期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于GSA的肘形判据用于电力系统不良数据辨识
被引量：
26
1
作者
吴军基
杨伟
+1 位作者
葛成
赵彤
《中国电机工程学报》
EI
CSCD
北大核心
2006年第22期23-28,共6页
在分析GSA(gap statistic algorithm)数据挖掘技术应用于电力系统不良数据辨识的基础上,提出一种判断最佳聚类个数的肘形判据,该判据通过分析数据集的聚类离散度与聚类个数k的关系,按照各个k点的聚类离散度计算k处的肘形折角,并以最小...
在分析GSA(gap statistic algorithm)数据挖掘技术应用于电力系统不良数据辨识的基础上,提出一种判断最佳聚类个数的肘形判据,该判据通过分析数据集的聚类离散度与聚类个数k的关系,按照各个k点的聚类离散度计算k处的肘形折角,并以最小肘形折角判断最佳聚类个数。将该判据与GSA相结合用于电力系统不良数据辨识。仿真结果表明:该方法不仅可以避免状态估计方法辨识的残差污染和残差淹没现象,而且可以克服单纯GSA辨识法在计算速度和辨识准确性方面的缺陷。对于大系统、数据量巨大的情况,该方法是一种快速高效的算法,具有很好的应用前景。
展开更多
关键词
电力系统
不良数据辨识
肘形判据
间隙
统计算法
数据挖掘
聚类分析
下载PDF
职称材料
一种基于PMU和SCADA单节点互校核的前端数据辨识框架
被引量：
14
2
作者
刘雯静
杨军
+3 位作者
袁文
唐云红
谭本东
徐箭
《电力系统保护与控制》
EI
CSCD
北大核心
2020年第8期1-9,共9页
随着电网自动化技术的发展,数据中心可获取海量多源多时空数据,在此基础上进行多源量测值互校核有利于实现后续大数据高级应用。针对单节点同时存在PMU与SCADA量测值的情况,提出一种前端不良数据辨识框架。为克服量测值负样本较少的问题...
随着电网自动化技术的发展,数据中心可获取海量多源多时空数据,在此基础上进行多源量测值互校核有利于实现后续大数据高级应用。针对单节点同时存在PMU与SCADA量测值的情况,提出一种前端不良数据辨识框架。为克服量测值负样本较少的问题,采用基于粒子群优化的改进一分类支持向量机辨识方法,根据两源量测差值识别异常点。对接近向量机边界可能被误判的值利用间隙统计法进行修正,确定不良数据。然后检验其所在时间点的PMU量测值,最终确定不良数据位置。基于某省实际电网数据对PMU与SCADA互校核辨识框架进行了验证与分析。计算结果表明所提方法能够有效地辨识出两数据源的前端不良数据,计算量小、耗时较短,比仅利用单源数据进行校核的结果更加可靠。
展开更多
关键词
前端数据辨识
数据采集与监视控制系统
同步相量测量单元
改进一分类支持向量机
间隙
统计算法
下载PDF
职称材料
优化GSA算法在电力调度系统不良数据检测中的应用
被引量：
5
3
作者
犹峰
王渊
《自动化技术与应用》
2019年第7期33-36,共4页
为了克服传统聚类方法的初始值随机性较大对GSA算法的影响,本文提出了一种基于区域密度统计方法的优化GSA算法。该算法通过计算每个聚类对象的区域密度来选择最远的点,并以最高的区域密度作为初始聚类中心。实验结果表明,优化后的GSA算...
