基于改进模糊C-均值聚类的陆上风电场集电线路回路划分与拓扑结构优化

【目的】在“双碳”目标以及我国能源结构加速转型的双重驱动下,风电产业规模不断快速增长,亟须降本增效以应对平价上网压力。集电线路的造价在投资中占比较大,存在可观的优化空间。为了降低投资成本,提出了一种改进模糊C-均值(fuzzy C-means,FCM)聚类算法。【方法】利用改进FCM聚类算法对陆上风电场集电线路回路进行划分。该算法综合考虑了方位角与欧式距离,以保障回路间线路不交叉,并使相邻机组聚集到同一回路;引入机位到聚类中心距离的修正因子,通过调节其数值限制回路容量。在回路划分的基础上,利用动态Prim算法对各回路进行集电线路优化选线。最后,通过某陆上风电场算例验证方法的有效性。【结果】与只考虑方位角的聚类方法相比,考虑方位角和间距的改进FCM算法优化效果更好,单回、双回连接对应的集电线路总造价分别降低了2.6%和5.4%。【结论】所提算法能够有效降低集电线路的总造价,具有一定的应用价值,可为风电场集电线路设计提供参考。

基于模糊C-均值聚类算法的动态等值研究

近年来,随着特高压交直流输电线路的不断建立,需要准确地模拟交直流大电网故障期间的暂态特性已十分困难。电磁暂态仿真计算结果较为准确,但计算量太大,因此需要在计算前对被仿真网络进行动态等值。本文首先介绍了模糊C-均值聚类算法(FCM)及基于物理等效的动态等值计算方法;然后,提出了基于模糊C-均值聚类算法的动态等值计算方法及其流程图。最后,对某区域进行FCM机组分群,并进行动态等值计算,结果表明,采用基于FCM的动态等值方法,等值前后的动态特性基本一致,该方法具有良好的实用性。

基于模糊C-均值聚类的锅炉监控参数基准值建模

锅炉各监控参数基准值的确定是分析锅炉运行能耗偏差的基础。该文充分利用锅炉运行数据的关联特性,提出了一种基于模糊C-均值聚类算法实现多参量同步聚类以确定锅炉监控参数基准值的方法。该方法可以在实际运行数据中同步挖掘出某典型负荷邻域区间对应的排烟氧量、排烟温度和飞灰含碳量等监控参数基准值,从而达到改善锅炉运行性能的目标。在多参量同步聚类算法中,利用有效性函数优化模糊聚类数,提出运行模式支持度的相关概念及其样本支持判定的规则,并对类中心点处较小ε区域内样本进行无偏估计。实例分析结果表明:该方法能够在兼顾参数之间耦合关系的基础上,得到高效工况下对应的各基准值样本点,并建立相应的基准值模型。

基于人工鱼群算法和模糊C-均值聚类的洪水分类方法

为了克服模糊C-均值聚类(FCM)算法依赖初值的缺点,引入人工鱼群算法(AFS)建立一种新的聚类算法,应用于洪水分类研究。该算法将聚类中心看作食物源,通过样本抽样产生初始鱼群,利用人工鱼群算法能全局寻优和快速收敛的特点,得到一个较优的初始聚类结果,再使用FCM算法进行局部搜索,以避免因初值选取不当,而有可能陷入局部最小的缺陷。该方法应用于对西江流域洪水资料的分析结果表明,新算法具有比FCM算法更好的性能表现,使得到的分类结果更加准确合理。

基于改进半监督模糊C-均值聚类的发动机磨损故障诊断

为解决在少量油液样本条件下发动机磨损故障诊断难的问题,提出一种改进半监督模糊C-均值聚类算法(Improved semi-supervised fuzzy c-means clustering algorithm,ISS-FCM)。定义一种优化的目标函数,将无标签样本与训练样本间的平均距离度量考虑在内并赋予其一定权值,以引导聚类过程。为避免随机初始化划分矩阵使聚类结果陷入局部极值,利用训练样本对划分矩阵进行初始化。由于原始油液数据的聚类趋势不明显,不能有效描述发动机的磨损状态,利用自回归(Autoregression,AR)模型从油液光谱数据中提取出残差方差特征。结合某型履带车辆发动机台架试验,利用所提ISS-FCM算法对油液原子发射光谱测量数据进行分析,成功诊断出该发动机的拉缸和烧瓦故障。试验结果证明该方法在发动机磨损故障诊断领域的有效性。

