基于線性調頻盲卷積的大數據聚類控制方法

劉 煒

(廣州番禺職業技術學院，廣州 511483)

?

基于線性調頻盲卷積的大數據聚類控制方法

劉 煒

(廣州番禺職業技術學院，廣州 511483)

海量的大數據在大型電力系統中以電壓脈沖、電流、用電功率等形式在傳輸和存儲，需要對大型電力系統中的大數據進行優化聚類控制處理，提高大數據的調度和模式控制識別能力。傳統方法采用FCM聚類方法，對電力系統的熱噪聲具有較強的敏感性，導致數據聚類效果不好。提出一種基于線性調頻盲卷積的大數據聚類控制方法，構建了大型電力系統中的大數據分布結構模型，對大數據信息流進行線性調頻信號擬合，采用線性調頻盲卷積方法進行數據融合濾波，優化數據聚類性能。實驗結果表明，采用該算法進行大數據聚類，數據聚集度較高，為模式識別和信號檢測奠定基礎，可提高電力系統中的數據聚類和控制能力。

線性調頻；盲卷積；電力系統；數據聚類

隨著智能電力控制技術的發展，電力系統中存在著大量的信息資源數據，需要對大型電力系統中的大數據進行優化聚類控制處理，提高大數據的調度和模式控制識別能力，研究大型電力系統的大數據優化聚類控制算法，在進行大型電力系統優化設計和控制中具有重要意義[1]。

傳統方法中，對大型電力系統的海量數據庫的訪問和聚類控制算法設計采用盲特征分離算法和負熵累積量特征提取算法等，而傳統的用盲特征分離無法徹底消除挖掘信道對奇異特征具有卷積效應，影響特征挖掘精度[2]。文獻[3]提出一種基于模糊C均值聚類的大型電力數據庫的優化控制和聚類方法，采用電力海量數據的均勻遍歷特性對初始值和噪聲進行自適應調整，提高數據聚類性能，但是該算法計算量較大，實時性不好。文獻[4]提出一種基于歸一化幅度和相對時延特征提取的大型電力網絡系統中的大數據模式識別方法實現大數據聚類，提高數據聚類性能，但是該算法對初始值具有較大的敏感性，隨著數據樣本的增大，導致失真。本文提出一種基于線性調頻盲卷積的大數據聚類控制方法。首先構建了大型電力系統中的大數據分布結構模型，對大數據信息流進行線性調頻信號擬合，采用線性調頻盲卷積方法進行數據融合濾波，優化數據聚類性能，仿真實驗進行了性能驗證，展示了本文算法在實現大數據聚類中的優越性能。

1 電力系統中的大數據分布式結構模型和信號擬合

1.1 電力系統中的大數據分布式結構模型

為了實現對電力系統中的大數據的優化聚類控制，需要首先構建電力系統中的大數據分布式結構模型，采用模糊控制思想，進行電力系統中的大數據的模糊控制多模判決，假設電力系統中的海量電力數據有限數據集為：

x={x1,x2,…,xn}?Rs

(1)

其中，電力系統中的大數據分布式結構模型中含有n個樣本，當ρ=0，考慮任意范數下大數據聚類中的矢量空間，對大數據聚類控制模型進行相位合成，當滿足：

(2)

(3)

此時，有限數據集合X的聚類信道擬合因子為：

(4)

其中，Vi為聚類中心，在電力系統中的大數據分布式結構中，存在一個模糊控制迭代系統函數使得數據的聚類中心收斂，大數據聚類的迭代系統函數為：

(5)

式(5)中，sgn(·)表示符號函數。

結合圖中給出的電力系統中的大數據分布式結構模型，定義聚類目標函數：

(6)

式(6)中，m為電力系統中的大數據分布的權重指數，(dik)2為樣本xk與Vi的歐式距離，得到大數據聚類控制的判決誤差函數為：

(7)

在聚類中心初始值未知的情況下，在電力系統中的大數據分布式結構模型中對電力數據進行非線性時變的線性調頻信號模擬，以此為基礎進行特征提取實現數據優化聚類。

1.2 電力系統大數據信息流的線性調頻信號模型擬合構建

采用模糊控制和最小二乘擬合思想，電力系統大數據信息流的線性調頻信號模型擬合構建，結合修正的模糊控制模判決多模算法，電力系統大數據信息流的特征點互相關函數為：

c(x,y)=∑W[I(xi,yi)-I(xi+Δx,yi+Δy)]2

(8)

其中，(Δx,Δy)T是電力系統大數據信息流的二維特征位移，(xi,yi)是窗W內的線性調頻特征，并引入相位信息代價函數進行信號模型構建為：

(9)

JMMDMMA=JMMDMMA_R+JMMDMMA_I

(10)

構建大型電力系統的海量數據庫特征挖掘最優控制系統，得到一種有效的盲卷積算法，設計線性調頻盲卷積器如圖1所示。

圖1 線性調頻盲卷積器

圖2中，Q(u)為大型電力系統的大數據特征判決器，a(k)為任務Task[i]分配給資源Source[j]碼元寬度，n(k)為加性噪聲，數據分類屬性A={A1,A2,…,Am}，基于線性調頻盲卷積，得到改進的大數據聚類控制的輸入序列為：

e(k)=z(k)[|z(k)|2-R]

(11)

在上述構建的電力系統大數據信息流的線性調頻信號模型基礎上進行數據聚類控制算法改進。

2 大數據聚類控制算法改進設計

在上述系統結構模型和信號模型構建的基礎上，進行大數據聚類控制算法優化改進設計，傳統方法采用FCM聚類方法，對電力系統的熱噪聲具有較強的敏感性，導致數據聚類效果不好。為了克服傳統方法的弊端，本文提出一種基于線性調頻盲卷積的大數據聚類控制方法采用線性調頻盲卷積方法進行數據融合濾波，優化數據聚類性能，線性調頻盲卷積融合濾波結構模型見圖2。

圖2 線性調頻盲卷積融合濾波結構模型

線性調頻盲卷積融合濾波進行信號提出后的輸出的大數據矢量屬性集合為：

(12)

pri(t)=p(t)*hi(t)+npi(t)

(13)

式(13)中hi(t)表示p(t)在電力系統大數據聚類空間的協方差舉證，數據聚類中心陣元間的脈沖響應函數為：

(14)

(15)

(16)

在幅值穩態下，計算線性調頻盲解卷積的噪聲干擾項，其中：

(17)

(18)

設D={T1,T2,…,Tn}是一個不確定區間特征數據集，根據數據類群的規模，當p(t)的自相關幅度滿足聚類中心的空間狀態判決條件時，進行分數階傅里葉變換，得到：

p(t)*p(-t)?δ(t)

(19)

構建大型電力系統的大數據庫特征挖掘的聚類控制函數，得：

(20)

基于屬性集合冪集模型，得到數據聚類的線性調頻信號S(t)經過小波頻率變化，得到沖激響應為信息特征集合p(t)的自相關卷積能反應數據聚類的頻率分辨力，其對應的等效反沖擊函數應為：

H(t)=(t)*p(t)*p(-t)

(21)

通過線性調頻盲卷積融合濾波，得到數據聚類的控制函數迭代公式為：

fF(k+1)=fF(k)-μ·fF(k)JMMDMMA
=fF(k)-μ·fF(k)(JMMDMMA_R+JMMDMMA_I)
fF(k)-μF[ρ(k)eMDMMA(k)+(1-ρ(k))e(k)]y*(k)
fF(k)-μF[ρ(k)(eMDMMA_R(k)+jeMDMMA_I(k))
+(1-ρ(k))(eR(k)+jeI(k))]y*(k)

(22)

估計數據聚類的穩態誤差為：

eMDMMA(k)=z(k)[|z(k)|2-RMDMMA(k)]

(23)

分析上述誤差結果，通過迭代收斂，得到誤差最終收斂到零，說明本文的聚類控制方法具有收斂性和魯棒性。

3 仿真實驗與結果分析

為了測試本文算法在實現大型電力系統中的大數據聚類控制中的性能，進行仿真實驗。實驗設備的硬件環境為在P4 3.2GHz處理器，160G硬盤驅動器，Windows7操作系統，采用Matlab語言進行數學仿真，進行大數據信息流的線性調頻信號模型構建的歸一化初始頻率f1=0.3，歸一化終止頻率f2=0.05，序列碼元寬度取4ms，大數據聚類信息空間中的線性調頻卷積特征在信噪比分別為SNR=-5dB和SNR=-8dB條件下進行特征空間重組，數據聚類中心頻率測試為f0=1 000Hz，BER誤碼率離散采樣值為fs=10*f0Hz=10kHz，大數據聚類的線性調頻B=1 000Hz，在上述仿真環境和參數設定的基礎上，進行大數據優化聚類控制仿真，得到電力系統數據信息原始采樣數據波形如圖3所示。

