基于AP聚类算法的充电站/光伏电站一体化规划方法

文章基于熵权法构建光伏出力特性指标权重,利用AP聚类算法生成典型场景。同时,计入电动汽车负荷时空分布特性及需求响应能力,建立了负荷联动时空响应模型。基于分时电价与光伏典型场景出力,优化电动汽车充电时序及空间布局,满足充电站距离约束、系统网络约束等前提下,提出了以充电站年总成本最小、用户满意度指标最优的充电站/光伏电站一体化规划方法。最后,通过算例仿真,基于对各个场景下经济性与满意度等指标的权衡考量,求得了充电站/光伏电站一体化规划方案。

融合AP聚类算法和宽度学习系统的分布外硬盘故障预测

硬盘是云数据中心最主要的存储设备,硬盘故障预测是保障数据安全的重要手段。但是,硬盘的故障与健康样本之间存在着极端的数量不平衡问题,这会导致模型偏差;此外,不同型号的硬盘数据分布存在一定的差异,在特定硬盘数据上训练的模型往往不适用于其他硬盘。对于这两个问题,文中提出了一种融合AP聚类算法和宽度学习系统的分布外硬盘故障预测方法。针对样本不平衡问题,文中使用AP聚类算法对硬盘故障出现前一阶段的样本集进行聚类,将与故障样本处于同一聚类簇的样本扩充为故障样本。针对不同型号硬盘分布存在差异的问题,文中结合流形正则化框架和宽度学习系统来学习硬盘数据的低维结构,提高模型对未知分布数据的泛化能力。实验结果表明,在AP聚类算法重采样的样本集上,相较于用于对比的重采样方法得到的样本集,多种故障预测方法的F1_Score取得了平均0.2的提升。此外,在分布外硬盘故障预测任务上,所提模型的F1_Score相比对比方法提升了0.1~0.2。

基于AP聚类算法的联邦学习聚合算法

在传统的联邦学习中,多个客户端的本地模型由其隐私数据独立训练,中心服务器通过聚合本地模型生成共享的全局模型。然而,由于非独立同分布(Non-IID)数据等统计异质性,一个全局模型往往无法适应每个客户端。为了解决这个问题,本文提出一种针对Non-IID数据的基于AP聚类算法的联邦学习聚合算法(APFL)。在APFL中,服务器会根据客户端的数据特征,计算出每个客户端之间的相似度矩阵,再利用AP聚类算法对客户端划分不同的集群,构建多中心框架,为每个客户端计算出适合的个性化模型权重。将本文算法在FMINST数据集和CIFAR10数据集上进行实验,与传统联邦学习FedAvg相比,APFL在FMNIST数据集上提升了1.88个百分点,在CIFAR10数据集上提升了6.08个百分点。实验结果表明,本文所提出的APFL在Non-IID数据上可以提高联邦学习的精度性能。

基于AP聚类和CNN-BILSTM模型的建筑能耗预测

建筑能耗占全社会能耗总量近40%,建筑业是我国能耗最大的行业之一。为了反映建筑运行特性、减少碳排放,提出了一种基于Affinity Propagation(AP)聚类的CNN-BILSTM神经网络的混合建筑能耗预测模型。通过AP聚类把影响建筑能耗的因素进行聚类,得到主要的影响因素。在CNN-BILSTM模型中,卷积神经网络可以提取建筑物时间序列消耗数据中的深层次特征,双向的LSTM网络(BILSTM)中信息的流动是双向的,能够有效处理能耗数据之间的关系。实验结果表明,对比其他模型,CNN-BILSTM在评价指标上表现更好,预测更加准确。

基于深度学习算法与AP聚类的轻量级分布式数据泄露检测

轻量级分布式数据在分布上存在属性特征。在对该类数据的泄漏状态进行检测时,可能导致输出结果误差较大。因此,文章提出了基于深度学习算法与AP聚类的轻量级分布式数据泄露检测方法。结合数据簇不同区域meanshift模长的差异性,对分布式数据的局部中心量度进行了重新定义,并采用深度学习的方式将属于边缘区域的部分进行了剔除处理。同时,引入了AP聚类算法,将数据泄露检测问题转化为原始轻量级数据点初始连接能力计算和连接能力衰减状态计算的问题,从而根据聚类后数据簇内数据点之间的关系确定数据泄露状态。在测试结果中,设计检测方法的输出结果与实际设置值表现出较高的拟合度,对应的误差始终稳定在0.008以下,最小误差为0。

基于AP聚类-跳转持续MC的风电出力时间序列模拟生成方法研究

模拟生成概率等效条件下的风电出力时间序列对分析未来场景下风电出力不确定性以及提高风电消纳水平具有重要意义。针对传统马尔科夫链存在的问题,文中提出一种基于AP聚类-跳转持续马尔科夫链(Affinity Propagation Clustering-Transition and Persistence Markov Chain,AP-TP MC)的风电出力时间序列模拟生成方法。首先,对历史风电出力数据进行AP聚类,并对每一聚类类别下的风电序列建立相应的状态跳转矩阵;其次,依据马尔科夫链模型,结合风电出力状态持续时间特性,抽样并叠加符合混合高斯分布的波动分量,形成某一聚类类别下的风电出力时间序列;然后,依托类间转移矩阵,模拟生成风电出力时间序列;最后,通过对比传统马尔科夫链法与文中方法生成的风电出力时间序列与历史序列之间的统计指标、概率分布指标及自相关性指标,验证所提方法的有效性和准确性。

基于邻近传播聚类算法的LSTM短期风功率预测

考虑气象数据与风电场的历史风功率数据特征,提出一种基于邻近传播聚类算法的长短期记忆神经网络风功率预测模型。利用邻近传播聚类算法(Affinity Propagation,AP)对NWP数据与风功率数据聚类,分别得到多个子集;同时,为了获得能更好反映风功率的特征,采用主成分分析法(Principal Components Analysis,PCA)对NWP子集数据降维处理;最后利用特征匹配方法分别建立基于长短期记忆神经网络预测模型。根据预测日的NWP数据与前一日功率数据选取最优匹配模型进行风功率预测。使用宁夏某风电厂数据进行仿真验证,实验表明所提出方法可以提高短期风功率的预测精度。

结合特征金字塔网络的半监督AP聚类算法

为使AP算法对图像进行聚类时充分考虑不同尺度的特征及有效利用未标记数据的特征,提出了结合特征金字塔网络的半监督AP聚类算法(Semi-supervised AP clustering Based on Feature Pyramid Networks, FPNSAP)。FPNSAP算法使用改进的特征金字塔网络来获得图像不同尺度的特征图,对不同大小的特征图进行融合,获得图像的高级语义特征,识别不同大小、不同实例的目标;k近邻标记更新策略可以动态增加标记数据集样本数量,充分利用未标记数据的特征,提高AP算法的聚类性能。FPNSAP算法与四个经典算法(FCH、SAP、DCN和DFCM)在Fashion-MNIST、YaleB和CIFAR-10数据集上进行实验对比,结果表明,FPNSAP算法具有较高的聚类性能,同时算法的鲁棒性更好。

分布式计算中基于机器学习聚类的人力资源管理推荐

由于受到特征维度及数据规模的影响,人力资源精准推荐难度提升。为了提高人力资源管理平台的自适应推荐精准度,采用机器学习聚类推荐策略,将AP聚类算法应用于大规模人力资源推荐,并借助于Storm计算框架提高推荐效率。首先,根据人力资源平台的用户行为记录进行特征提取并初始化,并借助PCA算法进行特征提取,构建求职者和岗位的评分函数。然后,采用AP聚类算法对求职者—岗位特征进行聚类分析,根据聚类结果获得候选岗位推荐序列。AP聚类的所有过程均在Storm分布式节点中完成。通过对4家大型网络招聘平台的仿真分析,分别从不同推荐序列、不同聚类数目及不同特征数的角度下展开人力资源推荐性能分析。结果表明,AP聚类在4家平台的人力资源推荐中获得较高的Recall和F1性能,而分布式计算则有效提升了推荐加速比。

基于AP聚类和鲁棒优化的电网规划灵活性评估

高比例可再生能源的并网,给电力系统规划的灵活性带来了挑战。本文考虑源-荷双端的不确定性,提出了一种基于AP(affinity propagation)聚类和两阶段鲁棒优化的电网规划灵活性评估方法。首先,本文提出了基于AP聚类的远景年典型日负荷建模方法。其次,以区间的形式考虑可再生能源出力的不确定性,构建基于鲁棒优化的电力系统规划方案灵活性评估模型。最后,在整个周期的角度和各时间断面的角度提出了一组电网规划灵活性评估指标。本文利用IEEE RTS-24算例验证所提出方法的合理性。

基于LMD基本尺度熵的AP聚类滚动轴承故障诊断

针对滚动轴承聚类故障聚类模式识别方法中需要预先设定聚类数目问题,提出了一种基于局部均值分解(local mean decompoeiton,LMD)与基本尺度熵(base scale entropy,BSE)的相邻传播(affinity propagation,AP)滚动轴承聚类故障诊断方法。该方法首先使用LMD模型将滚动轴承的不同状态振动信号分解为若干乘积函数(production function,PF);其次使用BSE计算前三个PF的熵值(BSE1-BSE3),并将其作为AP的输入进行滚动轴承的故障模式识别。最后实验结果表明,在不需要划分聚类中心个数的前提条件下AP聚类模型对滚动轴承的故障划分效果较好。

基于优化SAX和带权负荷特性指标的AP聚类用户用电行为分析

智能电表的推广和安装,使用户侧累积了海量用电数据。特征提取和聚类分析作为有效的数据处理手段,有助于挖掘用电数据中隐藏的宝贵信息,提取用户的用电行为特性。为提取有效直观的负荷特性,本文提出利用优化SAX和带权负荷指标的AP聚类算法,对负荷曲线进行聚类。针对AP聚类复杂度较高的问题,首先利用SAX算法对负荷曲线进行降维并提取特征,利用基于模拟退火粒子群算法,优化确定合理的字符数和状态数;然后结合负荷特性指标,运用改进AP聚类算法,对负荷曲线进行聚类,聚类过程中采用熵权法对负荷特性指标进行客观赋权,避免指标设置的主观性。基于聚类结果,对各类用户的用电行为以及需求响应潜力进行分析。案例分析验证了该算法的高效性和有效性,并可应用于电网公司决策,如负荷预测、异常检测和提供差异化服务等。

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。

基于核主成分分析和AP聚类算法的电力系统态势感知技术

随着可再生能源渗透水平的不断提高,现代电力系统面临着更多不可避免的不确定性,这些不确定性可能导致系统的弱阻尼振荡问题。对于可再生能源渗透率很高的电力系统,检测同步发电机之间的相干性是态势感知的关键环节。为此,文中提出了一种基于广域测量系统(Based Area Measurement System,WAMS)的相干检测算法,该方法采用了核主成分分析(Kernel Principal Component Analysis,KPCA)和聚类(Affinity Propagation,AP)分析法可应用于可再生能源广泛渗透的电力系统。文中提出了几种轨迹相似度指标,用于确定惯性中心(Center of Inertia,COI)坐标中任意两个发电机轨迹之间的相似性;提出了一种基于KPCA方法的集成轨迹相似度指标,以解决多个指标之间的相干性问题;随后采用AP聚类分析方法检测同步发电机之间的相干性,可无需预先指定聚类的数量;利用高可再生能源发电渗透率的华南电力系统和包括张北风电场的华北电力系统的一部分进行仿真分析,结果证明了所提方法的适用性和实用性。

基于EEMD的样本熵的滚动轴承AP聚类故障诊断

针对滚动轴承聚类故障诊断需要事先确定聚类数目问题,提出了一种基于总体均值经验模式分解(EEMD)样本熵(SE)的相似近邻传播(AP)聚类故障诊断模型,该模型首先用EEMD方法将滚动轴承振动信号分解为一系列的内禀模式函数(IMFs),其次使用相关系数法确定IMF个数,然后使用SE计算其熵值,最后选择第1~3个IMF-SE值作为AP聚类算法的输入。实验结果表明:在没有预先划分聚类数目的情况下,AP聚类方法对滚动轴承的故障诊断效果较好。

GMAP:一种基于AP聚类的共词分析方法

文献计量学领域中的共词分析方法主要分为三个阶段:术语收集阶段、共现频率统计阶段以及聚类分析阶段,传统共词分析方法在以上三个阶段存在主观性过强、信息量不足,聚类不稳定、成员划分不合理、类团解释缺少语义分析等问题,导致了领域主题发现容易存在偏差。本文针对传统共词分析方法存在的缺陷提出了一种新的共词分析方法——GMAP共词分析方法,即将g指数、互信息概念以及AP聚类算法融入共词分析方法中。首先,使用g指数确定高频关键词的个数;其次,使用互信息概念对共现矩阵进行包容化处理;最后,使用AP算法进行聚类得出领域主题。为了验证GMAP的可行性和有效性,对中国古村落(传统村落)领域文献进行数值实验,结果显示GMAP共词分析法优于传统共词分析方法,为改进共词分析方法提供了一个新的研究思路。

基于AP聚类的支持向量机公交站点短时客流预测

公交站点短时客流预测是公交调度决策的基础,文中设计了一种基于AP聚类算法的支持向量机用于公交短时客流预测.该方法利用AP聚类算法将客流调查数据划分为若干个聚类子集,对每一子集建立支持向量机预测模型,并采用遗传算法对预测模型的参数进行优化选择.该方法在兰州市快速公交站点客流数据统计的基础上进行实例分析,结果表明:设计的遗传算法可以有效解决支持向量机模型中的参数优选问题,使用AP聚类算法对客流数据进行分类可以提高支持向量机的预测精度,该预测方法可有效的对公交车站客流进行短时预测.

基于LDA模型和AP聚类的主题演化分析

随着互联网的高速发展,网络信息呈现爆炸性增长态势,主题演化分析能够帮助人们从海量的互联网数据中获取更有价值的信息。分析主题的演化发展轨迹有利于人们了解主题事件发生的前因后果,并对主题事件发展趋势进行更好地预测,进而辅助管控。针对单个主题演化分析方法中阈值设定和主题漂移的问题,提出一种LDA-AP主题演化模型。该方法利用LDA模型对不同时间窗口内的新闻文本分别进行建模,得到相应的主题。利用AP聚类算法对不同时间窗口内的多个主题进行聚类,其中计算主题相似度采用加入时间衰减因子的JS散度来度量。最后对多个主题内容进行演化分析。通过相关的实验分析和对比,结果表明该方法可以改善主题演化的性能,并能较好地分析多个新闻主题事件随时间的演化趋势。

时空深度特征AP聚类的稀疏表示视频异常检测算法

针对异常行为检测问题,提出基于时空深度特征的AP聚类稀疏表示视频异常检测方法。由于视频序列中大量背景信息及有效信息分布不均匀的情况,首先利用光流结合非均匀的细胞分割对视频的运动目标进行提取并得到空间尺寸大小不同的时空兴趣块。其次利用三维卷积神经网络提取不同时空兴趣块的时空深度特征从而对原始视频序列进行三维描述。然后在字典学习时,采用AP聚类方法,将训练样本中具有代表性的特征作为字典,极大降低字典维度以及稀疏表示方法对计算内存的要求。本文将测试样本进行AP聚类后仅对具有代表性的聚类中心进行检测,在减少实验时间的同时削减了阈值对检测效果的敏感度。实验结果表明,与现有的检测方法相比本文方法具有优越性。

Harris角点检测与AP聚类结合的车牌定位方法

在车牌识别系统中,车牌的准确定位是关键,针对车牌区域包含有比较丰富的角点,提出了harris角点检测与AP聚类相结合的车牌定位方法.该方法先采用Harris算法检测出车牌区域的角点,然后对角点进行AP聚类并剔除包含角点数较少的类以及远离类中心的离群点,最后进行区域合并,根据车牌区域宽高比识别车牌区域.实验证明该方法能够快速、准确定位出车牌区域.