内容概要：本文深入探讨了利用图论和谱聚类技术解决大型电力网络分区控制的问题。首先介绍了电压控制中如何通过构建加权拉普拉斯矩阵并进行特征分解，找到电气距离相近的节点进行有效分区。接着讨论了发电机慢相干性分组的方法，通过分析转子角度数据建立相似矩阵，识别出动态特性一致的发电机组。最后阐述了一种高效的受控孤岛划分算法，能够在短时间内完成大规模电网的合理分割，确保系统稳定性。文中提供了详细的代码实现和技术细节，验证了所提方法的有效性和优越性。 适合人群：从事电力系统研究的专业人士、高校师生以及对智能电网感兴趣的科研工作者。 使用场景及目标：适用于需要优化电力网络分区控制的研究项目或工程实践，旨在提高电网运行的安全性和经济性，减少事故发生率，增强系统的鲁棒性和响应速度。 其他说明：文章强调了算法设计时需紧密结合物理本质，并指出即使是最先进的算法也需要配合硬件升级才能发挥最佳性能。此外，作者分享了一些实际应用中的经验和教训，如参数设置不当可能导致意想不到的结果。

利用谱聚类算法，根据节点间的电气距离，对电力系统进行分区

mohujulei_电力系统分区_分区_谱聚类算法_谱聚类分区_电气距离_源码.zip

通过对几种典型聚类算法的分析和比较，提出了一种新的聚类算法，基于扩展约束的半监督谱聚类算法，简称CE-SSC。这种算法扩展了已知约束集，通过密度敏感距离改变样本点的相似关系，结合半监督谱聚类进行聚类。在UCI基准集上的仿真实验结果证明，基于扩展约束的半监督谱聚类算法具有良好的聚类效应。

离群检测在许多应用领域中显示出越来越高的实用价值，例如入侵检测，欺诈检测，电子商务中犯罪活动的发现等。 已经开发出许多用于离群值检测的技术，包括基于分布的离群值检测算法，基于深度的离群值检测算法，基于距离的离群值检测算法，基于密度的离群值检测算法和基于聚类的离群值检测。 频谱聚类作为近年来出现的竞争性聚类算法备受关注。 但是，它不能很好地扩展到现代大型数据集。 为了部分规避此缺点，在本文中，我们提出了一种受谱聚类启发的新的异常值检测方法。 我们的算法结合了kNN的概念和频谱聚类技术，通过在特征空间中统计地使用特征值和特征向量的信息，获得异常数据作为离群值。 我们将我们的方法与基于距离的离群值检测方法和基于密度的离群值检测方法的性能进行比较。 实验结果表明，我们的算法可以有效地识别异常值。

将二部图模型引入聚类集成问题中,使用二部图模型同时建模对象集和超边集,充分挖掘潜藏在对象之间的相似度信息和超边提供的属性信息.设计正则化谱聚类算法解决二部图划分问题,在低维嵌入空间运行K-means++算法划分对象集,获得最终的聚类结果.在多组基准数据集上进行实验,实验结果表明所提出方法不仅能获得优越的结果,而且具有较高的运行效率.

谱聚类详细、入门级介绍ppt。。和详细清晰

为改善传统聚类算法在电力时序数据上的聚类效果，提出一种基于优化特征向量选取的遗传谱聚类算法。针对应用数据结构特点，合理优化谱聚类算法中特征向量的提取过程，避免传统方法可能造成的数据信息缺失问题；采用遗传聚类优化算法对优选后的特征向量进行聚类划分，并将最终划分结果映射回原始数据。以UCI标准合成时间序列数据与美国区域电网运营商PJM提供的日负荷数据为例，对比分析现有常用聚类算法与所提算法测试结果的聚类有效性指标与形态特征。研究结果表明，所提算法分类效果显著，有较高的聚类质量和算法稳健性，具有工程应用前景。

将数据集转换为拉普拉斯矩阵，然后利用基于图论的谱聚类进行聚类。拉普拉斯矩阵采用高斯核函数，全连接方法计算。谱聚类擅长处理高维数据或非凸数据集。

基于matlab实现了输电断面识别的谱聚类方法，使用IEEE39节点系统进行了验证，效果较好，能够直接运行