基于相对密度聚类的激光点云电力线提取方法研究

为进一步降低环境参数对于电力线点云产生的影响,为电力线巡检与相关规划工作的开展提供更加准确可靠的参考依据,本文以当下电力线提取技术存在的主要问题作为切入点,基于候选点云筛选、单根电力线提取以及散点拟合与检测等角度对相对密度聚类下线路点云数据获取方法进行了阐述,同时以某500kV电力线走廊点云数据分析项目为例,对上述方法进行了相应验证,力求为从业者提供参考。

基于相对密度聚类的激光点云电力线提取方法

针对电力线点云聚类过程极易受参数影响的缺点,本文提出了一种基于相对密度聚类的激光点云电力线提取方法。该方法根据电力线点云数据维度与方向特征,实现电力线点云过滤;在把样本点按相对密度聚类成数据簇后,以最小二乘法拟合重构单个电力线,并引入均方根误差(RMSE)法,检验拟合后各目标簇电力线是否达到独立聚类的要求。在近邻参数7<K<10时,较DBSCAN聚类提取法,相对密度聚类提取法能更精准地实现单个电力线的分离。该算法为解决在复杂环境中精准提取电力线的难题,提供了新的研究思路。

基于密度聚类的K近邻法在储层流体识别中的应用

针对传统储层流体识别方法识别精度低、运算量大、过于依赖个人经验的缺点,提出基于密度聚类的K近邻法,根据待测层段测井数据的空间分布规律,将样本按相对密度聚类成数据簇,并利用K近邻投票获得各簇所属类别。将该方法应用在某油田奥陶系鹰山组碳酸盐岩储层识别中。结果表明,较之其他常用识别方法,该算法识别精度高,泛化性和鲁棒性强,在处理大数据分类问题时具有明显优势,且在识别常规方法难以识别的油水同层时取得了较好的效果,具有良好的应用前景,为利用数据挖掘方法解决油田勘探开发中的复杂问题提供了新思路。