基于K-Means^(++)和Elman神经网络的低压台区线损计算方法

为了解决低压台区线损计算在理论上因线路复杂、用户众多以及数据获取困难等带来计算难度与精度不足的问题,提出了一种结合改进K-Means^(++)算法与Elman神经网络的创新计算方法。深入分析了低压台区线损的决定因素,并依据相关性分析构建了线损的关键特征指标集。采纳主成分分析方法实施数据降维,简化数据结构。通过改进的K-Means^(++)算法对数据集进行有效聚类,优化模型训练过程。同时,整合粒子群优化算法进一步提升Elman神经网络的性能。通过对实际数据进行仿真验证,结果证实所提出的方法在训练效率和计算精度方面表现优异。

基于K-means聚类改进的特征匹配算法

图像的匹配和融合是图像拼接的核心步骤,而在图像匹配过程中,传统的KNN匹配算法中错误匹配较多,且图像上的正确匹配点对连线的斜率几乎平行。鉴于此,使用K-means算法对其进行聚类以筛选出正确匹配。实验表明,该算法可以去除大量错误匹配,较传统算法匹配率最大可提升近1倍,匹配时间最大可缩短约0.2 s。在图像融合中对最佳缝合线算法作出改进,并且与渐出渐入融合算法进行比较实验,证明改进的缝合线算法可有效去除图像重叠区域的“鬼影”、错位现象。

基于K-Means聚类和Boosting算法的配电网线损计算方法

传统线损计算方法所需电气参数较多且计算过程烦琐,导致配电网线损计算结果精度较低,因此提出了一种基于K-Means聚类和Boosting算法的配电网线损计算方法。先采用K-Means聚类算法挖掘配电网的线路负荷有功电量、线路负荷无功电量、线路长度及线路负载率等电气特征指标,再将电气特征指标作为Boosting算法线损预测模型的输入数据,经过模型训练完成配电网线损的预测计算。实验结果表明,该设计方法的线损计算值与真实值之间的误差仅为4.27%,具有较高的配电网线损计算精度。

基于Mean-Shift优化的TLD视频长时间跟踪算法

针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法。该优化方法利用具有计算量小的MeanShift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪。实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升。

大规模遥感影像Mean Shift并行分割优化算法研究

传统影像分割算法在面对大规模遥感影像时普遍存在分割效率低、内存消耗大等情况(甚至无法分割),同时"分块线"的存在也制约了许多算法的并行化改造.本文利用Mean Shift均值漂移分割算法针对遥感影像进行并行化处理,有效地解决了大影像分割时所存在的问题,同时改进影像光谱空间的构建,在均值漂移滤波和合并的过程中分别对影像采用分区缓冲的策略,解决了并行化分割算法处理时会产生的"分块线"问题.在多种遥感数据上的分割实验及与e Cognition软件的对比实验表明,本文所提出的并行分割优化算法可以在不影响分割精度的情况下有效提高分割效率,一定程度上满足实际生产及应用需求.

基于改进K-Means聚类和BP神经网络的台区线损率计算方法

配电网线损管理中面临的主要问题有表计配置不齐备、运行数据不易收集、元件和节点数过多。这些问题导致线损率计算工作十分繁杂。提出了一种基于改进K-Means聚类算法和Levenberg-Marquardt(LM)算法优化的BP神经网络模型快速计算低压台区线损率的方法,并通过编程加以实现。根据样本的电气特征参数,提出了改进K-Means聚类算法,将台区样本分类,解决了台区线损率数值分散的问题。在此基础上,采用LM算法优化的BP神经网络模型对样本数据按类进行训练,利用BP神经网络拟合样本线损率与电气特征参数之间的关系,得到其变化规律。以某地区601个台区样本数据为例进行仿真计算,验证了所提方法的准确性。结果表明,与标准BP神经网络模型相比,LM算法优化的BP神经网络模型具有快速收敛、高精度等优点。

改进K-means算法的馈线线损计算

分析几种主要线损计算方法优缺点及线损分析中数据挖掘算法应用,提出基于线损时域特征指标和改进K-means算法的馈线线损计算方法。充分利用线损信号中的时域信息,获取线损信号中的平均线损率、线损率变异系数、线损率变化趋势等表征线损信号的非平稳特征。使用该算法对区域889条馈线线损进行计算分析,取轮廓系数最大时对应的k值进行聚类分析,经过65次迭代得到8个聚类结果,其中第7类平均线损率高达33.5%,第5类线损率为17.8%,但线损率变化趋势达308。可以进一步对该类馈线上的用电客户负荷曲线进行跟踪分析,确定是否存在窃漏电行为。

基于K-means聚类十字线的套印偏差检测方法研究

目的研究并改进基于十字线套准标识符的印刷品套印偏差检测算法,以提升偏差量检测精度。方法使用K-means聚类算法对分色后得到的C,M,Y,K图像分别进行聚类处理,然后分割图像并提取出各色前景像素,进而使用C,M,Y图像中的前景十字线分别减去K图像中的十字线,以消除四色重叠区域的干扰,最后提取十字线中心并计算偏差量。结果使用15幅印刷品图像样张进行实验,改进的基于K-means聚类十字线的套印偏差检测算法的检测结果,比大津法更接近人工测量值,误差在±0.04mm以内。结论基于K-means聚类的十字线分割法对前景十字线的提取,较大津法抗叠印干扰性更强。

基于K-Means聚类算法的自动图谱识别在电缆局部放电在线监测系统中的应用

局部放电相位谱图(phase resolved partial discharge pattern)是局部放电模式识别普遍采用的重要方法。但在中高压电缆在线局放监测系统中,电缆中的电压信号难以直接获取,使得局放相位谱图分析的开展遇到了重大的挑战。为此,在多年局放理论研究和局放现场应用研究的基础上,提出了基于K-Means聚类的局部放电相位谱图自动模式识别技术。该技术通过信号提取、坐标变换、K-Means聚类、中心点平移、模式判断的流程,克服了电缆局放监测中相位信息难以直接获取的缺点,能对来自三相的局部放电信号进行自动识别判断。5个应用实例证明,该方法能对电晕放电、内部放电、沿面放电和干扰信号做出准确的判断,必将在电缆在线监测系统中获得广泛的应用。

基于K-Means聚类和改进多分类相关向量机的台区线损计算方法

配电网线损计算是配电网线损管理和分析的一项重要技术措施。针对传统配电网理论计算不能自动实现、工作量大、计算结果不准确等问题,提出了一种基于K-Means聚类和果蝇算法优化多分类相关向量机(Multi classification correlation vector machine,MRVM)的快速计算低压台区线损计算方法,并在Matlab中搭建算法模型。针对台区线损数值分散的问题,先使用K-Means聚类算法将台区样本进行归类。使用归类的样本对果蝇算法优化的MRVM进行训练,得到线损率和台区参数之间的映射关系。以四川某地的500个台区样本进行实例验证,并与传统理论线损计算方法结果进行了对比。结果表明,所提出的方法可以有更好的计算精度。同时可以提高当前线损理论计算的自动化程度,减少计算工作量,提高电网公司配电网运行效率。

基于K-Means算法的架空输电线路载流量计算

针对边界条件取值过于保守导致架空输电线路载流量过小而无法充分发挥输电线路的载流能力的问题,本文提出了一种基于K-Means算法的架空输电线路载流量计算方法.首先对历史气象数据进行统计分析,然后根据每月气象数据的相似性,使用K-Means算法划分时段,并选取各时段最为合适的边界条件,最后基于选定的边界条件使用摩根公式进行仿真计算.通过这种方法,可以在保证线路运行安全的条件下挖掘输电线路的隐性输送能力.

基于K-means聚类算法的电驱产线监测模型的建立与软件实现

新能源汽车的电驱动总装呈现典型的离散型生产特征,现各大主机厂通过MES实现生产数据的信息化,存在数据利用不足的问题。基于K-means聚类算法实现产线在线或离线监测,对MES采集到的生产数据进行分析,根据数据分析的结果建立电驱产线监测模型;现场试运行效果表明该产线监测模型对生产过程的管控和优化效果良好。

一种新K-means聚类算法的多元线性回归台区线损率预测模型

线损率是反映线损管理的重要依据,由于其理论计算的复杂性,一直倍受电力工作者的广泛关注。基于国内外线损管理研究现状以及相关理论计算方法,提出一种基于K-means聚类算法的多元线性回归模型预测台区线损率方法。首先,利用K-means聚类算法对台区样本数据聚类分析,根据聚类结果建立线性回归预测模型计算台区线损率。然后,通过预测线损率与实际线损率比较分析,对线损估计误差较大的台区重点关注。最后,以贵州部分地区的台区样本数据为依据,验证所提方法的准确性与快速性,为贵州地区的线损管理提供理论依据。

基于k-means聚类和LSTM的供电台区线损预测

为了准确把握供电台区线损变化趋势,提出一种基于k-means聚类和LSTM网络的混合预测算法。以贵州省某供电台区线路为例,将此模型的预测效果与BP模型、RF模型、SVM模型以及未聚类的LSTM模型进行比较。结果表明,基于k-means聚类和LSTM网络的线损预测模型适用于具有时序性的台区线损数据,克服了传统预测方法在精度提升方面的局限性,对于供电台区线损数据挖掘具有重要的理论价值。

基于S变换和k-means聚类的输电线路故障识别

根据正常电路和故障电路特征电流存在的差异,提出基于S变换和k-means聚类的输电线路故障识别方法。通过S变换的方式,获取线路特征电流的故障特征量,应用熵权法计算出变换综合相对熵,找出线路之间的差异。然后,使用k-means聚类的方法识别出故障线路。通过仿真试验验证,该故障识别方法准确率较高、适应性强。

基于3D激光雷达的鸡舍通道中心线检测方法

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.97 ms,比LSM算法得到的平均绝对误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。

基于甘肃积石山6.2级和日本能登7.6级地震前热红外现象的均线差值增强比法的异常提取能力分析

2023年12月18日甘肃省积石山县发生6.2级、2024年1月1日日本能登发生7.6级地震,两次地震间隔时间较短,均造成较多的人员伤亡和巨大的财产损失,引起地震界的高度关注。运用均线差值振幅增强比法分析发现,这两次地震前均存在显著热红外异常:积石山地震前约110~90天,长波辐射热红外活跃性水平高于历史平均水平1.5~5倍;日本能登地震前约140~100天,热红外活跃性水平高于历史平均水平3~4倍。以上现象再次证明了强震前存在热红外异常现象,也从侧面说明了均线差值振幅增强比法具有较强的热红外异常提取能力。

顾及杆状物和车道线的城市道路场景轻量化快速点云自动配准

针对激光扫描获取城市场景出现不同时期位置偏差,传统点云配准方法存在效率低和鲁棒性低等局限性,本文提出了顾及杆状物和车道线的点云配准改进方法。首先对滤波后的点云进行体素格网降采样,再利用布料模型滤波对地面点滤波,后使用K均值无监督分类非地面点云,后用先验的随机一致抽样法提取杆状物作为目标特征,并根据点云反射强度提出点云灰度图和空间密度分割法提取车道线。利用改进迭代最近点(ICP)算法和法向量约束,将杆状物作和车道线作为配准基元,几何一致算法剔除错误点对,并使用双向KD-tree快速对应特征点的关系,加快配准速度和提高精度。经实验证明,在低重叠度的城市点云场景耗时不到20 s,且只迭代20次,精度可达1.9877×10^(-5)m,可实现城市道路场景点云的高效准确配准。

一种基于线激光扫描的V型焊接坡口尺寸检测方法

针对V型焊接坡口尺寸检测的自动化问题,搭建线激光测量系统,并提出一种基于点云处理的坡口尺寸检测方法。由线激光传感器获取坡口轮廓点云数据,分析V型坡口的截面轮廓特征,对坡口点云依次进行统计滤波、K-means聚类分割和MSAC直线检测;利用拟合直线求交点和逐列搜索方法获取坡口截面轮廓的4个特征点,实现尺寸测量,最后通过试验加以验证。结果表明:所提方法能够稳定地实现V型焊接坡口尺寸检测,2个模型测量结果中,坡口间隙中误差最大为0.11mm,坡口宽度中误差最大为0.17 mm,坡口角度中误差最大为0.42°。该方法可满足工业应用的高精度和自动化要求。

基于测绘学角度探讨海岸线及其测定方法

海岸线是陆海统筹基础地理信息的关键要素,其科学精准的确定对海岸带管理具有重要的意义。本文系统梳理了目前我国海岸线定义、分类以及测定方法,比对分析了传统痕迹海岸线测量和基于潮汐模型的海岸线测定的结果,并进一步讨论了我国海岸线定义、分类及界定存在的分歧和问题。基于我国海岸线测量存在的问题以及在理论和实践上的进步,建议海岸线定义为多年大潮平均高潮面与海岸交接形成的海陆分界线,建议基于测绘学的海岸线测定采用联合潮汐模型和DEM的确定方法。本文认为基于测绘学的海岸线定义和测定方法,能为我国提供基准统一、精确客观的海岸线。