基于改进K-均值算法的双馈风场故障等值建模方法

新能源场站故障建模与分析方法是风电、光伏集中并网地区的故障特性和保护研究的基础,场站的多机等值建模多采用聚类算法,传统算法基于机组间运行状态的相似程度进行分群,然而将运行状态相近的机组分为一类并不等价于等值后模型精度更高。因此首先分析双馈风机故障电流的影响因素并作为分群指标,提出了一种改进的K-均值算法,算法以机组的故障电流等值误差作为样本间距,将同类机组的等值电气量作为算法的中心坐标;并结合了风电机组的等值误差与聚类算法的轮廓系数,整定了算法的分群数,构建了双馈风场的多机等值故障稳态模型,以提高网络短路计算的效率和精度。仿真结果验证了分群等值方法的合理性,所提方法相比单机等值模型与基于传统K-均值算法的多机等值模型精度均有一定的提升。

基于改进k-均值聚类算法的风机振动分析

针对风机振动信号的非平稳和非线性特征,提出了一种基于时域信号分析和改进的k-均值聚类算法的故障识别方法。对离心式风机运行中产生的几种非稳态振动故障信号,提取其时域信号的峰峰值、Hurst指数和近似熵参数作为特征向量,采用改进的k-均值聚类算法作为故障分类器,设置转子不平衡、联轴器不对中、风机基座松动、转轴径向摩擦和轴承内圈损坏5种故障。对离心式风机试验的结果表明,3种时域特征能较好地反映各故障之间的差异,改进的k-均值聚类算法与原始的k-均值算法相比分类性能更好,稳定性更强,平均识别率达到88.67%。

基于改进型K-均值算法的双馈风电场暂态等值研究

针对DFIG风电场单机等值精度较差问题,建立了一种基于改进型K-均值算法的多机暂态等值模型,用来提高等值精度。首先选取能够反映风机暂态运行点的主导状态变量作为划分指标,并依此进行多机等值;然后,运用加权容量法对DFIG等值机相关参数进行计算。最后,对比了等值模型与详细模型在相同故障扰动时的特性曲线,结果验证了等值方案的有效性。

基于半监督学习的K-均值聚类算法研究

定义了一个欧氏距离和监督信息相混合的新的最近邻计算函数,从而将K-均值算法很好地应用于半监督聚类问题。针对K-均值算法初始质心敏感的缺陷,用粒子群算法的搜索空间模拟聚类的欧氏空间,迭代搜索找到较优的聚类质心,同时提出动态管理种群的策略以提高粒子群算法搜索效率。算法在UCI的多个数据集上测试都得到了较好的聚类准确率。

基于电厂工况划分的双层聚类算法研究

以利用火电厂实时数据的工况划分为对象,提出了一种基于SOM网络模型和改进K-均值算法的双层聚类算法。海量数据通过SOM网络的压缩,神经元保持了与原始数据的相同结构;再利用优化了初始聚类中心和可自适应调整到最佳K值的改进K-均值聚类算法,将神经元进一步聚类。实现了在较短时间内合理划分电厂生产过程工况的目标。

印花织物自动分色系统

为了区分印花织物上彩色图案的色彩区,满足行业对织物色彩的需求,提出一种SOM神经网络与改进型K-均值算法相结合的印花织物自动分色系统.在三维RGB颜色空间内,利用遗传算法搜寻出代表原织物颜色分布的子图像,并采用两层聚类方法完成分色:第一层使用SOM神经网络对大于期望聚类数的数据样本进行初始聚类;第二层对SOM神经网络初始聚类的神经元利用改进型K-均值算法进一步聚类,形成最终的聚类结果,从而完成分色.实验结果显示,此系统能够准确地区分出印花织物图案的色彩,并完成自动分色.