基于K-Means聚类算法的改进

本文基于传统的K-means聚类方法提出来一种基于密度的改进K-means聚类方法。改进后的方法,首先选取数据集中密度最大的点作为第一个聚类中心点,以此为基准,选取离此点最远的点作为第二个初始聚类中心,再在剩余的点中找出离这两个初始点距离最远的点作为第三个聚类中心,以此类推,直到找到所需的K个点,之后再根据K-means算法迭代更新聚类中心,直到收敛或达到设定的迭代次数为止。实验结果表明,本文提出的方法与传统K-means方法相比准确率及稳定性方面均有所提高,可以作为聚类研究的一个新的思路。     

基于K-Means聚类和Ⅱ-ELM的短期负荷预测方法

利用传统方法进行短期负荷预测时,通常随机选取离待测日相近的连续一段时间作为训练样本进行模型训练,没有考虑气象因素、日期类型和实时电价等的影响,待测日与训练样本的特征值相差较大,导致负荷预测存在较大误差。为此,本文提出了一种基于K-Means聚类算法和改进增量型极限学习机(Ⅱ-ELM)相结合的短期负荷预测方法。仿真结果表明,所提方法在确保精度的前提下,对短期负荷预测具有较高的运算速度和精确度。     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

基于滑动时窗K-Means聚类的CVT早期故障诊断

电容式电压互感器设备故障的产生给电网设备监测工作造成了严重影响。本文提出了一种基于滑动时窗K-Means聚类早期辨识CVT是否发生内部电容单元击穿故障的检测方法。根据CVT内部电容单元击穿会导致二次侧电压变化,在时域上将CVT二次侧电压数据基于滑动时窗分解为若干段,对分段内数据K-Means聚类处理,通过两类类质心数据差值与阈值比较的结果确定CVT是否发生内部电容击穿故障。算例结果表明本方法对于诊断CVT内部电容单元是否被击穿有一定效果,相比于传统的物理检测手段,效率及灵敏度更高。经过进一步的完善后可适用于智能电网系统。     

基于模糊c均值算法文档聚类问题的研究

应用模糊c均值算法对文档进行分类，具有不使用语法知识、不使用词法规则、无监督等特点．采用模糊c均值算法对文档进行聚类，实验结果表明：该方法优于普通的聚类算法，聚类结果能充分体现文本的多样性．     

基于分层聚类算法的地区风电出力典型场景选取方法

为反映风电场出力变化特征,提出了一种基于分层聚类算法的地区风电出力典型场景选取方法。首先采用分层聚类算法对风电出力样本进行聚类分析,得到反映样本亲疏关系的聚类树状图。随后考虑风电出力典型场景的选取质量,采用类间样本离差平方和来描述类间样本的差异性,以此作为聚类数的判定依据,从而实现样本的有效划分。最后,以某地区实际风电出力数据为例,验证了所提方法的合理性,并面向调峰、无功配置等需求选取了风电出力典型日场景。     

基于改进聚类和RBF神经网络的台区电网线损计算研究

电网线损是反映低压台区配电网输配电性能好坏的重要技术指标,针对低压台区线损计算不精确和效率不高的问题提出了一种有效的计算方法,即基于改进K-Means聚类和正交最小二乘法（OLS）优化的径向基（RBF）神经网络计算模型。首先通过层次分析法（AHP）对线损的电气指标进行提取,根据得到的线损指标用改进的K-Means聚类算法进行分类处理,然后用OLS改进的RBF网络和标准的RBF网络分别对得到的分类样本进行训练,再用训练好的模型计算台区电网线损。最后利用某地区低压台区的68组样本验证了所提方法的有效性。     

样本熵融合聚类算法的森林火灾图像识别研究

针对森林火灾图像识别中遇到的漏检和误检等问题,提出了一种基于K-Means聚类下样本熵值判别算法。算法先将采集到的森林火灾图像进行色域空间转换,降低了视觉偏差在图像识别过程中的影响。然后采用K-Means聚类算法,通过HSV分量的欧氏距离准则,对火灾预期出现的图像子集进行聚类。在此基础上,通过样本熵对聚类后的图像子集权重进行辨别,区分类火灾区域和火灾区域的熵值统计差异,确认聚类筛选出来的图像子集是否存在火灾。实验结果表明,采用样本熵融合K-Means聚类算法对森林火灾图像识别能够有效提高识别正确率。经过60幅图像的检测,全部图像的火灾区域识别正确率提高到96.67%,平均识别时间为16.03 s。由于本算法具有较强的鲁棒性和便捷性,能够适应复杂背景下火灾区域识别工作,相对于传统K-Means算法具有更好的检测效果。     

基于超像素锚层收敛选点的高光谱图像聚类算法

针对传统高光谱图像聚类算法难以有效处理数据量快速增长的高光谱图像的问题,提出基于超像素锚层收敛选点的高光谱聚类算法。采用SuperPCA对原始数据进行基于超像素切割的降维;利用K-means选取具有代表性的锚点,构建基于锚点的邻接矩阵;通过无核邻近分配的方法构建相似图,避免对热核参数的调整;最后进行谱聚类分析获得聚类结果。在Indian Pines和Pavia Centre高光谱数据集进行仿真实验,结果表明该算法获得的分类图所含错分点更少,地物分布更加平滑,与当前高光谱图像聚类算法相比具有更优的聚类效果。     

基于混合聚类算法的高压配电网网架规划

以高压配电网为研究对象,建立了含建设运营、故障停电损失及资产回收等成本的全寿命周期成本规划模型,提出一种基于混合聚类算法的高压配电网规划方法.首先,根据规划区域的负荷分布情况,利用DBSCAN算法与K-means算法相结合的混合聚类算法对供电分区及变电站进行划分;然后,结合区域容载比的要求,确定各供电区待建变电站总容量;最后,利用Floyd-Warshall算法求解满足目标函数要求的变电站站址和接线形式,得到整个供电区域内的高压配电网规划方案.通过某实际规划区作为算例,验证了模型和方法的实用性和有效性.     

基于局部区域聚类的电力设备故障区域提取方法

针对电力设备红外图像诊断中热故障区域提取问题,提出了一种局部区域Mediodshift聚类的电力设备红外图像故障区域提取方法。文章根据热故障所表现的灰度特性初始化聚类中心;结合Mediodshift聚类方法,对目标区域邻域像素进行聚类。为了尽可能获取故障区域邻域相似像素,引入了基于邻域灰度的调节策略。同时,为了提高聚类效率,采用了自高向低的聚类阈值分割机制,从而使得Mediodshift算法能快速地将整幅图像中故障区域像素进行聚类,实现红外图像中热故障区域的提取。最后通过典型红外图像实验测试,验证了该方法区域提取的有效性,且对比目前现有的一些方法,进一步表明文中方法具有较好的故障区域提取性能。     

融合PCA与自适应K-Means聚类的水电机组故障检测在线方法

灯泡贯流式水电机组在运行过程中,由于受水力因素、机械、工况等因素影响,很容易导致转轮叶片与转轮室发生故障,严重影响水电机组安全运行。在分析灯泡贯流式水电机组转轮叶片与转轮室故障信号特征的基础上,提出了一种基于K均值(K-Means)和莱特准则(Wright′s criterion)的水电机组故障在线检测方法。该方法利用主元分析(PCA)对水电机组振动和噪声信号特征降维后,融合莱特准则改进传统K均值算法,以实现K值的自适应选择,对特征进行在线聚类,能快速准确识别水轮机变负荷状态与金属扫膛故障。将本文方法应用到五凌电力近尾洲水电站灯泡贯流式机组故障检测中,实验结果表明,采用该方法的故障在线检测准确率为100%、变负荷在线检测准确率为96.7%,运行近10个月没有出现故障误报和漏报,表明了该方法的有效性。     

应用数字岩心技术的砂岩细观损伤检测

细观结构的检测对研究砂岩损伤具有重要意义.本文对损伤前后的砂岩试件分别进行CT扫描测试,定量表征了砂岩细观损伤.利用数字岩心技术实现代表体积元的孔喉分析和有限元模拟,探讨了细观损伤机制并对宏细观损伤进行比较.通过CT扫描结果的三维重构统计砂岩的孔隙缺陷,获取有效承载面积并将其与弹性模量进行比较,证明CT扫描能准确反映砂...     

基于神经网络的CT脑血管图像边缘检测算法

CT脑血管医学图像的三维重构都是源自二维断层扫描,脑血管边缘特征向量的提取是图像处理的关键步骤。为提高边缘特征的提取和保证三维重建图像的质量,在分析了某些常用的边缘检测算法性能基础上,同时结合CT脑血管图像的像素结构特点,将SA_SOFM神经网络算法成功地用于对CT脑血管图像的边缘特征信息提取中。并对算法进行有效的改进,基于真实图像的实验表明该算法提高了边缘特征信息的精度和鲁棒性。     

基于VMD和AP聚类的结构损伤识别方法

为了能够用少量无标签监测数据识别结构损伤状态,提出一种创新的损伤识别方法。首先将试验中各个长标距光纤布拉格(FBG)传感器测得的动态响应数据进行变分模态分解(VMD),提取分量信号(IMF)的时域特征和频域特征,通过Relief-F算法选择出各个传感器信号的敏感特征,组合成敏感特征集输入亲和传播(AP)聚类算法中进行损伤识别。本文采用两组不同的试验来验证方法的效果和鲁棒性,在两组试验中分别获得了100%和98.7%的损伤识别率,结果表明方法具有实际应用价值。     

联合聚类方法和深度学习的混凝土坝变形预测

混凝土大坝变形预测对其安全运行具有重要意义,针对传统分析方法难以捕捉长期序列时序特征从而导致预测精度较低的问题,本文采用麻雀优化算法（SSA）和K调和均值算法（KHM）相结合对监测值进行聚类以捕捉序列时序特征,然后采用自适应噪声完备集合经验模态分解（CEEMDAN）等方法对聚类结果进行降噪处理,最后采用长短期记忆（LSTM）模型对序列进行预测。分析结果表明,本文所提出的聚类方法具有较好的长序列特征识别能力,结合基于CEEMDAN分解方法去除序列中存在的冗余信息,从而使LSTM模型能够更好地捕捉变形值的时序特性,进而提高预测精度。所提模型具有较好的精度和适应性,可为大坝变形预测提供一种有效方法。     

混凝土单轴压缩CT试验过程定量化分析

当前利用CT技术从细观层面研究混凝土的力学特性大都处于定性的观察和统计分析研究阶段,未能利用恰当的数学理论对宝贵的CT试验结果进行定量化分析。本文将基于集合论的破损演化理论引入混凝土CT试验数据研究中,解决利用CT数定量研究混凝土破坏过程的问题;在破损演化理论的基础上利用(λ1~λ2)截理的定义将CT图像分为孔洞裂纹区(P0~0.35)、硬化水泥石区(P0.35~0.7)及骨料区(P0.7~1),实现了对混凝土各组分的定量化分区研究,进而定量地研究了CT试验过程中全域和感兴区域上P0~0.35、P0.35~0.7及P0.7~1随加载的变化过程。研究结果表明利用本方法可较好地描述混凝土的受力破坏过程,能定量地体现试样破坏过程中应变的局部化。     

基于时差和聚类算法的闪电定位方法

闪电的监测与定位对减少雷电灾害具有重要的意义,定位精度是闪电定位系统的关键指标。 针对传统定位方法的定位 精度受到数据粗差、站网布局影响大的问题,提出一种基于时差和聚类算法的定位方法。 基于到达时间差原理对闪电定位数据 进行组合定位,采用 K-means 对组合定位数值进行分类并剔除离群点得到最终精确定位值。 以江苏省闪电探测网为例,定量研 究了区域内定位误差的数值分布、测时精度和站网布局对定位误差的影响。 结果表明,相对传统的到达时间差方法,该方法计 算的区域定位误差由 5 km 减小为 2 km;四站定位的均方根误差由 0. 89 km 减少为 0. 07 km;定位误差受到测时误差的急剧增 加变为缓慢增加,且网站布局对定位误差的影响明显减小。     

基于离散小波变换和模糊K-modes的负荷聚类算法

为了研究智能电网背景下用户的用电模式,考虑到现有聚类算法的不足,提出了一种基于离散小波变换的模糊K-modes聚类算法。利用离散小波变换将时域的负荷曲线转换到频域,从而将负荷曲线的不同特征隔离在不同的频域水平,并利用低阶近似的思想选取原始曲线的有效分量曲线;对所选的分量曲线进行趋势编码,将连续负荷数据转化为离散类属性数据;基于平均密度确定初始聚类条件,利用模糊K-modes聚类算法对曲线进行形态聚类,得到负荷曲线模板;将所提算法与传统K-means算法及层次聚类算法进行比较,从而验证了所提算法的有效性。