CN106055883B - 一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法 - Google Patents
一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法 Download PDFInfo
- Publication number
- CN106055883B CN106055883B CN201610353984.0A CN201610353984A CN106055883B CN 106055883 B CN106055883 B CN 106055883B CN 201610353984 A CN201610353984 A CN 201610353984A CN 106055883 B CN106055883 B CN 106055883B
- Authority
- CN
- China
- Prior art keywords
- sample data
- power grid
- operation sample
- grid operation
- dimensional space
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法,方法包括:利用采用模糊C‑均值聚类算法去除电网运行样本数据中的冗余数据;利用主成分分析法获取电网运行样本数据中贡献率最大的三维数据作为电网运行样本数据的低维空间映射点坐标向量的初始值;采用迭代修正法对电网运行样本数据的低维空间映射点坐标向量的初始值进行修正,获取电网运行样本数据的低维空间映射点坐标向量;根据电网运行样本数据的低维空间映射点坐标向量评判电网运行样本数据的有效性。本发明提供的方法,能够在电力***暂态稳定评估时,利用主成分分析法为迭代提供初始值,使映射结果稳定,并且采用迭代修正的方法求解低维空间映射点坐标,加快了求解速度。
Description
技术领域
本发明涉及电力***安全稳定分析技术领域,具体涉及一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法。
背景技术
在基于机器学习技术的电力***暂态稳定评估(TSA)方法中,可以将判稳结果当做一个分类问题来处理。即通过选择一组合适的分类特征来描述***的状态,建立一个高维的输入空间,然后再采用一种合适的分类方法对样本进行分类。分类结果的质量不仅与采用分类方法的性能有关,还与所选取的特征子集有关,因为选择的输入特征的表达能力决定了输入空间的可分性。如果选取的输入特征是无效的,那么无论采用何种分类器都无法将稳定样本和失稳样本分开。由于缺乏一个有效的方法来评估输入空间的可分性。当采用某种方法进行分类时,如果分类结果不理想,就无法判断问题究竟出自分类方法或者是输入特征的表达能力。为解决这个问题,需要初步分析所提取的特征区分稳定样本与失稳样本的能力。
鉴于此,很多学者引入了sammon映射算法来分析选择特征的有效性和输入空间的可分性。Sammon映射算法是一种从高维空间转化为低维空间的方法,采用非线性迭代计算方式可以有效地促进数据的降维,并且使低维空间中的映射点相互之间的距离与原始高维空间中点与点之间的距离尽量相同,从而保持各样品整体结构不变。将一个高维的输入空间近似地转化为一个二维或三维的空间后,可以在低维空间中对数据特征的有效性进行直接的可视化研究。在二维或者三维空间标绘出原始样本的映射点后,当稳定样本与失稳样本的映射点能明显分开时,表明选择的特征是有效的,所构成的输入空间具有可分性。若两种坐标点相互混杂,则说明该特征集是没有分类能力的。
然而,传统sammon映射算法接采用拟牛顿法或梯度下降法等最优化方法求解。和其它迭代学习算法一样,存在着容易陷入局部极值问题,对初始值也比较敏感,并且迭代计算过程耗时长。
发明内容
本发明提供一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法,其目的是在电力***暂态稳定评估时,利用主成分分析法为迭代提供初始值,使映射结果稳定,并且采用迭代修正的方法求解低维空间映射点坐标,加快了求解速度。
本发明的目的是采用下述技术方案实现的:
一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法,其改进之处在于,包括:
初始化电网运行样本数据;
采用模糊C-均值聚类算法去除电网运行样本数据中的冗余数据;
采用主成分分析法获取所述电网运行样本数据中贡献率最大的三维数据作为所述电网运行样本数据的低维空间映射点坐标向量的初始值;
采用迭代修正法对所述电网运行样本数据的低维空间映射点坐标向量的初始值进行修正,获取所述电网运行样本数据的低维空间映射点坐标向量;
根据所述电网运行样本数据的低维空间映射点坐标向量评判所述电网运行样本数据的有效性。