改进的模糊C-均值聚类算法

为了克服模糊C-均值(FCM)聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于改进量子蚁群的模糊聚类算法。将量子计算原理和蚁群算法相结合来改进FCM算法。初期采用量子遗传算法生成信息素分布,后期利用蚁群算法的全局搜索性、并行计算性等特点避免聚类陷入局部最优解。实验证明该算法保证了种群的多样性,有较好的全局收敛性,克服了模糊C-均值聚类算法的不足,能有效解决未成熟收敛的问题,使聚类问题最终快速、有效地收敛到全局最优解。

可能性模糊C-均值聚类新算法

模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.

基于粒子群优化的模糊C-均值聚类改进算法

针对模糊C-均值聚类算法(FCM)存在易陷入局部优化的问题,将粒子群优化算法(PSO)和模糊C-均值聚类算法FCM相结合,提出了一种新的模糊聚类算法PSO-FCM。该算法使用PSO算法来代替FCM的迭代过程以实现模糊聚类,具有了很强的全局搜索能力,从而不用再为得到好的聚类效果而反复选择初值。仿真实验结果表明,提出的模糊聚类算法提高了FCM的搜索能力,具有更好的稳定性和健壮性,优化能力增强,提高了聚类的效率和效果。

基于粒子群优化的模糊C-均值聚类算法研究

针对用模糊C-均值聚类算法选择初始聚类中心敏感及模糊加权指数m对模糊C-均值聚类算法的聚类性能影响较大等问题,利用粒子群优化算法的全局寻优能力强及收敛速度较快的特点,结合模糊C-均值算法提出一种新的模糊聚类算法;采用了一种简单有效的粒子编码方法,将初始聚类中心和模糊加权指数m同时进行粒子群优化搜索,在得到最优适应度的同时,m也收敛到一个稳定的最优解,从而有效地解决了上述问题。算法在人工合成数据集和多个UCI数据集上都取得了较好的效果。

基于模糊C-均值聚类的时序概率潮流快速计算方法

为衡量光伏出力与负荷的时序变化特性对电力系统运行状态的影响,基于模糊C-均值聚类算法提出一种时序概率潮流快速计算方法。将一天分为24个时段,采用自适应扩散核密度估计法分别建立光伏出力与负荷的概率密度分布模型,提高概率模型局部适应性,并通过Copula理论描述二者之间的相关关系;利用模糊C-均值聚类法划分光伏出力与负荷场景,利用场景聚类中心与场景发生概率代替蒙特卡洛模拟过程进行概率潮流计算,大幅减少计算次数。基于我国西北某地实际测量数据和IEEE 30节点系统进行仿真分析,结果表明所提方法能在保证准确性的前提下,提高时序概率潮流的计算速度。

基于PSO的模糊C-均值聚类算法的图像分割

根据粒子群优化算法(PSO)强大的全局搜索能力,提出了用PSO算法优化模糊C均值聚类(FCM)的聚类中心的方法,有效地避免了传统的FCM对初始值及噪声数据敏感,容易陷入局部最优的缺点,同时图像分割的效果也得到了提高,性能也比传统的FCM方法更加稳定。实验结果反映了该方法的有效性。

一种改进的模糊C-均值(FCM)聚类算法

模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小,鉴于遗传算法(GA)的并行全局搜索能力,文章将遗传算法引入进来对FCM聚类算法加以改进,并对所提出的新算法与经典算法的迭代步数和运行时间进行比较。实验结果表明:该算法与FCM聚类算法相比收敛速度更快,迭代步数更少。

