下行RIS-NOMA的用户集群方法

为提高用户分布非均匀的场景下可重构智能表面(RIS)辅助下行非正交多址(NOMA)通信系统的性能,提出了一种分布式RIS辅助下行NOMA的用户聚类方案。首先,采用自适应几何分布(AGD)聚类算法划分用户集群(UCs),从而为各UC匹配RIS。然后,利用分式规划(FP)方法将非凸最大化频谱效率问题转换为凸优化问题。最后,为UC内用户逐级进行功率分配(PA)与被动波束形成(PB)。仿真结果表明,与谱聚类(SPC)、K均值(K-means)、高斯混合模型(GMM)聚类方案和正交多址(OMA)方案相比,在AGD方案下,功率对频谱效率提升了7%、14%、19%和42%的增益,反射面对频谱效率提升了16%、19%、26%和40%的增益。

基于多特征符号聚合近似和层次聚类的户变关系识别方法

针对低压配电台区拓扑档案中可能存在的户变关系异常问题,文中提出了一种基于多特征符号聚合近似(MF-SAX)和层次聚类的户变关系识别方法。首先,运用符号聚合近似表达方法将用户电压时间序列转化为字符串序列,并引入电压波动系数和电压变化趋势两个附加参数对其特征表达进行强化。然后,基于编辑距离生成用户电压曲线相似性矩阵,并结合层次聚类算法实现户变关系的识别。最后,实际算例结果表明,提出的方法相比于现有方法准确率更高,误报更少,能直接应对数据缺失的情况,且具有更高的效率。

K-means算法在高速公路ETC数据分析中的应用

为了更高效地利用高速公路ETC数据集并提升数据处理速度,深入分析ETC用户的主要特征和高速公路存在的潜在问题。以我国某省份某高速公路出入口2023年6月的ETC通行数据为例,通过Python编程语言对数据进行清洗,采用环形特征编码处理时间数据,并运用K-means聚类算法对数据进行处理。重点关注入口时间、出口时间、本省通行里程等指标,对用户的收费里程、速度以及行驶时间3个核心特征进行分析,借助聚类中心点和雷达图进行可视化展示。分析结果显示,傍晚时段的通行效率较低,晚间疲劳驾驶和午夜超速问题较为突出。根据通行里程分析,白天主要以短程和中程用户为主,长程用户倾向于在上午进入高速公路,同时,该高速公路存在大量的通勤车辆。在速度分析方面,低速组多为短途车辆。K-means聚类算法的应用使得数据处理过程快速且可靠,结合更多的ETC数据,可以进一步深入了解高速公路通行的主要群体和状况。研究成果可为制定差异化收费政策提供有力依据。例如,通过聚类分析进入高速公路的时间,确定高峰时段和低谷时段,适时提高高峰时段的费用,降低低谷时段的费用,从而提高通行效率、平衡路网流量。这具有重要的现实意义。

基于时间戳间距的用户在线时长聚类方法

在网络用户行为分析中,以时序维度为基础,研究用户网络行为的变化趋势,提出并挖掘更多有价值的信息,可为管理或商业决策提供有力支持。为此,文中提出一种基于时间戳间距的用户在线时长聚类方法,以用户访问日志文件中时间戳之间的间距作为特征,首先将获取的日志数据进行预处理,获得用户的在线时长统计;然后采用K-Means聚类算法对用户进行聚类,并使用轮廓系数对K值进行评价分析,确定聚类K值范围,准确判定用户单次访问在线时长及类型。采用真实校园网用户访问日志数据对所提方法进行评价,实验结果表明,该方法的准确度达到0.9180,精确度达到0.7685,召回率达到0.8093。

基于遗传优化神经网络的电力潜在敏感用户画像聚类算法

为了解决电力潜在敏感用户画像聚类和识别结果准确度较低的问题,提出一种基于遗传优化神经网络的电力潜在敏感用户画像聚类算法。构建电力用户画像,精准刻画电力用户行为;选取电力用户画像的数值、时间、统计及聚类四种特征作为卷积神经网络模型的输入,识别电力潜在敏感用户画像;采用改进遗传算法优化卷积神经网络,使得识别结果更为精准。实验结果表明,该方法能够聚类、识别电力潜在敏感用户画像,且聚类和识别的性能及准确度较好。

