基于支持向量机和噪声估计的宽带频谱感知方法

频谱感知技术是认知无线电的核心技术之一,由于未来无线通信技术的发展对高速数据通信的需求,使得宽带频谱感知技术成为目前研究的重点方向。由于宽频带带宽较宽不能直接将整个频段划分为占用或者空闲,需要对宽频带进行细分。将信号划分为多个子频带,通过预处理将多元分类问题转化成二元分类问题。为了降低频谱感知的算法复杂度,提出了基于噪声估计（estimation of noise,EN）和支持向量机（support vector machine, SVM）的频谱感知算法,该算法利用检测性能较好的慢速感知算法作为噪声估计,再使用算法复杂度低的快速感知算法结合噪声估计的信息进行频谱感知。实验结果表明,在低信噪比下,该算法较传统的方法其检测性能有着明显的提高,在信噪比为-10 dB的无线环境中能够完全识别各个子信道的使用情况。     

基于随机共振和支持向量机的频谱感知

认知无线电是一门新技术,它的目标实现用户的动态频谱接入,提高频谱的使用效率。频谱感知是认知无线电的基础,它的作用是感知频谱空洞,实现对主用户无干扰接入。频谱感知需要在极低信噪比下有较好的感知性能,才能保证感知用户在不影响主用户通信的情况下进行通信。即使在较低的信噪比条件下,它也需要较高的检测性能。提出一种对信号进行双稳态随机共振和特征识别的方法,首先信号先通过随机共振系统以提高信噪比,然后使用FAM算法将信号的循环谱特征提取出来。最后使用支持向量机(SVM)对特征进行模式识别。实验结果表明,在低信噪比下本方法相比传统的能量检测和SVM方法具有更高的检测可靠性。     

基于PSO混合核函数SVM对光伏最大功率点的预测研究

针对传统的光伏最大功率点跟踪算法存在成本高,精度低的问题,进而采用混合核支持向量机算法尝试解决这一难题。通过研究分析高斯核函数与多项式核函数的特性,线性加权高斯核函数与多项式核函数,构造混合形式的支持向量机模型,并使用粒子群算法优化模型参数,对光伏最大功率点电压进行预测。实验分析表明,混合核函数结合了两个单核的优点,兼顾支持向量机全局拟合能力与局部拟合能力。非线性函数预测精度优于单核模型,泛化能力高,训练时间少,平稳性好。     

基于模糊C均值聚类和改进相关向量机的变压器故障诊断

为了提高电力变压器故障诊断准确率和单一相关向量机核函数存在的固有二分类属性及对预测分类鲁棒性弱的问题,提出基于模糊C均值聚类和改进相关向量机的变压器故障诊断模型。首先对样本进行模糊C均值聚类,然后再采用相关向量机的完全二叉树结构进行划分。相关向量机核函数采用组合高斯核函数和多项式核函数构造的混合核函数,并利用双子群果蝇算法对混合核函数参数进行优化。实验表明,相比单核函数、粒子群算法优化混合核函数参数,所提方法准确率高、稳定性好,同时分类速度快,满足实时在线故障诊断。     

基于粗糙集的混合支持向量机长期电力负荷预测研究

影响中长期负荷因素众多,而且单一核函数支持向量机泛化或学习能力较弱,预测精度受限.提出一种结合粗糙集和支持向量机智能算法的负荷预测模型,通过属性约简算法筛选出影响长期电力负荷的核心影响因素,剔除冗余信息,选定全社会用电量、人均产值、产值单耗为输入变量,构建基于多项式核函数、径向基核函数的混合核函数支持向量机预测模型,有效提高函数的泛化及学习能力.算例结果表明,所提出的模型预测平均误差仅为0.59%,预测精度有了很大提高且适用于长期负荷预测.     

基于粗糙集的混合支持向量机长期电力负荷预测研究

影响中长期负荷因素众多,而且单一核函数支持向量机泛化或学习能力较弱,预测精度受限。提出一种结合粗糙集和支持向量机智能算法的负荷预测模型,通过属性约简算法筛选出影响长期电力负荷的核心影响因素,剔除冗余信息,选定全社会用电量、人均产值、产值单耗为输入变量,构建基于多项式核函数、径向基核函数的混合核函数支持向量机预测模型,有效提高函数的泛化及学习能力。算例结果表明,所提出的模型预测平均误差仅为0.59%,预测精度有了很大提高且适用于长期负荷预测。     

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。     

配电网谐波源定位的支持向量机估计算法

使用一种简化的方法确定谐波监测点的位置。该方法基于电路网络拓扑分析,通过计算母线谐波电压相对注入谐波电流变化的敏感因子,确定谐波监测点的位置;利用谐波监测点的实时数据,建立基于支持向量机算法的谐波源定位估计器,实现谐波源的位置估计。谐波源定位估计器通过基于支持向量机算法进行设计。对线型估计器、基于多项式核函数以及径向基核函数的估计器进行了比较,实验结果表明,基于径向基核函数的非线性支持向量机估计器具有更高的估计精度,且能够较准确地判定谐波源的位置。     

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.     

