系统聚类在牵引负荷分类上的应用

为获得牵引负荷的分布规律,基于大量牵引负荷实测数据,计算并选择95%概率大值、最大值、平均值和有效值、带电有效系数作为聚类指标。通过7种数据处理常用的系统聚类方法,依据Cophenetic相关系数选择一种最优方法,即类平均法,并用不一致系数确定聚类个数,对47组牵引负荷实测数据进行聚类,最后计算轮廓值和伪-F统计量来评价聚类结果。通过对大量牵引变电所实测数据的聚类,表明该聚类方法合理,聚类效果良好。

新建牵引变电所的负荷预测及变压器容量优化配置

为了获得新建牵引变电所的负荷情况并校验优化所内牵引变压器的配置容量,将高斯混合模型用于牵引变电所实测数据聚类,然后引入神经网络对新建牵引负荷进行匹配分类.依据聚类和分类结果,结合概率密度及蒙特卡洛抽样方法,实现新建电气化铁路牵引负荷的预测.根据热传递原理和相对老化计算,建立新建牵引变电所牵引变压器温升与寿命损失的差分方程模型,对新建牵引变电所的牵引变压器容量进行优化配置.通过对大量牵引变电所实测数据的分析,聚类后伪-F统计量达12.81,匹配分类后伪-F统计量进一步上升至12.90,表明本文聚类分类方法效果良好.通过牵引变压器建模,将算例中变压器容量利用率从60%提高到96%,即使考虑安全裕度适当提高安装容量也能使容量利用率达到75%,实现了变压器容量的优化,充分利用了变压器的温度指标和寿命损失.

基于机器视觉的电力仓储机器人分区拣选控制方法

以更精准控制电力仓储机器人分区拣选为目的,本文提出基于机器视觉的电力仓储机器人分区拣选控制方法。该方法利用智能机器视觉单元拍摄机器人分区拣选环境图像,采用机器视觉技术获取电力仓储机器人分区拣选目标位置,经过电力仓储机器人分区拣选区域位置路径实施编码、路径代价计算、自适应遗传算法对路径寻优后,实现其分区拣选控制,依据伺服驱动控制器控制电力仓储机器人达到分区拣选指定位置执行拣选任务。实验结果表明:该方法的分区拣选区域定位时最大误差仅为0.3m,定位精度较高;在分区拣选时受障碍物分布情况影响较小,控制其分区拣选路径拐点少;且在控制电力仓储机器人分区拣选过程中出现的平均冲突路径节点数量较少,应用效果好。