基于模糊C均值聚类和支持向量机算法的燃煤锅炉结渣特性预测

应用基于模糊C均值聚类算法预处理的支持向量机算法对锅炉结渣特性进行预测建模,将煤的软化温度、碱酸比、硅铝比和硅比以及无因次炉膛烟气平均温度和无因次实际切圆直径作为模型的输入变量,结渣程度作为输出变量,利用优化后的模型对10台锅炉的结渣特性进行评判.结果表明:该模型能够减小训练样本的过拟合度,具有较强的泛化能力;本试验中FCM-SVM预测模型预测结果的正确率为100%,可以实现对锅炉结渣特性的精确预测.     

基于粗糙集和模糊C均值聚类算法的可再生能源投资风险评价

针对可再生能源发电项目投资风险评价问题,提出了基于粗糙集理论与模糊C均值聚类算法的可再生能源投资风险评价模型。基于全寿命周期理论,在构建可再生能源共性风险指标体系的基础上,建立可再生能源投资风险评价信息系统;分别利用模糊C均值聚类算法和粗糙集对评价指标进行离散化处理和属性约简,确定项目投资评价的关键风险指标及其权重;最后得出各类可再生能源投资项目的综合评价值。以风电投资项目为例进行了实证分析,结果表明,该方法以评价对象的客观数据为依据来确定其综合评价值,评价结果准确合理,可为可再生能源发电项目的投资选择提供一定的参考。     

基于EEMD和模糊C均值聚类算法诊断发动机曲轴轴承故障

针对发动机振动信号的非平稳性以及特征参数的模糊性特点,提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和模糊C均值聚类（Fuzzy Center Mean,FCM）的故障诊断方法,通过对已知故障样本信号进行EEMD分解,形成初始特征向量矩阵;对该矩阵...     

基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断

针对风电机组齿轮箱中齿轮故障特征提取与故障诊断问题,提出一种基于集合经验模式分解(EEMD)、奇异谱熵和模糊C均值聚类的故障诊断方法。首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF)构成的特征模式矩阵。接着对该特征模式矩阵求奇异谱熵值,奇异谱熵值的大小能反映部件的工作状态和故障类型。最后,将得到的奇异谱熵值矩阵进行模糊聚类分析并得到分类结果。通过对齿面磨损、齿面剥落和正常3种齿轮状态分别使用EMD法和EEMD法进行故障分类对比,结果验证了该方法的有效性和可行性,同时证明EEMD法具有更好的分类效果。     

基于小波和模糊C-均值聚类算法的汽油机爆震诊断研究

提出了一种小波变换和模糊C-均值聚类相结合的汽油机爆震诊断方法,并对某汽油机进行了爆震试验,利用小波变换方法从汽油机振动信号中提取了轻微爆震特征。以振动信号小波变换后的特征子带信号为样本信号,以特征子带信号的4个时域参数作为燃烧模式特征值,利用模糊C-均值聚类方法对燃烧模式进行分类,用贴近度方法进行爆震诊断。结果表明:小波结合模糊C-均值聚类方法能够利用振动信号有效地分类燃烧模式,并能诊断出轻微爆震。     

基于模糊C-均值聚类和支持向量机的大坝安全变形预警模型及应用

针对传统大坝安全变形预警模型预报精度不高的问题,提出了一种基于模糊C-均值聚类(FCM)与支持向量机(SVM)相结合的混合建模方法,该方法利用FCM算法将训练集划分为具有不同聚类中心的子集,运用SVM对每一类子集进行训练和建模,并针对FCM的聚类有效性问题,介绍了聚类数c和模糊加权指数m的参数自适应算法。将所提出的混合模型与标准支持向量机模型进行比较,可知本文模型的精度和泛化能力均得到了一定程度的提高。     

基于蚁群K均值聚类算法的边坡稳定性分析

针对岩石边坡稳定分析中常规聚类算法存在收敛速度慢、易陷入局部最优的局限性,基于蚁群信息素的K均值聚类法,提出一种解决边坡稳定性的新方法,分析了三峡库区36个边坡数据资料,并结合工程类比综合判断了边坡的稳定状态.结果表明,该法的聚类效果优于常规聚类法,计算效率高,为边坡稳定性分级的聚类分析评价提供了新途径.     

旋转机械诊断中的矢功率谱-模糊C均值聚类方法

结合矢功率谱和模糊C均值聚类算法,提出了一种新的旋转机械故障识别方法。该方法以矢功率谱为特征向量,以模糊C均值聚类算法为分类器,成功地应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。     

基于模糊负荷聚类的不良负荷数据辨识与修正

为辨识和修正不良负荷数据,在利用模拟退火遗传算法优化的模糊C均值(Fuzzy C-Means,FCM)算法进行负荷曲线聚类的基础上,提出将待测曲线与相应特征曲线进行比较计算差量系数的方法。差量系数大于电力公司确定的阈值的负荷点即为不良负荷数据。通过算例验证表明,该方法克服了统计历史数据中不良数据的影响,提高了不良数据辨识的可操作性和实用性。同时提出了考虑不良数据测量点外所有其他测量点负荷信息的不良数据修正方法,与仅考虑不良数据测量点前后2个测量点负荷信息的修正方法相比,提高了不良数据修正的精确性和有效性。     