基于高阶累积量的暂态电能质量扰动分类研究

为提高暂态电能质量扰动分类识别的精度,提出了一种基于高阶累积量与支持向量机的暂态电能质量扰动信号的分类识别算法。该算法利用高阶累积量提取脉冲暂态与振荡暂态2类扰动的3阶与4阶统计特征,并选取各阶统计结果中的极大值个数、极小值个数以及最大值、最小值共8个特征量作为支持向量机的输入。利用Matlab产生仿真数据对此方法进行了仿真验证,结果表明,高阶累积量可以有效表征暂态扰动特征,且受噪声影响小;结合支持向量机可有效分类识别这2类暂态扰动,在训练样本为50组,核函数选择为线性核函数时,识别率可达到99%;当混合有其他扰动分量时,该方法也有效。     

基于复Gaussian小波SVM的短期负荷预测

提出了复Gaussian小波SVM模型,并将其应用于对电力系统短期负荷的预测。证明了复Gaussian小波核满足SVM平移不变核条件,建立了相应的SVM,并且使用搜寻者优化算法对相关参数进行优化选择。在短期负荷预测的仿真实验中,通过与常用的径向基核SVM模型的对比,验证了该方法具有较好的精确度和有效性,有一定的实用价值。     

基于复合核 SVM 的智能电表基本误差预测方法

智能电表作为电网的终端设备,其退化情况与工作环境、运行时间等因素密切相关.针对复杂变量条件下智能电表退化情况难以预测的问题,提出一种基于复合核支持向量机(support vector machine,SVM)的智能电表基本误差预测方法.首先对智能电表退化数据进行分析,采用皮尔逊相关性分析找出与智能电表基本误差相关性极强的环境变量.然后,为进一步提取数据退化特征,采用模糊C均值聚类算法对智能电表退化数据进行聚类,确定退化特征向量.最后,基于高斯径向基核函数与多项式核函数构造一种新的复合核SVM模型用以预测智能电表基本误差.结合新疆地区智能电表退化数据对复合核SVM模型性能进行验证,实验结果表明,复合核SVM模型可以准确预测复杂环境下智能电表的基本误差,其预测准确率高于贝叶斯方法、神经网络方法以及经典SVM方法.     

RBF-SVM的核参数选择方法及其在故障诊断中的应用

基于核理论的SVM中,RBF核函数应用最广,是一个普适的核函数,但其参数的选择却没有固定方法。鉴于此,本文首先分析了现有核函数参数优选算法的不足;然后在SVM网络结构分类原理的基础上提出了基于数据最大方差-关联度准则的核参数选择算法,并结合粒子群算法建立了RBF核参数的自动优选流程。将其用于模拟电路故障诊断实验,证明了所提方法具有参数选择准确、简单快速等优点,优选得到的核参数提高了故障诊断率。     

基于支持向量机的电力负荷组合预测模型

给出了一种基于支持向量机(SVM)的组合预测模型,利用各种方法的预测结果作为SVM的输入,实际负荷值作为SVM的输出,并采用LIBSVM算法和径向基核函数对SVM进行训练,训练后的SVM便具有预测能力。最后的仿真结果表明,基于SVM的组合预测模型的预测精度不仅高于任一单一模型,且高于固定权系数组合预测模型。     

实现影响因素多源异构融合的短期负荷预测支持向量机算法

针对智能电网大数据环境下,导致电力系统负荷波动的诸多因素存在多源异构性的问题,利用多核函数来对其多源异构特性进行差异化处理和融合,能够描述影响因素的内在分布特性并应对其变化,提高负荷预测精度。选取历史负荷、气温、气压、相对湿度、降雨量、风向、风速、节假日及电价9个属性作为多源异构影响因素,利用样本特征分布法、单变量法及核矩阵秩空间差异法来选择多核函数的构成,采用双层多核学习算法,建立了并行化多核支持向量机(SVM)负荷预测算法流程,并在Hadoop集群上进行了仿真验证。仿真结果表明,多核SVM比单核SVM预测平均相对误差小,双层多核学习、基于lp范数的多核SVM模型预测精度最高。因此,多核SVM能有效处理负荷预测中的多源异构数据,经并行化处理后,能提高负荷预测的速度与精度。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

基于SOM-SVM频谱感知算法

频谱感知技是认知无线电中的关键技术。本文提出了利用SOM SVM模型进行频谱分类的方法。SOM SVM模型是利用SOM的聚类特点,将含有相同特征的输入样本聚集在一起,并把离聚类中心较远的输入样本舍去。经过20%的样本压缩后,将含有代表性的小样本再送入SVM进行训练。本文的样本集通过实验平台采集,验证了基于支持向量机的频谱感知方法在实际数据测试条件下也能取得很好的感知性能。仿真结果表明,SOM SVM模型在低信噪比下,频谱检测率接近100%,检测错误率也得到了很好的改善。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于KPCA-WPA-SVM的变压器故障诊断模型

为提高变压器故障诊断的精度,文章提出一种基于核主成分分析(KPCA)和狼群算法(WPA)优化支持向量机(SVM)参数的变压器故障诊断方法。通过KPCA提取样本数据的非线性特征,并获得其主成分,再将其输入至高斯核SVM构成诊断模型,并利用WPA对SVM的惩罚因子以及核参数进行优化。实验结果表明,该方法诊断准确率达到93.33%,与传统SVM以及KPCA-SVM诊断模型相对比,具有更高的变压器故障诊断准确率。     

基于支持向量机的电力系统短期负荷预测

对将径向基函数(Radial Base Function,RBF)作为核函数的支持向量机(Supporr Vector Machine,SVM)方法应用于短期负荷预测进行了研究.作者使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了SVM网络结构;采用江苏省某市的实际负荷数据,按照不同的负荷日属性和历史负荷数据进行样本选择,使用LIBSVM算法和适当的核函数进行了负荷预测,并将该预测结果同由时间序列及BP神经网络方法得到的预测结果进行了比较,结果表明,所提出的预测方法有较高的精度.