圖3 電力系統數據信息原始采樣數據波形

以數據采樣樣本為測試對象，進行數據聚類控制，進行特征提取，得到數據聚類控制結果如圖4所示。

圖4 大數據聚類特征輸出結果

從圖4可見，采用本文算法進行電力系統的大數據聚類控制，數據信息流通過線性調頻盲卷積，提高了特征聚類性能，數據聚集度較高，為模式識別和信號檢測奠定基礎，為了測試算法性能，采用本文算法和傳統方法，進行大數據聚類實現對電力系統中的信息檢測，得到檢測性能結果如圖5所示。

圖5 檢測性能對比

從圖5可見，采用本文算法有效提高了大數據聚類控制性能，對電力系統中的數據信息檢測精度提高。

4 結語

在大型電力網絡系統中，海量的大數據在系統中以電壓脈沖、電流、用電功率等形式在傳輸和存儲，傳統方法采用FCM聚類方法，對電力系統的熱噪聲具有較強的敏感性，導致數據聚類效果不好。本文提出一種基于線性調頻盲卷積的大數據聚類控制方法。構建了大型電力系統中的大數據分布結構模型，對大數據信息流進行線性調頻信號擬合，采用線性調頻盲卷積方法進行數據融合濾波，優化數據聚類性能，實驗結果表明，采用該算法進行大數據聚類，數據聚集度較高，為模式識別和信號檢測奠定基礎，提高了電力系統中的數據聚類和檢測能力。

[1]文天柱，許愛強，程 恭. 基于改進ENN2聚類算法的多故障診斷方法[J]. 控制與決策, 2015, 30(6): 1021-1026.

WENTian-zhu,XUAi-qiang,CHNEGGong.Multi-faultdiagnosismethodbasedonimprovedENN2clusteringalgorithm[J].ControlandDecision, 2015, 30(6): 1021-1026.

[2]邢長征，劉 劍. 基于近鄰傳播與密度相融合的進化數據流聚類算法[J]. 計算機應用, 2015, 35(7): 1927-1932.

XINGChang-zheng,LIUJian.Evolutionarydatastreamclusteringalgorithmbasedonintegrationofaffinitypropagationanddensity[J]．JournalofComputerApplications，2015，35(7)：1927-1932．

[3]田 剛，何克清, 王 健，等. 面向領域標簽輔助的服務聚類方法[J]. 電子學報, 2015, 43(7): 1266-1274.

TIANGang,HEKe-qing,WANGJian,etal.Domain-orientedandtag-aidedwebserviceclusteringmethod[J]．ActaElectronicaSinica，201 5，43(7)：1266-1274．

[4]吳 濤，陳黎飛，郭躬德. 優化子空間的高維聚類算法[J]. 計算機應用, 2014, 34(8): 2279-2284.

WUTao,CHENLi-Fei,GUOGong-De.High-dimensionaldataclusteringalgorithmwithsubspaceoptimization[J].JournalofComputerApplications, 2014, 34(8): 2279-2284.

(本文編輯：楊林青)

Large Data Clustering Control Method Based on Linear Frequency Modulation Bind Convolution

LIU Wei

(Guangzhou Panyu Polytechnic, Guangzhou 511483, China)

In the large power network system, the large data in the system is based on voltage pulse, electric current, power and other forms of transmission and storage. It is necessary to optimize the large power system to optimize the clustering control, and improve the large data scheduling and mode control. This paper proposes a large data clustering control method based on linear frequency modulation blind deconvolution. The large data distribution structure model of large power system is constructed. The data stream is fitted by linear frequency modulation signal. The data fusion filtering is performed by using the linear frequency modulation blind convolution method. Experimental results show that the proposed algorithm is based on large data clustering and data aggregation, which lays the foundation for pattern recognition and signal detection.

linear frequency modulation; blind convolution; power system; data clustering

10.11973/dlyny201506018

劉 煒(1981)，男，碩士，講師，主要研究計算機控制、算法。

TP391

A

2095-1256(2015)06-0822-04

2015-10-22