|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于INNER-DBSCAN和功率曲线模型的风机异常状态检测显示文摘针对目前风电机组异常运行状态无法快速检测问题,提出一种基于INNER-DBSCAN算法和功率曲线模型的数据驱动实时检测方法。该方法先利用贝茨理论和RC模型构造一个新的约束来进行数据预处理,剔除机组极端异常运行数据;再基于提出的区间DBSCAN算法对数据进行聚类,得到正常数据和异常数据;最后利用区间邻域最值对正常数据进行边缘识别,构造风电机组正常运行时的功率曲线模型,并通过模式图的上下临界值识别风机异常运行状态。利用8台风电机组SCADA数据进行实验,结果表明,该方法能有效实时检测风机异常运行状态。 | 陈警钰 陈玉航 | 2017 | 电力科学与工程2017，33，8： | 7 |
| 2 | 融合项目聚类和时间权重的动态协同过滤算法显示文摘传统基于项目的协同过滤算法离线计算项目间的相似度,提高了向用户推荐的速度,但极大的数据稀疏度影响了推荐质量,且该算法也忽略了用户兴趣随时间变化这一现象.针对上述问题,提出了一种融合项目聚类和时间权重的动态协同过滤算法,根据用户偏好对项目进行聚类,找出类别偏好相似的候选邻居,再在候选邻居中搜寻最近邻,排除与目标项目共同评分较少的项目干扰,提高了搜寻相似项目的准确性.同时,引入时间权重来反映用户兴趣随时间的变化,从整体上提高推荐质量.在Movie Lens数据集上进行实验,实验结果表明,本文所提出算法的推荐质量较传统的协同过滤算法有显著提高. | 吴佳炜 沈玲玲 钱钢 | 2017 | 南京师范大学学报(工程技术版)2017，17，3： | 1 |
| 3 | Application of a soft competition learning method in document clustering显示文摘Hard competition learning has the feature that each point modifies only one cluster centroid that wins.Correspondingly,soft competition learning has the feature that each point modifies not only the cluster centroid that wins,but also many other cluster centroids near this point. A soft competition learning method is proposed.Centroid all rank distance( CARD),CARDx,and centroid all rank distance batch K-means( CARDBK) are three clustering algorithms that adopt the proposed soft competition learning method. Among them the extent to which one point affects a cluster centroid depends on the distances from this point to the other nearer cluster centroids,rather than just the rank number of the distance from this point to this cluster centroid among the distances from this point to all cluster centroids. In addition,the validation experiments are carried out in order to compare the three soft competition learning algorithms CARD,CARDx,and CARDBK with several hard competition learning algorithms as well as neural gas( NG) algorithm on five data sets from different sources. Judging from the values of five performance indexes in the clustering results,this kind of soft competition learning method has better clustering effect and efficiency,and has linear scalability. | Zhu Yehang Zhang Mingjie | 2018 | The Journal of China Universities of Posts and Telecommunications2018，25，3： | 0 |
| 4 | 基于混合Copula函数的风电机组异常识别方法显示文摘风电机组的功率曲线是衡量风电机组运行性能的重要指标,其中存在大量异常数据直接影响风电机组运行维护,研究功率曲线异常识别方法对提高风电机组运行稳定性具有重大意义。本文通过对功率曲线的特性分析,分三种工况建立了基于概率分布函数(Copula函数)的功率曲线异常数据识别模型及影响因素Kendall秩相关分析,从而确定了与功率曲线高度相关的特征参量;通过Copula函数得到了功率曲线上下边界,对上下边界外的可疑点进行时序分析及欧氏距离计算,从而判断可疑点是否为异常点;采用SVM线性回归方法建立了预测模型,并采用某风电场SCADA数据对本文提出的方法进行验证。结果表明,在三种不同工况下,该方法可实现功率曲线异常数据准确识别,精准故障定位,为风电机组的运行维护工作提供新的方法。 | 杨天玥 赵丽军 徐健 厉伟 张国军 | 2021 | 电气开关2021，59，2： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员