为了克服传统聚类方法的初始值随机性较大对GSA算法的影响,本文提出了一种基于区域密度统计方法的优化GSA算法。该算法通过计算每个聚类对象的区域密度来选择最远的点,并以最高的区域密度作为初始聚类中心。实验结果表明,优化后的GSA算法提高了聚类的色散和不良数据辨识精度的准确性。同时,该算法大大降低了迭代计算的计算复杂度,提高了计算速度,节省了大量的计算时间。在系统庞大、数据量大的情况下,该算法是一种快速有效的算法,具有良好的应用前景。
展开更多
关键词
电力系统
不良数据辨识
面积密度
间隙
统计算法
聚类
下载PDF
职称材料
题名
基于GSA的肘形判据用于电力系统不良数据辨识
被引量：
26
1
作者
吴军基
杨伟
葛成
赵彤
机构
南京理工大学动力工程学院
安徽电力设计院
江苏电力公司
出处
《中国电机工程学报》
EI
CSCD
北大核心
2006年第22期23-28,共6页
文摘
在分析GSA(gap statistic algorithm)数据挖掘技术应用于电力系统不良数据辨识的基础上,提出一种判断最佳聚类个数的肘形判据,该判据通过分析数据集的聚类离散度与聚类个数k的关系,按照各个k点的聚类离散度计算k处的肘形折角,并以最小肘形折角判断最佳聚类个数。将该判据与GSA相结合用于电力系统不良数据辨识。仿真结果表明:该方法不仅可以避免状态估计方法辨识的残差污染和残差淹没现象,而且可以克服单纯GSA辨识法在计算速度和辨识准确性方面的缺陷。对于大系统、数据量巨大的情况,该方法是一种快速高效的算法,具有很好的应用前景。
关键词
电力系统
不良数据辨识
肘形判据
间隙
统计算法
数据挖掘
聚类分析
Keywords
power system
identification of bad data
elbow criterion
gap statistic algorithm
data mining
cluster
分类号
TM77 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
一种基于PMU和SCADA单节点互校核的前端数据辨识框架
被引量：
14
2
作者
刘雯静
杨军
袁文
唐云红
谭本东
徐箭
机构
武汉大学电气与自动化学院
国网湖南省常德供电分公司
出处
《电力系统保护与控制》
EI
CSCD
北大核心
2020年第8期1-9,共9页
基金
国家重点研发计划项目资助(2017YFB0902900)。
文摘
随着电网自动化技术的发展,数据中心可获取海量多源多时空数据,在此基础上进行多源量测值互校核有利于实现后续大数据高级应用。针对单节点同时存在PMU与SCADA量测值的情况,提出一种前端不良数据辨识框架。为克服量测值负样本较少的问题,采用基于粒子群优化的改进一分类支持向量机辨识方法,根据两源量测差值识别异常点。对接近向量机边界可能被误判的值利用间隙统计法进行修正,确定不良数据。然后检验其所在时间点的PMU量测值,最终确定不良数据位置。基于某省实际电网数据对PMU与SCADA互校核辨识框架进行了验证与分析。计算结果表明所提方法能够有效地辨识出两数据源的前端不良数据,计算量小、耗时较短,比仅利用单源数据进行校核的结果更加可靠。
关键词
前端数据辨识
数据采集与监视控制系统
同步相量测量单元
改进一分类支持向量机
间隙
统计算法
Keywords
front-end bad data detection
supervisory control and data acquisition
phasor measurement unit
improved one-class support vector machine
gap statistical algorithm
分类号
TM73 [电气工程—电力系统及自动化]
TP274.2 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
优化GSA算法在电力调度系统不良数据检测中的应用
被引量：
5
3
作者
犹峰
王渊
机构
江苏瑞中数据股份有限公司
出处
《自动化技术与应用》
2019年第7期33-36,共4页
文摘
为了克服传统聚类方法的初始值随机性较大对GSA算法的影响,本文提出了一种基于区域密度统计方法的优化GSA算法。该算法通过计算每个聚类对象的区域密度来选择最远的点,并以最高的区域密度作为初始聚类中心。实验结果表明,优化后的GSA算法提高了聚类的色散和不良数据辨识精度的准确性。同时,该算法大大降低了迭代计算的计算复杂度,提高了计算速度,节省了大量的计算时间。在系统庞大、数据量大的情况下,该算法是一种快速有效的算法,具有良好的应用前景。
关键词
电力系统
不良数据辨识
面积密度
间隙
统计算法
聚类
Keywords
power system
identification of bad data
area density
gap statistic algorithm
cluster
分类号
TM769 [电气工程—电力系统及自动化]
TP311.13 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于GSA的肘形判据用于电力系统不良数据辨识
吴军基
杨伟
葛成
赵彤
《中国电机工程学报》
EI
CSCD
北大核心
2006
26
下载PDF
职称材料
2
一种基于PMU和SCADA单节点互校核的前端数据辨识框架
刘雯静
杨军
袁文
唐云红
谭本东
徐箭
《电力系统保护与控制》
EI
CSCD
北大核心
2020
14
下载PDF
职称材料
3
优化GSA算法在电力调度系统不良数据检测中的应用
犹峰
王渊
《自动化技术与应用》
2019
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
