对IEC60079—11标准中“L0／R0”公式的分析与建议

本通过对IEC60079－1（1999）标准中“L0／R0”公式的推导与分析，指出了在应用该公式进行电路参数本安性能分析时的局限性，并提出了建议。     

实时系统中数据挖掘算法的研究

数据挖掘技术在计算机控制领域有着十分广泛的应用和巨大的意义。在这一领域范围内 ,对基于实时系统的数据挖掘算法进行研究 ;介绍在本算法研究中 ,所应用到的相关的 KDD和数据挖掘技术的基本概念和内容 ;根据数据挖掘中时间序列技术 ,设计并实现一种有效的算法解决方案 ,此算法针对的是实时系统中数据 ,并对数据挖掘的结果进行趋势预测。     

基于数据挖掘算法数据模型实现大数据分析的方法研究

针对大型数据库中的海量数据筛选困难的问题,设计了基于数据挖掘算法模型分析大数据的方法。通过K-means聚类算法,使得用户从不同的样本数据中,根据大数据样本的某些属性或某类特征,在输出的数据中,再采用BP神经网络模型对获取的聚类数据进一步训练、计算,这种方法能够映射、处理不同数据之间聚类种类大数据之间的复杂非线性关系,提高数据处理精度和用户挖掘大数据的能力。试验结果表明,设计的方法能够使用户更加便捷地处理大数据,提高了大数据应用的效率。     

改进的Chirp信号LMMSE参数估计算法

线性调频信号(Chirp信号)的参数估计是信号处理中长期研究的一个问题,其最大似然估计算法已经被提出并且得到广泛应用。然而在许多实际应用中,通常已经知道了被估计参数的分布,因此可以使用贝叶斯估计器的方法。在文中,通过加入先验知识,给出了参数的线性最小均方误差(Linear Minimum Mean Squares Error:LMMSE)估计算法。与传统的最大似然估计算法相比,此方法有更好的性能。同时,文中基于两种线性相位模型实现了LMMSE估计算法,一种是传统的线性相位模型,另一种是最近提出的最佳线性相位模型。实验结果表明基于最佳线性相位模型的估计器具有更好的性能。     

对网络计划技术中“工期—费用优化问题”教学方法的改进

针对网络计划技术教学中,学生对工期费用优化问题理解起来思路比较混乱的现状,提出用表格形式直观反映和显示优化思路及过程,并结合实例进行具体步骤的讲解和操作。     

基于规范算法的电力系统复杂故障计算的实用性改进

为了避免在故障计算中重复计算全网阻抗矩阵元素,介绍了一种规范的计算机算法,对算法的核心部分,即故障描述矩阵Yf进行了分析.首先论述了数学上Yf的列写过程,然后根据推导的2类典型故障,总结得到电网理论上出现N处错误时Yf的实用化公式并给出了电路上的解释,并在工程项目中得到了应用.     

一种改进的时延动态贝叶斯网络构建算法研究

从大规模实验数据中构建的网络可以反向发掘网络结点之间潜在的相互作用关系,可以更深层次解释网络结点间复杂的作用机理,因此产生了很多网络构建的理论建模方法。在一些实验数据中某个时间点的样本值表达减少或者被敲除,这会影响网络构建的精度。为了克服这个问题提出了相对变化率的策略来识别结点间潜在的作用关系。在时序实验数据中,用策略融合时延动态贝叶斯方法来进行网络构建。可以缩减贝叶斯的搜索空间,以此来获得较高的网络构建性能和精度。DREAM(Dialogue for Reverse Engineering Assessments and Methods)竞赛项目最早被提出用来严格检测结点间网络构建模型方法的性能和优劣。在这个数据集上推测出来的网络在AUROC(area under the ROC curve)和AUPR(area under the precision recall curve)指标上和其它方法进行了比较,实验结果验证算法在网络构建过程中总体性能略胜一筹。     

基于数据挖掘技术的变电站无功蚁群优化算法

针对变电站在集中控制模式下的无功补偿与电压控制的问题,充分利用变电站运行过程中的大量数据,将数据挖掘技术应用于变电站电压无功自动调节系统,提出了基于关联规则的系统蚁群无功优化方法.将改进Apriori算法应用于无功优化方案的确定,并对蚁群优化算法进行改进,建立了基于实际数据挖掘结果的无功全局优化总体数学模型.以上海220 kV万航变电站为例,以其日常运行的历史数据为基础,运用本文算法得到在各种典型工况下的最优方案,以指导实际运行.实验结果表明,基于数据挖掘的系统无功优化目标值方法可以提高系统运行效率,降低损耗,对系统电压稳定,经济运行意义重大.     

基于数据挖掘技术的变电站无功蚁群优化算法

针对变电站在集中控制模式下的无功补偿与电压控制的问题,充分利用变电站运行过程中的大量数据,将数据挖掘技术应用于变电站电压无功自动调节系统,提出了基于关联规则的系统蚁群无功优化方法。将改进Apriori算法应用于无功优化方案的确定,并对蚁群优化算法进行改进,建立了基于实际数据挖掘结果的无功全局优化总体数学模型。以上海220 kV万航变电站为例,以其日常运行的历史数据为基础,运用本文算法得到在各种典型工况下的最优方案,以指导实际运行。实验结果表明,基于数据挖掘的系统无功优化目标值方法可以提高系统运行效率,降低     

