基于k-means聚类和神经网络的超速行为识别研究

交通事故的发生对人们的生命财产安全造成了威胁,而超速驾驶是交通事故发生的一个重要因素。因此,如何准确识别超速行为至关重要。本文提出了一种基于工况识别的超速驾驶行为识别方法,首先利用主成分分析法对数据进行降维,利用k-means算法和高斯混合聚类算法对降维结果进行二次聚类,根据聚类结果训练BP神经网络,用训练好的模型对工况进行实时识别,进而得到不同工况的速度阈值用于超速行为识别。研究结果表明行驶工况的平均识别正确率达95%,将该方法应用于超速行为的识别,可使识别更加准确、科学。     

基于测量波阻抗的同杆双回输电线路故障识别

为提高行波保护在同杆双回输电线路上的灵敏性与可靠性,提出一种基于S变换的测量波阻抗比率制动故障识别算法. 利用S变换获取母线电压与线路电流的初始行波相量,据此计算线路测量波阻抗,给出和波阻抗与差波阻抗概念,引入综合和波阻抗和综合差波阻抗. 理论分析表明：当发生区内故障时,综合和波阻抗小于综合差波阻抗;当发生区外故障时,综合和波阻抗远大于综合差波阻抗. 引入比率制动系数,将综合和波阻抗作为制动量,综合差波阻抗作为动作量,建立比率制动保护判据进行区内、外故障识别. 大量仿真结果表明,该算法判据简单,性能可靠,动作灵敏、迅速,基本不受故障初始角、故障类型、过渡电阻、噪声干扰等因素影响.     

基于颜色重心和k-means的彩色图像聚类分割算法

图像分割是图像分析的关键步骤,实现彩色图像的快速有效分割是图像处理研究的重点和难点。针对彩色图像分割,介绍一种基于颜色重心和改进的k-means算法相结合的分割方法。实验结果表明,该聚类分割算法计算简单,迭代收敛速度快,能在彩色图像上取得好的聚类分割效果。     

电力系统输电线路故障定位的算法研究

目的：研究输电线路故障定位的新算法。方法：通过输电线路故障点处电压与电流的关系。结果：新算法从根本上减少了故障点处负荷与阻抗的影响。结论：该算法具有较高的故障定位精度,较好的稳键和较快算收敛速度。     

基于SA算法的k-means聚类算法的改进

传统的k-means聚类算法常陷入局部最优,需要事先输入聚类数,这样会造成原有算法失效或聚类结果不准确.在研究现有聚类算法的基础上,使用ε-最近邻法剔除孤立点,提出一种改进的基于模拟退火算法的、具有自适应功能的k-means聚类算法.实验结果证明,提出的算法是可行的、有效的.     

基于SA算法的k-means聚类算法的改进

传统的k-means聚类算法常陷入局部最优,需要事先输入聚类数,这样会造成原有算法失效或聚类结果不准确。在研究现有聚类算法的基础上,使用ε-最近邻法剔除孤立点,提出一种改进的基于模拟退火算法的、具有自适应功能的k-means聚类算法。实验结果证明,提出的算法是可行的、有效的。     

基于脉冲注入的输电线路故障测距法

在故障线路的始端或末端注入脉冲信号并记录脉冲的波形,通过对波形的分析计算实现故障定位。对永久性接地故障,该方法可实现故障选相并进行定位。仿真表明,该方法不受系统阻抗及过渡电阻的影响,具有很高的精度。     

一种改进的k-means中文文本聚类算法

提出了k-means聚类算法中选取初始聚类中心及处理孤立点的新方法,改进了 k-means算法对初始聚类中心和孤立点文本很敏感的不足之处,并将改进后的算法应用于中文文本聚类中.实验结果表明,改进的算法较原算法在准确率上有较大提高,并且具有更好的稳定性.     

基于工频双端不同步数据的输电线路故障测距研究

针对农网10 kV输电线路在运行中存在的单相接地、两相短路等问题,结合故障定位已有的算法,提出了一种基于双端不同步数据的故障测距方法.该算法根据故障后沿线电压的分布规律,在不要求双端数据同步时,利用线路两端故障前电压和电流相量在线计算线路参数,将两端数据采样的不同步因素以不同步角的形式引入,建立了故障测距关于不同步角的方程;为了提高测距精度,采用多个点的不同步角的平均值作为不同步角差,建立了农网10 kV线路单相接地故障的仿真模型,采用双端不同步数据故障测距方法进行了故障测距.仿真计算表明,采用双端不同步算法在不同的情况下都提高了测距精度,且不受过渡电阻、系统运行方式等因素的影响.     

基于EMTR和PSO的输电线路故障定位

引进电磁时间反演技术来进行故障定位。当输电线路发生单相接地故障时,利用电流波动方程时间反演的特性,计算出故障点电流能量值,通过能量极值点与故障距离的关系可以实现高精度的故障定位,且几乎不受故障电阻的影响。     

基于EEMD和TEO的输电线路故障定位研究

提出了一种新颖的故障定位方法即EEMD-TEO算法,该算法克服了小波变换选择小波基函数和分解尺度的难题,同时避免了EMD出现的模态混叠现象。先在MATLAB/SIMULINK上搭建供电系统的模型并设置故障,然后提取故障信号进行分析,最后通过实验结果的分析,表明EEMD-TEO能够实现精准的故障效果。     

基于核函数的SOM及在齿轮故障聚类识别中的应用

结合统计学习理论（SLT）和支持向量机（SVM）的原理，在传统的采用欧氏距离作为竞争评价函数的自组织映射（SOM）基础上，提出了一种基于核函数的自组织映射（KSOM）方法，并把它应用于齿轮故障的聚类识别。该方法先把特征空间映射到高维的像空间，使得特征数据在像空间的映像能够较好地分开，然后在特征空间利用核函数来构造像空间中自组织竞争的评价函数以及权值的调整方法，最终在特征空间实现高维像空间中数据的聚类。试验结果表明，应用KSOM方法来聚类识别齿轮的故障，比传统SOM取得的效果更好、更稳定。     

基于GMAPM和SOM-LVQ-ANN的输电线路故障综合识别方法

现有输电线路故障识别方法大多不能同时识别输电线路的低/高阻抗故障和发展性故障以及电力系统的异常工况(包括低频振荡、铁磁谐振和PT/CT饱和等)和此工况下的故障,故不能满足除继电保护领域外的继电保护测试领域及大电网事故分析和预警防御领域的新的应用需求.因此,提出一种基于广义改进自适应Prony方法(generalized modified adaptive Prony method,GMAPM)和自组织映射-学习向量量化-人工神经网络(self-organizing mapping-learning vector quantization-artificial neural network,SOM-LVQ-ANN)的输电线路故障综合识别方法,以期能同时识别以上输电线路故障和电力系统异常工况及异常工况下的故障.其中,作为信息提取环节的GMAPM实现了多路信号的并行处理和同时分析,作为特征识别环节的SOM-LVQ-ANN继承了SOM-ANN的强自主学习能力和泛化能力以及LVQ-ANN可预先指定故障类型且便于类型编码和拓展的优点.仿真实验结果初步验证了本方法的优良性能.     

基于雷击故障辨识的110 kV输电线路故障巡线策略

雷击是造成输电线路故障的最主要因素之一,为了减轻频繁雷击故障带来的繁重巡检任务,该文提出一种基于雷击故障辨识的巡线策略。首先,测试常用类型绝缘子受雷击冲击后的耐压特性,发现雷击后绝缘子具有无明显下降的绝缘性能特征,为巡线策略的可行性提供试验基础;然后,基于故障行波时域和频域的波形特征,研究线路雷击故障类型的辨识方法;最后,结合试验和理论研究验证该文所提方法的可行性。在湖南某110kV输电线路故障后,利用该文所述方法确定该线路为瞬时性雷击故障,无需巡线,有效降低了巡线成本。该文所提巡线策略可在保证供电可靠性的同时,有效减少巡检工作量,为输电线路运维工作提供基础数据和方法指导。     

基于变异的k-means聚类算法

为了解决动态文本聚类中聚类中心容易陷于局部极值点的问题,使用遗传变异思想来优化k-means算法。通过从k-means算法所产生的初始解向量中随机选取一定比例的位置,对其中的类标号进行随机变异并优化;再通过多次迭代获得了相应的优化解。实验表明在数据集相同、基本k-means算法调用次数相同的条件下,使用变异的k-means算法（mk-means）可以克服局部极值点的问题。     

基于感应电压特征停运输电线路故障识别方法

对停运输电线路进行合闸操作时为避免合闸到故障线路,通常需要对停运线路的故障状态进行判断。对于一回正常运行、另一回处于热备用状态下的同塔双回输电线路,提出一种基于感应电压特征的停运线路机器学习故障识别方法。首先对停运线路感应电压有效值进行测量,取各相电压有效值、电压平均值及故障电压占比作为样本特征。采用径向基核函数支持向量机(RBF-SVM)对停运线路的故障状态进行识别;若存在故障则利用BP神经网络对故障类型进行识别。为验证该方法的故障识别效果,以河北省6条线路的实际数据为基础,在ATP-EMTP中建立500 kV同塔双回输电线路模型。结果表明,对热备用线路上故障状态识别准确率为100%;对故障类型识别时准确率达到99.7%,为调度工作中合闸操作及停运线路故障的排除提供了参考。     

高压输电线路雷击跳闸故障的判别

对输电线路不同的雷击事故进行分析,提出了雷击跳闸故障的判别方法。     

基于提升小波的输电线路短路故障奇异点检测

输电线路的破坏大多由短路故障引起．通过分析短路故障,采用提升小波对故障后的电流进行检测．仿真结果表明,提升小波能有效地检测输电线路短路故障信号的奇异点．同传统小波变换相比,提升小波变换计算速度更快,计算方法更简单．