CN113899971B - 基于密度相似稀疏聚类的变压器异常工况判别方法 - Google Patents
基于密度相似稀疏聚类的变压器异常工况判别方法 Download PDFInfo
- Publication number
- CN113899971B CN113899971B CN202111159699.2A CN202111159699A CN113899971B CN 113899971 B CN113899971 B CN 113899971B CN 202111159699 A CN202111159699 A CN 202111159699A CN 113899971 B CN113899971 B CN 113899971B
- Authority
- CN
- China
- Prior art keywords
- data
- objects
- cluster
- data object
- clusters
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 32
- 238000012850 discrimination method Methods 0.000 title description 2
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
Abstract
本发明公开了基于密度相似稀疏聚类的变压器异常工况判别方法,包括以下步骤:处理对象是配电变压器工况监测数据集,首先设置用于计算异常因子的参数以及分类簇数;计算每个数据对象的密度相似序列异常因子值;将密度相似序列异常因子小于1的数据作为核心对象,划分次级簇,并生成代表对象;将代表对象进行稀疏聚类,得到不同的簇及各维度权重;计算非核心对象与各簇质心的稀疏距离,划归入与其稀疏距离最小的质心所在的簇;将聚类结果中停电和重过载数据所在簇作为异常簇进行工况异常预警。实现对配电变压器运行状态的简单预判,提升后续故障预警模型的准确性和运算效率;为配电网安全可靠供电提供保障。
Description
技术领域
本发明涉及配电变压器异常工况的预判,具体涉及一种基于密度相似稀疏聚类的变压器异常工况判别方法。
技术背景
配电网作为接收电能和将电能分配向用户的媒介,其重要性不言而喻。配电变压器是传输变电的关键一环,是配电网海量庞杂设备中最关键的设备之一,但其易发故障的特性也决定了配变的管理需要更多的精细化自动化方法。。随着社会发展进步,用电负荷的不断攀升,对于配电网运行的安全性、电能的优质性、供应的可靠性、配电变压器等关键设备的健康状态提出了更高的要求。从我国电网发展的较长时期来看,电力方向的投资曾集中着眼于发电厂的建设,输电网络的架设和优化,相较之下,配电网架的建设和优化方面获取的关注度就相对薄弱,自动化技术的应用程度不高,而且配网的设备种类、结构和地理位置都较为复杂,智能化改造存在很多客观困难,由于传感设备安装不到位,通信通路存在阻碍以及评价标准方法较为传统等原因,可以进行运行状态监测以及智能分析的设备还是少数
基于当前配网发展特点,为保障供电可靠性,提升客户满意度,需要我们从根源上最大限度地减少或消除配电变压器潜在的故障隐患或停电事故,甚至对配电变压器等设备进行异常工况预判、故障预警等。目前针对配电变压器的故障诊断研究集中在两大方面:一是设计开发一套配电变压器监测系统,二是基于复杂算法搭建故障预测模型。设计开发一套配电变压器监测系统,虽然能够较好地实现数据采集、数据分析管理、故障负荷预测全流程,但是,由于配电网中配电变压器数量过多,为每台配电变压器配置监测系统会造成投入成本过高、应用成本过高,加之不同配电变压器工作环境不同,可能造成额外的研发成本。相对而言,基于复杂算法搭建故障预测模型的研究成果更易于推广应用。复杂模型的搭建往往依托于海量数据,因而,数据质量对模型准确率具有重要影响。目前,主要数据源自配电变压器生产运行,数据处理大多围绕数据错误值、重复值、缺失值等问题展开,缺少更细致的数据处理,使得算法应用的准确率受限。
发明内容
为了改善当前配网中变压器在智能自动化管理方面存在的问题,本发明的目的在于提供一种基于密度相似稀疏聚类的变压器工况异常判别方法,实现对配电变压器运行状态的快速自动化判别,以及对海量运行数据更细致深入的挖掘区分,为后续故障预警模型的搭建提供更有价值的数据,提升模型的准确性和运算效率;同时避免了高额成本的投入,更易于推广应用,为配电网安全可靠供电提供了一层更有力的保障,具有重要的实际意义。
为了达到上述目的,本发明采用如下技术方案:步骤1:判别异常工况所用的数据对象为配电变压器工况监测高维数据集D,设置密度相似序列稀疏聚类算法中的参数,包括近邻数目N,以及数据集D所划分成簇的个数k;
步骤2:根据设置的参数N,计算每个数据对象的密度相似序列异常因子SDAOF值;
步骤3:根据步骤2中数据对象的SDAOF值对数据对象进行阈值为1的筛选,将所有密度相似序列异常因子SDAOF值小于1的数据对象作为核心数据对象;
步骤4:步骤2中获得了每个数据对象的N-邻域,所有发生重叠即有共享数据对象的N-邻域定义为一个次级簇,同一个次级簇的所有对象最后将聚类入同一个簇中;将步骤3中得到的所有核心数据对象按照其N-邻域重叠情况分别放入次级簇中,形成n个次级簇;
步骤5:为步骤4得到的每个次级簇生成一个代表对象,代表对象的位置为该次级簇的质心,n个代表对象组成子集Dsub;
步骤6:按照稀疏聚类k均值算法对步骤5得到的子集Dsub中的n个代表对象进行聚类,分成k个簇;
步骤7:计算数据集D中所有非核心数据对象xout与步骤6得到的k个簇的质心的稀疏距离sdist(xout,cm),将非核心对象归入与其稀疏距离最小的质心所在簇,稀疏距离计算公式如下,
式中,cm表示第m个簇的质心,wj,j={1,2,…,p}表示各维度权重,xout_j表示非核心对象xout第j维的值,cm_j为第m个簇的质心在第j维的值;
步骤8:得到高维数据集D中所有数据对象的聚类结果,通过跳闸停电记录和人工经验,将停电或过载时对应的数据点作为异常点典型对象,其所在的簇则为异常工况数据集,即能够从配电变压器的工况监测数据中筛选出异常数据,发出配电变压器异常工况预警。
所述步骤2包括以下步骤:
S2.1:计算数据集D中的所有数据对象两两之间的欧氏距离,数据对象x到与其第N近的数据对象的距离定义为Ndist(x),由所有到数据对象x的距离小于Ndist(x)的数据对象的集合构成数据对象x的N-邻域NN(x),数据对象x到数据对象x的N-邻域内各个数据对象的距离的中位数定义为Nmdist(x);
S2.2:计算每个数据对象的N-密度Nden(x),具体计算公式如下:
式中,Nmdist(x)是数据对象x到数据对象x的N-邻域内各个数据对象的距离的中位数;
S2.3:生成每个数据对象的密度相似序列SDA(x),对位于数据对象x的N-邻域NN(x)中的数据对象,令P={x},Q=NN(x),Δ(P,Q)为每次从P中划分入Q中的对象,用p,q分别表示P,Q中任意元素,且Δ(P,Q)满足下列关系,
SDA(x)={x,o1,o2,o3,...,oN}
式中,o1,o2,o3,...,oi,...,oN为第1,2,...i,...,N次判定从Q进入P中的数据对象;
S2.4:计算数据集D中每个数据对象x的总体序列花费TAC(x),表示NN(x)中各个数据对象到达数据对象x的总体花费,其计算公式如下:
式中,dist(oi-1,oi)表示oi-1与oi之间的欧氏距离;
S2.5:计算数据集D中每个数据对象的密度相似序列异常因子SDAOF值,SDAOF值被看作是一个数据对象和其周围对象的差异程度,其计算公式如下:
所述步骤6包括以下步骤:
S6.1:子集Dsub中数据总数为n,数据维度为p,初始化每个维度特征的权值初始化调优参数s,/>
S6.2:在子集Dsub中随机选取k个核心对象作为质心,将子集Dsub中其余对象划分入与其距离最近的质心所在簇,计算簇内距离distin,公式如下
式中,nm表示第m个簇中数据个数,Cm为第m个簇中数据的集合,xi_j为第m个簇中第i个数据第j维的值,xi'_j为第m个簇中第i'个数据第j维的值;
S6.3:重复S6.1,S6.2,直到distin达到最小值,则不再改变k个簇的划分;
S6.4:k个簇保持不变,通过改变每个维度特征的权值wj的取值来使簇内距离distin更小,更新wj的公式如下,
S6.5:设置迭代参数α=10-5,当满足停止条件如下式时停止对步骤S6.4的迭代,
式中,为第r次迭代后第j维的权重取值。
配电变压器运行工况高维数据集D,具体指有关配电变压器停电故障的特征变量数据集。
本发明按照k均值算法对所有代表对象进行聚类并分入簇中;将所有的非核心对象分入与其最近的核心对象所在的簇中,得到最终聚类结果。利用本发明方法,可以简单有效地判断配电变压器异常运行工况,同时为后续配电变压器故障预警等模型提供了优质的数据集,对于配电变压器运行状态的监控预警有重大意义,同时也对配电网重要设备态势感知、风险态势感知具有一定意义。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明。
本发明基于密度相似稀疏聚类的变压器异常工况判别方法,包括以下步骤:
步骤1:判别异常工况所用的数据对象为配电变压器工况监测高维数据集D,具体指有关配电变压器停电故障的特征变量数据集。由于各个特征变量的取值范围分布差距很大,为了消除不同特征变量取值绝对值不同带来的影响,首先针对样本数据进行标准化处理,公式如下:
其中x为原数据,μ为原数据的均值,σ为原数据的标准差,x'为标准化后的数据。
设定基于密度相似序列稀疏聚类算法的参数N=3,即对于每一个数据对象所考虑的领域的大小,以及数据集中所要划分的簇的个数k=2,即筛选判断是否为配电变压器内部运行故障数据;
步骤2:根据参数N,计算数据集中每个对象的基于密度相似序列的异常因子SDAOF值;
(1)计算数据集中的所有数据对象两两之间的欧氏距离,数据x到与其第一近的数据对象的距离定义为Ndist(x),由所有到x的距离小于Ndist(x)的数据对象的集合构成数据对象x的N-邻域NN(x);
(2)计算每个数据对象的N-密度,具体计算公式如下:
式中,Nmdist(x)是x到x的N-邻域内各个数据对象的距离的中位数;
(3)生成每个数据对象的密度相似序列SDA(x),对位于数据对象x的N-邻域NN(x)中的数据对象,令P={x},Q=NN(x),Δ(P,Q)为每次从P中划分入Q中的对象,用p,q分别表示P,Q中任意元素,且Δ(P,Q)满足下列关系,
SDA(x)={x,o1,o2,o3}
式中,o1,o2,o3为第1,2,3次判定从Q进入P中的数据对象;
(4)计算数据集D中每个数据对象x的总体序列花费TAC(x),表示NN(x)中各个数据对象到达数据对象x的总体花费,其计算公式如下:
式中,dist(oi-1,oi)表示oi-1与oi之间的欧氏距离;
(5)计算数据集D中每个数据对象的SDAOF值,SDAOF值可以被看作是一个数据对象和其周围对象的差异程度,其计算公式如下:
步骤3:根据步骤2中数据对象的SDAOF值对数据对象进行阈值为1的筛选,将所有密度相似序列异常因子SDAOF值小于1的数据对象作为核心数据对象;
步骤4:步骤2中获得了每个数据对象的N-邻域,所有发生重叠即有共享数据对象的N-邻域定义为一个次级簇,同一个次级簇的所有对象最后将聚类入同一个簇中;将步骤3中得到的所有核心数据对象按照其N-邻域重叠情况分别放入次级簇中,形成n个次级簇;
步骤5:为步骤4得到的每个次级簇生成一个代表对象,代表对象的位置为该次级簇的质心,n个代表对象组成子集Dsub;
步骤6:按照稀疏聚类k均值算法对步骤5得到的子集Dsub中的n个代表对象进行聚类,分成k个簇;
(1)子集Dsub中数据总数为n,数据维度为p,初始化每个维度特征的权值初始化调优参数s,/>
(2)在子集Dsub中随机选取k个核心对象作为质心,将子集Dsub中其余对象划分入与其距离最近的质心所在簇,计算簇内距离distin,公式如下
式中,nm表示第m个簇中数据个数,Cm为第m个簇中数据的集合,xi_j为第m个簇中第i个数据第j维的值,xi'_j为第m个簇中第i'个数据第j维的值;
(3)重复S6.1,S6.2,直到distin达到最小值,则不再改变k个簇的划分;
(4)k个簇保持不变,通过改变wj的取值来使簇内距离distin更小,更新wj的公式如下,
(5)设置迭代参数α=10-5,当满足停止条件如下式时停止对步骤S6.4的迭代,
式中,为第r次迭代后第j维的权重取值;
步骤7:计算数据集D中所有非核心对象xout与步骤6得到的k个簇的质心的稀疏距离sdist(xout,cm),将非核心对象归入与其稀疏距离最小的质心所在簇,稀疏距离计算公式如下,
式中,cm表示第m个簇的质心,wj,j={1,2,…,p}表示各维度权重,xout_j表示非核心对象xout第j维的值,cm_j为第m个簇的质心在第j维的值;
步骤8:得到数据集D中所有数据对象的聚类结果,通过跳闸停电记录和人工经验,将停电或过载时对应的数据点作为代表对象,其所在的簇则为异常工况数据集,即可从配电变压器的工况监测数据中筛选出异常数据,发出配电变压器异常工况预警。
至此,利用基于密度相似稀疏聚类的配电变压器异常工况判别方法完成了对配电变压器运行数据的分类,能够实现对配电变压器异常工况的自动预判。
本发明所提出的基于密度相似稀疏聚类的变压器工况异常判别方法,在数据量丰富且较为成熟的配电变压器运行数据基础上,能够实现低成本、快捷有效、简单易用、易于反馈的配电变压器异常工况预判,更符合配电网实际背景;同时,也为后续深入的数据挖掘提供了更高质量的数据集,有助于提高后续配电变压器故障分析和预警建模的准确率,能为配电网设备态势感知提供支撑,具有重大推广应用意义。
Claims (4)
1.基于密度相似稀疏聚类的变压器异常工况判别方法,其特征在于,包括以下步骤:
步骤1:判别异常工况所用的数据对象为配电变压器工况监测高维数据集D,设置密度相似序列稀疏聚类算法中的参数,包括近邻数目N,以及数据集D所划分成簇的个数k;
步骤2:根据设置的参数N,计算每个数据对象的密度相似序列异常因子SDAOF值;
步骤3:根据步骤2中数据对象的SDAOF值对数据对象进行阈值为1的筛选,将所有密度相似序列异常因子SDAOF值小于1的数据对象作为核心数据对象;
步骤4:步骤2中获得了每个数据对象的N-邻域,所有发生重叠即有共享数据对象的N-邻域定义为一个次级簇,同一个次级簇的所有对象最后将聚类入同一个簇中;将步骤3中得到的所有核心数据对象按照其N-邻域重叠情况分别放入次级簇中,形成n个次级簇;
步骤5:为步骤4得到的每个次级簇生成一个代表对象,代表对象的位置为该次级簇的质心,n个代表对象组成子集Dsub;
步骤6:按照稀疏聚类k均值算法对步骤5得到的子集Dsub中的n个代表对象进行聚类,分成k个簇;
步骤7:计算数据集D中所有非核心数据对象xout与步骤6得到的k个簇的质心的稀疏距离sdist(xout,cm),将非核心对象归入与其稀疏距离最小的质心所在簇,稀疏距离计算公式如下,
式中,cm表示第m个簇的质心,wj,j={1,2,…,p}表示各维度权重,xout_j表示非核心对象xout第j维的值,cm_j为第m个簇的质心在第j维的值;
步骤8:得到高维数据集D中所有数据对象的聚类结果,通过跳闸停电记录和人工经验,将停电或过载时对应的数据点作为异常点典型对象,其所在的簇则为异常工况数据集,即能够从配电变压器的工况监测数据中筛选出异常数据,发出配电变压器异常工况预警。
2.根据权利要求1所述的基于密度相似稀疏聚类的变压器异常工况判别方法,其特征在于,所述步骤2包括以下步骤:
S2.1:计算数据集D中的所有数据对象两两之间的欧氏距离,数据对象x到与其第N近的数据对象的距离定义为Ndist(x),由所有到数据对象x的距离小于Ndist(x)的数据对象的集合构成数据对象x的N-邻域NN(x),数据对象x到数据对象x的N-邻域内各个数据对象的距离的中位数定义为Nmdist(x);
S2.2:计算每个数据对象的N-密度Nden(x),具体计算公式如下:
式中,Nmdist(x)是数据对象x到数据对象x的N-邻域内各个数据对象的距离的中位数;
S2.3:生成每个数据对象的密度相似序列SDA(x),对位于数据对象x的N-邻域NN(x)中的数据对象,令P={x},Q=NN(x),Δ(P,Q)为每次从P中划分入Q中的对象,用p,q分别表示P,Q中任意元素,且Δ(P,Q)满足下列关系,
SDA(x)={x,o1,o2,o3,…,oN}
式中,o1,o2,o3,...,oi,...,oN为第1,2,...i,...,N次判定从Q进入P中的数据对象;
S2.4:计算数据集D中每个数据对象x的总体序列花费TAC(x),表示NN(x)中各个数据对象到达数据对象x的总体花费,其计算公式如下:
式中,dist(oi-1,oi)表示oi-1与oi之间的欧氏距离;
S2.5:计算数据集D中每个数据对象的密度相似序列异常因子SDAOF值,SDAOF值被看作是一个数据对象和其周围对象的差异程度,其计算公式如下:
3.根据权利要求1所述的基于密度相似稀疏聚类的变压器异常工况判别方法,其特征在于,所述步骤6包括以下步骤:
S6.1:子集Dsub中数据总数为n,数据维度为p,初始化每个维度特征的权值初始化调优参数/>
S6.2:在子集Dsub中随机选取k个核心对象作为质心,将子集Dsub中其余对象划分入与其距离最近的质心所在簇,计算簇内距离distin,公式如下
式中,nm表示第m个簇中数据个数,Cm为第m个簇中数据的集合,xi_j为第m个簇中第i个数据第j维的值,xi'_j为第m个簇中第i'个数据第j维的值;
S6.3:重复S6.1,S6.2,直到distin达到最小值,则不再改变k个簇的划分;
S6.4:k个簇保持不变,通过改变每个维度特征的权值wj的取值来使簇内距离distin更小,更新wj的公式如下,
S6.5:设置迭代参数α=10-5,当满足停止条件如下式时停止对步骤S6.4的迭代,
式中,为第r次迭代后第j维的权重取值。
4.根据权利要求1所述的基于密度相似稀疏聚类的变压器异常工况判别方法,其特征在于,配电变压器运行工况高维数据集D,具体指有关配电变压器停电故障的特征变量数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159699.2A CN113899971B (zh) | 2021-09-30 | 2021-09-30 | 基于密度相似稀疏聚类的变压器异常工况判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159699.2A CN113899971B (zh) | 2021-09-30 | 2021-09-30 | 基于密度相似稀疏聚类的变压器异常工况判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113899971A CN113899971A (zh) | 2022-01-07 |
CN113899971B true CN113899971B (zh) | 2023-11-14 |
Family
ID=79189760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111159699.2A Active CN113899971B (zh) | 2021-09-30 | 2021-09-30 | 基于密度相似稀疏聚类的变压器异常工况判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113899971B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7349914B1 (en) * | 2004-05-04 | 2008-03-25 | Ncr Corp. | Method and apparatus to cluster binary data transactions |
US7412429B1 (en) * | 2007-11-15 | 2008-08-12 | International Business Machines Corporation | Method for data classification by kernel density shape interpolation of clusters |
CN105139035A (zh) * | 2015-08-31 | 2015-12-09 | 浙江工业大学 | 基于密度的聚类中心自动确定的混合属性数据流聚类方法 |
CN106991430A (zh) * | 2017-02-28 | 2017-07-28 | 浙江工业大学 | 一种基于临近点法的聚类个数自动确定谱聚类方法 |
CN108304567A (zh) * | 2018-02-09 | 2018-07-20 | 杭州安脉盛智能技术有限公司 | 高压变压器工况模式识别与数据分类方法及系统 |
CN110222747A (zh) * | 2019-05-24 | 2019-09-10 | 河海大学 | 一种优化的聚类方法 |
CN111291276A (zh) * | 2020-01-13 | 2020-06-16 | 武汉大学 | 一种基于局部方向中心性度量的聚类方法 |
CN112000655A (zh) * | 2020-08-26 | 2020-11-27 | 广东电网有限责任公司广州供电局 | 一种变压器负荷数据预处理方法、装置和设备 |
CN113221992A (zh) * | 2021-04-30 | 2021-08-06 | 西安交通大学 | 一种基于l2,1范数的大规模数据快速聚类方法 |
CN113282409A (zh) * | 2021-05-13 | 2021-08-20 | 广东电网有限责任公司广州供电局 | 边缘计算任务的处理方法、装置和计算机设备 |
-
2021
- 2021-09-30 CN CN202111159699.2A patent/CN113899971B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7349914B1 (en) * | 2004-05-04 | 2008-03-25 | Ncr Corp. | Method and apparatus to cluster binary data transactions |
US7412429B1 (en) * | 2007-11-15 | 2008-08-12 | International Business Machines Corporation | Method for data classification by kernel density shape interpolation of clusters |
CN105139035A (zh) * | 2015-08-31 | 2015-12-09 | 浙江工业大学 | 基于密度的聚类中心自动确定的混合属性数据流聚类方法 |
CN106991430A (zh) * | 2017-02-28 | 2017-07-28 | 浙江工业大学 | 一种基于临近点法的聚类个数自动确定谱聚类方法 |
CN108304567A (zh) * | 2018-02-09 | 2018-07-20 | 杭州安脉盛智能技术有限公司 | 高压变压器工况模式识别与数据分类方法及系统 |
CN110222747A (zh) * | 2019-05-24 | 2019-09-10 | 河海大学 | 一种优化的聚类方法 |
CN111291276A (zh) * | 2020-01-13 | 2020-06-16 | 武汉大学 | 一种基于局部方向中心性度量的聚类方法 |
CN112000655A (zh) * | 2020-08-26 | 2020-11-27 | 广东电网有限责任公司广州供电局 | 一种变压器负荷数据预处理方法、装置和设备 |
CN113221992A (zh) * | 2021-04-30 | 2021-08-06 | 西安交通大学 | 一种基于l2,1范数的大规模数据快速聚类方法 |
CN113282409A (zh) * | 2021-05-13 | 2021-08-20 | 广东电网有限责任公司广州供电局 | 边缘计算任务的处理方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113899971A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
WO2023045278A1 (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN106371427B (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN110826641B (zh) | 一种基于聚类分析归类居民用电情况的系统及方法 | |
CN108960321B (zh) | 一种大型锂电池储能电站电池故障预测方法 | |
CN111737911A (zh) | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 | |
CN110082082B (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
CN102682221A (zh) | 一种复杂电子信息系统电磁兼容性综合评估方法 | |
CN112241606A (zh) | 基于cps决策模块的船舶智能设备运维的协同决策方法 | |
CN111598165A (zh) | 一种基于极限学习机的密度聚类离群点检测方法 | |
Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN105654392A (zh) | 一种基于聚类算法的设备家族性缺陷的分析方法 | |
CN110689324A (zh) | 一种配电变压器检测结果的辅助评判方法 | |
CN113899971B (zh) | 基于密度相似稀疏聚类的变压器异常工况判别方法 | |
CN113657678A (zh) | 一种基于信息新鲜度的电网电力数据预测方法 | |
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 | |
CN112215410A (zh) | 基于改进深度学习的电力负荷预测方法 | |
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 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法 |
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 |