基于双尺度特征的铁路接触网吊弦检测

针对传统接触网吊弦检测方法效率低和速度慢等问题,提出基于双尺度特征的铁路接触网吊弦检测方法,实现对接触网吊弦的非接触式检测。该方法是结合接触网吊弦实际应用对YOLO v3算法进行改进,首先根据吊弦特征K-means聚类得到6个网络先验框,然后通过迁移学习的方式对模型进行训练,并采用双尺度特征融合方式对吊弦进行检测。试验结果表明,该算法对于背景复杂、不同光照条件和轻微遮挡等实际场景图像均具有良好的适应性。该模型检测准确率达到91.6%,检测速度达到0.3 s每张,很大程度上提高了接触网吊弦检测效率并为进一步的吊弦缺陷检测奠定了基础,具有重要的实际工程意义。     

基于遗传优化的支持向量机小时负荷滚动预测

利用支持向量机(SVM)和遗传算法(GA)建立24个不同的混合模型来对夏季24点负荷进行滚动预测.通过追加最新的负荷和天气信息来更新混合模型的输入,滚动预测下一小时负荷.利用SVM建立预测模型,利用GA自动选择SVM模型的参数.经过GA优化后的最终SVM模型用于滚动预测下一小时的负荷.研究实例表明,GA简化了SVM参数选择,优化了SVM模型;滚动预测效果要明显好于常规预测方法.     

KPCAＧGAＧSVM 在 ATP车载设备故障率预测中的应用

文章针对ATP车载设备故障率预测,提出了一种基于核主成分分析(KPCA)、遗传算法(GA)及支持向量机(SVM)组合的预测方法。首先,KPCA对数据进行预处理,在特征空间上提取有效非线性主元,在此基础上,利用GA优化后的SVM建立ATP车载设备故障率模型。为验证KPCA-GA-SVM方法的有效性,将其应用于ATP车载设备故障率预测中,在同等条件下,与单一的GA-SVM及SVM预测方法进行比较。实验结果表明,KPCA-GASVM组合方法具有较高的预测精度及较强的泛化能力。     

改进麻雀算法优化支持向量机的接触电阻预测

针对接触电阻常规计算公式计算结果精度难以达到要求，本文提出一种改进麻雀搜索算法(IASSA)优化支持向量(SVM)的接触电阻预测模型。首先，运用经验模态(EMD)对接触电阻的时序数据进行分解，得到一系列不同特征的本征模函数(IMF);其次，在对分解数据进行支持向量机建模时，采用一种多策略混合改进的麻雀算法去优化支持向量机的回归参数，该改进算法具有全局探索能力强、精度高等优点，从而可以有效避免支持向量机选择参数的盲目性；最后建立EMD-IASSA-SVM模型对每个IMF分量进行预测，在得到每个分量的预测结果后并进行重构，最终得到接触电阻的预测结果。实验结果表明，所提组合模型对接触电阻非平稳时间序列有较高预测精度和适用性。     

基于时间序列和支持向量机的变压器故障预测

电力变压器故障预测可实现对变压器故障的早期预警,对保证电力系统的正常运行具有重要意义。该文提出了一种基于时间序列和支持向量机(SVM)的变压器故障预测模型。该模型以时间序列分析中的自回归积分滑动平均模型(ARIMA)为基础,采用遗传算法(GA)对ARIMA模型参数p和q进行定阶,并利用定阶后的时间序列模型对变压器油中溶解气体进行预测,然后利用基于网格搜索算法(GS)优化后的SVM模型对预测出的油中溶解气体进行诊断。运行结果表明,该模型的预测准确率可达89.66%,而利用GM–SVM、ARIMA–SVM和GA–ARIMA–ANN得到的预测准确率分别为58.62%、79.31%、75.86%。因此,所提出模型有更高的预测准确率。     

基于HSMM的故障识别方法研究

机械设备的故障识别方法能提供设备运行状态的实时信息,为避免生产损失和减少设备的致命故障提供保障具有重要意义.提出了一种基于隐半马尔可夫模型(HSMM)的故障识别方法.HSMM在已定义的隐马尔可夫模型的结构上加入高斯概率分布函数来表现各状态的驻留时间,比较符合设备故障发展的规律,具有较强的建模和时序分析能力,适合于复杂动态系统的故障识别问题.本文以滚动轴承为对象,通过小波分解提取滚动轴承振动信号的小波尺度熵,建立信号的特征向量集,然后训练得到各个状态的HSMM模型,最后建立基于HSMM的状态分类器,对滚动轴承的正常及不同的故障状态进行了识别试验,结果表明该方法有效可行.     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。     

功率变换电路电解电容器故障预测方法研究

本文对功率变换电路中电解电容故障预测方法进行了研究,提出了一种基于快速傅立叶变换(FFT)与最小二乘支持向量机(LS-SVM)相结合的故障预测方法。通过对电解电容失效机理进行研究,建立其等效电路故障模型,并选择等效串联电阻(ESR)作为寿命特征参数、输出纹波电压和电容电流作为监测信号;通过FFT对监测信号进行频域分析,计算ESR;利用LS-SVM对ESR回归建模、预测。将提出的方法应用于Buck电路,对电解电容的故障进行预测。实验结果表明,该方法可以准确的对电解电容故障进行预测。     

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法.阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法(MG.CACO)对SVM核函数的参数进行了优化.同时介绍了基于MG.CACO算法的支持向量机技术的设计思想和特点.并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性.