基于CFSFDP与四分位算法结合的风电机组异常数据处理方法研究

由于风力发电机组运行在恶劣环境中,导致SCADA系统采集的原始数据中会存在异常数据,对原始数据进行精确有效的数据预处理,是后续故障预警工作的基础。提出了CFSFDP算法与四分位法相结合的异常数据处理方法。基于国内实际风电场的测量数据实验验证,首先通过CFSFDP算法检测异常状态和离群噪声点,并使用四分位法处理正常工况附近的噪声数据。实验结果表明该方法可以有效剔除异常数据,提高数据质量,满足后续研究的需求。

基于CFSFDP与LightGBM的风电机组异常状态预警研究

提出一种基于快速密度峰值聚类(CFSFDP)和LightGBM模型结合的风电机组异常状态监测方法。首先采用CFSFDP算法对风电机组监控与数据采集(SCADA)数据中的异常工况数据与噪声数据进行清洗;之后利用贝叶斯优化算法搜索LightGBM的最优超参数并建立风电机组正常运行工况预测模型。针对风速随机性的特点,利用时移滑动窗口方法构建异常状态识别指标,并结合核密度估计法计算指标阈值以实现异常工况预警。应用某风场的真实历史故障数据进行实验,结果表明LightGBM预警模型能在故障发生前对风电机组的异常工况进行及时正确的预警,验证了方法的有效性。

基于KPCA-ICFSFDP-MOGP的拱坝多测点变形数据预处理及预测方法

为更高效地对高拱坝的多测点变形数据进行分析,引入了核主成分分析(KPCA)算法重构误差以识别多测点序列中的异常值;为解决用于测点聚类的密度峰值聚类(CFSFDP)算法高维表现较差的问题,利用KPCA算法对其进行降维操作,并提出了自动选取聚类中心与截断距离的改进CFSFDP(ICFSFDP)算法;基于KPCA-ICFSFDP和多输出高斯过程(MOGP)算法,按分区建立了多测点变形MOGP回归模型。实例验证结果表明,对于簇内点数量较少的类,相较于不分区的MOGP模型,预测效果得到了一定的提升,同时在整体MOGP模型表现良好的测点,分区后仍然保持较高的预测精度,且与单输出高斯过程模型对比均有所提升。

基于四分位与CFSFDP的风电机组异常数据清洗方法

在分析风机功率曲线异常数据的类型及产生原因的基础上,将异常数据划分为堆积型和离散型;在进行简单的异常数据剔除后,分别利用四分位–快速密度峰值聚类、快速密度峰值聚类–四分位这2种不同的组合方法进行数据清洗。将取自数据采集与监视控制系统的4台风机历史运行数据用于实验验证,并采用数据剔除率以及相关性指标来判断异常数据的清洗效果。实验结果表明所提算法可行、有效。

基于CFSFDP图拉普拉斯算法的非侵入式负荷监测方法

非侵入式负荷监测(NILM)是中国未来电网建设的重要发展方向之一。为克服传统非侵入式负荷监测方法的计算数据量大、辨识准确率较低等问题,提出了一种基于快速密度峰值搜索算法(CFSFDP)图拉普拉斯算法的非侵入式负荷监测方法。首先,该方法利用输入的设备有功功率数据采取快速密度峰值搜索聚类算法构建家用电器的功率阈值向量和先验图结构;然后,结合图信号的平滑度特征和总功率信号构建图拉普拉斯二次型最优函数,利用Tikhonov正则化方法以迭代的方式求得最优解,从而实现用电负荷图信号的重构;最后,根据功率阈值向量将图信号转换为功率信号,即可实现用户的非侵入式负荷监测。对某一家庭2 d的实测用电数据进行仿真分析,包括2 d内的负荷监测结果和采样频率对算法性能的影响,结果如下:1)该方法能够识别出第1天内工作的所有设备,各用电设备消耗用电量比例与实际耗电量比例接近。2)该方法对第2天的负荷识别准确率达到了90.1%,优于4种对比算法。单个用电设备的分解精度达到91%以上,绝大多数设备的用电量误差都低于对比算法。3)当数据采样间隔增大为2 min,所提算法的准确率、辨识精度和单设备分解精度都有所降低,但数值上优于对比算法,并且有更优的时间复杂度。研究结果验证了所提非侵入式负荷监测方法的有效性及其优越性,对于解决实际低频NILM问题有很大的优势。