RIS辅助的无蜂窝大规模MIMO关键技术研究

针对密集蜂窝组网干扰受限难题,无蜂窝大规模MIMO利用大规模宏分集,构建以用户为中心的新架构,大规模灵活协作显著提升每个用户性能。同时,无蜂窝辅以智能超表面技术,以低成本和低功耗极大提升网络容量。聚焦研究了RIS辅助的无蜂窝大规模MIMO天线校准和导频分配两个关键问题。针对大规模RAU校准难题,首先在最低校准信噪比和校准相干时间约束下,提出动态分簇的可自愈校准拓扑构建方法,然后为降低校准时域开销,设计了RAU簇内和簇间校准时序,研究了可扩展的天线校准算法,能实现任意多RAU联合相位校准。针对导频分配问题,首先提出基于空间高相关性的用户动态簇的构建新方法,然后提出用户簇内基于信道相关性最低和用户簇间最小复用概率的导频分配方法。仿真结果表明,提出的校准算法具有较小的校准误差和较好的扩展性。同时,提出的导频分配算法性能可逼近最大化容量导频分配算法,且复杂度大幅降低。

基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测,可使电网企业掌握不同用户或区域的电力需求,以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为,采用传统方法难以进行统一建模并实现快速准确预测。为此,构建了一种基于DTW Kmedoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先,采用DTW K-medoids法进行用户负荷数据聚类,利用动态时间弯曲(dynamic time warping,DTW)计算数据间的距离,取代K-medoids算法中传统的欧氏距离度量方式,以改善多用户负荷聚类的效果;在此基础上,为充分表征负荷历史数据的长短期时序依赖特征,建立了一种基于变分模态分解(variational mode decomposition,VMD)-多分支神经网络模型的并行预测方法,用于多用户短期负荷预测;最后,使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验,结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低,表明该方法可有效表征多类用户的用电行为,提升多用户负荷预测效率和精度。

面向电动汽车用户的电价套餐模块化设计

合理的电价套餐能够有效地调动电力用户主动参与需求响应的积极性,在减少供电公司的基础建设投资和运行压力的同时,提升售电公司的收益,降低用户的用电费用。针对当前电力市场中用户类型多样,市场竞争压力日增,各方对电价套餐的需求各异,且缺少合适的电价套餐以供选择的情况,提出了一种面向电动汽车(electric vehicle,EV)用户的电价套餐模块化设计方法。首先,通过采用两阶段聚类法生成典型EV用户的充电负荷曲线来确定其充电需求,其中第一阶段使用凝聚层次聚类算法,第二阶段使用K-means聚类方法。其次,运用大规模定制理论并根据典型EV用户的充电需求来设置齐备的电价套餐模块,并计算不同EV用户的个性化充电需求与各模块之间的综合相关度矢量。然后,根据该相关度矢量为每个EV用户分别选择适合的个性化模块组,并逐一配置模块组的相应个性化属性及特征值。最后,结合所选用模块及其属性合特征值配置情况构造考虑需求响应的模块化电价套餐的定价模型。算例结果表明了所提出的电价套餐设计方法是正确、可行的,能够达成供、售电公司以及用户三方共赢的局面。

基于系列智能算法的某省天然气用户用气规律分类与短期调峰需求预测

天然气管网系统庞大、用户繁多,在用户用气习惯不明确和调峰需求量模糊的情况下,管网的运行调度面临巨大挑战。本文基于某省天然气管网2018年至2020年用户用气数据,利用k-means++算法对不同用户的用气习惯进行初步类别划分,而后使用BP神经网络对典型用户的特征向量进行学习、分类,结合监督学习和无监督学习两种方式,获取三种典型用户。基于上述分类结果,利用典型用户三年的调峰需求量数据,分别通过七种智能算法模型对用户调峰需求数据进行了预测,旨在得到可靠的用户调峰需求量短期预测模型。模型计算结果表明,七种算法对短期调峰预测均有可靠的性能,其中GDB模型拥有更快的计算速度和更高的准确性,并且对于长期调峰预测具有一定的可行性。

基于用户评论文本挖掘的我国早期教育App的发展现状和对策

随着移动终端的普及,越来越多的学龄前儿童开始使用早期教育App进行学习,早期教育App已成为学龄前儿童重要的学习资源,这就必然要提高早期教育App的质量,了解用户需求。在线评论真实反映了用户对产品的满意度,通过对评论进行分析,能够了解用户对早教App的态度,为以后的改进提供建议。采用社会网络分析、LDA(Latent Dirichlet Allocation)主题聚类分析和情感分析技术对我国早期教育App用户评论文本进行研究,探讨其发展现状和存在问题,并提出改进建议。研究发现,我国早期教育App能够基本满足用户学习需求,但存在学科分布不合理和性能、内容设计不足等问题,影响用户正常使用。

地空协同场景下加权模糊聚类用户簇划分方法

为了解决应急通信场景下使用无人机作为空中基站进行辅助通信时涉及的无人机基站部署策略中的用户簇划分问题,在兼顾无人机基站性能和用户体验的条件下,提出一种基于特征加权的模糊聚类(Improved FCM)算法。首先,根据每个无人机基站的信号覆盖范围和最大服务用户数量的性能约束,针对随机分布条件下的用户簇在划分过程中算法计算量大不易收敛的问题,提出一种基于距离加权的特征加权节点数据投影算法;其次,针对同一用户处于多个簇有效范围内时用户划分的有效性和无人机基站资源的最大化利用问题,提出一种基于用户位置和无人机基站负载均衡的价值加权算法。实验结果表明,所提方法充分满足无人机基站的服务性能约束,且与几何分形法(GFA)、谱聚类(Sp-C)等算法相比,特征加权模糊聚类算法获得的平均负载率和覆盖比是最优的,分别达到了0.774和0.0263,因此,该算法可为应急通信场景下的用户簇划分问题提供一种可行的解决方案。

负荷数据特征分析的用户集群需求响应潜力预测方法

随着电力市场改革的逐步推进,需求响应将在未来新型电力系统中发挥越来越重要作用。针对目前DR潜力计算过程繁琐、用户数据不足的问题,提出了一种基于用户历史负荷、气温和电价数据的用户集群DR潜力预测方法。首先,通过对用户的历史负荷曲线进行数据处理和信息提取,从月负荷规律性、日负荷波动性、峰谷一致性3个方面对各用户的用电行为进行特征值计算,形成评估用户类型的指标体系。继而,提出基于时序带有外部输入的非线性自回归神经网络的用户负荷和DR潜力预测方法。最后,以工业用户为例采用Meanshift算法实现用户集群划分,并对通用零部件制造行业的DR调节功率进行预测,经与实际调节功率数据进行对比分析,验证了本文所提方法的有效性。

基于改进自组织映射的用户电碳画像构建方法

近年来,“碳达峰·碳中和”目标的提出促进了能源电力领域的低碳转型。在新型电力系统中,除了发电侧,用户侧也应承担部分碳排放责任。针对用户侧的碳排放责任分摊以及现有用户画像对碳特性的研究缺失,提出了一种基于改进自组织映射(ISOM)的用户电碳画像构建方法。首先,基于节点负荷数据构建潮流模型并进行碳排放流分析;其次,基于碳排放流分析,构建结合减碳潜力的负荷动态调度模型,进而得到多元电碳特征;然后,基于麻雀搜索算法(SSA)和三角拓扑邻域的自组织映射(SOM)对多元电碳特征聚类形成用户电碳画像;最后,在不同调度场景下对电网用户实际负荷数据进行测试,并与现有方法进行对比,实验结果验证了所提方法的有效性和实用性。

基于电力大数据的电力用户用电特征识别模型研究

采用目前方法对电力用户用电特征进行识别时,存在识别准确率低、F1分数低和识别结果易受用电数据分帧长度影响的问题。为此提出基于电力大数据的电力用户用电特征识别模型,利用电力数据采集系统采集用户用电数据,并调节用电数据负荷曲线、数据标准化和数据降维,再利用K-means聚类算法提取预处理后优化用电数据的特征,将用电特征带入支持向量机中,根据分类结果实现电力用户用电特征的识别。实验结果表明,所提方法识别准确率高、F1分数高、识别结果不受用电数据分帧长度的影响。