优选的,所述初始化电网运行样本数据,包括:
优选的,所述利用采用模糊C-均值聚类算法去除电网运行样本数据中的冗余数据,包括:
a.用[0,1]间的随机数初始化隶属矩阵U,其中,所述隶属矩阵U需满足:
式(1)中,uki为第k维电网运行样本数据中属于第i类的隶属度;
b.按下式确定初始聚类中心矩阵中第i个聚类中心:
e.若||V(b+1)-V(b)||≤ε,则执行步骤f,并输出V(b+1)和U(b),否则,令b=b+1,并返回步骤a;
f.遍历U(b)中全部元素,设隶属度阈值为ρ,若第k维电网运行样本数据xk属于V(b+1)的隶属度均小于ρ,则去除第k维电网运行样本数据xk。
优选的,所述利用主成分分析法获取所述电网运行样本数据中贡献率最大的三维数据作为所述电网运行样本数据的低维空间映射点坐标向量的初始值,包括:
式(5)中,N为所述电网运行样本数据的样本数,p为所述电网运行样本数据的特征数,i∈[1,N],j∈[1,p],为第j维电网运行样本数据的均值,sj为第j维电网运行样本数据的标准差,其中,所述第j维电网运行样本数据的均值的计算公式为:
所述第j维电网运行样本数据的标准差sj的计算公式为:
建立标准矩阵S*的相关矩阵并求解所述相关矩阵R的齐次方程|R-λI|=0,获取所述相关矩阵R的特征根λ1,λ2,...,λp和特征向量u1,u2,..,up,其中,λ1≥λ2≥...≥λp,I为单位矩阵,λ为所述相关矩阵R的特征根,λp为所述相关矩阵R第p为元素的特征根,up为所述相关矩阵R第p为元素的特征向量;
按下式确定所述电网运行样本数据的低维空间映射点坐标向量的初始值[Fi1,Fi2,Fi3]:
[F1,F2,F3]=S*[u1,u2,u3] (8)
式(8)中,i∈[1,N],N为所述电网运行样本数据的样本数,F1为第1维空间映射点坐标向量的初始值,F2为第2维空间映射点坐标向量的初始值,F3为第3维空间映射点坐标向量的初始值。
优选的,所述采用迭代修正法对所述电网运行样本数据的低维空间映射点坐标向量的初始值进行修正,获取所述电网运行样本数据的低维空间映射点坐标向量,包括:
按下式确定所述电网运行样本数据的a维空间和b维空间映射点坐标向量的增量Δfa和Δfb:
式(9)中,fa为第a维空间映射点坐标向量值,Δfa为第a维空间映射点坐标向量的增量,dkj为第k维电网运行样本数据与第j维电网运行样本数据的距离,j∈[1,p],k∈[1,p],p为所述电网运行样本数据的特征数,其中,Iteration为修正次数,maxIteration为总修正次数,且maxIteration∈[104N,105N];
将λ单调递减至0.01,递减次数为maxIteration,获取maxIteration组所述电网运行样本数据的低维空间映射点坐标向量的增量,并根据所述电网运行样本数据的低维空间映射点坐标向量的增量对所述电网运行样本数据的低维空间映射点坐标向量进行修正。
优选的,所述根据所述电网运行样本数据的低维空间映射点坐标向量评判所述电网运行样本数据的有效性,包括:
将所述电网运行样本数据的低维空间映射点坐标向量的坐标点标绘至坐标系,若所述电网运行样本数据中失稳数据的低维空间映射点坐标向量的坐标点与所述电网运行样本数据中稳定数据的低维空间映射点坐标向量的坐标点混合分布,则所述电网运行样本数据不具有有效性,若所述电网运行样本数据中失稳数据的低维空间映射点坐标向量的坐标点与所述电网运行样本数据中稳定数据的低维空间映射点坐标向量的坐标点能够可视化分开,则所述电网运行样本数据具有有效性。
本发明的有益效果:
本发明提供的一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法,针对分析电力***暂态稳定输入特征是否有效性问题,根据电力***运行过程中数据不均衡特点,对传统sammon映射算法加以改进。利用模糊C-均值聚类,去除冗余的稳定样本数据且很好地保持了原始数据拓扑结构和统计特性,完成在迭代计算前对原始数据大样本的压缩任务。并且,改进算法比传统算法更具稳定性与高效性。一方面利用主成分分析法为迭代提供初始值,使映射结果稳定。另一方面,采用迭代修正的方法求解低维空间映射点坐标,加快了求解速度。
本发明提供的一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法,为分析输入特征的有效性提供了有力工具,对暂态稳定特征的选取具有很好的指导作用。同样,在其他基于机器学习的电力***问题中也具有良好的应用前景。
附图说明
图1是本发明一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法的流程图;
图2是本发明实施例中失稳数据与稳定数据的低维空间映射点坐标向量的坐标点混合分布结构示意图;
