针对风电系统故障种类多,故障信号数据维数大,诊断正确率低的问题,提出一种利用密度峰值优化初始质心K-means分类算法进行诊断;K-means算法的初始聚类质心是随机选取的,聚类质心选取质量严重影响聚类结果的稳定性,当聚类较大维数的数据...针对风电系统故障种类多,故障信号数据维数大,诊断正确率低的问题,提出一种利用密度峰值优化初始质心K-means分类算法进行诊断;K-means算法的初始聚类质心是随机选取的,聚类质心选取质量严重影响聚类结果的稳定性,当聚类较大维数的数据时效果很不理想。而CFSFDP( clustering by fast search and find of density peaks)算法对维数较大的数据有良好的聚类能力,但是对于同类多峰的数据,分类效果稳定性变差,总体效果不够理想。为此,综合两种算法的优点,本文提出一种快速密度峰值搜索算法K-CFSFDP( clustering by fast search and find of density peaks)优化初始质心的K-means算法并在风力发电系统的故障诊断应用中获得了良好的效果。展开更多
文摘针对风电系统故障种类多,故障信号数据维数大,诊断正确率低的问题,提出一种利用密度峰值优化初始质心K-means分类算法进行诊断;K-means算法的初始聚类质心是随机选取的,聚类质心选取质量严重影响聚类结果的稳定性,当聚类较大维数的数据时效果很不理想。而CFSFDP( clustering by fast search and find of density peaks)算法对维数较大的数据有良好的聚类能力,但是对于同类多峰的数据,分类效果稳定性变差,总体效果不够理想。为此,综合两种算法的优点,本文提出一种快速密度峰值搜索算法K-CFSFDP( clustering by fast search and find of density peaks)优化初始质心的K-means算法并在风力发电系统的故障诊断应用中获得了良好的效果。
