基于改进FCM的不良负荷数据辨识

• 作者: 孙进 徐友刚 杨冰芳 董玥
• 来源期刊: 电力与能源
• 学科: 工学
• 关键词: 电力系统运行 不良数据辨识 模糊C均值聚类
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 研究与探索
• 页码范围: 437-441
• 页数: 5页
• 分类号: TM71
• 字数: 3677字
• 语种: 中文
• DOI: 10.11973/dlyny202004011

摘要

电力负荷受突发事件,用电器故障等因素作用易引发数据库失真,不仅不利于能量管理系统数据的应用,对于电力负荷预测、调度也具有负面影响,因此有效的不良负荷数据辨识具有重要意义.以模糊C均值聚类算法为基础,提出了一种分化距离作为判据的离群点检测方法,综合考虑对象周围的密度与数据之间的距离对离群点的影响,通过比较分化距离来计算周围的数据点密度,挖掘出类别中隐含的离群点.结果表明,基于分化距离改进的FCM能够有效地辨识出类别中隐藏的不良数据,并且对于多不良数据情况也具有很好地检测能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐友刚		23	20	2.0	4.0
2	孙进		4	0	0.0	0.0
3	董玥		2	0	0.0	0.0
4	杨冰芳		2	0	0.0	0.0