图3是本发明实施例中失稳数据与稳定数据的低维空间映射点坐标向量的坐标点可视化分开结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供的一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法,如图1所示,包括:
101.初始化电网运行样本数据;
102.采用模糊C-均值聚类算法去除电网运行样本数据中的冗余数据;
103.采用主成分分析法获取所述电网运行样本数据中贡献率最大的三维数据作为所述电网运行样本数据的低维空间映射点坐标向量的初始值;
104.采用迭代修正法对所述电网运行样本数据的低维空间映射点坐标向量的初始值进行修正,获取所述电网运行样本数据的低维空间映射点坐标向量;
105.根据所述电网运行样本数据的低维空间映射点坐标向量评判所述电网运行样本数据的有效性。
所述步骤101,包括:
在样本数量过大的情况下,映射算法时间会随着样本数的增加而急剧增加,影响分析结果的速度。而在电力***运行过程中,失稳样本数量极少,稳定样本数量多,且稳定样本数据中有大量样本数据是重复冗余的。故采用模糊C-均值聚类算法(Fuzzy C-Meansalgorithm,FCM)对稳定样本进行去除冗余处理,压缩样本数量,减轻计算量,从而加快分析选取特征的有效性的速度。
FCM是一种应用广泛的聚类方法,普通C-均值聚类中每个样本只能划分到一个类,而FCM则引入了隶属度的概念,是一种柔性的模糊划。FCM基于划分的聚类算法是对普通C-均值聚类算法的改进,因此所述步骤102,包括:
a.用[0,1]间的随机数初始化隶属矩阵U,其中,所述隶属矩阵U需满足:
式(1)中,uki为第k维电网运行样本数据中属于第i类的隶属度;
b.按下式确定初始聚类中心矩阵中第i个聚类中心:
e.若||V(b+1)-V(b)||≤ε,则执行步骤f,并输出V(b+1)和U(b),否则,令b=b+1,并返回步骤a;
f.遍历U(b)中全部元素,设隶属度阈值为ρ,若第k维电网运行样本数据xk属于V(b+1)的隶属度均小于ρ,则去除第k维电网运行样本数据xk。
Sammon映射是通过原始数据集的加权欧式距离,最小化目标函数E,最终将高维数据通过一个非线性映射投影到低维空间里。在映射的主要步骤中,存在着两个重要的影响因素影响着最终可视化结果的稳定性和映射速度:低维空间初始值的选取和迭代运算的次数。
因为sammon映射对低维空间中初始设定的位置值很敏感,而选取初始值的困难在于对所得到的初始值并没有统一的标准来衡量。所以通常的做法是,以不同的随机初始值进行多次计算,然后取其中最优解。这样做的计算量会很大,浪费大量时间,并且不良的映射效果有可能对分析选取特征集构成的输入空间的有效性造成误判。因此采用主成份分析(PCA)线性降维技术可以提供一个比较好的初始值。
主成分分析是一种多元统计分析方法。该方法通过构造原变量的一系列线性组合形成新变量,使这些新变量在彼此互不相关的前提下尽可能多地反映原变量的信息。数据信息主要反映在数据变量的方差上,方差越大,包含信息越多。通常用累计方差贡献率来衡量。主成分分析是对多个样本的输入变量形成的数据矩阵求取相关矩阵,根据相关矩阵的特征值,获得累计方差贡献率,再根据相关矩阵的特征向量,确定主成分,因此所述步骤103,包括:
式(5)中,N为所述电网运行样本数据的样本数,p为所述电网运行样本数据的特征数,i∈[1,N],j∈[1,p],为第j维电网运行样本数据的均值,sj为第j维电网运行样本数据的标准差,其中,所述第j维电网运行样本数据的均值的计算公式为:
所述第j维电网运行样本数据的标准差sj的计算公式为:
建立标准矩阵S*的相关矩阵并求解所述相关矩阵R的齐次方程|R-λI|=0,获取所述相关矩阵R的特征根λ1,λ2,...,λp和特征向量u1,u2,..,up,其中,λ1≥λ2≥...≥λp,I为单位矩阵,λ为所述相关矩阵R的特征根,λp为所述相关矩阵R第p为元素的特征根,up为所述相关矩阵R第p为元素的特征向量;
按下式确定所述电网运行样本数据的低维空间映射点坐标向量的初始值[Fi1,Fi2,Fi3]:
[F1,F2,F3]=S*[u1,u2,u3] (8)
式(8)中,i∈[1,N],N为所述电网运行样本数据的样本数,F1为第1维空间映射点坐标向量的初始值,F2为第2维空间映射点坐标向量的初始值,F3为第3维空间映射点坐标向量的初始值。
所述步骤104,包括:
按下式确定所述电网运行样本数据的a维空间和b维空间映射点坐标向量的增量Δfa和Δfb:
式(9)中,fa为第a维空间映射点坐标向量值,Δfa为第a维空间映射点坐标向量的增量,dkj为第k维电网运行样本数据与第j维电网运行样本数据的距离,j∈[1,p],k∈[1,p],p为所述电网运行样本数据的特征数,其中,Iteration为修正次数,maxIteration为总修正次数,且maxIteration∈[104N,105N];
