一种基于Hadoop的电力大数据属性实体识别算法

随着大数据时代的来临,传统的实体识别技术由于电网数据体积大以及类型复杂等特性已经无法有效地进行数据预处理。近年来兴起的Hadoop技术能够对大数据进行较好的处理。因此提出一种基于Hadoop的电力大数据属性实体识别算法。该算法利用改进离散化算法选取出信息准确率较高的离散点,并提出了一种离散化评价指标。最后,在Hadoop平台上对某风电机组的监测数据进行了属性实体识别。实验证明,该算法在实验正确性和断点数目方面表现良好,并且具有较好的加速比,适用于电力大数据的属性实体识别处理。     

基于网格的电力营销服务平台设计

电力营销系统是电力市场环境下的重要组成部分,它的特点是数据量大、资源异构、对共享、交互和实时性要求高。利用网格技术的共享性和分布性优势,提出了基于网格的电力营销服务平台的基本架构,并设计实现了电力营销系统底层的资源管理、数据管理、安全管理和信息服务等功能,从而构建了新一代的基于网格技术的电力营销服务平台。     

微粒群优化算法在车间调度中的研究与应用

在对某印染企业的生产状况进行了深入调研和分析的基础上,对流水车间调度、混合流水车间调度进行了对比,同时对微粒群算法进行了深入研究,并根据实际情况对算法进行了部分改动和改进,使之能适用于离散的生产调度问题.最后将改进后的微粒群算法应用到印染企业的车间调度中,同时实现了甘特图的动态生成.研究结果可直接应用于企业流水车间调度和作业车间调度,具有一定的实际应用价值.     

基于决策树的网络故障诊断专家系统模型

针对传统网络故障诊断专家系统在知识获取方面的固有不足,结合决策树算法和专家系统的特点,提出一种基于决策树的网络故障诊断专家系统模型,讨论网络故障诊断专家系统模型的推理机制和推测算法以及知识获取的实现方法。实践结果表明,模型在知识获取方面具有获取过程简单、计算复杂性低、适应性强的特点。     

符合动态演变特性的网格资源发现机制研究

近年来人们对如何提高网格资源发现效率做了大量的研究,但却忽略了适应网格资源动态演变特性的重要性.针对这一问题,结合小世界理论的网络特征,提出了一种新的基于P2P分布式结构化的网格资源发现机制.通过计算资源节点间属性相似度的方法,将网格资源分类组织在不同的虚拟组织中,结合P2P技术构建出两层覆盖式资源发现模型,并设计出相应的资源查找算法DSRD (distributed structure grid resource discovery).仿真实验结果表明,DSRD算法既能够适应资源的动态特性,同时又可有效地提高资源发现效率.     

基于本体的智能电网文本知识获取模型

针对智能电网知识的共享与重用问题,本文提出了一种基于本体的智能电网文本知识获取方法。首先,以《电力主题词表》和《中国分类主题词表》为基础,基于Protégé构建一个初始种子本体,用Jena对此本体进行解析,生成概念树;然后,利用ICTCLAS进行中文分词,生成概念词集;最后,提出基于How Net的GSS匹配算法,并将概念词集与概念树进行匹配,将获取到的概念和属性添加到种子本体中,完成一次知识获取。通过抓取智能电网领域相关网页进行实例验证,获得了较好的效果。     

基于双层次分析的智能变电站数据分类方法

针对智能变电站中数据体量大、种类多、速度快的特点,对智能变电站中的数据分类方法进行了研究,提出了基于安全指标和遗传模拟退火支持向量机的两级分类方法。首先,构建了智能变电站安全指标分类规则库,使用其对变电站数据进行初次粗糙分类,缩小数据规模;其次,依据智能变电站故障隐患数据样本,使用支持向量机训练出二类分类器,并采用遗传算法和模拟退火算法对其性能进行优化,完成智能变电站数据的二次分类,得到的正类数据为正常数据,负类数据即为需要重点进行下一步分析的异常数据。实验表明,该方法在智能变电站数据分类上取得了良好的效果,并且能够有效地控制数据的规模。     

基于相对贡献率的特征选择方法

特征选择是文本分类过程中极其重要的一个环节。本文提出了一种新的特征选择算法,该算法基于一个特征频度相对于其它特征频度的差值的总和衡量其相对贡献率的大小,从而进行特征选择。本文使用了基准数据集20-Newgroups,在朴素贝叶斯和支持向量机两个分类器上对该方法进行了验证。实验结果表明,与信息增益、互信息,几率比和DIA相关因子等四种流行的特征选择算法相比,该算法有效降低了文本的特征维数,提高了分类精度。     

基于客户/服务器的用电营业系统开发

文章介绍了一种基于客户／服务器的用电营业系统。该系统以ＷＩＮＤＯＷＳＮＴ４．０为平台,采用Ｃｌｉｅｎ／Ｓｅｒｖｅｒ网络结构,在服务器端由数据库服务器——Ｓｙｂａｓｅ统一管理数据库,并利用Ｐｏｗｅｒ－Ｂｕｉｌｄｅｒ５．０开发客户端应用程序。     

一种基于扩展区域查询的密度聚类算法

针对DBSCAN算法中最小点数和最大邻域半径难以确定,算法时间开销大,对起始数据点的选择比较敏感,以及难以发现不同密度下的邻近簇等问题,本文提出一种基于扩展区域查询的密度聚类算法(GISN-DBSCAN)。该方法首先提出扩展区域查询算法,随后采用最近邻域和反最近邻域的邻域关系,建立每个点的k-影响空间域,最后提出一种异常点判定函数,使得算法能够准确的识别边界点和噪声点。实验结果表明：GISN-DBSCAN算法能够有效的解决DBSCAN算法的不足。