永磁电机温度场的改进有限公式迭代算法

非晶合金材料由于其高导磁、低损耗的特点,在电机的研究、开发中受到了广泛和密切的关注。由于非晶合金电机常常运行在变频控制下且工作频率往往较高,电机内谐波含量大、发热严重。考虑到电机损耗、材料导热性能、散热面对流传热性能受温度分布的影响,将温度场计算程序与一套双重循环迭代系统相嵌套,计算7k W盘式非晶合金永磁电机的三维温度分布。通过系统内循环确保电机腔内空气温度的准确选取;通过外循环计及温度分布对损耗、导热系数以及对流传热系数的影响。从有限公式迭代算法的基本原理出发,通过对温度场数学模型的改进,简化循环中对导热系数修正的计算过程,降低每步迭代的计算量。通过对比迭代算法算得的温升分布和电机温升实验结果,验证了模型的合理性和计算结果的准确性,为盘式非晶合金永磁电机的温度分析计算提供了一种较为精确、快捷的参考方法。     

基于数据挖掘算法的通信领域故障信号识别性能分析

针对通信领域故障信号识别的技术问题,提出了基于数据挖掘算法的通信故障信号识别方法。通过K-means聚类算法,使得用户从诸如温度、振动、电网故障、负荷、湿度、谐波、磁场、电网纹波等影响通信质量的样本数据中,根据通信类别样本的某些属性或某类特征,确定聚类簇数K,把通信样本类型归为已确定的某一类别中,使得簇内的通信样本数据能够紧密分布在一起,并通过欧几里得距离公式计算出某个类别范围内的数据。通过对数据进行聚类,使用户快速对影响因子进行分析、计算,大大提高了分类效果及稳定性。然后在聚类的数据中,采用BP神经网络模型再次对获取的聚类数据进行训练、计算,能够映射、处理不同聚类类别故障信息数据之间的复杂非线性关系,更加精确、及时处理数据,使用户对评估故障信号的精确度大大提高,减少了计算误差。     

面向袋式除尘器的大数据挖掘XGBoost优化算法研究

袋式除尘器在产品生命周期不同阶段,包括设计、仿真、制造、测试实验以及运维等阶段都会产生大量数据,挖掘产品大数据与其运行特性之间复杂、非线性、耦合的内在关联,为解决袋式除尘器行业设计创新、运维优化等关键共性技术提供新思路。针对袋式除尘器大数据特点,提出了一种用于袋式除尘器滤袋破损在线监测的大数据挖掘XGBoost模型,研究了基于蚁群算法的XGBoost模型参数优化方法。研究结果表明,与随机森林、BP网络挖掘模型相比,XGBoost优化模型方法准确度高,识别速度快,可解释性强。     

基于小波设计和数据挖掘算法协同训练的非侵入式负载识别

居民用电信息细化对于规划居民电器使用和降低电能消耗具有重要的意义。文章在非侵入式负载识别技术的基础上,提出了一种利用数据挖掘算法进行协同训练的方法,小波设计用于提取家庭常用电器的开、关暂态特性的特征信息,利用小波的能量系数作为特征值,使用k近邻算法和决策树算法协同训练分类出负载样本,对测试集进行了算法验证实验,在简化了计算复杂性的基础上获得了更高的识别精度,克服了一对余算法在分类真实负类事件上存在的缺陷,为用电可视化的研究工作打下基础。     

基于大容量样本挖掘及贝叶斯堆栈泛化集成算法的电站锅炉NOx稳态建模

氮氧化物（NOx）是电站锅炉燃烧的副产物,准确预测其排放对于环境保护和锅炉的燃烧优化具有重要意义。为解决NOx稳态特性建模中面临的参数高维、运行数据时变性强、试验样本有限等问题,提出了一种基于大容量样本挖掘及贝叶斯集成算法的建模框架。首先,采用孤立森林、R-Value算法识别非稳态点、离群点、停滞点,获得高质量稳态样本库;然后,基于随机森林递归特征消除法进行变量选择;最后,建立贝叶斯优化堆栈泛化集成（BO-SGEM）模型对NOx进行预测。以某660 MW机组锅炉72 000条历史运行数据为例进行NOx排放预测,结果表明:在9种离群点诊断算法中,孤立森林算法性能最优,稳态诊断和特征选择的结果与锅炉燃烧机理相符;BO-SGEM模型的精度与泛化能力均优于堆栈泛化集成学习模型及支持向量回归机、极端随机树、梯度上升树等算法模型。     

无功优化遗传算法中的潮流算法改进研究

分析了潮流计算的数学模型 ,介绍了快速解耦法求解潮流 ,提出了一些改进措施 ,借以避免每次潮流计算都要反复形成第一因子表的缺点 ,采取收敛精度可变的手段 ,可使无功优化计算时间下降 65 %左右     

基于数据挖掘的负荷预测

简要叙述了数据挖掘技术及其在电力系统中的应用情况。提出了一种基于数据挖掘中时间序列相似性研究的电力负荷预测方法。通过采用序列分段平均值技术降维，结合滑动窗口和MBR方法实现子序列相似查询，并利用R -树作为多维索引结构提高检索效率。实验结果证明提出的方法是行之有效的。     

Quantitative analysis of proteomics using data mining

The paper aims to develop an automated system that would ensure a robust peptide quantification process, which would permit researchers to quantify desired proteins faster and with greater reliability. Because of the uniqueness of the data used, biochemists' expertise and data mining methods were employed in this work. The system includes two main system components: one for the discovery of two quantification peptides and the internal standard peptide and the other for protein quantification in patient samples. If the required input data are available, each subsystem can be run separately. The developed system can be applied to similar problems because our design is flexible, allowing for easy adaptation.