电力机器人载波通信异常信号自动识别控制系统设计

为了提高电力机器人载波通信异常信号的检测识别能力,提出基于波束形成和滤波调制的电力机器人载波通信异常信号自动识别控制方法。构建电力机器人载波通信信号采集模型,采集电力机器人载波通信信号,并对信号进行预处理。建立电力机器人载波通信异常信号的滤波检测模型,采用空间反馈波束集成方法进行电力机器人载波通信信号的谱分解和脉冲展宽调制,提取通信异常信号特征,实现电力机器人载波通信异常信号自动识别和优化控制。仿真结果表明,采用该方法进行电力机器人载波通信异常信号识别的准确概率较高,特征辨识能力较好。     

基于熵值法和DEA的电力监测异常数据自动识别算法研究

为了有效提高电力监测异常数据识别准确率，确保异常数据识别效果，提出了基于熵值法和DEA的电力监测异常数据自动识别算法。应用数据脱敏、数据填补、颠簸去除等方式处理电力监测异常数据，还原原始电力监测数据，提升脱敏后数据完整性，降低颠簸数据对电力监测异常数据精度的影响。以经过数据处理的电力监测异常数据为基础，通过熵值法确定目标的属性和权重作为度量标准，采用基于熵值法改进的最近邻聚类算法，实现数据聚类，以数据聚类结果为输入，构建DEA模型，实现电力监测异常数据自动识别。实验结果表明，该算法数据聚类后的平均检测率约为92%,异常数据识别正判率约为95%,误判率约为3.5%,可有效识别出异常月负荷曲线的异常数据点和不同负荷量的异常数据，且识别结果与实际负荷曲线的趋势一致，具有较好的识别效果。     

基于高斯混合聚类的电力工控系统异常检测研究

电力工控系统数据在时间维度上具有周期性,但其时间序列呈现多元高斯分布特性且周期长度不固定,这导致通过相似性度量来发现异常难以进行。针对上述问题,文章提出一种基于多元高斯聚类的电力工控系统异常时序检测方法。该方法首先获取电力工控系统流量数据,对其采用多元高斯分布混合算法实现时间序列的符号化,然后利用马尔可夫链从长度不固定的时间序列中提取出大小一致的状态转移概率矩阵作为数据特征,最后通过层次聚类方法计算样本的异常率实现异常检测。经实验分析表明,文章方法可以有效实现电力工控系统时序数据周期长度不同下的异常自动检测。     

基于大数据聚合的电力用户行为实时云监测方法

为提升电力用户行为监测效果及准确性,判断电力用户异常行为,提出一种基于大数据聚合的电力用户行为实时云监测方法。该方法将基础设施及终端等获取的电力用户行为大数据储存至数据层的关系数据库内,处理层调用数据层存储电力用户行为大数据,采用大数据处理技术,通过数据降维、清洗以及标准化处理后,提升电力用户行为大数据质量;应用层采用改进流数据聚类算法,通过用户及簇典型曲线提取、曲线相似度度量,实现用户用电行为异常监测,并通过显示层云展现监测结果。实验结果证明,该方法的数据聚类质量高,可以有效获取电力用户行为监测结果,判断电力用户是否存在异常行为,具备较高监测准确性。     

基于N-k故障的电网数据通信业务保障分级方法

通过对电网通信业务保障分级处理，提高电网通信稳定性，提出基于N-k故障的电网数据通信业务保障分级方法。采用智能传感信息处理技术构建电网通信业务保障分级数据的时间序列，数据集包括控制、保护、调度等信息，根据多维参数约束及网络资源均衡调度方法提取电网通信业务保障分级数据的关键性特征参数，结合风险控制建立电网风险均衡多目标优化模型，分析电网数据通信业务保障分级的N-k故障树，采用多层次决策树实现对电网业务等级划分，构建为以链路带宽可用性最大目标集的决策树，根据N-k故障层次化聚类结果实现对电网数据通信业务保障分级处理。仿真测试结果表明，采用该方法进行电网数据通信业务保障分级处理，与应用对比方法相比，应用所提方法后其链路利用率高于90%,可更好地为电网数据通信业务提供保障。     

