基于改进K-Means算法的ABAC模型优化

针对基于属性的访问控制(ABAC)模型中属性量化、用户分类等尚未解的问题,引用层次分析法确定用户属性的权值,利用属性权值定义加权欧式距离,为用户分类提供依据.对K-Means聚类算法从三个方面进行优化改进,并把改进后的K-Means聚类算法引入ABAC模型的策略库中,使同一类中的用户具有相同的访问权限,不同类之间的用户自动化访问隔离.最后通过仿真实验分析,优化后的ABAC模型效率和准确率比传统ABAC模型具有明显优势.     

基于特征分箱和K-Means算法的用户行为分析方法

针对网购用户所产生的购物行为进行分析,首先通过数据处理构建客户关系管理模型(RFM模型),在此模型的基础上采用特征分箱法和K-Means聚类两种方法对用户进行细分,并对2种模型结果进行比较分析,讨论二者的差异性和具体的应用范围和意义.其中,基于特征分箱法的RFM模型将变量转化到相似的尺度上并将变量离散化,使得用户分类标签更加清晰,也可依据各类标签分类出不同类型的用户.K-Means算法通过轮廓系数评估聚类算法质量以至于选取最优K值.本文实验分析结果可为运营商提供更加可靠直观的数据,使得运营商可以根据不同用户的不同行为进行市场细分,进而进行精准营销和服务设置.     

基于社交网络的虚拟团队成员推荐模型

为研究如何帮助社交网络中虚拟团队从海量的用户中筛选更多行为相似的用户加入团队,建立了一种基于社交网络的团队成员推荐模型,为虚拟团队推荐一些行为特征相似的用户作为候选团队成员。通过对用户信息和团队信息进行分词处理,得到用户标签向量集和团队标签向量集;将基于遗传算法的聚类算法应用于团队标签向量集,得到团队聚类簇和团队聚类中心;在此基础上,将团队聚类中心作为用户集的初始聚类中心,聚类出行为特征与团队聚类中心相似的用户簇,将这些用户簇作为相应团队聚类簇的候选推荐用户;再应用协同过滤思想,筛选出团队推荐成员列表。实验结果表明,该算法有效地解决了虚拟团队成员推荐问题。     

K-Means聚类中心最近邻推荐算法

针对KNN算法在处理推荐系统由稀疏性问题所造成的计算复杂度较大以及评分估计值有误差等问题,本文提出了K-Means聚类中心最近邻推荐算法,首先对初始数据集进行聚类运算,然后找出数据集的聚类中心;其次寻找每个用户所属的聚类中心,将聚类中心代替目标用户放入KNN算法中寻找用户的最近邻;最后做出评分预测.同时又考虑到目标用户与聚类中心对预测评分值的影响,在KMeans聚类中心最近邻推荐算法的基础上进行改进,提出了加权的思想.算法在Movielens数据集上进行实验,实验结果表明,推荐算法评分预测的精确度得到显著提高,而且加权之后的改进算法达到了更好的精确度.     

基于预测强度的变量自动加权K-Means算法的研究与应用

为了克服传统K-Means算法k值不能确定问题和不具备变量自动选择能力,将预测强度和变量自动加权K-Means算法相结合,提出基于预测强度的变量自动加权K-Means算法。预测强度表示聚类模型对未知数据的预测能力,预测能力越强,则聚类结果越佳,主要用于k值的确定;变量自动加权K-Means算法具有在聚类过程中自动调整变量权重的能力,对于噪声变量和冗余变量削弱其对距离的贡献,使聚类结果反映最真实的聚类结构。实验表明,算法具有较强的分类能力和预测能力。     

基于动态时间的个性化推荐模型

在推荐系统中,往往会存在数据的非实时性、稀疏性和冷启动性等问题,文中通过引入遗忘曲线来跟踪用户对资源偏好程度随时间变化情况,利用提出一种改进的K-Means聚类算法对用户集进行聚类,根据改进的个性化推荐算法对用户进行推荐,建立了一种基于动态时间的个性化推荐模型. 通过实验验证,文中提出的个性化推荐模型能够获取准确的用户偏好信息,并缓解冷启动问题,降低算法计算的时间空间复杂度,提高个性化推荐算法的推荐质量.     

基于逻辑回归的增量式异常用电行为检测方法

用户异常用电行为的检测是电力公司需要重点解决的问题。目前异常用电检测通常采用数据分析的方法,主要包括聚类和分类两种,在处理固定数据集时校测准确率和效率均较高。但是此类方法在处理增量数据时,每次数据增量更新时均需要将增量数据与原始数据合并后重新建模才能获得新的检测模型,而用户的用电数据是频繁更新的且最新的数据更能体现出用户的用电习惯,因此在异常用电行为检测时必须考虑增量数据,而现有检测方法在进行增量式异常用电行为检测时效率很低。为解决数据增量式更新的情况下异常用电行为检测方法性能低下的问题,提出了一种基于逻辑回归的增量式异常用电行为检测方法,仅需对增量数据进行建模即可得到面向全局数据集的检测模型,无需对全局数据进行重新建模,提高检测算法的执行效率。当用户电量数据产生增量时,仅需对增量数据构建检测模型,再与原始数据的检测模型相结合,即可得到基于全部数据的检测模型。实验结果表明,该方法在保证检测结果准确性的同时,极大地提高了算法执行效率,且对计算和存储资源的需求较低。     

一种改进鱼群聚类算法在结构面分组中的应用

针对结构面产状常规分类方法存在的不足,提出一种新型的结构面分类算法.基于K-Means算法的结构面分类,将人工鱼群算法(artificial fish swarm algorithm,AFSA)与K-Means算法相结合,建立了AFSA-RSK结构面分类算法.利用鱼群算法强大的寻优能力,代替K-Means算法对结构面产状聚心集进行搜寻,并通过K-Means算法进行聚类.聚类完成后,选择相应参数指标对聚类效果进行评价.针对存在的问题,对鱼群算法的步长和视野进行修正,提高寻找聚心集的精度,动态地调整了聚类过程.将改进后的AFSA-RSK算法与其他算法进行比较,结果表明在迭代速度、聚类精度以及内存占比上,改进后的AFSA-RSK算法都要更优,更适合在结构面分组方面的应用.     

基于PAM和簇阈值的改进K-Means聚类算法

为了弥补K-Means算法对孤立点数据敏感的缺陷,提高K-Means算法对包含孤立点数据集的聚类效果,在深入研究K-Means算法的基础上,提出了基于PAM和簇阈值的改进K-Means聚类算法。该算法首先对待聚类数据进行抽样,然后利用PAM算法获取样本数据的聚类中心,以样本数据的聚类中心作为KMeans算法的初始聚类中心。在聚类迭代过程中动态计算各簇阈值,利用簇阈值准确地过滤孤立点数据。实验结果表明,本文提出的算法不仅聚类时间短,而且具有较高的聚类准确率。     

淮南市城网居民分时电价实施效果的定量分析

分时电价是有效调节居民用电方式,降低城网峰谷负荷差的重要手段,但是其实施效果一直难以量化。本文从淮南市供电公司用电营销数据库提取城网居民三年的分时电量相关数据,按照年用电总量将用户分为三类,分别建立居民用电模型,尝试对淮南市居民分时电价政策的实施效果进行量化分析。该模型包括月谷电系数,月谷电量增长,月平电量增长,月负荷峰谷差和月电费支出等指标。结果表明,淮南市分时电价政策大大促进了居民用电量的增长,使用分时电价的居民用电量的增长率均大于当年用电量的自然增长率;大部分居民倾向于谷时段用电,填谷效果明显,但是由于峰谷电价差小,各类用户平时段转移电量积极性不高,所以消峰作用基本没有。     

基于聚类和随机矩阵理论的用电行为刻画方法

针对配网大数据应用背景下难以建立用户用电行为刻画模型的问题,提出一种基于聚类和随机矩阵理论的电力用户用电行为刻画方法.首先利用K-means聚类法对海量用户用电特征数据进行分析,根据不同用电模式对用户进行群体划分.然后基于随机矩阵理论建立用户用电行为分析模型,利用各用户群体的经济数据、气候数据及电力价格数据等辨识与用户群体用电量相关联的因素,实现对电力用户用电行为的刻画.最后通过甘肃省武威市电网实际用电数据验证所提方法的有效性和准确性,为电力精准营销和制定电力需求侧响应策略提供数据支撑.     

基于改进型密度峰值算法的电力负荷聚类分析

在海量异质灵活资源参与含高比例新能源电网的运行调节背景下,针对用户用电特性分析的准确性、鲁棒性、计算效率的高要求问题,文中提出了一种基于特征指标完善和改进型密度峰值算法的电力负荷聚类分析方法。首先,通过提取9个完备的特征指标进行指标降维和完善以代替日负荷曲线组成的功率向量作为聚类输入;其次,采用熵权法对各项特征指标赋予权重保证负荷曲线的形态特征;最后,采用一种改进型密度峰值聚类算法对日负荷进行聚类分析。基于某地区实际负荷数据进行算例分析,结果表明文中所提方法在鲁棒性、聚类质量等方面相比于传统电力负荷聚类算法均具有优越性,聚类结果能真实有效地反映用户的实际用电特性,为制定精准的电力用户画像、需求侧响应策略提供了态势感知基础。     

基于多维行为分析的窃电高风险客户精准定位方法

窃电行为对国家电力系统及供电公司造成了极大的损失,故反窃电技术是电力行业的重要研究方向之一。传统的窃电用户定位方法存在定位不准确、查处效率低等问题,为了解决上述问题,提出基于多维行为分析的窃电高风险客户精准定位方法。首先通过相关矩阵R及特征值谱熵正则化完成用户数据去噪,其次在UFS-MI模型内提取用户数据特征,分析用户用电的多维行为,最后根据逻辑回归算法完成窃电高风险客户的精确定位。实验结果表明,所提方法的窃电高风险客户定位精准度较高,误判率较低,整体定位效果较好。     

基于分时电价的用户侧光伏储能系统容量配置

光伏与储能系统的配合使用已经是一种趋势，在用户侧合理配置光伏电池与储能电池的容量，可以明显提高用户的经济效益。为了提高用户在分时电价下的经济效益，本文基于用户侧典型日光伏发电曲线与典型日用户负荷特征曲线，结合用户分时电价，设计储能系统的能量调度策略，建立经济优化模型，并基于量子粒子群优化算法对模型进行求解，得出光伏与储能系统的最优容量。仿真分析和结果表明，本文方法可以明显提高分时电价条件下用户的经济效益，对大电网的削峰填谷也有一定的积极作用。     

基于激励策略自报电量的电价算法研究

研究了用户自报用电量的激励电价的建模问题,并设计了相应的电价算法.该模型的主要思想是,让用户自己申报每月的计划用电数额,实际用电超额或是没达到自报额,将给予惩罚性质的电价.运用对策论中的激励Stackelberg策略对模型中的单位电价进行线性激励.此电价模型鼓励用户根据自己的实际需要自报合适的用电量,从长远效益来看,起到了节约资源、满足需求的作用.最后,利用MATLAB对所制订的激励策略进行了数值仿真,仿真结果说明所得方法的有效性和结果的实用性.     

基于优先级排序的用户侧电网调峰机制

传统的分时电价环境下,居民用户大量负荷转移至低电价时段,形成新的负荷高峰。为了缓解这一状况,提出了居民用户参与电网调峰的激励机制。以用户最小用电成本为目标函数,对家庭用电设备进行分类并建立数学模型;考虑调峰功率约束和补偿费用约束,运用改进的逼近理想解排序法（technique for order preference by similarity to ideal solution, TOPSIS）,并通过用户响应次数、响应功率等4个指标对每轮次参与调峰的用户进行优先级排序,最终确定参与调峰的用户名单。案例分析结果表明能够降低用户用电成本,减小系统的峰谷差。所提方法能够引导用户有序参与电网调峰,实现用户用电策略的优化。     

基于Android手机的智能电耗分析系统

剖析了Android应用程序架构,在分析电动力车用户需求的基础上进行了智能电耗分析系统i-erecord设计,探究相关模块的关键技术,实现了基于Android手机平台的智能电耗分析系统,以帮助用户如何驾驶才能节约用电。     

Femtocell网络中基于对数效用的功率控制算法

针对Femtocell网络中干扰管理和功率控制的问题,考虑FBS间的同层干扰,提出基于对数效用的功率控制算法.运用K-Means算法对大量部署的FBS进行分簇,K-Means分簇算法可在低复杂度条件下将FBS划分成不同的簇,以便进行干扰管理.基于对数效用的功率控制算法,能保障FUE处于最低信干噪比,深度优化FBS的发射功率,可在保障吞吐量的同时提升系统能效.     

基于效用分类的智能电网实时电价算法

在智能电网实时定价过程中,针对家庭住宅用户,大工业、商业用户分别采用不同效用函数,改变了以往所有用户仅考虑单一效用函数的局限,使用多类效用函数模拟不同用户的消费偏好,研究了含有多类用户并存的社会福利最大化模型。根据市场供需平衡才能达到社会福利最大化原理,利用KKT最优性条件,分别计算供电侧的最优产电量和用电侧的最优用电量,得到了相应的分布式实时电价更新算法,保护了用户的隐私。通过数值仿真对分布式实时电价算法与固定电价算法相比较,证实了该算法的有效性、收敛性。