基于深度学习的电力设备智能运行方式研究

在电力系统中对用户行为数据的分析过程存在主观性强的问题,且在复杂电网环境下难以做出准确的判断。对此,文中提出一种基于改进K-means聚类算法和深度学习相结合的分析算法。在改进K-means聚类算法的基础上构造出用户行为数据分析模型,实现了对行为数据的自适应学习。通过HRF-TCN预测模型筛选出用户行为数据的关键特征,降低数据维度后利用时间卷积网络进行预测,并将预测结果传递给电力系统中的设备,使其智能化地调整运行方式。基于公开用电数据集对算法进行的可行性验证结果表明,所提算法能够对用户的行为数据进行准确分析,数据分类效果指标DBI、SC分别为0.826 4和0.440 1,预测指标Ac和F1分别为96.8%、0.967 8,与同类算法相比,其分类效果更好、精度更高。

促进用户负荷特性优化的分时电价机制设计方法

在电力供应结构和消费方式变化背景下,提出一种分时电价机制设计方法,旨在改善用户负荷特性,促进电网削峰填谷。根据工业、商业和居民三类用户的负荷分布特性,通过分层聚类方法对不同季节的峰谷时段进行重新划分,并引入深谷时段,解决原有分时电价机制时段划分不准确的问题。在满足覆盖发电成本前提下,通过减少用户用电成本与扩大峰谷价差,进一步激励用户调整用电行为,并采用量子遗传算法(quantum genetic algorithm,QGA)对时段电价制定的优化问题进行求解。通过实际算例,计算用户响应改进后分时电价机制前后的削峰量和填谷量,验证所设计的分时电价机制可以降低用户用电成本,并有效转移电网高峰时段负荷,缓解时段性、季节性的供电压力问题。

激励条件下的大规模空调负荷聚合集群优化策略

为提高大规模空调负荷聚合精度、提升空调集群可调节潜力,提出了激励条件下的大规模空调负荷聚合集群优化策略。首先建立了大规模空调负荷聚合架构,然后建立单体的二阶空调等值热力参数模型,同时基于蒙特卡洛方法对不同区域的空调负荷进行二次聚合,建立用户满意度与激励水平之间的关系。在此基础上,以实际空调聚合功率与缺口负荷之间的标准差最小、空调负荷聚合商补偿费用最少为优化目标,采用粒子群算法进行求解,最后通过算例说明了本文所提策略的有效性。

基于近邻传播聚类-K均值聚类的工业用户用电模式挖掘方法

为了充分发挥用户负荷的可调节潜力,提出了一种基于近邻传播聚类-K均值聚类的工业用户用电模式挖掘方法。首先,比较K均值聚类和近邻传播聚类-K均值聚类的优缺点。在工业用户的选取上,选择最佳聚类数均为3的工业用户负荷数据作为被分析对象以便聚类,借助MATLAB工具对用户负荷数据进行聚类,得到了3组所需的聚类中心,再绘制成曲线以便观察和后续提取特征指标。

基于谱聚类算法的用户用电行为画像研究

文章通过谱聚类算法对用户用电行为进行分析,旨在生成精确的用户画像,优化电力资源配置。收集并预处理用户用电数据,构建相似度矩阵,以量化用户之间的用电行为相似性。计算相似度矩阵的拉普拉斯矩阵,并进行特征值分解,选取前k个特征向量作为输入,使用K-means聚类算法将用户划分为不同的行为群体。通过对聚类结果的分析,生成各群体的用电行为特征画像。研究结果表明,谱聚类算法能够有效识别不同用电行为模式,有助于电力公司进行需求预测、节能服务及负荷管理,提升电力系统的整体效率和用户满意度。

航空航天科技科普视频资源个性化推荐方法

针对当前航空航天科技科普视频个性化推荐准确率较低的问题,提出一种航空航天科技科普视频资源个性化推荐方法。构建二值函数结合用户科普视频行为数据,实现用户航空航天科技科普兴趣挖掘;利用Ffmpeg提取视频帧,使用关键帧算法,划分航空航天科技科普视频资源类别;应用协同过滤算法与优化矩阵分解模型,设计科普视频资源个性化推荐算法。构建实验环节,实验结果表明:此方法的视频类型划分准确性较高,且可对用户兴趣进行高精度分析,提升科技科普视频资源个性化推荐准确率。