻碍了电力交易决策,为此,研究基于加权FCM聚类算法的电力交易数据动态提取模型。汇聚预处理电力交易数据,压缩数据体量,基于全排列理论排序处理电力交易数据,提取电力交易数据特征(波动性、趋势性与变动性特征)作为FCM聚类算法的加权依据,获得对应的加权矩阵,应用加权FCM聚类算法聚类提取需求的电力交易数据,实现电力交易数据的动态提取。实验数据表明,该模型获得的电力交易数据聚类参数DBI数值较小,DVI数值较大,电力交易数据动态提取时间较短,应用性能更佳。

一种针对分类型数据的熵特征变换FCM聚类算法

针对分类型数据导致聚类性能下降的问题,本文提出一种新的熵特征变换FCM聚类算法。首先根据熵的数学描述形式,定义分类型数据参数的熵特征值,进而生成熵特征变换模型及其增量模型;接着定义模型的矩阵“痕迹”,获取EFTM模型数据的特征集合;然后融合FCM聚类分析,设计一种以熵为特征提取的主体描述形式的聚类算法;最后实验均表明,该算法具有较高的自适应性。

基于改进FCM聚类的光伏电站出力场景特性研究

为提高新型电力系统的运行安全可靠性,需要对光伏电站的出力特性进行量化评估,并从高不确定性的众多发电场景中掌握光伏电站的运行规律。为此,基于场景聚类和缩减原理对光伏出力进行分析。首先提出光伏出力特性的评价指标,包括波动性和出力效率2个一级指标和相应的二级指标;然后采用模糊C均值(fuzzy C-means,FCM)聚类算法,基于密度思想和距离最大、最小原则确定初始聚类中心,通过不断迭代得到不同场景下光伏出力的聚类结果。考虑到传统聚类算法存在局部收敛性,难以确定最优聚类数目,提出结合聚类有效性指标来确定聚类最优数目,进而采用基于概率距离的前推回代法对得到的聚类结果进行场景削减,最终得到光伏电站季节典型出力场景。最后基于广东省某光伏电站实际出力数据进行分析,验证所提指标和算法的有效性。

数据挖掘聚类算法在电力系统中的应用

针对电力系统当前输出数据多、数据应用能力差等问题,提出一种新型的数据挖掘方法。构建改进型数据挖掘聚类算法模型,通过FCM聚类算法模型实现电力系统应用过程中不同状态数据分析、计算与应用;构建回归算法模型,实现分类后数据信息的预测;通过构建电力系统应用模型,将不同的数据信息融合后,实现了多种数据信息的挖掘与应用。实验证明,该研究方法分类能力强、预测精度高,可推广使用。

基于改进FCM聚类算法的混合建模方法在苯酚浓度预测中的应用

为了解决单一模型无法满足复杂化工生产过程预测精度要求的问题,引入混合建模方法。首先,考虑到模糊C均值聚类(FCM)算法在初始聚类中心选择上存在的缺陷,采用SA算法和GA算法对其进行优化,以选择最合适的初始聚类中心,提高聚类精度;然后,基于支持向量机建立各子类预测模型;最后,将测试样本划分到各子类中,采用各子类模型仿真得到预测值。采用混合建模方法和单模型方法预测苯酚浓度并与真实值对比,结果表明:笔者所提混合模型得到的平均相对误差(MRE)和最大相对误差(MXRE)均小于单模型的。

适应性FCM聚类分析对机床立柱温度特征的改进试验

在实际中加工过程中,为了保证机床Z方向的加工精度,需准确分析立柱的温度特征,由于立柱热特性样本量复杂,因此提出适应性FCM聚类分析法对立柱温度测点进行合理改进研究,其改进依据为立柱温度及热变形量,通过设置聚类数C的适应性目标分析函数,建立适应性FCM聚类算法可靠性仿真模型,得到温度测点收敛性与鲁棒性较好的多元回归关键测点热误差样本。研究表明:采用对机床立柱预先布置温度测点,通过适应性FCM聚类分析法对温度测点进行合理优化,由此将测点数由7个缩减至3个,同时提高了模型的预测准确性与鲁棒性。该方法为机床热误差测点设计优化提供了新的解决途径,在实际研究中具有较好的应用前景。

适应性FCM聚类分析对导轨温度特征的改进研究

为能够准确地分析导轨的温度特征,采用适应性FCM聚类分析法对导轨温度测点进行合理改进研究,其改进依据为导轨温度及热变形量,通过设置聚类数C的适应性目标分析函数,建立适应性FCM聚类算法可靠性仿真模型,得到温度测点收敛性与鲁棒性较好的多元回归关键测点热误差样本。研究表明,采用对机床导轨预先布置温度测点,通过适应性FCM聚类分析法对温度测点进行合理优化,可将测点数由5个缩减至3个,同时提高了模型预测的准确性与鲁棒性。

采用适应性遗传算法进行数据聚类的研究

数据聚类(Clustering),是数据分析的重要前提和数据挖掘的重要应用基础之一.通过聚类可以将数据库中属性值一样的数据归类在一起.在切割式数据聚类的方法中,常用的算法是K-Means算法;但K-Means算法在处理大量的数据聚类时,无法妥善聚类以及对于重叠的数据点无法妥善处理.给出一种适应性遗传算法,它借助遗传算法拥有的随机多点搜寻的能力以及鲁棒性,搭配着选择、交配和突变流程,同时结合适应性的观念来解决K-Means算法的缺点.以适应性遗传算法来解决数据聚类的问题,从实验结果来看,适应性遗传算法的聚类结果优于传统的聚类方式.

基于自适应FCM算法的智能母线负荷聚类特性研究

随着新一轮的科技革新和电力体制改革的不断深入,电力调度的智能化和工作精细化的要求不断提高。以母线负荷数据的有效信息提取和应用为主线,结合广西省母线负荷数据,基于自适应FCM算法对区域电网母线建立聚类C模型,从而针对不同母线的负荷特征进行分析,为精确的负荷预测提供了一种新思路和算法参考。

自适应细菌觅食的FCM聚类优化算法研究

在初始化FCM聚类算法时,聚类类别数需要手动去设置,并随机初始聚类中心,导致此算法极其容易陷入局部最优值。通过利用改进的细菌觅食算法,进行FCM算法的聚类中心的初始化,解决FCM算法对初始聚类中心敏感的问题;通过一些有效性的指标,对FCM算法和优化FCM算法进行评估,指标说明了优化FCM算法更好。在仿真实验中,将优化FCM算法和标准FCM算法用到多类图像分割中,进行了图像分割的准确性和实时性的比较,且验证了所述的优化算法的实时性。

基于多维波形差异度聚类分析的配电网故障区段定位方法

谐振接地系统运行环境繁杂,单相接地故障发生状态多变,基于单一特征量的传统配电网故障区段定位方法存在各自的定位判别盲区,方法可靠性和适用性难以保障。针对上述问题提出了一种无需整定的基于多维波形差异度聚类分析的配电网故障区段定位方法。依据故障点上下游各检测点零序电流暂态及稳态分量的波形差异性特征,通过离散Fréchet距离算法量化相邻检测点间的暂态及稳态波形差异度,并采用模糊C均值算法(fuzzyC-means,FCM)综合多特征信息以区分正常区段与故障区段,有效消除了单一特征定位盲区,实现故障区段自适应准确定位。PSCAD/EMTDC仿真结果以及10kV真型实验结果表明所提方法不仅保证了在不同故障工况下的定位可靠性和适用性,还具有耐高阻能力强、抗噪性高等优点。

基于FCM聚类算法的自适应逆控制器设计

针对自适应逆控制器难以获得对象逆模型的问题,提出一种基于FCM聚类算法的自适应逆控制器设计算法。首先利用模糊C均值(FCM)聚类算法建立对象的逆模型,该逆模型采用T-S模糊模型。在逆模型的基础上,设计自适应逆控制器,逆控制器的参数通过最小均方(LMS)算法进行在线调整。仿真试验表明:基于FCM聚类算法的自适应逆控制器具有较好的控制效果。

基于K-SVD算法的数字图像自适应修复方法

为了提升数字图像的完整性和清晰度,提出一种基于K-SVD算法的数字图像自适应修复方法。通过FCM算法将数字图像划分成不同的图像块,将不同类别的数字图像依据K-SVD算法的稀疏编码和字典更新模块进行训练,获取各个不同类别数字图像块的字典,求出其稀疏系数,结合字典和稀疏系数更新数字图像中的每一类图像块,完成数字图像中每一类图像块的修复或重构,将修复好的图像块放回原数字图像中,实现数字图像的自适应修复。实验结果表明,该方法能够有效地恢复图像的细节和结构,修复后的数字图像均方根误差低,并且具有较高的峰值信噪比,同时,修复后的数字图像与原图像的结构相似性高达0.95,且在数字图像修复效率方面具备显著优势。

基于WAMS/SCADA数据兼容和改进FCM聚类算法的PMU最优配置

针对当前应用于状态估计的广域量测系统(wide area measurement system,WAMS)和SCADA系统混合量测中相量测量单元(phasor measurement unit,PMU)最优配置点的选取问题,在分析WAMS/SCADA数据差异的基础上,提出一种基于数据兼容和改进模糊C均值(fuzzy C-means,FCM)聚类算法的PMU最优配置方案。采用大数据挖掘理念,通过改进FCM聚类算法对SCADA数据依据相关度分区,在分区内可观测度最大的节点配置PMU,各分区内采用该PMU节点的最优平滑系数进行Vondrak插值,得到满足兼容性的数据,应用于混合模型的状态估计。相对只考虑可观测度的PMU配置方案,新方案不仅可以实现WAMS/SCADA数据有效兼容,提高估计精度,应用混合量测的状态估计还可有效控制系统负荷快速变化时的估计误差。通过在IEEE 39节点系统上模拟日负荷变化,验证了该PMU最优配置方案的有效性。

一种改进的模糊C-均值(FCM)聚类算法

模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小,鉴于遗传算法(GA)的并行全局搜索能力,文章将遗传算法引入进来对FCM聚类算法加以改进,并对所提出的新算法与经典算法的迭代步数和运行时间进行比较。实验结果表明:该算法与FCM聚类算法相比收敛速度更快,迭代步数更少。

模糊C-均值(FCM)聚类算法的实现

传统的FCM算法能够将靠近边界的具有固有形状的两个簇合并成为一个大的簇。然而,对于一些稍微复杂的数据,如果没有其它的像去除小簇之类的机制的话,FCM算法很难将非常接近的类聚类到一起。给出的聚类算法是在传统FCM算法的循环之后添加了去除掉空簇的步骤,解决了上述很难将非常接近的类聚到一个簇中的问题。另外,为便于选出最优结果,在递归之后又添加了计算聚类有效性的步骤。最后用Java实现了该算法并在数据集上进行了实验,证实了改进方法的有效性。

一种基于遗传算法的模糊聚类算法及其与FCM算法的结合

在各种糊聚类算法中 ,模糊C -均值聚类算法FCM (FuzzyC MeanClusteringAlgorithm )的应用最为广泛。但在实际的应用中 ,FCM算法却容易陷入局部最优解。因此 ,本文首先提出了一种基于遗传算法GA(GeneticAlgorithm )的模糊聚类分析方法 ,它利用了遗传算法随机搜索的特点 ,可以避免陷入局部最优解。实验表明 ,将该遗传算法与FCM算法结合起来进行聚类分析 ,比单一使用遗传算法或单一使用FCM算法进行聚类分析的效果都要好。

一种基于三角模糊数多指标信息的FCM聚类算法

针对一类具有不确定性三角模糊数多指标信息的聚类分析问题,基于传统的数值信息FCM聚类算法,提出一种新的聚类分析算法.首先描述了具有三角模糊数多指标信息的聚类分析问题,提出并证明了基于三角模糊数多指标信息的关于最优划分和最优聚类中心确定的两个定理;然后根据这两个定理,进一步给出了基于三角模糊数信息的FCM聚类算法的迭代步骤;最后通过一个算例说明了该聚类算法的具体应用.

半监督FCM聚类算法目标函数研究

分析了现有半监督FCM算法目标函数的物理意义和平衡系数α的选取,说明Stutz对Pedrycz目标函数的修改使半监督的物理意义更清楚,它在α=1,0时均退化为标准FCM算法,给出了修改后SS-FCM算法的交替求解过程。实验结果:(1)修改算法与Pedrycz算法有相同的半监督作用和清楚的物理解释;(2)对labeled样本采用FCM算法赋值比用随机数的收敛稳定性高;(3)优选的少量labeled样本,使用模糊协方差的SS-CFCM算法提高了聚类准确性和收敛速度。

一种FCM聚类算法的改进与优化

针对一种FCM聚类算法的一些不足 ,提出了具体的改进与提高的方法 ,并引入模糊决策理论 ,进行算法参数m的优化选择。改进后的算法 ,一方面有效地弥补了原算法中存在的不足 ,更好地解决了聚类数目选择等初值问题 ;另一方面 ,通过对参数m的优化选择 ,取得了较理想的聚类效果。最后给出了几种聚类算法对某数据样本集的聚类对比结果。