将λ单调递减至0.01,递减次数为maxIteration,获取maxIteration组所述电网运行样本数据的低维空间映射点坐标向量的增量,并根据所述电网运行样本数据的低维空间映射点坐标向量的增量对所述电网运行样本数据的低维空间映射点坐标向量进行修正。
所述步骤105,包括:
将所述电网运行样本数据的低维空间映射点坐标向量的坐标点标绘至坐标系,若所述电网运行样本数据中失稳数据的低维空间映射点坐标向量的坐标点与所述电网运行样本数据中稳定数据的低维空间映射点坐标向量的坐标点混合分布,如图2所示,则所述电网运行样本数据不具有有效性,若所述电网运行样本数据中失稳数据的低维空间映射点坐标向量的坐标点与所述电网运行样本数据中稳定数据的低维空间映射点坐标向量的坐标点能够可视化分开,如图3所示,则所述电网运行样本数据具有有效性。
稳定样本和失稳样本的映射点在三维空间中能够可视化分开,说明选取的特征子集是有效,所构成的输入空间具有可分性。如果稳定样本和失稳样本映射点不可分,则说明所选特征是没有分类能力的,需要重新选择输入特征。
在sammon映射算法的主要步骤中,存在着两个重要的影响因素影响着最终映射结果的稳定性和求解速度:低维空间初始值的选取和映射目标误差函数的最小化迭代。Sammon映射对低维空间中初始设定的位置值很敏感,而对低维空间映射点初始位置的设定值并没有统一的衡量标准。所以通常的做法是,采用随机数初始化初始位置,并以不同的随机初始值进行多次计算,然后选取其中解效果最优的映射结果。这种求解方式的计算量大,重复很多不必要的计算,而且不良的映射效果有可能对分析选取特征集构成的输入空间的有效性造成误判。相比之下,主成份分析(PCA)等线性降维技术可以提供一个比较好的初始值。用PCA得到原始样本中贡献率最大的三维数据代替原算法取随机数的方法,做为低维空间映射点坐标向量的初始值,可以使映射结果更加稳定,能够有效地减少计算次数。关于迭代运算次数问题,一方面在映射运算前,通过模糊C-均值聚类算法去除冗余稳定样本数据,减少计算量。另一方面采用迭代修正的方法代替计算过程繁重的最速下降法求解低维空间映射点的坐标向量。迭代修正法不断调整低维空间映射点的坐标位置,即调整低维空间的结构,当误差函数足够小时,低维空间和高维空间将具有相似的结构。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法,其特征在于,所述方法包括:
初始化电网运行样本数据;
采用模糊C-均值聚类算法去除电网运行样本数据中的冗余数据;
采用主成分分析法获取所述电网运行样本数据中贡献率最大的三维数据作为所述电网运行样本数据的低维空间映射点坐标向量的初始值;
采用迭代修正法对所述电网运行样本数据的低维空间映射点坐标向量的初始值进行修正,获取所述电网运行样本数据的低维空间映射点坐标向量;
根据所述电网运行样本数据的低维空间映射点坐标向量评判所述电网运行样本数据的有效性;
所述采用主成分分析法获取所述电网运行样本数据中贡献率最大的三维数据作为所述电网运行样本数据的低维空间映射点坐标向量的初始值,包括:
式(5)中,i∈[1,N],j∈[1,p],为第j维电网运行样本数据的均值,sj为第j维电网运行样本数据的标准差,其中,N为所述电网运行样本数据的样本数,p为所述电网运行样本数据的特征数,所述第j维电网运行样本数据的均值的计算公式为:
所述第j维电网运行样本数据的标准差sj的计算公式为:
建立标准矩阵S*的相关矩阵并求解所述相关矩阵R的齐次方程|R-λI|=0,获取所述相关矩阵R的特征根λ1,λ2,...,λp和特征向量u1,u2,..,up,其中,λ1≥λ2≥...≥λp,I为单位矩阵,λ为所述相关矩阵R的特征根,λp为所述相关矩阵R第p维元素的特征根,up为所述相关矩阵R第p维元素的特征向量;
按下式确定所述电网运行样本数据的低维空间映射点坐标向量的初始值[F1,F2,F3]:
[F1,F2,F3]=S*[u1,u2,u3] (8)
式(8)中,F1为第1维空间映射点坐标向量的初始值,F2为第2维空间映射点坐标向量的初始值,F3为第3维空间映射点坐标向量的初始值;
所述采用迭代修正法对所述电网运行样本数据的低维空间映射点坐标向量的初始值进行修正,获取所述电网运行样本数据的低维空间映射点坐标向量,包括:
按下式确定所述电网运行样本数据的a维空间和b维空间映射点坐标向量的增量△fa和△fb:
式(9)中,fa为第a维空间映射点坐标向量值,△fa为第a维空间映射点坐标向量的增量,dkj为第k维电网运行样本数据与第j维电网运行样本数据的距离,k∈[1,p],其中,Iteration为修正次数,maxIteration为总修正次数,且maxIteration∈[104N,105N];
将λ单调递减至0.01,递减次数为maxIteration,获取maxIteration组所述电网运行样本数据的低维空间映射点坐标向量的增量,并根据所述电网运行样本数据的低维空间映射点坐标向量的增量对所述电网运行样本数据的低维空间映射点坐标向量进行修正。
