基于BIRCH的分布式光伏系统短期发电功率预测方法

当前分布式光伏系统短期发电功率预测结构多设定为目标式,预测范围在实际发电环境下受限,导致平均绝对预测误差增加。为此设计基于利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing and Clustering Using Hierarchies,BIRCH)的分布式光伏系统短期发电功率预测方法。首先,明确预测指标,采用多层级的方式设计预测结构;其次,结合BIRCH原理,设计发电功率预测模型;最后,采用梯度回归处理的方式来实现最终预测。测试结果表明,对比传统变分模态分解-麻雀搜索算法-反向传播(Variational Mode Decomposition-Sparrow Search Algorithm-Back Propagation,VMD-SSA-BP)光伏系统短期发电功率预测小组、传统时序动态回归光伏系统短期发电功率预测小组,此次所设计的方法得出的平均绝对预测误差被较好地控制在2.1以下,预测效果更佳,针对性更强,误差可控,具有实际的应用价值。

基于连通距离和连通强度的BIRCH改进算法

为解决利用层次方法的平衡迭代规约和聚类(BIRCH)算法聚类结果依赖于数据对象的添加顺序,且对非球状的簇聚类效果不好以及受簇直径阈值的限制每个簇只能包含数量相近的数据对象的问题,提出一种改进的BIRCH算法。该算法用描述数据对象个体间连通性的连通距离和连通强度阈值替代簇直径阈值,还将簇合并的步骤加入到聚类特征树的生成过程中。在自定义及iris、wine、 pendigits数据集上的实验结果表明,该算法比多阈值BIRCH、密度改进BIRCH等现有改进算法的聚类准确率更高,尤其在大数据集上比密度改进BIRCH准确率提高6个百分点,耗时降低61%。说明该算法能够适用于在线实时增量数据,可以识别非球形簇和体积不均匀簇,具有去噪功能,且时间和空间复杂度明显降低。

基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识

低压台区单相用户的相位及接入表箱信息的准确性对户变关系纠错和线损治理分析有重要影响。目前,拓扑档案的校验主要依靠电力员工现场排查,人力物力消耗大且排查效率低下。因此,亟需一种效率较高的低压台区拓扑档案校验方法。在此背景下,文中提出了一种基于智能电表电压数据的低压台区单相用户相位及接入表箱辨识方法,可以为低压台区的拓扑辨识及排查提供参考。首先,采用t分布的随机近邻嵌入(t-SNE)技术对原始负荷数据进行降维处理,解决台区用户原始负荷特征维度过高带来的冗余性问题;接着,应用BIRCH方法对降维后的负荷数据进行聚类,实现台区下单相用户所属相位和接入表箱的辨识。最后,以浙江省海宁市某台区为例进行验证,算例分析的结果表明所提模型具有可行性和有效性。

基于阈值的BIRCH算法改进与分析

平衡迭代规约层次聚类(balanced iterative reducing and clustering using hierarchies, BIRCH)算法是一个综合的层次聚类算法。但BIRCH算法为叶子节点中的簇设置统一的空间阈值,根据数据对象与簇之间的距离来决定数据对象的插入位置,从而忽略了簇与簇之间的关系;此外,算法在分裂节点时,选取距离最远的2个聚类特征作为子簇,其他聚类特征会根据与这2个聚类特征之间的距离关系分裂为另外的子簇,造成处于簇与簇之间的样本数据错误分类,这样会忽略聚类特征之间的关系。针对BIRCH算法的这2个问题,提出了基于阈值的自适应算法,用于解决原算法统一空间阈值的问题;并在针对聚类特征关系的问题上,结合朴素贝叶斯算法对原算法进行改进。对改进后BIRCH算法与传统的算法进行仿真实验。结果表明,改进算法在损失效率的情况下,聚类效果得到了明显的改善,并且与其他算法相比,所提算法具有不错的表现性,而且具有跨数据集的鲁棒性。

基于DBIRCH算法的Argo剖面数据聚类

为解决实时分析处理的海洋Argo浮标剖面观测数据特有的数据密度较高、快速响应且需要识别任意形状簇等问题,提出了一种可通过单次扫描数据集进行有效处理的低复杂度聚类算法DBIRCH(Density-Based Balanced Iterative Reducing and Clustering Using Hierarchies)。该算法通过使用新引入的参数密度阈值修正因子,动态的更新限制CF(Clustering Feature)树生长的约束系数子空间阈值,同时结合密度关联思想在不同邻域内多次建立CF树且合并,最终以核心CF树子节点为聚类结果输出,避免了BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)算法对参数的过度依赖,同时因能处理任意形状簇从而提升了数据处理的整体鲁棒性,提高了处理Argo剖面监测数据的时效性和算法的整体吞吐速度。为测试算法的综合性能,使用真实Argo浮标剖面实时监测数据集,并根据不同的参数对算法做出多组对比实验,同时使用不同评价指标对算法从运行时间和聚类准确率上进行综合评估,从全局角度分析该算法在DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、BIRCH及DBIRCH 3种不同算法中综合聚类性能最优。实验结果表明,在3种算法中,BIRCH算法运算速度最快,但准确率最低;DBSCAN算法聚类性能高于BIRCH算法,但运算速度最慢;改进的DBIRCH算法运算效率略低于BIRCH算法,但聚类准确率最高。

基于改进的SOM聚类连续属性离散化算法

为解决连续属性值的离散化问题,提出了一种改进的自组织映射(SOM)聚类离散化算法,该算法利用SOM实现初始聚类,界定聚类上限;之后以初始聚类中心为样本,通过层次方法的平衡迭代规约和聚类(BIRCH)层次聚类算法进行二次聚类,解决聚类数虚高问题并确定离散断点集;最后对断点集任一样本找出其所在维各聚类中心的最近邻,以此作为离散微调依据。实验结果表明,该算法在断点集数(轮廓系数提升75%)及离散精度方面(不相容度更近似0)均优于传统SOM聚类离散化算法,可有效解决大样本、高维数据离散化问题。

一种CF树结合KNN图划分的文本聚类算法

为了提升文本聚类效果,改善传统聚类算法在参数设定,稳定性等方面存在的不足,提出新的文本聚类算法TCBIBK(a Text Clustering algorithm Based on Improved BIRCH and K-nearest neighbor)。该算法以BIRCH聚类算法为原型,聚类过程中除判断文本对象与簇的距离外,增加判断簇与簇之间的距离,采取主动的簇合并或分裂,设置动态的阈值。同时结合KNN分类算法,在保证良好聚类效率前提下提升聚类稳定性,将TCBIBK算法应用于文本聚类,能够提高文本聚类效果。对比实验结果表明,该算法聚类有效性与稳定性都得到较大提高。

基于平衡迭代规约层次聚类的无线传感器网络流量异常检测方案

针对现有网络流量异常检测方法不适用于实时无线传感器网络(WSN)检测环境、缺乏合理异常判决机制的问题,该文提出一种基于平衡迭代规约层次聚类(BIRCH)的WSN流量异常检测方案。该方案在扩充流量特征维度的基础上,利用BIRCH算法对流量特征进行聚类,通过设计动态簇阈值和邻居簇序号优化BIRCH聚类过程,以提高算法的聚类质量和性能鲁棒性。进一步,设计基于拐点的综合判决机制,结合预测、聚类结果对流量进行异常检测,保证方案的检测准确性。实验结果表明,所提方案在检测效果和检测性能稳定性上具有较为明显的优势。

基于BIRCH的木材缺陷识别

提出了一种新的基于分层的平衡迭代归约及聚类(balance iterative reducing and clustering using hierarchies,BIRCH)算法的木材缺陷识别方法,讨论了关于分支因子(B,L)、阈值T的选取及非缺陷类判别问题。该方法通过在一定阈值内构建CF树,产生初始聚类,对初始聚类进行非缺陷类判别,自动识别木材缺陷类及位置并标记。实验结果表明,该算法能有效地进行木材缺陷识别,平均识别查准率约为86.3%,平均识别查全率约为90.1%。