基于粒子群优化PCA-LSSVM算法的高压断路器机械故障诊断研究

为了对高压断路器操作机构进行故障诊断,提出了基于粒子群优化的PCA-LSSVM算法模型（PCA-PSO-LSSVM）,该模型的输入为高压断路器操作机构分合闸线圈电流曲线上的5组特征点,输出为1—5的故障类别。对某台高压断路器进行故障模拟,建立了PCA-PSO-LSSVM算法模型,对测试的断路器操作机构进行故障分类。结果表明,基于粒子群优化的PCA-LSSVM算法能够准确地对高压断路器操作机构进行故障分类。将PCA-PSO-LSSVM算法和多种基于SVM的故障诊断算法进行比较,比较结果表明：在综合考虑了算法准确率和运算时间的基础上,PCA-PSO-LSSVM算法是几种算法中最优的。     

基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机（SVM）的输入数据,并采用粒子群算法（PSO）对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于改进的PSO-SVM法的大坝安全非线性预警模型研究

针对常用的大坝安全预警模型存在的不足,将改进的粒子群(PSO)算法与支持向量机(SVM)相结合,建立了基于改进的PSO-SVM法的大坝安全非线性预警模型,即利用粒子群算法对支持向量机模型的参数进行寻优,同时为防止粒子群寻优过程陷入局部最优点,引入了位置因子和速度因子,并通过实例应用做了比较。结果表明,改进后的模型有效摆脱了粒子群陷入局部最优点,且具有更好的非线性拟合能力和泛化能力,可用于复杂大坝安全非线性预警建模。     

基于支持向量机和果蝇优化算法的循环流化床锅炉NO_x排放特性研究

为了控制循环流化床(CFB)锅炉的NOx排放量,以某热电厂300MW CFB锅炉测试数据为样本,应用支持向量机(SVM)建立NOx排放特性预测模型.针对SVM回归预测需要人为确定相关参数的不足,应用果蝇优化算法(FOA)优化SVM参数,采用不同工况下的样本数据检验FOA-SVM模型的预测性能,并将该模型的预测结果与粒子群算法(PSO)、遗传算法(GA)和万有引力搜索算法(GSA)优化的SVM模型预测结果进行了比较.结果表明:FOA-SVM模型的泛化能力较强,预测精度较高,训练时间较短,可以相对快速、准确地预测NOx排放质量浓度.     

基于云粒子群优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。     

遮阴条件下光伏MPPT自适应粒子群算法优化

针对在局部阴影情况下光伏阵列的功率-电压（P-U）特性曲线呈多峰特性,粒子群算法应用于局部阴影下的最大功率点跟踪（MPPT）跟踪,存在搜索速度慢、精度低的缺点。提出自适应惯性权重粒子群优化（PSO）算法的最大功率点跟踪算法,自动更新惯性权重w和学习因子C₁、C₂,通过仿真实验,优化前的全局最大功率点（GMPP）跟踪时间是0.045 s,输出功率为468 W。优化后的自适应粒子群算法GMPP跟踪时间为0.020 s,输出功率稳定在为480 W,光伏阵列的输出功率跟踪误差小于30%。在所搭建辐照度突变模型仿真中,在4.022 s突变到300 W/m²时经过0.05 s又重新跟踪到了新的最大功率点稳定在0.075 MW。最后通过实验平台验证,优化后的自适应粒子群优化算法与传统的粒子群优化算法相比,追踪时间减少了55.5%,误差小于5%,验证了该算法可行性和实用性。     

PSO及SM-PSO算法在Jensen模型参数求解中的应用

针对传统的求解Jensen 模型敏感指数的回归分析法（LR）存在的有偏估计和拟合精度不高等问题,利用粒子群算法（PSO）和单纯形法—粒子群算法（SM-PSO）分别对模型的敏感指数进行求解并与传统方法进行对比。结果表明,回归分析法、PSO算法和SM-PSO算法所得模型计算的相对产量与实际相对产量的平均相对误差分别为3.1%、1.8%和1.4%,说明PSO算法和SM-PSO算法均优于传统算法,尤其是SM-PSO算法收敛速度更快、拟合精度更高,是一种有效的求解Jensen 模型敏感指数的方法。     

基于PSO-SVM模型的面板堆石坝堆石料参数反演分析

针对常用的参数反演分析法存在的不足,将粒子群算法(PSO)与支持向量机(SVM)相结合来对堆石料参数进行反演,即先利用粒子群算法优化支持向量机,再利用优化后的支持向量机进行参数反演分析,借助Matlab中相关工具箱编制了相应的程序,建立了基于PSO-SVM的堆石料参数反演模型,并通过大量实测数据进行训练和测试。结果表明,基于PSO-SVM的堆石料参数反演模型可行、有效。     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

PCA-PSO/GS-SVM组合方法在风电齿轮箱故障预测中的应用研究

在标准支持向量机(SVM)的基础上,引入主成分分析法(PCA)、粒子群算法(PSO)以及网格算法(GS),构建针对风力机故障的PCA-PSO/GS-SVM组合预测模型。相对于标准SVM,该模型采用PSO以及GS算法寻优参数,能够更准确地建立各变量间的相关关系以提高模型的预测准确性。以中国北方某风场2 MW风电齿轮箱在2017年上半年某2个月的SCADA监测数据为例进行分析。结果表明,对于以齿轮箱输出功率为例的骤变信号的预测,采用PSO算法寻优后的绝对误差均值是采用GS算法的3.0647倍,而对于以高速侧轴端温度为例的缓变信号的预测,则采用PSO算法更加合理;同时发现剔除训练样本数据中的奇异点能够有效提高模型的预测精度及其泛化能力。     

基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert-Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机(SVM)的输入数据,并采用粒子群算法(PSO)对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于多类支持向量机的变压器故障诊断模型

针对现有支持向量机诊断模型构造复杂、参数设计困难等问题,建立了基于多类支持向量机的变压器故障诊断模型,并提出一种实用的支持向量机参数寻优方法。该方法结合网格搜索,对训练样本进行分组交叉验证寻找给定范围内的最优参数,有效地解决了支持向量机的参数设计难题。实例计算表明,基于参数寻优建立的多类支持向量机模型在保证很高的故障分类正确率的同时,大大降低了二值支持向量机分层组合模型的构造及参数设计的复杂程度,具有很好的实用性和推广性。     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

考虑控制链路延时的风电场经MMC-HVDC并网系统稳定性分析及提升策略

柔直换流站的双闭环控制结构易引发链路延时导致系统失稳,基于小信号稳定性分析,提出基于改进粒子群（PSO）算法控制器参数优化的稳定性提升策略。首先,建立考虑链路延时的d-q旋转坐标系下68阶详细状态空间模型,并利用时域仿真模型进行验证。其次,基于特征根分析控制链路延时对系统稳定性的影响,获取风电场侧换流站双闭环控制器链路延时作用影响系统稳定性的特性,通过参与因子法筛选出影响系统稳定性的控制器参数。最后,以阻尼比和特征根到虚轴的距离为优化目标,提出基于改进PSO算法的稳定性提升策略。结果表明所建立考虑控制链路延时稳定性分析模型和稳定性提升策略的有效性,且在系统控制链路延时较长情况下,稳定性提升效果较为显著。     

基于粒子群优化的锅炉汽包水位模糊PID控制

结合粒子群优化算法、模糊控制和PID参数自整定方法,设计一种新型自适应模糊PID控制器。采用粒子群优化算法离线优化PID控制器参数,再利用模糊控制器在线对PID参数进行整定。Simulink-~件模型仿真对比表明：控制方法具有调节精度高、