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
共找到1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：
基于t-SNE及SVM的低功率因数下电力负荷分类研究
1
作者 刘型志 程瑛颖 +2 位作者 要文波 田娟 曾妍 《电测与仪表》 2025年第11期137-144,共8页
当前的智能电网背景下,典型低功率因数负荷场景繁多,不同场景的特征差异化较小,电力负荷数据结构复杂,导致低功率电力负荷分类一直都是实际研究中的难题。需开发先进模型提高分类准确性和效率。文中将聚类分析和分类器识别结合起来,尝... 当前的智能电网背景下,典型低功率因数负荷场景繁多,不同场景的特征差异化较小,电力负荷数据结构复杂,导致低功率电力负荷分类一直都是实际研究中的难题。需开发先进模型提高分类准确性和效率。文中将聚类分析和分类器识别结合起来,尝试从基于t分布随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)算法和改进的K-means的电力负荷曲线聚类分析和基于支持向量机(support vector machine,SVM)分类器的负荷模式识别组合进行分析和实现;其中t-SNE算法不仅能反映原始数据的局部敏感性的同时,而且保留其全局结构特征,能有效应用于低功率因数的负荷数据;而改进的K-means采用肘准则确定聚类数K值,再使用基于数据集密度和相异性属性的方法选择初始中心点,能有效提高计算效率、准确性和聚类稳定性;其中SVM分类器则能充分利用聚类结果和特征,当分类器被训练好,就可以迅速对新的未知负载数据进行智能分类和识别,提高效率。文中并从SC、CHI、DBI这些效度指标,评估模型的聚类效果的有效性和稳定性,均得到不错结果,并且SVM分类器在测试集上分类正确率达到100%。 展开更多
关键词 低功率因数负荷 t-SNE算法 K-means聚类分析 SVM分类器 效度指标
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部