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。

基于改进高斯混合模型的变电站负荷聚类算法

针对传统高斯混合模型(Gaussian mixture model,GMM)聚类算法中计算复杂、收敛速度慢和人为确定聚类数目时存在盲目性和主观性等不足,提出了一种基于改进GMM的变电站负荷聚类算法。以传统GMM聚类算法为基础,采用k均值(k-means)算法确定初始聚类中心。减少了GMM聚类算法迭代步骤,提高了输出结果的稳定性。输出不同聚类数下聚类结果的Davies-Bouldin(DB)指标、CalinskiHarabasz(CH)指标和轮廓系数(silhouette coefficient,SC),应用熵权法确定不同评价指标所占权重,构建聚类评价混合指数(cluster evaluation mixed index,CEM)。将聚类评价混合指数最大值对应的聚类个数作为最佳聚类数目,再次输入到改进GMM聚类算法中,得到变电站负荷聚类结果和聚类中心。结果表明,所提方法增强了传统GMM聚类算法的计算速度和稳定性,对变电站负荷具有良好的聚类综合能力,有助于实现聚类结果最优化。

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%)。

应用高斯聚类的单木分割及树高和冠幅的提取

针对机载激光雷达点云中基于栅格化的冠层高度模型(CHM)所导致的原始点云数据丢失问题,提出了一种应用高斯模型聚类的单木信息提取方法。采用形态学开运算和高斯平滑方法形成高斯冠层最大模型(GCMM)能减少无关局部最大值对单木分割的影响,利用局部最大值法初步探测树冠顶点,通过最速下降法建立混合高斯模型得到树木位置和冠幅。利用聚类分析划分临近点云归属,进而实现单木参数准确提取,并提取单木最高点为树高。将点云分割方法应用于美国蓝岭地区6块圆形针叶林样地(r=30 m)。结果表明:单木分割F为0.89,正确分割单木树高提取精度95%,冠幅提取精度91%。结合实测数据对提取到的树高和冠幅进行相关性分析,树高R2=0.92,平均误差为-0.83 m;冠幅R2=0.84,平均误差为-0.42 m。相比于分水岭算法,高斯模型聚类方法F提高了11.2%,正确分割单木树高及冠幅提取精度提高了5.5%、5.8%,树高R2提高0.08,平均误差减少0.58 m;冠幅R2提高0.11,平均误差减少0.63 m。

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GMM聚类的AM-BiLSTM机场安检旅客流量预测

针对现有安检旅客流量预测研究大多为正常情况下的预测,未考虑异常突发情况下安检旅客流量的变化趋势,提出一种基于高斯混合模型(GMM)聚类的融合注意力机制的多变量双向长短期记忆(AM-BiLSTM)机场安检旅客流量预测模型。首先,利用GMM聚类算法对原始数据集使用日期特征和延误特征分别进行聚类分析,根据聚类所得的不同日安检旅客流量场景构建不同的AM-BiLSTM旅客流量预测模型。实验结果表明:与现有多种预测方法相比,该方法在不同场景下均能准确预测各时段的安检旅客流量。

基于毫米波雷达的近邻目标聚类和跟踪

为解决毫米波雷达在对多目标跟踪时目标近邻聚类失败导致的目标数目低估和跟踪精度下降问题,提出一种基于概率假设密度(probability hypothesis density,PHD)滤波器的量测集联合划分方法。利用带噪声密度空间聚类(density based spatial clustering of applications with noise,DBSCAN)算法对采集到的量测集进行初步划分。通过PHD滤波器的预测值判断初步划分的点云簇是否存在重叠簇。针对重叠簇,利用滤波器预测值改进高斯混合模型(Gaussian mixed model,GMM)聚类算法并进行子划分。在仿真和实际环境中进行算法测试,仿真结果表明,所提算法能正确划分并跟踪近邻的目标,相比其他算法具有更好的跟踪精度。实测结果进一步验证了该算法能够成功识别近邻目标数量并跟踪,具有一定的工程实践意义。

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。

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。

基于改进气象聚类分型的短期风电功率概率预测方法

精准的风电功率预测是对以新能源为主体的新型电力系统安全高效运行的重要支撑。针对现有预测方法未充分考虑不同气象条件下风电出力特性差异的问题,提出基于改进秃鹰搜索-最大期望算法的高斯混合模型(IBES-EM-GMM)聚类与气象分型的风电功率概率预测方法。首先,基于Levy飞行与自适应t分布变异策略改进秃鹰搜索算法,提出IBES-EM-GMM聚类模型,以增强其全局搜索能力。以此为基础,利用IBES-EM-GMM聚类模型对历史气象-功率数据集进行聚类划分,并采用混合深度神经网络与Cornish-Fisher级数分别训练不同气象模式的数据集以得到其概率预测结果。最后,选取中国冀北地区风电场实际数据进行算例仿真。结果表明,相较于无聚类和高斯混合模型聚类方法,所提IBES-EM-GMM聚类模型使聚类效果、风电功率点预测与概率预测精度均得到了显著提升。

基于改进INFO-CNN-QRGRU模型的农村分布式光伏发电短期概率预测

随着“双碳”目标的推进,清洁能源所占比重大幅度增加,分布式光伏发电在我国农村地区快速发展,但其随机性、间歇性的特点给新能源消纳和电网稳定带来很大的挑战。光伏发电预测可以在一定程度上改善新能源消纳问题,减少光伏发电的不稳定性对电网的冲击。因此,为提高光伏发电功率预测精度,提出一种基于改进向量加权平均算法优化CNN-QRGRU网络的光伏发电概率预测方法。首先采用ReliefF算法对特征变量进行选择,在此基础上利用高斯混合模型(Gaussian mixture model,GMM)聚类方法将天气分为晴天、晴转多云和阴雨天3种类型,将处理好的数据输入到CNN-GRU模型中,并利用向量加权平均(weighted mean of vectors algorithm,INFO)优化算法对模型超参数进行调参,将分位数回归模型(quantile regression,QR)与INFO-CNN-GRU模型相结合得到光伏功率条件分布,结合核密度估计法从条件分布中获得概率密度函数,完成概率预测。以实际光伏电站数据作为基础,将提出的INFO优化算法与其他几种传统的优化算法进行对比,结果表明INFO的优化效果更好,在此基础上进行概率预测,得到的概率预测结果相较于点预测能提供更多有效信息,更具有应用价值。

基于分布式聚类的作物生长环境异常检测方法

为了处理大量分布式存储的农业环境数据,提高农业生产效率,对高斯混合模型聚类算法进行了改进,提出了一种基于分布式聚类的农业环境数据异常检测方法.在Spark分布式计算框架下,首先对数据进行粗聚类,得到初始化模型;然后利用Spark迭代更新模型直至稳定,其中Map阶段将样本点分配到模型,Reduce阶段更新模型个数及参数;最后利用聚类结果,实现环境异常值的检测.实验结果表明该方法可行有效.

基于高斯混合模型的智能电表误差数据挖掘与分析方法

为了合理科学的选择误差最小的智能电表供给用电客户,设计了基于高斯混合模型的智能电表误差数据挖掘与分析方法。首先,分析了高斯混合模型与EM算法的基本思路,其次对智能电表误差数据求3次标准差作为建模数据,建立了以高斯混合算法为基础的智能电表误差数据模型,最后与传统的K-means聚类算法模型进行对比测试。实验结果表明,相对于其他聚类算法,所设计的方法轮廓系数值更大,性能更优。能够用于在大量的数据中寻找误差最小的智能电表,并能够给智能电表厂家反馈产品意见,同时还具有产品市场划分等功能。

基于数据场联合决策图改进的GMM聚类

针对传统聚类方法在处理复杂电磁环境下的雷达信号时存在的聚类质量低、参数需要人为设置、易受孤立噪声脉冲干扰等问题,提出一种基于数据场联合决策图改进的高斯混合模型(Gaussian mixture model,GMM)聚类算法。将数据场理论应用于数据对象密集程度的表征,生成势能距离决策图,进而自动实现聚类数目和中心点的选择,最后结合GMM聚类实现对数据对象的聚类划分。仿真实验结果表明,在脉冲到达角、脉宽、载频等参数存在较大抖动,测量误差以及存在孤立噪声脉冲干扰和脉冲丢失时,本文方法相较于现有典型分类方法具有更好的分选效果。

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。

基于高斯混合模型聚类的非均匀采样系统的多模型切换辨识

从概率统计方法出发,提出一种基于高斯混合模型聚类与递推最小二乘算法的非均匀采样系统的多模型建模方法.首先,采用高斯混合模型作为调度函数,使用最大期望(EM)算法迭代更新估计高斯混合模型中参数,从而通过每个子系统的高斯概率密度函数计算和比较来确定子系统的激活情况;其次,采用递推最小二乘算法估计局部子系统参数;然后,使用鞅收敛定理对所提出的算法性能进行分析;最后,通过非均匀采样系统的多模型建模来证明所提出方法的有效性.