基于压缩感知的异构网络数据动态重构算法

针对异构网络数据资源存在节点及链路均衡度过低且数据重构资源分配路径误差较大的问题,设计一种基于节点拓扑感知的异构网络数据动态重构算法。利用模糊核聚类算法将数据样本集映射至高维空间内,聚类目标数据,根据节点在网络中对应的坐标构建异构网络拓扑模型及数据权矩阵模型;设置路由器物理链路通信图,根据链路带宽约束优化数据重构资源的分配路径,将节点核心区数据重构,并分配至聚类节点来感知数据的动态变化,为每一个核心聚类节点拓扑感知一个路由器数据的动态变化,来实现全局的数据动态重构,至此完成基于节点拓扑感知的异构网络数据动态重构算法的设计。设计仿真实验,测试算法的节点均衡度与链路均衡度。实验结果表明,设计的算法的节点均衡度为0.93,链路均衡度为0.90,均高于对比方法,因此可以得出,该算法的资源均衡度更好。     

基于模糊谱聚类的不确定蛋白质相互作用网络功能模块挖掘

针对谱聚类融合模糊C-means（FCM）聚类的蛋白质相互作用（PPI）网络功能模块挖掘方法准确率不高、执行效率较低和易受假阳性影响的问题，提出一种基于模糊谱聚类的不确定PPI网络功能模块挖掘（FSC-FM）方法。首先，构建一个不确定PPI网络模型，使用边聚集系数给每一条蛋白质交互作用赋予一个存在概率测度，克服假阳性对实验结果的影响；第二，利用基于边聚集系数流行距离（FEC）策略改进谱聚类中的相似度计算，解决谱聚类算法对尺度参数敏感的问题，进而利用谱聚类算法对不确定PPI网络数据进行预处理，降低数据的维数，提高聚类的准确率；第三，设计基于密度的概率中心选取策略（DPCS）解决模糊C-means算法对初始聚类中心和聚类数目敏感的问题，并对预处理后的PPI数据进行FCM聚类，提高聚类的执行效率以及灵敏度；最后，采用改进的边期望稠密度（EED）对挖掘出的蛋白质功能模块进行过滤。在酵母菌DIP数据集上运行各个算法可知，FSC-FM与基于不确定图模型的检测蛋白质复合物（DCU）算法相比，F-measure值提高了27.92%，执行效率提高了27.92%；与在动态蛋白质相互作用网络中识别复合物的方法（CDUN）、演化算法（EA）、医学基因或蛋白质预测算法（MGPPA）相比也有更高的F-measure值和执行效率。实验结果表明，在不确定PPI网络中，FSC-FM适合用于功能模块的挖掘。     

聚类中心初始化的新方法

k-均值聚类算法易受初始聚类中心的影响而陷入局部最优解.现有聚类中心初始化方法尚未得到广泛认可.本文依据每个类内至少有一个数据稠密区,且处于不同类的数据稠密区比处于同一类的数据稠密区相距更远的假设,在数据集合上构造一棵最小支撑树,应用根树原理在其上搜索数据稠密区并估计其密度,从中选出密度大且足够分离的数据稠密区,以其内的点作为初始聚类中心,得到了一个聚类中心初始化的新方法.将此方法与现有的方法进行比较,仿真实验表明,本文方法性能更优越.     

跳频通信系统的异常跳变故障检测模型仿真

跳频通信系统的异常跳变故障检测关系到系统的安全.大型跳频通信系统中,系统处在频率跳动的环境中,不同频率区域的系统之间的频率变换幅度不同,不同系统的数据异常跳变特征有着不同的频率判断标准.传统的跳频通信系统的异常跳变故障检测方法在进行异常数据检测时,以不同区域多个不同固定频率阀值特征进行衡量,没有考虑跳频系统的频率时变特殊性,对故障检测以固定频率特征判断,很容易出现误判.提出采用决策树挖掘算法的跳频通信系统的异常跳变故障检测方法.针对跳频通信系统的异常跳变故障数据进行样本空间分类处理,获取关联数据聚类目标函数,并对聚类中心进行有效的更新,实现跳频通信系统的异常跳变故障数据的聚类处理.构建上述数据对应的决策树,并计算信息增益比,实现跳频通信系统的异常跳变故障数据的检测.实验结果表明,利用改进算法进行跳频通信系统的异常跳变故障数据的检测,能够极大的提高检测的效率.     

具有自校核功能的配电网调度方法

为了提高配电网运行效率，及时发现配电网中异常数据信息，设计一种新型的配电网调度方案。该方案硬件包括调度控制中心、监控中心、调度计算等模块，能够向不同的区域提供配电网电力资源，并保证电力设备安全。该方法还采用ARM系列的LPC2214微处理器和DSP数据处理器，实现配电网不同区域信息的校核与调度；在进行调度数据信息时，通过聚类算法对不同异常信息类型进行分类，提高校核能力；又通过算法模型对不同调度数据信息进行评估，提高数据评估能力。通过试验，该方法大大提高了配电网调度能力，数据分析准确度高。     

基于单片机及FPGA的电力载波通信异常信号监测系统设计

为了保证电力载波通信网络的运行安全，以单片机及FPGA为硬件支持，设计基于单片机及FPGA的电力载波通信异常信号监测系统。根据电力载波通信网络的异常原因，设置异常信号特征作为判据。在建立的电力载波通信网络模型下，利用装设的信号采集设备、单片机以及FPGA元件，采集并处理电力载波通信信号。通过实时通信信号的特征提取与匹配，判定当前信号的异常状态，计算得出通信异常信号量和信号异常类型，最终以可视化的形式输出电力载波通信异常信号的监测结果。通过系统测试得出结论：与传统通信异常信号监测系统对比，优化设计系统的通信异常信号量的监测误差降低了1.37dBm，且通信异常信号类型的误检率得到明显降低。     

数据挖掘在客户关系管理中的应用

利用标准化客户数据，确定了聚类相似度公式和评价指标，使用层次凝聚方法和K-平均算法实现了客户的自动聚类；并且在权衡算法效率和聚类精度的基础之上提出了改进的聚类距离公式和K-平均算法，达到了较好效果。     

面向软件定义车联网的链路故障快速恢复方法

针对软件定义车联网（SDIV）的车-路实时查询类通信场景中单链路故障的问题，提出一种面向SDIV的链路故障快速恢复方法，综合考虑了链路恢复过程时延和恢复后路径的传输时延。首先，对故障恢复时延建模，将最小化时延的优化目标转化为0-1整数线性规划问题。然后，分析该问题，力图最大化复用已有计算结果，并根据不同情况提出两种算法：在流表更新时延相对路径传输延迟不可被忽略的情况下，提出基于拓扑划分的路径恢复算法（PRA-TP）；在流表更新时延相对路径传输延迟较小可被忽略的情况下，提出基于单链路搜索的路径恢复算法（PRA-SLS）。实验结果表明，相较于Dijkstra算法，PRA-TP的计算时延和路径恢复时延分别降低25%和40%,PRA-SLS的计算时延降低60%，可实现快速的汽车端的信息传输单链路故障恢复。     

基于聚类算法的电力大数据信息分析系统研究

为了提高电力大数据处理与分析能力,通过构建聚类算法模型,将电力大数据信息的宏观数据信息转换为微观数学思维,增强了大数据信息分析能力。采用MapReduce的分布实现电力大数据系统的总体架构规划。采用生成式对抗网络(GAN)技术对电力监控的数据进行合理化分析,对系统安全进行改进,以实现电网数据的漏洞修复,为后续检修提供安全保障。利用聚类算法,实现对电力大数据的异常检测。试验结果表明,该系统的信息安全可靠性达到了97%,系统异常检测准确性达到了96%。所研究系统的准确性更高。     

结合二层节点度和聚类系数的链路预测算法

研究复杂网络的链路预测算法对分析舆论传播方向、预测舆论演进趋势和控制舆论发展进程具有重要意义。针对现有的基于节点度的链路预测算法存在预测质量偏低的问题,提出了一种结合二层节点度和聚类系数的链路预测算法。算法全面考虑网络局部结构信息以及共同邻居节点之间的差异性,在相似性评价指标的选择上将节点度和聚类系数结合,深度挖掘节点相似性性质并将节点度扩展到二层。最后在三个真实数据集中分别进行仿真实验,结果表明提出的算法相比于Common Neighbors、Adamic-Adar和Resource Allocation等经典算法具有更好的性能。     