ST-CFSFDP:快速搜索密度峰值的时空聚类算法

时空聚类算法是地理时空大数据挖掘的基础研究命题。针对传统CFSFDP聚类算法无法应用于时空数据挖掘的问题,本文提出一种时空约束的ST-CFSFDP(spatial-temporal clustering by fast search and find of density peaks)算法。在CFSFDP算法基础上加入时间约束,修改了样本属性值的计算策略,不仅解决了原算法单簇集多密度峰值问题,且可以区分并识别相同位置不同时间的簇集。本文利用模拟时空数据与真实的室内定位轨迹数据进行对比试验。结果表明,该算法在时间阈值90 s、距离阈值5 m的识别正确率高达82.4%,较经典ST-DBCSAN、ST-OPTICS及ST-AGNES聚类算法准确率分别提高了5.2%、4.2%和7.6%。

大规模无线传感网基于CFSFDP和泊松混合模型的分簇路由算法

针对无线传感网随规模的扩大其节点能量利用率较低的问题,提出了一种适用于大规模无线传感网的基于CFSFDP和泊松混合模型的分簇路由算法(CRCPMM)。其核心思想是:在基站利用改进的CFSFDP算法自动估计簇的数目K值并选取聚类中心,然后运用泊松混合模型将节点合理聚类,以保证聚类效果最优;簇间采用多跳传输方式,综合考虑簇首等效剩余能量、簇首之间的距离以及多跳路径与理想最优路径之间的角度。仿真结果表明:与低功耗自适应集簇(LEACH)协议、分布式能量有效非均匀成簇(DEBUC)协议相比,CRCPMM协议在大规模网络中具有明显的优势,能够有效均衡节点能耗,延长网络生命周期。

基于CFSFDP聚类算法的无人机航摄控制点布设方法

航摄控制点的布设对于目标航测作业效率和测量结果存在直接影响。为此,提出基于CFSFDP聚类算法的无人机航摄控制点布设方法。首先采用基于CFSFDP聚类算法对位置数据进行聚类,获取坐标系中重要的位置信息,然后利用光束法区域网空中三角测量方法获取航摄图像的外方位元素,并求解待定点地面坐标,从而确定布设点。实验结果表明:该方法可在覆盖率较高的情况下均匀布设控制点,使得无人机的航测结果与期望结果相差较小。

不确定GM-CFSFDP聚类算法在滑坡危险性预测中的应用

针对滑坡危险性预测中降雨等不确定诱发因素难以有效处理,CFSFDP算法需要人工尝试设置密度阈值以及对大规模数据集无法进行准确聚类等问题,为了提高滑坡危险性预测准确度,提出一种基于网格与类合并的不确定CFSFDP(简称不确定GM-CFSFDP)聚类算法.该算法首先引入不确定数据处理方法,设计了E-ML距离公式,有效刻画降雨不确定因素;其次通过网格划分的思想把大规模数据集划分到多个网格空间中,实现大规模数据有效编码;计算网格平均密度,建立网格密度阈值分布模型,动态获得网格密度阈值;最后利用层次聚类思想对关联性较高的类进行合并,构建不确定GM-CFSFDP算法模型,在延安宝塔区进行滑坡实例验证.实验结果表明不确定GMCFSFDP聚类算法获得较高的预测精度,从而验证了该算法在滑坡危险性预测中的可行性和先进性.

基于改进CFSFDP算法的电信投诉文本聚类方法

为了提高电信服务质量,增强企业竞争力,对电信投诉文本进行聚类,方便电信运营商分析投诉原因,文中提出了基于改进CFSFDP算法对电信投诉文本进行聚类的方法。通过差分进化算法寻找CFSFDP算法中最优密度阈值和距离阈值,降低密度及距离阈值的随机性选取对聚类准确率造成的影响。该算法使用Gaussian Kernel计算数据点密度,降低参数对密度计算的影响。在电信投诉文本数据集上的实验结果显示,改进CFSFDP算法聚类结果达到了与KMeans算法、CFSFDP算法、Agglomerative Clustering算法更好或者相当的效果,证明了算法的有效性。

基于CFSFDP聚类算法的WSN高能效分簇路由算法

为进一步降低无线传感器网络在周期性数据收集过程中的能量消耗,提出一种基于CFSFDP聚类算法的能量高效分簇路由算法。算法首先采用CFSFDP聚类算法对网络分簇进行集中控制,使网络各簇得到均衡分布的同时能够降低网络中的控制包开销;其次在簇头、副簇头及中继节点的选举公式中增加动态权重因子保证数据传输的可靠性;最后在选择下一跳中继节点时加入簇内能耗因子使各簇能耗能够更加均衡地下降。仿真结果显示,该算法网络生存周期较LEACH、KBECRA、CHTD-M算法均有显著提高,表明改进算法在降低和均衡网络能耗上具有优越性。

基于CFSFDP的箱粒子CPHD扩展目标跟踪

针对当前扩展目标跟踪量测划分方法中,距离划分存在划分数过多、计算复杂度高的问题,本文将密度峰值快速聚类算法CFSFDP (Clustering by Fast Search and Find of Density Peaks)与箱粒子势概率假设滤波器(Box Cardinalized Probability Hypothesis Density filter, Box-CPHD)相结合,提出基于CFSFDP的箱粒子CPHD扩展目标滤波算法.该算法采用CFSFDP进行量测划分,基于量测信息密度的不同可以有效划分区间量测,并剔除杂波量测,然后采用箱粒子CPHD进行预测更新和目标状态估计.仿真实验表明与经典的距离划分方法相比,在箱粒子CPHD扩展目标算法流程中采用CFSFDP进行量测预处理, CFSFDP在达到同等效果的前提下,运行时间明显减少;在剔除杂波之后的高杂波环境下,杂波的变化只影响距离划分的运算时间而不再影响CFSFDP划分,采用CFSFDP处理量测信息可以有效提高运行效率和算法实时性,剔除杂波之后在一定程度上提高了目标位置估计精度.

基于t-SNE与CFSFDP算法的多源局部放电脉冲分类技术

为解决在进行多源局部放电脉冲分类时因等效时频特征分布重叠而导致的脉冲无法有效分离的问题,提出一种基于t-SNE与CFSFDP算法的局部放电脉冲分类技术。该技术首先通过一种相位同步装置同时采集放电脉冲信号与其对应的相位信息,以单一放电脉冲的时频谱图作为对象,通过t-SNE算法对频谱数据进行降维,再对降维结果进行CFSFDP聚类,最后结合由相位同步装置采集到的相位信息对不同放电脉冲的PRPD谱图进行重构进而进行下一步分析。实验结果表明,基于t-SNE与CFSFDP的方法能有效地将不同放电脉冲进行分类,结合相位同步装置重构出的PRPD谱图符合放电特征。

基于Spark框架的CFSFDP改进算法

CFSFDP算法是一种基于密度的新型聚类算法。文中针对算法需使用决策图人工选取聚类中心点的问题,利用斜率思想找出聚类中心点与非聚类中心点间的分界点,在消除主观误差的同时实现了中心点的自动求取,并最终将算法使用Spark框架进行了并行化实现。实验结果表明,文中算法在消除人为误差的同时提升了算法效率,且并行后的算法具有良好的加速比与扩展性,适用于海量数据的聚类分析。

