-
题名基于高维数据优化聚类的长周期峰谷时段划分模型研究
被引量：13
- 1
-
-
作者
李娜
王磊
张文月
王玉玮
舒艳
张超
-
机构
国网天津市电力公司经济技术经济研究院
国网天津市电力公司
华北电力大学
-
出处
《现代电力》
北大核心
2016年第4期67-71,共5页
-
基金
国网天津市电力公司科技项目(KJ15-1-28)
-
文摘
为了使峰谷时段划分结果客观反映出各时段的负荷差异,且能够在一个较长的时间周期(例如1a)内适用,本文提出一种以数据样本集高维化处理和K-均值聚类分析相结合的时段划分模型。首先,通过数据高维化的处理方法构建涵盖较长时间周期(例如1a)内所有负荷信息的数据样本集;其次,以K-均值算法为聚类分析工具,在高维数据样本集上构建峰谷时段划分模型。最后,结合某区全年负荷数据,对所构建的模型进行算例仿真,在验证模型的合理性基础上,最终输出时段划分结果。
-
关键词
时段划分
聚类分析
K-均值算法
数据高维化
-
Keywords
peak-valley-time division
clustering analysis
K-means clustering algorithm
high-dimensional data
-
分类号
TM715
[电气工程—电力系统及自动化]
-
-
题名改进的基于SOM的高维数据可视化算法
被引量：3
- 2
-
-
作者
王志省
许晓兵
-
机构
上海理工大学管理学院管理科学与工程系
-
出处
《计算机工程与应用》
CSCD
2013年第17期112-115,共4页
-
基金
上海市研究生创新基金项目(No.JWCXSL1102)
-
文摘
通过对高维数据可视化方法的系统研究,提出了一种新的基于自组织映射(Self-Organizing Map,SOM)的算法。为了表现该方法的特点,将其称为三维自组织映射(Three-Dimensional SOM,TDSOM)。它在对高维数据记录集进行SOM分析后将其投影到三维坐标系中的特定的点集上,最终形成三维模型。该模型弥补了传统模型难以清晰准确地展现高维数据的缺陷,并且新模型着重于在一个比二维平面更为广阔的三维立体空间中展现海量数据。使用者通常可以根据当前领域的专业知识在分析模型的基础上得出有意义的模式。新方法可以广泛使用在数据挖掘和模式识别等领域。
-
关键词
自组织映射
神经网络
高维数据可视化
聚类分析
-
Keywords
self-organizing map
neural networks
data visualization
clustering analysis
-
分类号
TP389.1
[自动化与计算机技术—计算机系统结构]
-