Greedy DBSCAN:一种针对多密度聚类的DBSCAN改进算法*

针对基于密度的DBSCAN算法对于输入参数敏感、无法聚类多密度数据集等问题,提出了一种贪心的DBSCAN改进算法（Greedy DBSCAN）。算法仅需输入一个参数MinPts,采用贪心策略自适应地寻找Eps半径参数进行簇发现,利用相对稠密度识别和判定噪声数据,在随机寻找核对象过程中使用邻域查询方式提升算法效率,最终通过簇的合并产生最终的聚类结果。实验结果表明,改进后的算法能有效地分离噪声数据,识别多密度簇,聚类准确度较高。     

基于自适应分段云模型的电力异构数据聚类研究

云空间中的电力数据种类繁多、数据维度大、结构复杂,容易引发电力系统运行安全问题。有效的数据聚类可以消除云空间中电力异构的无关、冗余数据。引入自适应分段云模型,提出一种全新的电力异构数据聚类方法。通过Tent映射预处理电力异构数据,使数据空间分布更加均匀,提高了数据聚类精度。利用自适应正态云模型建立云期望曲线方程,获取正态云滴,以确定数据聚类中心。根据熵值定义分段聚合条件,实现异构数据有序聚类。测试结果表明,所提方法在聚类中心空间中的异构数据分布较为均匀,分类聚类面积较大,聚类收敛较快,轮廓系数为0.4。所提方法的电力异构数据聚类效果更优,具有较好的适用性和有效性。     

基于鲁棒加权模糊聚类的污水处理过程监测方法

针对非线性强、先验故障知识少、异常工况识别难的污水处理过程监测问题, 提出一种基于鲁棒加权模糊c均值(Robust weighted fuzzy c-means, RoW-FCM)聚类与核偏最小二乘(Kernel partial least squares, KPLS)的过程监测方法. 首先, 针对污水处理过程的高维非线性耦合特性, 采用核偏最小二乘对高维输入变量进行降维; 其次, 针对传统基于最近邻分配的模糊c均值算法对离群点敏感以及存在聚类不平衡簇的问题, 提出充分考虑样本间相互关系的基于鲁棒加权模糊c均值聚类算法. 通过引入可能性划分矩阵作为权值参数实现不同样本数据的区分加权, 提高了离群点数据聚类的鲁棒性, 同时引入聚类大小控制参数解决不平衡簇的问题. 进一步将基于鲁棒加权模糊c均值算法对核偏最小二乘降维后的得分矩阵进行聚类, 利用聚类得到的隶属度矩阵实现异常工况的检测; 最后, 建立隶属度矩阵与过程变量的回归模型, 并利用得到的变量贡献矩阵描述变量对各个簇的解释程度, 实现异常工况的识别. 数值仿真以及污水处理过程数据实验表明该方法具有更好的鲁棒性能, 在异常工况检测和识别上具有较好的效果.     

基于模糊粒子群算法的变压器故障自动识别①

提出了一种新的基于模糊粒子群算法的电力变压器故障自动识别方法。首先对基于油中溶解气体分析得到五种关键气体含量数据进行特殊预处理,得到识别四种故障需要的六个关键特征。然后给出了一个新的模糊聚类目标函数,在此基础上,根据已有的故障样本利用粒子群算法得到各类故障的最优聚类中心;并由此计算出各测试样本到各个聚类中心之间的距离以及相应的隶属度,最后识别出样本的变压器故障类型。测试结果显示,该方法能有效诊断识别出变压器高能放电、过热、低能放电和正常状态,精度可达92%。     

毫米波雷达点云的密度和划分联合聚类方法

针对室内人员检测环境毫米波雷达点云数据特性，并考虑多目标点云密集复杂情况，提出一种毫米波雷达点云的密度和划分联合聚类方法。毫米波雷达点云数据具有稀疏、均匀性差的特征。首先采用基于 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）改进的参数自适应算法进行密度聚类，并对其存在的无限制密度扩张问题，通过决策树归类，对异常数据簇进行二次划分，保证了数据簇属性的单一性。试验结果表明，改进的密度聚类算法可自适应地寻找聚类过程中所需要的最佳参数并实现聚类，更适应毫米波雷达点云数据的特性，同时结合划分聚类对异常数据进行二次划分，使得聚类效果更加细腻和准确，实现了多目标密集情况下点云数据精准聚类划分的效果。