基于粒子群模糊C-均值聚类的图像分割算法

模糊C-均值(FCM)聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点。将粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。

基于遗传算法的模糊c-均值聚类算法

基于误差平方和准则的模糊c-均值算法(FCM)是一种典型的动态聚类算法,其求解结果通常是局部最优解;当模糊集合之间的并、交、包含运算采用传统定义时,在模糊c-均值聚类结果中还会存在无意义的聚类集。研究表明采用遗传算法进行模糊c-均值聚类(Fuzzyc-meansalgorithmovergeneticalgorithm,GFCM)时,不仅能够消除无意义的聚类集,而且还在一定程度上避免模糊c-均值算法收敛到局部最优解,为此设计编码、选择、配对交叉、变异等步骤。测试数据实验表明采用GFCM算法的结果优于FCM算法。

两阶段模糊c-均值聚类算法及其应用

针对模糊c-均值算法对初始值敏感、收敛结果易陷入局部极小值的缺点,提出了两阶段模糊c-均值聚类算法.首先通过恰当的贴近度(满足相似相近性)估计分类数,选取初始聚类中心;然后通过模糊c-均值算法进行聚类,最后对所得的聚类中心采用逻辑斯谛型的灰色模型进行预测.由于聚类中心具有统计特征,因此较好地克服了样本间的随机误差,灰色逻辑斯谛模型较好地克服了每个样本内误差.采用上述方法对全国30个省市农村居民年收入进行了分析和比较,得出了具有参考价值的结果.

基于堆叠稀疏自编码的模糊C-均值聚类算法

针对模糊C-均值聚类算法对孤立点、随机初始化的聚类中心比较敏感的问题,将堆叠稀疏自编码与传统模糊C-均值聚类算法相结合,对传统模糊C-均值聚类算法进行了改进。由于堆叠稀疏自编码可以提取原始数据集从低层到高层的特征,而高层的特征通常比原始数据集更能反映待聚类样本的本质特征,用其代替原始数据集进行聚类,有助于提高聚类的效果。利用改进后的算法在UCI的几个标准数据集上进行实验,结果表明改进后的算法是有效可行的。

基于模糊c-均值聚类的微阵列基因表达数据分析

微阵列技术已成为染色体研究的主要工具,但是它所面临的挑战是如何对海量数据进行分析.利用模糊c 均值聚类对这些数据进行分析,从而发现有差异的基因表达.结果表明,模糊聚类是一种用来为微阵列基因表达数据寻找有差异的基因表达的一种有用工具.

基于空间邻域加权的模糊C-均值聚类及其应用研究

针对模糊C-均值聚类法用于图像聚类时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分类现象,提出一种新的基于空间邻域加权的模糊C-均值图像聚类法。首先,定义了一个空间邻域信息函数,该函数能够有力抑制噪声点,同时能够很好保留边界的特性;其次,设计了具有空间约束的样本邻域信息加权隶属度矩阵;最后,将该方法应用于人工合成图像和模拟MR脑图像的聚类。实验结果表明,该方法能够获得较好的聚类效果,同时具有较强的抑制噪声的能力。

基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究

提出一种将减法聚类与改进的模糊C-均值聚类相结合并用于说话人识别的方法.该方法将从语音信号中提取的Mel频率倒谱系数及其差分作为特征参数;用减法聚类算法初始化聚类中心,再用改进的模糊C-均值聚类算法进行修正,形成码本.识别时,对每一个待识别语音进行模糊聚类识别.仿真结果表明,该方法比改进的模糊C-均值聚类算法识别率高,具有较好的鲁棒性,且计算比较简单.

模拟退火与模糊C-均值聚类相结合的图像分割算法

模糊C-均值(FCM)聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点。将模拟退火算法(SA)与模糊C-均值聚类算法相结合,在合理选择冷却进度表的基础上,依据模糊C-均值聚类算法建立模拟退火算法的目标函数,实现了基于模拟退火的模糊C-均值聚类图像分割算法。实验表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。