基于知识关联度的电力大数据协同过滤推荐算法

针对电力大数据推荐结果排名没有考虑电网领域知识关联度,推荐结果的准确度不高的问题,提出了引入知识项关联度的协同过滤推荐算法AR-Item CF.通过计算用户推荐列表得到最终推荐结果.结果表明,该算法能有效地解决推荐结果关联度较低的问题,显著地提高了推荐结果的质量和推荐效率.     

基于Spark框架的电网运行异常数据辨识与修正方法

由于电网运行数据具有多源、异构、高维等典型大数据特征,使得传统检测方法已无法实现异常数据高效辨识;因此提出一种基于Spark框架的电网运行异常数据辨识与修正新方法。首先,提出了并行化最小生成树方法对待检测数据进行初始聚类;在此基础上结合并行K-means算法对数据进行二次聚类实现异常数据辨识;然后,在Spark框架下设计了基于径向基函数(RBF)神经网络的异常数据修正模型,实现对异常数据修正。最后,利用某省调度中心SCADA数据对方法的有效性进行了验证,结果表明所提方法能够有效处理电网运行异常数据,具有实际应用价值。     

面向家庭用户的用电负荷分解方法

针对现有非侵入式负荷分解方法存在的问题,结合家用电器的负荷曲线特点,提出一种基于进制拟合算法的非侵入式负荷分解方法.该方法较好地解决了现有方法对负荷采集设备精度要求高和无法有效处理同种电器不同工作模式下的负荷分解问题.实验表明,该方法可准确判断出电器的开启时间、已运行时间和电器的工作模式,并很好地处理了同种电器投入使用的情况.同时,采用低速率采样,所需数据可直接由通用智能电表获得,减小了成本投入,提高了用户参与智能用电的积极性.     

文本分类中基于综合度量的特征选择方法

针对传统特征选择算法的不足, 提出一种新的特征选择算法. 该算法能综合度量一个特征在类内和类间的重要性, 并在3个不同的数据集上利用2个分类器与5个现有的特征选择方法进行了对比实验. 实验结果表明, 该算法进一步降低了特征向量空间的维度, 并有效提高了分类器的分类性能.     

MapReduce框架下基于抽样的分布式K-Means聚类算法

提出一种MapReduce框架下基于抽样的分布式K-Means聚类算法,解决海量数据环境下并行执行K-Means算法时,时间开销较大的问题.该算法使用抽样方法,在保证数据分布不变的前提下,对数据集的规模进行约减,并在MapReduce框架下对聚类算法进行优化.实验结果表明,该算法在保持良好聚类效果的同时,能有效缩短聚类时间,对大规模数据集具有较高的执行效率和较好的可扩展性.     

UWB多径信道调制方式的误码率分析

为了研究Ultra-Wideband(UWB)系统中可分辨多径分量和不可分辨多径分量携带信号的误码率问题,利用Radio Activated Key Entry(RAKE)接收机的分集技术,在信号发射端分别采用 Binary Phase Shift Keying (BPSK)和Pulse Position Modulation(PPM)调制方式,从这2种调制方式的解析式入手,推导出BPSK与PPM在可分辨和不可分辨多径分量下误码率表达式,并针对在相同叉指数和信噪比下,分别对这2种多径分量信号在不同调制方式下的误码率进行仿真分析.仿真结果表明,在相同调制方式下,可分辨多径的抗误码率性能要优于不可分辨多径的情况.而且,采用BPSK调制无论是可分辨多径还是不可分辨多径,在抗误码率性能上,均优于PPM调制方式.     

基于ZIGBEE无线传感器网络的病患监护系统

本文提出了一种基于ZigBee无线传感器技术的病患监护系统解决方案。将测量到的人体脉搏数据通过无线传感器网络传输到医院控制中心,通过控制中心的上位机软件,使医生可视化监测病人的生理数据,并以此做出诊断评估。     

基于代价敏感的随机森林不平衡数据分类算法

随机森林在分类不平衡数据时,容易偏向多数类而忽略少数类。可以将代价敏感用于分类器的训练;但在传统代价敏感随机森林算法中,代价函数没有考虑样本集实际分布与特征权重,且在随机森林投票阶段,没有考虑基分类器的性能差异。提出一种改进的代价敏感随机森林算法ICSRF,该算法首先根据不平衡数据集的实际分布构造代价函数;并将权重距离引入代价函数,然后根据基分类器的性能采取权重投票,提高分类准确率。实验结果表明,ICSRF算法能有效提高少数类的分类性能,可以较好地处理不平衡数据。     

基于流形排序的电网截面数据检索

随着电力系统信息化的发展,电网数据具有数量大、类型多、维度高的特点。针对在数据检索时多维度查询效率不高,检索结果无法多维度整体匹配的问题,提出一种基于流形排序的电网截面数据检索方法;该方法将电网截面数据描述成多维向量空间中的对应点,创建加权图模型。通过考虑数据的整体近似流形结构来获得检索结果,使之与源查询之间具有较高的相关性;使用置信传播分配排序分数,提高了检索结果的准确性,有效避免相关性度量对高维数据查询处理的不足。     

一种改进的代价敏感随机森林算法

随机森林在分类不平衡数据时,容易偏向多数类而忽略少数类,可以将代价敏感用于分类器的训练,但在传统代价敏感随机森林算法中,代价函数没有考虑样本集实际分布与特征权重,且在随机森林投票阶段,没有考虑基分类器的性能差异。本文提出一种改进的代价敏感随机森林算法ICSRF,该算法首先根据不平衡数据集的实际分布构造代价函数,并将权重距离引入代价函数,然后根据基分类器的性能采取权重投票,提高分类准确率。实验结果表明,ICSRF算法能有效提高少数类的分类性能,可以较好的处理不平衡数据。