检索结果-南通市图书馆

基于高斯混合模型聚类的风电场短期功率预测方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

电力系统自动化 2021年第7期45卷 37-43页

作者：王一妹刘辉宋鹏胡泽春吴林林国网冀北电力有限公司电力科学研究院北京市100045 风光储并网运行技术国家电网公司重点实验室北京市100045 清华大学电机工程与应用电子技术系北京市100084

对任意来流条件下的风电场发电功率进行准确预测,是提高电网对风电接纳能力的有效措施。针对大型风电场的功率预测采用单点位风速外推预测代表性差的局限,提出基于高斯混合模型(GMM)聚类的风电场短期功率预测方法。方法结合数据分布特征... 详细信息

对任意来流条件下的风电场发电功率进行准确预测,是提高电网对风电接纳能力的有效措施。针对大型风电场的功率预测采用单点位风速外推预测代表性差的局限,提出基于高斯混合模型(GMM)聚类的风电场短期功率预测方法。方法结合数据分布特征,利用GMM聚类将大型风电场划分为若干机组群,借助贝叶斯信息准则指标评价,获得风电场内最优机组分组方案。实际算例验证表明,按照小时级、月度级、年度级等时间尺度进行统计,所建立的GMM聚类模型均极大地提高了未分组的风电功率预测模型的准确性。相较于应用广泛的k-means聚类、层次凝聚聚类等方法,GMM聚类方法在分组功率预测中表现出了显著优势,为大型风电场短期功率预测模型的优化及运行经济性的提升提供了技术支持与依据。

关键词：风电机组高斯混合模型聚类合理性评价功率预测

基于高斯混合模型聚类和多维尺度分析的负荷分类方法

在线全文

学校读者我要写书评

暂无评论

电网技术 2020年第11期44卷 4283-4293页

作者：张美霞李丽杨秀孙改平蔡雅慧上海电力大学电气工程学院上海市杨浦区200090

针对传统聚类方法存在聚类"硬分配"的局限性,及其面对海量数据集难以同时满足聚类效率与聚类精度要求的问题,文章提出一种基于高斯混合模型聚类和多维尺度分析的负荷分类方法,对负荷数据进行多维尺度分析降维后,输入高斯混合模型聚类算... 详细信息

针对传统聚类方法存在聚类"硬分配"的局限性,及其面对海量数据集难以同时满足聚类效率与聚类精度要求的问题,文章提出一种基于高斯混合模型聚类和多维尺度分析的负荷分类方法,对负荷数据进行多维尺度分析降维后,输入高斯混合模型聚类算法中,实现大规模负荷数据集的分类。基于Rstudio工具对上海市办公、商场、宾馆和综合型楼宇各一栋的负荷(2015—2017年每小时用电负荷)进行分类,并将该方法与K-Means、模糊聚类、层次聚类和高斯混合模型聚类等方法比较。此外以降维速率、降维质量、降维损失和聚类质量为评价指标,将多维尺度分析与高斯混合模型聚类的结合与t分布随机邻域嵌入、主成分分析与高斯混合模型聚类的结合进行比较。结果表明,该研究提出的分类方法不仅有效精细地实现了楼宇负荷分类,且能够有效节约计算成本,提高运算效率。

关键词：高斯混合模型聚类多维尺度分析负荷分类聚类分析楼宇负荷降维评估

基于高斯混合模型聚类的非均匀采样系统的多模型切换辨识

在线全文

学校读者我要写书评

暂无评论

控制与决策 2021年第12期36卷 2946-2954页

作者：王宏伟柴秀俊大连理工大学控制科学与工程学院辽宁大连116024 新疆大学电气工程学院乌鲁木齐830047

从概率统计方法出发,提出一种基于高斯混合模型聚类与递推最小二乘算法的非均匀采样系统的多模型建模方法.首先,采用高斯混合模型作为调度函数,使用最大期望(EM)算法迭代更新估计高斯混合模型中参数,从而通过每个子系统的高斯概率密度... 详细信息

从概率统计方法出发,提出一种基于高斯混合模型聚类与递推最小二乘算法的非均匀采样系统的多模型建模方法.首先,采用高斯混合模型作为调度函数,使用最大期望(EM)算法迭代更新估计高斯混合模型中参数,从而通过每个子系统的高斯概率密度函数计算和比较来确定子系统的激活情况;其次,采用递推最小二乘算法估计局部子系统参数;然后,使用鞅收敛定理对所提出的算法性能进行分析;最后,通过非均匀采样系统的多模型建模来证明所提出方法的有效性.

关键词：高斯混合模型聚类调度函数非均匀采样系统非线性系统辨识

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

在线全文

学校读者我要写书评

暂无评论

机电工程 2021年第7期38卷 873-878页

作者：王浩刘胜兰刘晨中国舰船研究院北京100192

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特... 详细信息

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。

关键词：齿轮箱 K均值聚类高斯混合模型聚类故障识别

在线全文

学校读者我要写书评

暂无评论

基于高斯混合模型聚类的切换系统辨识

基于高斯混合模型聚类的切换系统辨识

作者：柴秀俊新疆大学

学位级别：硕士

切换系统在实际工程系统中具有广泛应用,在控制、滤波、故障诊断等领域取得了很多丰富的研究成果。然而,对切换系统的辨识,由于切换系统的切换规则是未知的,这就导致从切换系统收集的输入输出数据来自于不同的子系统。在辨识中,通常需... 详细信息

切换系统在实际工程系统中具有广泛应用,在控制、滤波、故障诊断等领域取得了很多丰富的研究成果。然而,对切换系统的辨识,由于切换系统的切换规则是未知的,这就导致从切换系统收集的输入输出数据来自于不同的子系统。在辨识中,通常需要辨识每个子系统的参数,还需要辨识切换系统的切换时间、子系统的驻留时间与子系统的数量。因此,切换系统的辨识要比非切换单模型系统的辨识更为困难,这也是本文研究的意义和目的。本文以切换系统为研究对象,以辨识切换系统中的切换信号,子系统参数与子系统数量为主要目的,提出一种两阶段的辨识方法对切换系统进行辨识,分别为模式检测与参数辨识。在模式检测阶段,通过高斯混合模型聚类估计切换信号,根据模型选择准则估计子系统的数量,并提出K-means++,朴素贝叶斯分类器,0-1准则等方法对高斯混合模型聚类进行改进,在提高模式检测准确率的同时降低算法的复杂度。在参数辨识阶段,使用辅助模型多新息广义增广最小二乘算法得到各个子系统的参数估计值。本文的创新点主要包括如下几点内容:1.针对切换系统的辨识,提出一种两阶段的辨识方法来辨识切换系统,分别为模式检测与参数辨识。在模式检测阶段,首先建立高斯混合模型表示采样数据的分布,之后计算采样数据属于每个子系统的后验概率,并通过极大似然估计算法迭代更新模型参数,使高斯混合模型最大化地拟合采样数据的分布,最后,根据最大后验概率准则估计切换信号。在参数辨识阶段,根据切换信号的估计值,重新整理采样数据,使用辅助模型多新息广义增广最小二乘算法得到切换系统中每个子系统的参数估计值,并通过鞅收敛定理分析了辅助模型多新息广义增广最小二乘算法的收敛性。2.针对高斯混合模型聚类存在的一些缺陷,提出改进的高斯混合模型聚类。为了解决高斯混合模型聚类对初始模型参数敏感的问题,通过K-means++算法选择一组较为合适的初始模型参数,从而提高切换系统辨识过程中的模式检测准确率。在此基础上,充分利用切换系统中采样数据具有相互独立性的特点,将高斯混合模型聚类与朴素贝叶斯分类器相结合,提高了切换系统辨识过程中的模式检测准确率。为了减小高斯混合模型聚类过程中的算法复杂度,在每轮迭代过程中,对后验概率进行0-1离散化处理,有效地减小了高斯混合模型聚类过程中算法的复杂度与计算时间。3.针对切换系统辨识过程中子系统数量未知的情况,提出基于模型选择准则的子系统数量辨识。一般情况下,在切换系统辨识的过程中,子系统的数量、切换时间、子系统的驻留时间往往是未知的,只有输入数据与输出数据是可以采样的,在现有的切换系统辨识中,往往忽略了对子系统数量的辨识。本章根据AIC准则与BIC准则,通过比较模型拟合采样数据的优良性,借助采样数据的极大似然函数,对切换系统中子系统数量进行辨识。仿真结果表明,通过AIC准则与BIC准则可以准确地辨识出切换系统中子系统的数量。4.针对工业炼铁过程中硅含量的预测问题,提出基于切换系统原理的硅含量预测模型。由于在炼铁过程中,多种因素的变化造成硅含量的动态变化,所以在建模过程中考虑建立切换系统模型来描述这个动态过程,在此基础上,通过基于高斯混合模型聚类的辨识方法,估计出切换系统的切换信号,子系统参数与子系统数量,最后通过切换系统预测模型对炼铁过程中的硅含量进行预测。

关键词：系统辨识切换系统高斯混合模型聚类 BIC准则递推最小二乘法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进高斯混合模型的变电站负荷聚类算法

全球能源互联网 2024年

作者：余浩高镱滈潘险险徐衍会李雪松孙宇航广东电网有限责任公司电网规划研究中心华北电力大学电气与电子工程学院

针对传统高斯混合模型（Gaussian mixture model,GMM）聚类算法中计算复杂、收敛速度慢和人为确定聚类数目时存在盲目性和主观性等不足，提出了一种基于改进GMM的变电站负荷聚类算法。以传统GMM聚类算法为基础，采用k均值（k-means）算... 详细信息

针对传统高斯混合模型（Gaussian mixture model,GMM）聚类算法中计算复杂、收敛速度慢和人为确定聚类数目时存在盲目性和主观性等不足，提出了一种基于改进GMM的变电站负荷聚类算法。以传统GMM聚类算法为基础，采用k均值（k-means）算法确定初始聚类中心。减少了GMM聚类算法迭代步骤，提高了输出结果的稳定性。输出不同聚类数下聚类结果的Davies-Bouldin(DB)指标、CalinskiHarabasz(CH)指标和轮廓系数（silhouettecoefficient,SC），应用熵权法确定不同评价指标所占权重，构建聚类评价混合指数（cluster evaluation mixed index,CEM）。将聚类评价混合指数最大值对应的聚类个数作为最佳聚类数目，再次输入到改进GMM聚类算法中，得到变电站负荷聚类结果和聚类中心。结果表明，所提方法增强了传统GMM聚类算法的计算速度和稳定性，对变电站负荷具有良好的聚类综合能力，有助于实现聚类结果最优化。

关键词：高斯混合模型聚类负荷分类聚类算法聚类评价

基于改进INFO-CNN-QRGRU模型的农村分布式光伏发电短期概率预测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

沈阳农业大学学报 2024年第4期55卷 490-502页

作者：王俊邱爽鞠丹阳谢易澎张楠楠王慧沈阳农业大学信息与电气工程学院沈阳110161 国网内蒙古东部电力有限公司呼伦贝尔供电公司内蒙古呼伦贝尔021000 国网辽宁省电力有限公司辽阳供电公司辽宁辽阳111000

随着“双碳”目标的推进,清洁能源所占比重大幅度增加,分布式光伏发电在我国农村地区快速发展,但其随机性、间歇性的特点给新能源消纳和电网稳定带来很大的挑战。光伏发电预测可以在一定程度上改善新能源消纳问题,减少光伏发电的不稳定... 详细信息

随着“双碳”目标的推进,清洁能源所占比重大幅度增加,分布式光伏发电在我国农村地区快速发展,但其随机性、间歇性的特点给新能源消纳和电网稳定带来很大的挑战。光伏发电预测可以在一定程度上改善新能源消纳问题,减少光伏发电的不稳定性对电网的冲击。因此,为提高光伏发电功率预测精度,提出一种基于改进向量加权平均算法优化CNN-QRGRU网络的光伏发电概率预测方法。首先采用ReliefF算法对特征变量进行选择,在此基础上利用高斯混合模型(Gaussian mixture model,GMM)聚类方法将天气分为晴天、晴转多云和阴雨天3种类型,将处理好的数据输入到CNN-GRU模型中,并利用向量加权平均(weighted mean of vectors algorithm,INFO)优化算法对模型超参数进行调参,将分位数回归模型(quantile regression,QR)与INFO-CNN-GRU模型相结合得到光伏功率条件分布,结合核密度估计法从条件分布中获得概率密度函数,完成概率预测。以实际光伏电站数据作为基础,将提出的INFO优化算法与其他几种传统的优化算法进行对比,结果表明INFO的优化效果更好,在此基础上进行概率预测,得到的概率预测结果相较于点预测能提供更多有效信息,更具有应用价值。

关键词：光伏出力高斯混合模型聚类门控循环单元向量加权平均算法分位数回归概率预测

居民用电数据的事件监测与负荷特征提取方法研究

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

太原理工大学学报 2024年第1期55卷 2-11页

作者：李宾皑李凡周德生曾平杨秀闫钟宇国网上海市电力公司上海200122 上海电力大学电气工程学院上海200090

【目的】为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于事件监测和高斯混合模型聚类相结合的负荷特征提取方法。【方法】首先通过基于滑动窗的事件监测算法提取每个电器单次运行时的... 详细信息

【目的】为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于事件监测和高斯混合模型聚类相结合的负荷特征提取方法。【方法】首先通过基于滑动窗的事件监测算法提取每个电器单次运行时的有功功率波动,借助事件监测算法可获得电器的启动时间、次数和运行时长。其次针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合模型聚类算法“软分类”、类簇灵活的优势,对负荷工作状态进行精细分类,形成符合用电设备实际运行情况的负荷状态特征库。最后采用公开数据集AMPds2作为研究对象,采用所提出的方法研究居民用户的用能习惯,并开展验证分析,与其他模型进行对比。【结果】结果表明所提的方法能够更好地提取负荷特征。

关键词：事件监测高斯混合模型聚类居民负荷负荷分类无监督聚类

基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

电力系统保护与控制 2022年第14期50卷 65-75页

作者：杨秀李安孙改平田英杰刘方潘瑞媛吴吉海上海电力大学电气工程学院上海200090 华东电力科学研究院上海200437

为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先,针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合... 详细信息

为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先,针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势,对负荷工作状态进行精细分类,形成负荷用电设备实际运行情况的负荷状态特征库。其次,针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题,提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后,综合考虑外部环境数据对家庭用户用能习惯的影响,在AMPds2数据集上开展验证分析,并与其他模型进行对比。结果表明,所提的非侵入式负荷监测模型具有较高的准确性。

关键词：非侵入式负荷监测与分解高斯混合模型聚类卷积神经网络门控循环单元深度学习