基于VMD和改进聚类算法的配电网故障选线方法

为提高小电流接地系统单相接地故障的选线准确率,设计了一种基于调幅调频函数的变分模态分解VMD(variational mode decomposition)与K-means++聚类算法相结合的故障选线方案。对故障发生后各条线路零序电流信号进行VMD分解,得到多个自适应频带特征的本征模态函数;构造以低频分量的波形相关系数为横坐标和以高频分量初始极性为纵坐标的二维平面,在该二维平面绘制代表各出线的散点分布图;最后通过K-means++聚类算法对所构造的散点点集进行聚类分析,利用代表故障线路的散点属于离群点的特点,筛选出故障线路。通过Pscad软件进行仿真验证,结果表明,该故障选线方法不受条件改变的影响,能够实现对故障线路的准确识别,具有较好的抗噪能力。

基于季节性负荷自适应划分及重要点分割的多分段短期负荷预测

针对季节性电力负荷划分不准确及温度、湿度对电力负荷的动态性影响,提出一种基于季节性负荷自适应划分及重要点分割的多分段短期负荷预测模型。采用聚类与CART树相结合的方法,根据地区历史负荷数据自适应的确定当地季节性负荷划分规则;使用非参数核密度估计方法提取季节典型日负荷曲线,并基于划分结果对各季负荷曲线进行重要点分割;同时根据分割结果,采用基于皮尔逊相关系数加权的相似系数,对各时段负荷进行参考日的筛选,以确定预测模型的输入量,最后提出一种结合纵横交叉算法参数优化的鲁棒极限学习机进行多分段预测模型的建立。通过实例仿真分析,验证了所提方法提高预测精度的有效性。

基于密度聚类和投票判别的三维数据去噪方法

介绍一种有效发现和去除三维数据噪声方法,它既能改善去除噪声的效果,又能保持特征信息。该方法是一种两阶段噪声数据处理方法。该方法首先通过密度聚类将数据分类为正常簇集合、疑似簇集合、异常簇集合,然后利用正常簇集合中的点对疑似簇集合中各点进行投票判断,最终得到一个合理的三维点云数据模型。实验结果证明,该方法能够有效去除制造类工件模型的三维点云数据中的噪声数据,同时能良好保持模型表面的特征,加快处理效率。

利用LMedS算法与特征值法的点云平面拟合方法

针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中的异常点。然后,采用特征值法对剔除完异常点后的点云数据进行平面拟合,以获得更加精确的拟合平面参数解。最后,分别采用最小二乘法、特征值法、RANSAC+主成分分析法与所提出方法对仿真和实测点云数据进行平面拟合计算。实验结果表明,相比于其他方法,该方法的平面拟合精度更高,适用于对含有异常点的点云数据进行平面拟合,具有较高的鲁棒性。

一种新的鲁棒三维点云平面拟合方法

针对三维点云中的异常值和粗差点对平面拟合精度产生的影响,文章提出一种将随机采样一致(random sample consensus,RANSAC)算法与主成分分析(principal component analysis,PCA)方法相结合的点云平面拟合新方法。通过RANSAC算法剔除原始点云数据中的异常值和粗差,保留质量好的点云数据;再利用PCA方法对留下的点云数据进行平面拟合,以获得更为精确的拟合平面参数解。仿真模拟算例与实测数据实验结果表明,相比于传统的拟合算法,该拟合方法可以消除异常值和粗差点的影响,并且能够得到更为准确的拟合参数,是一种具有鲁棒性和适用性的新方法。

受限玻尔兹曼机结合聚类的特异点挖掘方法

为了减少高维数据“维数灾难”对聚类效果的影响,将高斯受限玻尔兹曼机与DBSCAN算法相结合。首先利用高斯受限玻尔兹曼机对训练数据进行降维,然后采用DBSCAN算法识别降维后的数据特异点,最后利用UCI数据集中的数据进行实验验证,并开发了相应演示系统。实验选取UCI数据集中的3组数据进行验证,结果发现,该方法准确率分别为0.778、0.714、0.900,分别比DBSCAN算法提高了0.19、0.514、0.186,效果优于DBSCAN算法。因此高斯受限玻尔兹曼机与DBSCAN算法结合不仅能提高识别结果准确度,而且能提升识别效率。

改进Kmeans算法的海洋数据异常检测

为解决Kmeans算法随机指定初始点聚类和海洋Argo浮标数据异常问题,提出一种改进Kmeans算法的海洋数据异常检测方法。提出一种改进Kmeans算法DMKmeans(density mathematics Kmeans),选取给定邻域范围内最近邻数据点最多的点为初始中心点,迭代聚类,直到准则函数收敛,聚类结束;基于DMKmeans算法对数据集聚类,使用数学模型为准则进行海洋监测数据异常检测。通过海洋监测数据异常检测仿真实验,将DMKmeans算法与传统Kmeans算法及MinMaxKmeans算法做对比分析,其结果表明,提出算法能有效提高聚类准确率和异常检测率。

改进的FCM聚类算法在Weka平台的应用

模糊C-均值聚类算法是目前应用最广泛的聚类算法,但其仍然存在对孤立点敏感及对初始中心点依赖等问题.为此,提出了一种改进的基于样本加权的模糊聚类算法,该算法可以更加准确的获得初始中心点且去除噪声点.同时,针对Weka系统中聚类算法的薄弱性以及聚类问题在数据挖掘领域的广泛性,本文对此平台进行二次开发并对传统FCM算法与改进算法进行研究,研究发现,改进算法使得聚类结果稳定,且能准确获得聚类结果,提高了算法准确率.

离群点算法和用电信息采集数据在反窃电中的应用

近年来,窃电手段呈现多样化,给供电企业效益和管理带来很多困难。为了营造更加公平、安全的供用电环境,提出利用离群点算法,并结合用电信息采集数据,对同类用户的电量建立特征模型,通过模型和目标用户的比对,筛选出疑似窃电用户,并结合对目标用户功率的采样、跟踪,以及现场勘查,定位窃电用户,解决反窃电工作量大、定位范围太广的问题。

基于DKC值的K-means改进聚类算法的研究

由于K-means算法的中心点是随机选择的,这样会导致聚类结果很不稳定,同时,孤立点的存在也会影响到聚类的精度,为解决这些问题及二者之间互相牵制,文章基于DCK值来对初始聚类中心进行选择,同时去除数据中的孤立点,使得聚类中心相对稳定,再利用改进的k-means算法对数据进行聚类,改进后的算法较原始算法更准确。

一种改进的K-Means算法

传统K-Means对算法使用者有较高的要求,需要明确K值,并确定初始中心点的位置。通过定义、检测并删除离群点,运用Canopy算法辅助确认K值范围和粗略中心点,借助Silhouette评价指标选择最优K值及其对应的聚类结果的方法,对传统K-Means算法进行改进,改进后的算法不需要手工输入K值和初始中心点。验证结果表明:改进的K-Means算法在聚类时,结果稳定准确,且当数据点数量较大时在迭代次数方面略优于传统算法。

基于谱聚类算法的人力资源数据集离群点快速挖掘方法

当前的数据集离群点挖掘方法一般设置为引导式结构,挖掘效率较低。为此,提出基于谱聚类算法的人力资源数据集离群点快速挖掘方法。先预处理多维人力资源数据集,采用多节点机制提高挖掘的效率,然后构建谱聚类测算离群点快速挖掘模型,采用回归处理实现快速挖掘。测试结果表明,相同的测试周期中,文章提出的方法最多可以挖掘27次,说明在谱聚类算法的辅助下,该算法的挖掘效率更高。

基于IMU和改进ICP算法的激光雷达点云融合算法

针对现有多线激光雷达点云融合方法效率低、精度低的问题,提出一种基于IMU和ICP算法的激光雷达点云融合算法。首先采用体素滤波对点云进行降采样,接着通过Statistical-Outlier-Removal滤波器剔除激光雷达点云中的离散点,并引入IMU信息完成点云畸变矫正;然后采用改进SAC-IA算法和改进ICP算法对当前帧和历史帧特征点云进行初始配准和精确配准。在两个不同场景下对该算法进行了实验验证,在室外实验环境下,与传统的NDT、FPFH和NDT-ICP算法相比,该算法配准的均方根误差分别为其87.60%、59.25%和87.88%,在室内环境下,均方根误差分别为其74.69%、37.90%和81.32%,表明该算法具有更好的点云配准精度,可实现两帧点云的高精度融合。