基于CLARA算法的考虑时序特性分布式电源规划

针对配电网分布式电源(DG)的优化选址定容问题,以配电网年损耗电量最小为目标,考虑不同类型DG出力的随机性和时序特性,建立多场景多时段混合整数非线性随机优化模型。利用蒙特卡洛方法生成描述DG出力的序列场景,通过考虑各场景需要满足的约束条件近似对随机过程进行约束,将原随机优化问题转化为确定性优化问题。利用CLARA算法对各场景各时段模拟得到的样本进行聚类,以避免全场景下样本规模大、模型求解难等问题。IEEE 14和IEEE 33节点标准系统的测试表明,所提模型和算法能有效利用不同类型DG的时序互补作用,提高配电网对DG出力的消纳能力。与不采用聚类方法全场景代入及采用PAM聚类方法相比,所提算法在保证优化结果近似误差低于3%的同时,能显著降低模型的求解难度和节省计算时间。

聚类分析中CLARA算法的分析与实现

讨论了CLARA算法的基本思想,给出了CLARA算法的步骤,并分析其计算复杂性.然后以MapInfo为平台,用MapBasic编程,将算法分为样本数据抽取、聚类划分、代价计算3部分,对CLARA算法的设计与实现进行了系统的分析.

基于Clara算法的电力工程大数据分析与评估模型设计

针对Clara算法在电力工程大数据分析领域的应用问题,文中介绍了Clara算法的基本思路与算法步骤,进一步提出了基于Clara算法的电力工程造价评估方法。其采用Clara算法通过反复随机抽样方法,利用部分数据样本还原整体数据样本的特征,实现对大规模电力工程数据进行聚类分组,并将聚类结果作为多元回归分析(Multiple Regression Analysis,MRA)的输入数据,分析得到电力工程数据对其造价评估的影响模式。通过算例测算结果表明,相比于PAM聚类算法与K-means,所提Clara算法能够减小聚类分析的计算时间,同时提高电力工程造价评估的准确性。

基于SVM-Clara模型的机械设备状态监测方法

对工业机械设备的状态进行及时监测,可以极大程度地降低企业因工业设备故障带来的损失。以传统的设备状态监测方法为基础,结合机器学习中的SVM支持向量机算法与Clara聚类算法,首次提出了基于SVM-Clara模型的机械设备状态监测方法。通过仿真实验,首先得到了SVM-Clara模型的最高效率为96.9%,最佳训练数据量为7000,此时模型最高的聚类效率为32.07%;接着再与传统的三种机械设备状态监测方法进行横向对比,得出SVM-Clara模型的理论准确率为95.8333%,证明了基于SVM-Clara模型的机械设备状态监测方法的准确性与高效性。

基于出租车GPS轨迹的城市区域时空交互特征分析

城市大数据为探索城市内部居民出行的行为特征提供数据支撑。本文将以兰州市出租车GPS轨迹数据为基础,结合数据挖掘和可视化技术,研究兰州市城市居民出行规律和城市空间交互特征。首先,分析4个城区居民出行特征和城区间空间交互特征;然后,采用城市栅格方法,统计分析城市栅格空间之间的交通出行量,并采用CLARA聚类算法识别工作日和周末的城市交通热点区域;最后,建立有向加权复杂网络模型,分析城市交通热点区域之间的空间交互强度。研究结果表明,在工作日和周末兰州市居民出行行为时空特征和城市空间交互特征都存在明显差异,相比于周末,工作日出行更加紧凑密集且具有较强目的性,出行量的聚类结构总体呈现与兰州市河谷型地形相匹配的“哑铃”状分布形状,接近城市中心的相邻聚类区域之间空间交互强度较强。该研究结果可为城市交通管理和居民出行提供决策服务。

基于Hadoop的电力环保数据采集平台设计

随着信息化时代的到来,网络通信能力的提高,数据采集也有了多种方式。环保数据作为常用信息载体,数量在急剧增加中,处理数据的技术还停留在基础阶段。在此背景下设计了基于Hadoop的环保数据采集平台。该平台是基于Hadoop框架,配合子项目Hive和HBase,完成全面的数据分析支持。采用PIC18F8722单片机为核心组件,对传感器收集到的数据通过GPRS无线网络上传,利用CLARA聚类算法对数据进行整合归类,最后通过数据节点完成对数据的储存、备份过程。

基于光纤通信的变电站设备运行状态自动监测方法

变电站设备运行环境的干扰较多,导致难以保障检测其运行状态时的正判率。因此,提出基于光纤通信的变电站设备运行状态自动监测方法研究。采用光纤通信技术中的自适应非饱和正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术,分析变电站复杂电磁环境下的信道特性,通过动态调整信噪比(Signal Noise Ratio,SNR)阈值,使各子载波的有效性能够支持高质量的设备数据传输。在状态监测阶段,利用Clara算法对原始的电力设备数据进行多次随机抽样和聚类,根据最优电力设备数据聚类中心及其对应的聚类结果,将变电站设备的运行状态划分为正常运行和异常状态。测试结果显示,对于不同监测数据对应运行状态的正判率均在98.0%以上。