ACO-ELM与CFSFDP结合的机载动力系统参数估计

针对机载动力系统测试数据的不确定性,求解参数实时性差的问题,提出了基于快速寻找密度极点聚类与蚁群极限学习机的机载动力系统的参数估计方法。首先利用基于寻找密度极点的聚类算法对全工况范围内的测试数据进行聚类,然后在每一个子类中用极限学习机设计了子参数估计器,并用蚁群算法寻找极限学习机的最优隐层神经元数目。训练与测试表明,参数估计测试相对误差明显优于传统的RBF神经网络方法,且参数估计时间能够满足机载在线实时状态评估的需求,该方法可应用到其他不可测参数的估计。

基于CFSFDP算法的边缘电力数据异常检测

随着智能电网的不断发展,电力设备产生的数据量逐渐增多,如何利用电力数据成为电网发展的关键。为了保障电力数据的准确性,在边缘端快速检测并处理异常数据,提出了一种基于CFSFDP算法的电力数据异常检测的方法。该方法基于CFSFDP的假设,将局部密度较低且距高密度点较远的样本点定义为异常值,并创新使用了一种根据前后k值自动选择异常值的策略,解决了人工选择时存在主观因素影响的问题。通过与DBSCAN和LOF的比较表明,该方法能够快速、高效地找出电力数据中的异常值,适用于边缘电力数据异常检测。

基于多密度峰值的CFSFDP算法改进

CFSFDP(Clustering by Fast Search and Find of Density Peaks)算法在单个簇中存在多个密度峰值时,使用决策图难以确定聚类中心数量,导致聚类效果不佳的情况。对此提出将所有密度大于当前位置的数据点以及与当前位置的最小距离各归为一个集合,并对高斯核求得的局部密度排序。当存在多个密度峰值时,只选择第一个点作为聚类中心,同时利用归一化的γ值分布图确定聚类中心数。人工数据集和UCI数据集的数值模拟实验表明,改进CFSFDP算法在调整兰德系数、同质性、完整性、V-measure和标准互信息评分等各指标值均优于CFSFDP算法、DBSCAN算法和k-means算法。该算法弥补了CFSFDP算法对多密度峰值不能很好聚类的缺陷,适用于对较低维度的任意形数据集的聚类。

基于密度权值平均变化率的CFSFDP聚类算法

CFSFDP聚类算法适应于任意形状的类簇,不需要提前设定聚类数,通过对局部密度和距离的计算产生决策图,从而人工选择聚类中心.若聚类中心在决策图中基本重叠时,肉眼无法分辨,造成对聚类中心的漏选.文章采取基于密度权值平均变化率的CFSFDP聚类算法,增加数据点之间的差异性,以偏离的变化趋势求拐点,通过计算得到聚类中心,提高聚类的准确性.

基于RE-CFSFDP与DSA-LSSVM的山脊梁数据预测方法研究

面向真实山体数据(山脊梁变形位移数据为主,边坡地下水位等20项相关数据为辅)进行分析,在利用DSA优化最小二乘支持向量机(LSSVM)的核心参数的方法基础上,提出响应效率(Response Efficiency)概念,利用CFSFDP聚类方法以不确定数据降雨量为核心数据,将其他数据分为少雨、中雨、多雨三个不同时间分组数据,再对不同时间区域的数据进行预测,使有了时间延迟的聚类数据在DSA-LSSVM模型上有明显改善。

基于M-CFSFDP算法的战场目标分群方法

目标分群能够将战场目标划分为作战空间群,从而降低态势估计难度,提高决策效率。故针对战场中的目标分群问题,提出了一种基于流形距离(manifold)的密度峰值快速搜索聚类算法(clustering by fast search and find of density peaks,CFSFDP)的目标分群方法。该方法将目标分群转化为数据集聚类问题,通过计算目标间的流形距离来衡量目标间的相似度,然后在流形距离的基础上利用CFSFDP算法搜索聚类中心,指定其余数据点类别。仿真实验以人工数据集和UCI数据集为对象,验证了M-CFSFDP算法聚类效果优于CFSFDP算法;同时将M-CFSFDP应用在战场目标静态与动态分群中,仿真结果表明了该方法的正确性与有效性。