基于改进FCM聚类算法的清洁能源典型场景构建

电力系统的中长期规划和经济运行优化需要考虑能够反映清洁能源历史数据特征的典型场景,提出了一种基于改进FCM 聚类算法的清洁能源典型场景构建方法,并将其应用于含清洁能源的电力系统运行成本优化中。以浙江省某地区电网为例,在电力系统运行成本优化领域对比基于改进FCM 聚类算法与基于全年时序法、典型日法的场景构建方法的性能优劣。研究结果表明,提出的改进聚类算法的清洁能源典型场景构建方法兼具计算精度与效率,具有实际应用价值。     

一种基于改进模糊聚类算法的自适应典型日选取方法

考虑单一算法在选取典型日负荷曲线上的不足,将改进后的可能模糊C均值聚类算法(PFCM)与模糊线性判别法(FLDA)相结合提出一种新的集成聚类方法。首先将原有的PFCM改进,得到改进后的PFCM,并将其应用于最佳聚类数的选取;然后将改进后的PFCM与FLDA相结合,将该集成聚类算法应用于负荷曲线的聚类。最后,通过某电网全年负荷数据验证了所提方法在典型日选取上的有效性。     

基于锅炉火检信号滤波的燃烧特征提取方法研究

通过滤波方法对电站锅炉传统的火检信号进行了燃烧扰动分析,从中提取除反映火焰有/无之外,更多反映燃烧特征的信息.对某600 MW机组24支煤火检和16支油火检输出信号进行了滤波分析,结果表明:单火检燃烧强度与本层燃烧器燃料量信号中频带存在明显的相关性,且火检平均强度信号与总燃料量信号中频带也存在明显的相关性.经过滤波后的火检信号能够快速反映锅炉燃烧状态的变化,并验证了利用CCD摄像机获取火焰信息的可行性.说明火检信号可用于控制系统前馈及燃烧故障的诊断.     

模糊聚类与k-NN法大型发电设备状态预警模型

根据设备运行的历史数据,运用模糊聚类和k-NN证据分类的方法,建立设备的运行状态模型,对水火电发电设备的运行状态进行判断,并对异常、故障状态进行预警。最后以红河1号机组#1高压加热器2014年1月用来聚类的4000组样本数据及其隶属度矩阵作为证据k-NN的训练集,2月某两天运行数据进行测试。验证模型能够如实反映设备异常状态,证明了模型的可靠性。     

基于模糊聚类与神经网络的柴油机技术状态评价方法研究

对在正常工作条件下不同使用时间的某型装甲车辆柴油机进行了实车测试试验,提取了评价柴油机技术状态的特征向量;阐述了模糊聚类和神经网络的原理;根据技术状态不同,利用模糊聚类的方法将所测柴油机分成了5类,将分类结果作为神经网络模型训练样本理想输出值的确定依据;利用RBF-BP组合神经网络建立了基于多参数测试的柴油机技术状态评价模型,并对部分柴油机进行了技术状态评价.结果表明,神经网络评价结果与分类结果是一致的,基于神经网络的技术状态评价模型具有推广应用价值.     

基于免疫克隆与模糊聚类的汽轮机故障诊断方法的研究

提出了一种免疫克隆选择算法与模糊C-均值聚类算法相结合的混合聚类算法,是一种有监督学习和无监督学习结合的算法.该算法首先用克隆选择算法对模糊聚类中心的选取进行指导,然后进行聚类.仿真结果表明,将该算法用于汽轮机的故障诊断,能够正确地诊断出存在的故障,提高了故障诊断的准确性和有效性,其性能优于模糊C-均值聚类的故障诊断方法.     

诊断汽轮发电机组振动故障的一种模糊聚类分析方法

提出的模糊聚类分析方法将标准故障样本与待检样本一起作为分类样本,运用基于传递闭包的模糊等价矩阵法和F统计量对原始数据进行初始分类,然后求出模糊－c划分的实始叠代矩阵,再用ISODATA方法进行验证并得到最优分类矩阵和聚类中心,并依此来判断待检样本的故障类型。通过应用表明,提出的这种方法可有效地诊断汽轮发电机组振动故障,具有良好的应用前景。     

基于模糊聚类和BP神经网络的小水电短期发电能力预测方法

小水电大多为无调节能力的径流式电站,汛期与大中型水电挤占输电通道,导致水电弃水及地区窝电现象日趋严重,因此尽可能准确地掌握小水电发电能力、制定合理的大小水电协调调度计划愈显重要。对此提出了基于模糊聚类和BP神经网络相结合的小水电短期发电能力FC-BP预测方法,将训练样本根据历史运行数据分类,建立相应的BP网络,对待测样本识别归类,预测小水电装机日利用小时数,并将该方法应用于云南省盈江县和云龙县小水电短期发电能力预测中。结果表明,FC-BP预测方法较传统ANN模型预测精度有所提高,且泛化能力更强。     

基于聚焦式模糊聚类算法的数据挖掘故障诊断方法

针对现有的火电厂大型设备故障诊断精度较低的问题，提出一种基于聚焦式模糊聚类算法的数据挖掘故障诊断方法。它采用分段相关分析的方法在火电厂SCADA系统历史数据库查找故障征兆变量，然后利用聚焦式量化算法对故障征兆变量进行离散化，最后应用双向模糊聚类算法找出对应故障类型的关键数据。该方法避免了为诊断故障而附加的专门测试或试验，在降低费用的同时，减少了试验对设备造成的潜在威胁。故障诊断实例表明：其诊断精度在不同的月份介于91％～95％之间，可以满足现场应用的要求。参3