典型文献
基于改进式k-prototypes聚类的坏数据辨识与修正
文献摘要：
工业领域很多技术的实现都以准确的负荷数据为基础,而工厂现有的负荷数据测量体系常因为通信、存储等故障,导致负荷数据中出现大量坏数据.因此,提出基于改进式k-prototypes聚类的坏数据辨识与修正方法,通过在聚类中引入非负荷数据特征,削弱负荷坏数据对聚类结果的影响,使坏数据辨识和修复结果更准确.改进式k-prototypes算法通过随机初始化,并行计算择优,克服了标准k-prototypes容易随初始聚类中心陷入局部最优解的缺陷;并通过聚类数量的自适应处理,解决了主观决定聚类数量的问题.基于聚类结果,根据正态分布原则确定负荷数据可行域,识别坏数据,并利用类中心置换法进行修正.实验表明,该方法较只考虑负荷数据的模糊均值聚类法效果更好,坏数据识别的召回率与修正的准确率显著提高.
文献关键词：
k-prototypes聚类;混合数据集聚类;坏数据辨识;类中心置换修正法;工业负荷预处理
中图分类号：
作者姓名：
王孝慈;董树锋;刘育权;王莉;李俊格
作者机构：
浙江大学电气工程学院,杭州310027;广州供电局有限公司,广州510620
文献出处：
引用格式：
[1]王孝慈;董树锋;刘育权;王莉;李俊格-.基于改进式k-prototypes聚类的坏数据辨识与修正)[J].电测与仪表,2022(02):9-15
A类：
混合数据集聚类,类中心置换修正法,工业负荷预处理
B类：
prototypes,坏数据辨识,辨识与修正,工业领域,多技术,负荷数据,数据测量,测量体系,常因,修正方法,数据特征,使坏,初始化,并行计算,择优,初始聚类中心,局部最优解,聚类数,自适应处理,定聚,正态分布,可行域,置换法,模糊均值聚类,聚类法,数据识别,召回率
AB值：
0.28675
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