3.如权利要求1所述的方法,其特征在于,所述采用模糊C-均值聚类算法去除电网运行样本数据中的冗余数据,包括:
a.用[0,1]间的随机数初始化隶属矩阵U,其中,所述隶属矩阵U需满足:
式(1)中,uki为第k维电网运行样本数据中属于第i类的隶属度;
b.按下式确定初始聚类中心矩阵中第i个聚类中心:
e.若||V(b+1)-V(b)||≤ε,则执行步骤f,并输出V(b+1)和U(b),否则,令b=b+1,并返回步骤a;
f.遍历U(b)中全部元素,设隶属度阈值为ρ,若第k维电网运行样本数据xk属于V(b+1)的隶属度均小于ρ,则去除第k维电网运行样本数据xk。
4.如权利要求1所述的方法,其特征在于,所述根据所述电网运行样本数据的低维空间映射点坐标向量评判所述电网运行样本数据的有效性,包括:
将所述电网运行样本数据的低维空间映射点坐标向量的坐标点标绘至坐标系,若所述电网运行样本数据中失稳数据的低维空间映射点坐标向量的坐标点与所述电网运行样本数据中稳定数据的低维空间映射点坐标向量的坐标点混合分布,则所述电网运行样本数据不具有有效性,若所述电网运行样本数据中失稳数据的低维空间映射点坐标向量的坐标点与所述电网运行样本数据中稳定数据的低维空间映射点坐标向量的坐标点能够可视化分开,则所述电网运行样本数据具有有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610353984.0A CN106055883B (zh) | 2016-05-25 | 2016-05-25 | 一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610353984.0A CN106055883B (zh) | 2016-05-25 | 2016-05-25 | 一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106055883A CN106055883A (zh) | 2016-10-26 |
CN106055883B true CN106055883B (zh) | 2022-09-02 |
Family
ID=57174682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610353984.0A Active CN106055883B (zh) | 2016-05-25 | 2016-05-25 | 一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106055883B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109861220B (zh) * | 2019-03-22 | 2022-07-01 | 西南交通大学 | 电力***分析用深度卷积神经网络张量输入构建方法 |
CN110647943B (zh) * | 2019-09-26 | 2023-06-30 | 西北工业大学 | 基于演化数据聚类分析的切削刀具磨损监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289717A (zh) * | 2011-07-27 | 2011-12-21 | 华北电力大学 | 一种适用于电力***复杂网络的快速状态估计方法 |
CN102832617A (zh) * | 2012-09-03 | 2012-12-19 | 武汉大学 | 一种基于精确化模式判别的大电网暂态稳定分析方法 |
CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳(集团)有限公司 | 一种用于电力负荷聚类的方法及装置 |
US20130138651A1 (en) * | 2011-11-28 | 2013-05-30 | Bin Lu | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads |
CN104268576A (zh) * | 2014-10-11 | 2015-01-07 | 国家电网公司 | 一种基于tnn-svm的电力***暂态稳定分类方法 |
-
2016
- 2016-05-25 CN CN201610353984.0A patent/CN106055883B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289717A (zh) * | 2011-07-27 | 2011-12-21 | 华北电力大学 | 一种适用于电力***复杂网络的快速状态估计方法 |
US20130138651A1 (en) * | 2011-11-28 | 2013-05-30 | Bin Lu | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads |
CN102832617A (zh) * | 2012-09-03 | 2012-12-19 | 武汉大学 | 一种基于精确化模式判别的大电网暂态稳定分析方法 |
CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳(集团)有限公司 | 一种用于电力负荷聚类的方法及装置 |
CN104268576A (zh) * | 2014-10-11 | 2015-01-07 | 国家电网公司 | 一种基于tnn-svm的电力***暂态稳定分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106055883A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Online fault diagnosis in industrial processes using multimodel exponential discriminant analysis algorithm | |
Brodersen et al. | The binormal assumption on precision-recall curves | |
Tong et al. | Ensemble modified independent component analysis for enhanced non-Gaussian process monitoring | |
CN105261004B (zh) | 基于均值漂移和邻域信息的模糊c均值图像分割方法 | |
CN102844791B (zh) | 监测轮胎表面的外观的方法 | |
CN113259331B (zh) | 一种基于增量学习的未知异常流量在线检测方法及*** | |
CN110852446A (zh) | 机器学习模型训练方法、装置和计算机可读存储介质 | |
CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
Yi et al. | An improved initialization center algorithm for K-means clustering | |
CN106886793B (zh) | 基于判别信息和流形信息的高光谱图像波段选择方法 | |
CN109766905B (zh) | 基于自组织特征映射网络的目标分群方法 | |
US20180137409A1 (en) | Method of constructing an artifical intelligence super deep layer learning model, device, mobile terminal, and software program of the same | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN106055883B (zh) | 一种基于改进Sammon映射的暂稳评估输入特征有效性分析方法 | |
CN110427019B (zh) | 一种基于多变量判别分析的工业过程故障分类方法及控制装置 | |
CN117407781B (zh) | 基于联邦学习的设备故障诊断方法及装置 | |
Lu et al. | Robust and scalable Gaussian process regression and its applications | |
CN111062848A (zh) | 一种消防工程异常状态监测的智能监控方法 | |
Zhang et al. | Dbiecm-an evolving clustering method for streaming data clustering | |
CN105740867A (zh) | 图像纹理窗口形状与尺度的选择方法 | |
CN107766887A (zh) | 一种局部加权的不完整数据混杂聚类方法 | |
CN114124437B (zh) | 基于原型卷积网络的加密流量识别方法 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN109656202B (zh) | 基于局部和结构一致性流形gmm的多模态过程监测方法 | |
CN110942089B (zh) | 一种基于多级决策的击键识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |