CN110020680B - 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 - Google Patents

一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 Download PDF

Info

Publication number
CN110020680B
CN110020680B CN201910234071.0A CN201910234071A CN110020680B CN 110020680 B CN110020680 B CN 110020680B CN 201910234071 A CN201910234071 A CN 201910234071A CN 110020680 B CN110020680 B CN 110020680B
Authority
CN
China
Prior art keywords
matrix
data
pmu
fuzzy
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910234071.0A
Other languages
English (en)
Other versions
CN110020680A (zh
Inventor
刘晓莉
张帅东
王学斌
曾祥晖
姚磊
邓长虹
龙志君
丁玉杰
邹佳芯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Original Assignee
Wuhan University WHU
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU, State Grid Qinghai Electric Power Co Ltd, Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN201910234071.0A priority Critical patent/CN110020680B/zh
Publication of CN110020680A publication Critical patent/CN110020680A/zh
Application granted granted Critical
Publication of CN110020680B publication Critical patent/CN110020680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Abstract

本发明公开一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法。包括：步骤1)建立历史PMU数据随机矩阵模型，通过建立线性特征值统计量进行特征提取，得到特征数据集；步骤2)用模糊C均值聚类算法对特征数据集进行聚类，得到各类的聚类中心和隶属度矩阵；步骤3)将实时电网运行数据结合历史数据建立随机矩阵模型，通过建立线性特征值统计量进行特征提取，生成特征数据；步骤4)使用步骤2的结果进行初始化，对步骤3生成的特征数据进行模糊C均值聚类，判断实时数据的类别。本发明可实现数据驱动下的PMU数据实时分类。

Description

一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类 方法
技术领域
本发明属于电力系统领域，更具体地，涉及一种基于随机矩阵理论和模糊C 均值聚类算法的PMU数据分类方法。
背景技术
随着电网智能化程度不断加深，海量PMU数据将以数据流的形式不断传输至监控中心，而监控中心需要快速识别和处理PMU数据流携带的信息。利用数据驱动方法对PMU数据实时分类，根据分类结果识别电网不同运行状态是有效利用PMU数据的新方法。
新能源电源出力具有不确定性，基于模型驱动的PMU数据分类方法受专家经验和典型运行方式的影响较大，难以适应复杂多变的电网在线运行方式。随着大数据处理方法的发展和人工智能技术的进步，利用随机矩阵理论和模糊C均值聚类，将PMU数据进行实时分类的方法，可以使PMU数据实时快速处理能力大幅度提升。
发明内容
为解决上述问题，本发明目的在于提供一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法。
为实现上述目的，本发明提供一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法。包括以下步骤：步骤1)建立历史PMU数据随机矩阵模型，通过建立线性特征值统计量进行特征提取，得到特征数据集；步骤2)用模糊 C均值聚类算法对特征数据集进行聚类，得到各类的聚类中心和隶属度矩阵；步骤3)将实时电网运行数据结合历史数据建立随机矩阵模型，通过建立线性特征值进行特征提取，生成特征数据；步骤4)使用步骤2的结果进行初始化，对步骤3 的特征数据进行模糊C均值聚类，判断实时数据的类别。本发明可实现数据驱动下的PMU数据实时分类。
其中，一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，具体包含以下几个步骤：
一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，包括：
(1)获取电网各节点历史PMU数据，建立随机矩阵模型，利用滑动时间窗技术，求取每个窗矩阵特征值及其协方差矩阵的特征值，具体是：
步骤1.1、获取电力系统各节点的历史PMU数据，从PMU数据中获取电压相量信息，得到原始数据矩阵模型S，同时确定滑动时间窗的长度和宽度，从原始数据矩阵模型S中提取每一个滑动时间窗矩阵St，对其进行标准化处理得到标准非Hermitian矩阵
Figure BDA0002007610140000021
原始数据矩阵模型S为：
Figure BDA0002007610140000022
式中，sN,T表示T时刻PMU的第N个量测值，N为PMU的量测值总数，T 为时间序列总长度。
当选取滑动时间窗的宽度为Nw，长度为Tw时，ti时刻的时间窗矩阵St为：
Figure BDA0002007610140000023
式中，
Figure BDA0002007610140000024
表示ti时刻PMU的第Nw个量测值，Nw为当前选取量测值总数， Tw为当前选取时间窗口总长度。
对St进行标准化处理为：
Figure BDA0002007610140000025
式中，
Figure BDA0002007610140000026
表示标准化矩阵
Figure BDA0002007610140000027
的第i行j列的元素，si,j表示矩阵St第i行j列的量测值，Nw为选取的测量值总数，Tw为选取的历史时间段，μ(si)和σ(si)分别为矩阵St第i行的均值和标准差，
Figure BDA0002007610140000028
和
Figure BDA0002007610140000029
分别表示标准化后的矩阵
Figure BDA00020076101400000210
第i行的均值和标准差，且
Figure BDA00020076101400000211
步骤1.2、根据标准非Hermitian矩阵得到奇异值等价矩阵Su，定义若干个奇异值等价矩阵Su的乘积为矩阵积
Figure BDA00020076101400000212
对其进行标准化，得到标准矩阵Z。
Figure BDA0002007610140000031
的奇异值等价矩阵Su可以通过
Figure BDA0002007610140000032
得到；
式中，
Figure BDA0002007610140000033
表示标准化矩阵
Figure BDA0002007610140000034
的共轭转置矩阵，U为Haar酉矩阵。
矩阵积
Figure BDA0002007610140000035
可以通过
Figure BDA0002007610140000036
得到；
式中，i＝1,2,3,…,L表示奇异值等价矩阵Su的个数。
标准矩阵Z的各元素可以通过
Figure BDA0002007610140000037
得到；
式中，i＝1,2,3,…,N表示矩阵积
Figure BDA0002007610140000038
的行数，zi表示标准矩阵Z的各行元素，
Figure BDA0002007610140000039
表示矩阵积
Figure BDA00020076101400000310
的各行元素，
Figure BDA00020076101400000311
表示矩阵积
Figure BDA00020076101400000312
第i行的标准差。
(2)基于平均谱半径、切比雪夫多项式和似然比检验函数建立三个线性特征值统计量，构成特征数据集；
(3)用模糊C均值聚类算法对特征数据集进行聚类，形成代表电网运行工况的类簇，输出各类的聚类中心和隶属度矩阵；
(4)实时获取电网各节点的PMU数据，结合历史数据建立随机矩阵模型，通过建立线性特征值统计量进行特征提取，生成特征数据，使用模糊C均值聚类算法对特征数据集进行聚类，完成实时数据的类别判断。
在上述的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，所述步骤(2)包括：
(2-1)建立线性特征值统计量(linear eigenvalue statistics,LES)，其公式为：
Figure BDA00020076101400000313
公式(1)中，N代表线性特征值统计量，
Figure BDA00020076101400000314
表示检验函数，λ表示特征根， i＝1，2，…，n表示特征值的数量。
分别选取
Figure BDA00020076101400000315
似然比检验函数
Figure BDA00020076101400000316
切比雪夫多项式
Figure BDA00020076101400000317
(2-2)根据LES，将标准矩阵的特征值代入
Figure BDA00020076101400000318
将其协方差矩阵的特征值代入
Figure BDA00020076101400000319
和
Figure BDA00020076101400000320
构成具有三个特征量的特征数据，并按照时序滑动时间窗，得到每个时刻的特征数据集。
在上述的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，所述步骤(3)包括：
(3-1)将步骤(2)得到的特征数据集X(XN1,XN2,XN3)作为输入，输入聚类数目c，模糊因子m(1≤m≤∞)，终止迭代条件ε，记初始迭代次数为0；
(3-2)随机初始化聚类中心
Figure BDA0002007610140000041
初始化隶属度矩阵
Figure BDA0002007610140000042
公式(2)中，xi表示样本数据，uki表示样本xi对类属k的隶属度矩阵，vk和 vl分别表示类属k和l的聚类中心，c表示聚类数目，m表示模糊因此，通常 1≤m≤∞。
(3-3)根据样本数据集X(XN1,XN2,XN3)、
Figure BDA0002007610140000043
和uki，计算新的聚类中心
Figure BDA0002007610140000044
公式(3)中，vk表示类属k的聚类中心，
Figure BDA0002007610140000045
表示模糊因子为m时，样本xi对类属k的隶属度矩阵。
(3-4)达到终止迭代条件时，输出聚类结果(U,V)。
4.如权利要求1所述的一种基于随机矩阵理论和模糊C均值聚类算法的 PMU数据分类方法，其特征在于，所述步骤(4)包括：
(4-1)对实时PMU数据流，结合步骤1中的原始数据矩阵模型S，基于步骤(1)和(2)，得到实时特征数据
Figure BDA0002007610140000046
(4-2)基于步骤(3)的聚类结果(U,V)作为初始化条件，对新特征数据对新特征数据基于步骤(3)进行模糊C均值聚类运算，确定实时数据所属的类别。
本发明可以达到的有益效果：1、本发明先通过随机矩阵理论进行数据特征提取，然后通过模糊C均值聚类算法对特征数据进行聚类，有效实现了PMU数据分类；2、本发明通过对实时数据的处理和聚类，有效实现了PMU数据实时分类；3、本发明通过数据驱动的方法实现PMU数据分类，有效克服了传统模型驱动受专家经验和典型运行方式的影响，提高了分类精度和信度。
附图说明
图1为本发明的PMU数据分类方法示意图。
具体实施方式
下面，通过实施例，并结合附图，对本发明的技术方案做进一步具体的说明。
本发明是基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法。如图1所示为本发明的PMU数据分类方法流程图。具体而言，本发明的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法具体计算过程包含以下几个步骤：
(1)获取电力系统各节点的历史PMU数据，从PMU数据中获取电压相量信息，得到原始数据矩阵S,同时确定滑动时间窗的长度和宽度，从原始数据S 中提取每一个滑动时间窗矩阵St，对其进行标准化处理得到标准非Hermitian矩阵
Figure BDA0002007610140000051
对St进行标准化处理为：
Figure BDA0002007610140000052
式中，i为PMU量测值的总数，N为选取的测量值总数，j为采样点个数， T为选取的历史时间段，si表示原始数据矩阵St中的各元素，
Figure BDA0002007610140000053
表示标准化后的矩阵
Figure BDA0002007610140000054
中的各元素，μ(si)、σ(si)、
Figure BDA0002007610140000055
和
Figure BDA0002007610140000056
分别为si和
Figure BDA0002007610140000057
的均值和标准差，且
Figure BDA0002007610140000058
(2)根据标准非Hermitian矩阵得到奇异值等价矩阵Su，定义若干个奇异值等价矩阵Su的乘积为矩阵积
Figure BDA0002007610140000059
对其进行标准化，得到标准矩阵Z。
Figure BDA00020076101400000510
的奇异值等价矩阵Su可以通过
Figure BDA00020076101400000511
得到；
矩阵积
Figure BDA00020076101400000512
可以通过
Figure BDA00020076101400000513
得到；
标准矩阵Z的各元素可以通过
Figure BDA00020076101400000514
得到；
(3)计算所有标准矩阵Z的特征值及其协方差矩阵及其特征值，定义线性特征值统计量，得到特征数据集X(XN1,XN2,XN3)。
线性特征值统计量作为特征值的统计描述，可以反应一个随机矩阵的统计特性。其计算公式如下：
Figure BDA0002007610140000061
式中，N代表LES，
Figure BDA0002007610140000062
表示检验函数，λ表示特征根，i＝1，2，…，n表示特征根的数量。
令
Figure BDA0002007610140000063
分别为
Figure BDA0002007610140000064
得到三种线性特征根统计量；
将标准矩阵Z的特征值代入
Figure BDA0002007610140000065
将其协方差矩阵的特征值代入
Figure BDA0002007610140000066
和
Figure BDA0002007610140000067
构成具有三个特征量的特征数据。按照时间序列移动时间窗，得到每个时刻的特征数据，构成特征数据集X(XN1,XN2,XN3)。
式中，λi表示矩阵的第i个特征值。
(4)将得到的特征数据集X(XN1,XN2,XN3)作为输入，输入聚类数目c，模糊因子m(1≤m≤∞)，终止迭代条件ε，记初始迭代次数为0；
随机初始化聚类中心
Figure BDA0002007610140000068
初始化隶属度矩阵。其公式如下：
Figure BDA0002007610140000069
式中，xi表示样本数据，uki表示样本xi对类属k的隶属度矩阵，vk和vl分别表示类属k和l的聚类中心，c表示聚类数目，m表示模糊因此，通常1≤m≤∞。
(5)根据样本数据集X(XN1,XN2,XN3)、
Figure BDA00020076101400000610
和uki，计算新的聚类中心。其公式如下：
Figure BDA00020076101400000611
式中，vk表示类属k的聚类中心，
Figure BDA00020076101400000612
表示模糊因子为m时，样本xi对类属k 的隶属度矩阵。
达到终止迭代条件ε时，输出聚类结果(U,V)，其中，U表示隶属度矩阵，V 表示聚类中心。
(6)对实时PMU数据流，结合历史数据建立随机矩阵模型，利用步骤(1) 和(3)的计算方法，形成特征数据
Figure BDA0002007610140000071
用步骤(5)的聚类结果(U,V)作为初始化条件，对新特征数据运用步骤(4) 和(5)的方法进行模糊C均值聚类运算，确定实时数据所属的类别。
以上实施例仅用以说明本发明方案而非对其进行限制，本领域技术人员容易理解，对本发明的具体实施方式进行等同替换或修改均应涵盖在本发明的权利要求范围中。

Claims (4)

1.一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，包括：
(1)获取电网各节点历史PMU数据，建立随机矩阵模型，利用滑动时间窗技术，求取每个窗矩阵特征值及其协方差矩阵的特征值，具体是：
步骤1.1、获取电力系统各节点的历史PMU数据，从PMU数据中获取电压相量信息，得到原始数据矩阵模型S，同时确定滑动时间窗的长度和宽度，从原始数据矩阵模型S中提取每一个滑动时间窗矩阵St，对其进行标准化处理得到标准非Hermitian矩阵
Figure FDA0003500266460000011
原始数据矩阵模型S为：
Figure FDA0003500266460000012
式中，sN,T表示T时刻PMU的第N个量测值，N为PMU的量测值总数，T为时间序列总长度；
当选取滑动时间窗的宽度为Nw，长度为Tw时，ti时刻的时间窗矩阵St为：
Figure FDA0003500266460000013
式中，
Figure FDA0003500266460000014
表示ti时刻PMU的第Nw个量测值，Nw为当前选取量测值总数，Tw为当前选取时间窗口总长度；
对St进行标准化处理为：
Figure FDA0003500266460000015
式中，
Figure FDA0003500266460000016
表示标准化矩阵
Figure FDA0003500266460000017
的第i行j列的元素，si,j表示矩阵St第i行j列的量测值，Nw为选取的测量值总数，Tw为选取的历史时间段，μ(si)和σ(si)分别为矩阵St第i行的均值和标准差，
Figure FDA0003500266460000018
和
Figure FDA0003500266460000019
分别表示标准化后的矩阵
Figure FDA00035002664600000110
第i行的均值和标准差，且
Figure FDA00035002664600000111
步骤1.2、根据标准非Hermitian矩阵得到奇异值等价矩阵Su，定义若干个奇异值等价矩阵Su的乘积为矩阵积
Figure FDA0003500266460000021
对其进行标准化，得到标准矩阵Z；
Figure FDA0003500266460000022
的奇异值等价矩阵Su可以通过
Figure FDA0003500266460000023
得到；
式中，
Figure FDA0003500266460000024
表示标准化矩阵
Figure FDA0003500266460000025
的共轭转置矩阵，U为Haar酉矩阵；
矩阵积
Figure FDA0003500266460000026
可以通过
Figure FDA0003500266460000027
得到；
式中，i＝1,2,3,…,L表示奇异值等价矩阵Su的个数；
标准矩阵Z的各元素可以通过
Figure FDA0003500266460000028
得到；
式中，p＝1,2,3,…,N表示矩阵积
Figure FDA0003500266460000029
的行数，zp表示标准矩阵Z的各行元素，
Figure FDA00035002664600000210
表示矩阵积
Figure FDA00035002664600000211
的各行元素，
Figure FDA00035002664600000212
表示矩阵积
Figure FDA00035002664600000213
第p行的标准差；
(2)基于平均谱半径、切比雪夫多项式和似然比检验函数建立三个线性特征值统计量，构成特征数据集；
(3)用模糊C均值聚类算法对特征数据集进行聚类，形成代表电网运行工况的类簇，输出各类的聚类中心和隶属度矩阵；
(4)实时获取电网各节点的PMU数据，结合历史数据建立随机矩阵模型，通过建立线性特征值统计量进行特征提取，生成特征数据，使用模糊C均值聚类算法对特征数据集进行聚类，完成实时数据的类别判断。
2.如权利要求1所述的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，所述步骤(2)包括：
(2-1)建立线性特征值统计量(linear eigenvalue statistics,LES)，其公式为：
Figure FDA00035002664600000214
公式(1)中，N代表线性特征值统计量，
Figure FDA00035002664600000215
表示检验函数，λ表示特征根，q＝1，2，…，n表示特征值的数量；
分别选取
Figure FDA00035002664600000216
似然比检验函数
Figure FDA00035002664600000217
切比雪夫多项式
Figure FDA00035002664600000218
(2-2)根据LES，将标准矩阵的特征值代入
Figure FDA00035002664600000219
将其协方差矩阵的特征值代入
Figure FDA0003500266460000031
和
Figure FDA0003500266460000032
构成具有三个特征量的特征数据，并按照时序滑动时间窗，得到每个时刻的特征数据集。
3.如权利要求1所述的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，所述步骤(3)包括：
(3-1)将步骤(2)得到的特征数据集X(XN1,XN2,XN3)作为输入，输入聚类数目c，模糊因子m，1≤m≤∞，终止迭代条件ε，记初始迭代次数为0；
(3-2)随机初始化聚类中心
Figure FDA0003500266460000033
初始化隶属度矩阵
Figure FDA0003500266460000034
公式(2)中，xi表示样本数据，uki表示样本xi对类属k的隶属度矩阵，vk和vl分别表示类属k和l的聚类中心，c表示聚类数目；
(3-3)根据特征 数据集X(XN1,XN2,XN3)、
Figure FDA0003500266460000035
和uki，计算新的聚类中心
Figure FDA0003500266460000036
公式(3)中，vk表示类属k的聚类中心，
Figure FDA0003500266460000037
表示模糊因子为m时，样本xi对类属k的隶属度矩阵；
(3-4)达到终止迭代条件时，输出聚类结果(U,V)。
4.如权利要求1所述的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，所述步骤(4)包括：
(4-1)对实时PMU数据流，结合步骤1中的原始数据矩阵模型S，基于步骤(1)和(2)，得到实时特征数据
Figure FDA0003500266460000038
(4-2)基于步骤(3)的聚类结果(U,V)作为初始化条件，对新特征数据对新特征数据基于步骤(3)进行模糊C均值聚类运算，确定实时数据所属的类别。
CN201910234071.0A 2019-03-26 2019-03-26 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 Active CN110020680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910234071.0A CN110020680B (zh) 2019-03-26 2019-03-26 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910234071.0A CN110020680B (zh) 2019-03-26 2019-03-26 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法

Publications (2)

Publication Number Publication Date
CN110020680A CN110020680A (zh) 2019-07-16
CN110020680B true CN110020680B (zh) 2022-04-05

Family

ID=67190104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910234071.0A Active CN110020680B (zh) 2019-03-26 2019-03-26 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法

Country Status (1)

Country Link
CN (1) CN110020680B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110673138B (zh) * 2019-10-09 2022-08-23 国家电网有限公司 一种基于奇异值分解和模糊c均值法的探地雷达图像处理方法
CN113569961B (zh) * 2021-07-30 2024-01-26 上海电机学院 一种电网节点分类方法及计算机可读介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700086A (zh) * 2015-03-20 2015-06-10 清华大学 一种用于视频分析的人机交互主题动作挖掘方法
CN107679768A (zh) * 2017-10-25 2018-02-09 中国南方电网有限责任公司 一种基于电网实时数据的态势感知系统及其构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8675654B2 (en) * 2010-10-05 2014-03-18 Cisco Technology, Inc. System and method for providing smart grid communications and management

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700086A (zh) * 2015-03-20 2015-06-10 清华大学 一种用于视频分析的人机交互主题动作挖掘方法
CN107679768A (zh) * 2017-10-25 2018-02-09 中国南方电网有限责任公司 一种基于电网实时数据的态势感知系统及其构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Analysis of initialization method on fuzzy c-means algorithm based on singular value decomposition for topic detection;Ichsani Mursidah;《2017 1st International Conference on Informatics and Computational Sciences (ICICoS)》;20180201;全文 *
煤矿井下分布式移动瓦斯数据流传输与聚类技术研究;王刚;《中国博士学位论文全文数据库》;20160315;全文 *

Also Published As

Publication number Publication date
CN110020680A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
CN108073158A (zh) 基于pca和knn密度算法风电机组轴承故障诊断方法
CN109598451B (zh) 一种基于pca与lstm神经网络的非侵入式负荷辨识方法
CN111633467B (zh) 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法
CN109116834B (zh) 一种基于深度学习的间歇过程故障检测方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN108805213B (zh) 计及小波熵降维的电力负荷曲线双层谱聚类方法
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN110717610B (zh) 一种基于数据挖掘的风电功率预测方法
CN110795690A (zh) 风电场运行异常数据检测方法
CN110020680B (zh) 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN111079856B (zh) 一种基于csjitl-rvm的多时段间歇过程软测量建模方法
CN106778838A (zh) 一种预测空气质量的方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN115115090A (zh) 一种基于改进lstm-cnn的风功率短期预测方法
CN110084301B (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
CN109615027B (zh) 一种高速铁路沿线风速特征提取智能预测方法
CN107808209B (zh) 基于加权kNN距离的风电场异常数据辨识方法
CN114429238A (zh) 一种基于时空特征提取的风电机组故障预警方法
CN111061151B (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN116226693A (zh) 基于密度峰值聚类的高斯混合模型核电运行工况划分方法
CN115936062A (zh) 基于场景生成与深度学习的光伏功率日前区间预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant