融合模糊聚类的变分水平集图像分割模型

针对在图像分割中变分水平集与模糊聚类都具有通过最小化目标函数来提取目标物体这一特征,提出了汲取两种方法优势、实现融合的新方法。该方法利用模糊聚类中隶属度函数的从属性质,建立了新的变分水平集能量函数模型,通过极小化能量泛函,获得了水平集函数演化的偏微分方程,实现了目标物体的提取。实验结果表明,该方法具有良好的分割质量与分割效率,验证了新模型的合理性与有效性。     

改进PSO与模糊聚类相结合的变压器故障诊断

针对基本粒子群算法存在收敛速度慢、易陷入局部极值的缺点,提出了一种改进PSO算法与模糊聚类相结合的变压器故障诊断方法.该方法根据变压器油中主要特征气体含量,利用杂交遗传改进粒子群通过优化模糊聚类准则函数,得出故障类型的最优聚类中心,再由聚类中心得出相应模糊隶属函数,最后由隶属函数判断所属故障类型.实例分析结果表明,该算...     

基于减法聚类的模糊神经网络负荷建模

负荷模型是决定电力系统仿真结果可信度的关键因素之一,本文从非机理模型的角度,提出一种基于减法聚类的模糊神经网络的负荷建模新方法.首先对建模样本输入输出数据进行特征分析,建立其山峰密度函数,应用减法聚类自适应的调整建模数据的聚类数和聚类中心,以确定负荷模型的模糊规则数和隶属度函数个数.在此基础上建立综合负荷模型的模糊初始结构.通过神经网络对推理数据进行学习,获取模糊推理规则,同时调整隶属函数的参数,用反向传播算法来修正网络的连接权重,辨识模糊模型的隶属函数的参数,完成综合负荷的非机理建模.通过对实测综合负荷的有功和无功建模实例,证明了该方法具有很高的拟合精度和收敛速度,对负荷建模具有重要的指导意义.     

特征优化和模糊理论在变压器故障诊断中的应用

针对变压器故障特征与故障类型关系模糊造成的三比值法编码缺失、临界值判据缺损以及同时发生的多种故障难以区分问题,提出了基于特征优化和模糊理论的变压器故障诊断方法。将测量空间中的每种故障数据分别通过高斯核函数映射至希尔伯特空间,利用主成分分析法提取主元,以主元张成的特征子空间作为最优故障特征,据此构造该种故障下的故障测度隶属度函数,根据最大隶属度原则判断故障类型。特征子空间既保留了测量空间的故障特征,同时根据核理论维度拓展特点,又能生成更有效度量故障的新特征,从而建立最优故障特征与故障类型的一一对应关系。实例分析表明,该方法的准确率高,能够弥补三比值法的不足。通过比较故障数据对于每种故障的隶属度,能够获知诊断结果的可靠性,当多种故障同时发生时,诊断结果能够为维修人员提供有益参考。     

基于加权模糊核聚类的发电机组振动故障诊断

对模糊C均值(fuzzy C-means,FCM)在机组振动故障诊断中存在不足,提出了一种加权模糊核聚类方法(weighted fuzzy kernel clustering,WFKC)。该方法用Mercer核将样本从输入空间映射到高维特征空间,在特征空间进行聚类,同时考虑到不同特征对聚类结果的不同影响,利用基于样本相似度的加权方法对特征进行加权,在特征空间实现加权模糊聚类。用3组标准测试数据集验证了该方法的聚类效果和分类准确性。最后将该方法应用于发电机组故障诊断,应用实例表明所提出的方法有效,诊断结果可靠。     

模糊粗糙集理论在变压器故障诊断中的应用

提出一种改进的三比值变压器故障诊断方法。以模糊粗糙集为数学基础建立信息决策系统,采用数据挖掘技术解决这一建立过程中的若干问题。考虑到信息源的连续取值对模糊粗糙推理的影响,利用模糊集方法处理连续取值型属性。利用数据库知识发现技术挖掘数据库中隐含的聚类信息,设置属性的模糊取值并确定隶属函数。并在此基础上基于包含度对模糊规则进行约简和剔除。设计了适用于模糊粗糙规则提取的数据挖掘算法,从数据库中提取规则,按属性集建立多表决策库的拓扑结构。诊断结果表明,该决策库故障正判率较高,模糊判断规则适应现场条件。     

基于大数据平台的中压配电网精准损耗分析

大数据平台为中低压配电网线损精细化分析提供了新的方法和基础,但数据缺失会影响计算精度和新方法的实用性.为此,提出基于大数据平台的前推回代精细化损耗分析框架;其次,针对部分缺失和全部缺失2种情况,提出基于粒子群优化的模糊C均值聚类的负荷曲线聚类方法,并利用聚类中心和隶属度来填充缺失值;最后利用实际数据进行仿真验证.仿真结...     

基于新型编码隶属函数的变压器故障模糊诊断法

运用概率论与数理统计知识研究了变压器油中特征气体体积分数真实值及其比值的概率分布.依据模糊理论提出编码模糊集的概念,提出了一种依据特征气体体积分数真实比值的概率分布并结合三比值编码区间的求解编码隶属函数新方法.对编码组合模糊集、故障模糊集及解模糊运算的计算方法进行了深入研究.结合2组历史色谱数据和相应的电气试验结果对模糊诊断法进行了验证.结果表明,该方法提高了诊断鲁棒性和准确度.     

基于DS证据理论的SVM分类模糊域数据修正

在介绍支持向量机(SVM)和DS证据理论的基础上,提出了一种利用DS证据理论对SVM分类模糊域数据进行分类修正的方法。该方法首先利用SVM对测试样本进行分类,对SVM分类输出模糊域的样本使用隶属度函数将SVM的输出距离转换成样本对各状态的隶属度;其次利用DS证据理论融合其他传感器信息,对各状态下的隶属度进行适度修正,从而实现该区域数据的重新合理排布;最后将该方法应用于高压断路器故障诊断,以验证其诊断性能。大量的实验结果表明,该方法可以利用断路器操作线圈电流数据,合理修正振动数据分类结果,实现断路器机械故障的准确检测。     

一种组合隶属度函数及其在电能质量模糊评价中的应用

在电能质量模糊评价中,选择不同的隶属度函数会导致评价结果出现差异,影响评价的可信度。为避免隶属度函数选择上的主观性,充分利用评价信息,本文提出了一种基于方差—协方差优选组合法的组合隶属度函数。首先选取五种典型的中间型隶属度函数作为优选组合的基础;然后通过方差—协方差优选组合法计算各函数权重并进行最优组合,构造出一个具有普遍适用性的组合隶属度函数;最后利用得到的组合隶属度函数进行模糊评价从而提高评价结果的可信度。应用本文算法对某变电站的电能质量数据进行实证分析和评价,验证了该算法的有效性。     

融合粗糙集和模糊聚类的连续数据知识发现

知识自动获取是困扰基于知识的系统普遍推广应用的瓶颈，粗糙集理论是一种从历史数据中发现规则知识的数学工具。该文针对粗糙集方法应用于电厂与电力系统数据挖掘中存在的连续属性离散化问题，提出了基于模糊聚类的离散化方法。采用模糊C平均(FCM)算法离散连续属性，获得各类的聚类中心以及属性值隶属于各聚类中心的隶属度矩阵，得到离散化的数据。将粗糙集方法应用于离散化后的数据挖掘隐含在历史数据中的知识。最后进一步讨论了置信度、支持度等指标对规则的评价方法。给出的汽轮机轴系振动故障诊断规则获取算例验证了整个知识发现方案的可行性。     

变电站遥视系统中智能多模式行为识别的应用

针对变电站遥视系统监控不同环境下各种目标的多种形态和行为特征．为优化其监控能力,从系统解决方法的角度,运用模糊和粗糙集的特征提取方法．采用粗集等价类知识编码和数据融合技术．对分类特征和目标行为方法化简,利用智能反馈控制强化目标特征。形成系统的环路识别。同时,确立不同环境目标的机器自学习模式．建立一个具有普遍适用性、时间空间的高鲁棒性、低复杂性的智能多模式行为识别方法。其理论方法在变电站智能遥视、高级感知接口、动态视频内容检索等应用领域具有指导意义。     

基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

一种基于粗糙集与小波变换的电能质量分类方法

针对目前电能质量问题分类常用方法中存在判断过程复杂且计算量大的问题。提出将小波变换和粗糙集理论相结合解决电能质量分类问题的方法。首先．利用小波变换提取扰动信号的特征矢量样本数据：然后。应用模糊C均值聚类的方法将所提取的连续的特征矢量样本数据离散化。得到离散化后的分类知识规则表;最后。采用粗糙集理论中的属性与属性值约简算法,获得判断电能质量分类的核心规则知识。通过对Matlab下的模拟信号数据进行仿真实验。结果表明该方法可直接由信号数据快速准确地判断出信号所属的电能质量类型．简单易行。     

基于模糊粗糙集数据挖掘的汽轮机组故障诊断研究

针对当前专家系统知识获取瓶颈的难题,提出了基于模糊粗糙集数据挖掘的汽轮机组故障诊断方法。模糊粗糙集理论把知识直接与真实或抽象世界有关的不同模式联系在一起,能有效分析处理不精确、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。将汽轮机组故障历史数据进行模糊化及离散化处理,构建故障诊断决策表,以决策表作为主要工具,即"知识库",采用模糊粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为汽轮机组提供有效的故障诊断。提出了基于模糊粗糙集的分类规则学习和约简算法,实现了基于模糊粗糙集数据挖掘的汽轮机组故障诊断系统,其诊断正确率达到了88%。实验表明该方法可行,对汽轮机组故障诊断系统的设计具有借鉴意义和深入研究的价值     

基于模糊聚类的电网谐波综合评估方法

为构建绿色电网,科学考察谐波污染情况,构建了一种基于模糊聚类算法的电网谐波综合评估方法.采用谐波评估的各项指标作为特征值,将已知的谐波评估等级数据加入到量测样本数据中,共同组成综合评估样本数据集,利用模糊聚类算法进行聚类分析,得到包含各个谐波评估等级的聚类结果,从而实现对样本数据的综合评估,达到考察谐波污染情况的目的....     

基于模糊粗糙集理论的综合数据挖掘方法在空间负荷预测中的应用

基于模糊粗糙集理论,提出了一种综合数据挖掘方法,并将其应用于空间负荷预测中。基于规则约简方法提出了循环采样方法,采用数据库知识获取技术按采集的样本属性值将样本聚类,根据聚类中心对连续取值的属性设定模糊值,根据决策属性的包含度对模糊粗糙规则进行筛选,并采用数据库知识获取技术实现了用地类型的转换。算例结果表明该方法简单灵活,可用于短期、中期和长期空间负荷预测中。     

用于暂态稳定评估的人工神经网络输入特征离散化方法

针对基于人工神经网络的暂态稳定评估数据预处理中的数据离散化进行了深入的研究，提出了一种基于信息熵和粗糙集理论的输入特征离散化新方法：通过对样本空间的聚类分析筛选出各条件属性在离散化过程中的可用断点；利用信息熵的相关概念，构建各条件属性的候选断点集；采用粗糙集理论中决策表不相容度的概念，检测出各条件属性间的最优断点组合。算例表明：该方法在保证暂态稳定评估精度的前提下，能有效地压缩训练样本集，减轻神经网络的训练负担，为基于神经网络的大系统暂态稳定评估提供了新思路。     

基于FCM聚类与SVM的电力系统短期负荷预测

分析了模糊C均值(FCM)聚类算法,介绍了支持向量机(SVM)回归的基本原理,提出了一种将FCM聚类算法和SVM结合使用的电力系统短期负荷预测方法。该方法考虑到电力负荷变化周期性的特点,通过对学习样本的聚类,选用同类特征数据作为模型的预测输入,然后对各个模型的输入数据进行归一化处理和分类识别,得出最后总的预测输出。此预测方法保证了数据特征的一致性以及算法的全局性,避免了算法陷入局部极小的缺陷。经过仿真实验,证明了该方法的有效性。