磁悬浮开关磁阻电机逆动力学建模与控制

针对磁悬浮开关磁阻电机这一多变量、非线性、强耦合系统解耦控制时逆动力学模型难以获取的问题,提出一种基于最小二乘支持向量机的逆动力学建模与解耦控制方法.介绍磁悬浮开关磁阻电机工作原理,给出悬浮力和转矩的动力学模型,分析模型的可逆性.在此基础上,结合最小二乘支持向量机拟合与逆模解耦线性化特点,研究磁悬浮开关磁阻电机的最小二...     

基于遗传算法和最小二乘支持向量机的风电场超短期风速预测*

考虑到风电场风速的非平稳性、非线性特征及风电场风速实测数据存在异常现象,提出利用改进小波变换方法对风速序列数据进行分解与降噪处理,以降低其不稳定性.针对最小二乘支持向量机算法在参数确定依赖人为因素的缺陷,提出一种采用遗传算法对最小二乘支持向量机模型的惩罚系数和核函数参数进行寻优,构建基于遗传算法和最小二乘支持向量机的超短期风速组合预测模型,对小波变换分解后的各子序列数据分量进行预测,并将各子序列的预测结果叠加进而获得超短期风速的预测值.最后,通过算例验证了所提模型及方法能有效提高超短期风电场风速的预测精度.     

基于最小二乘支持向量机的电能质量扰动分类方法

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法。对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别。与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果。仿真实验验证了该方法对扰动分类的有效性。     

最小二乘支持向量机在电能质量扰动分类中的应用

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法.对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化:最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别.与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果.仿真实验验证了该方法对扰动分类的有效性.     

基于支持向量机的逆变器控制策略的研究

针对逆变器系统的本身特点,提出一种基于最小二乘支持向量机的前馈学习控制策略,该控制结构由前馈控制和反馈控制两部分组成,在该控制算法中,利用最优控制理论来整定PID控制器的参数,并采用最小二乘支持向量机作为前馈学习控制系统中的函数逼近器来建模逆变器的逆动态,仿真实验表明所设计的控制策略有效地提高了逆变器的抗负载干扰的性能.     

基于SVM的集成预测方法及其在水电机组故障诊断中的应用

针对水力发电系统的非线性及非平稳性特点，提出一种基于小波变换和支持向量机（SVM）的集成预测方法，用于水电机组状态趋势分析。采用小波变换将非平稳时间序列分解成若干个具有较强规律性的子序列，然后采用合适核函数的最小二乘支持向量机（LS-SVM）方法分别对这些子序列进行预测，最后综合这些子序列的预测结果作为原始序列的预测值。将该集成方法应用于某水电机组振动峰峰值的预测，结果表明该集成方法的预测性能优于单一LS-SVM方法。     

用LS-SVMs分析油浸式变压器故障

鉴于支持向量机法可较好地解决小样本、非线性、高阶动态系统的检测、分类、诊断等领域的一类实际问题,为改进变压器的故障诊断方法,采用分层决策最小二乘支持向量机作为油浸式变压器故障分类器,利用多层动态自适应优化算法优化了径向基核函数δ,惩罚参数c。采用最少特征量—4种气体作为故障识别的依据,用4级支持向量机进行训练和诊断,以此判断油浸式变压器运行所处的状态。最小二乘多级支持向量机分类器克服了神经网络存在大量的学习样本又易陷入局部极小值等缺点,具有所用特征量少,训练时间短,诊断准确率高等优点。     

多核自适应迭代LSSVR的模拟电路性能评价策略

针对模拟电路的性能评价问题,运用标准支持向量回归机,结合自适应技术的优越性,利用迭代算法改善传统最小二乘支持向量回归的支持向量稀疏性问题,提高训练响应速度.同时采用多径向基核函数以实现核宽度在线调整的灵活度,进一步提高支持向量数目确定的精简性.给出了基于多核自适应迭代最小二乘支持向量回归法的设计思想及构造步骤.实验以高校模拟电路实验为依托,采用近两年内由精密仪器设备测评所得的小功率放大器的8项技术指标构建训练集,进行多核自适应迭代最小二乘支持向量回归评价.实验表明,所提出的方法性能优于传统最小二乘支持向量回归法及ε-SVR法,与精密仪器性能评价结果较为接近,且运算速度优.     

基于最小二乘支持向量机控制器的研究

阐述了支持向量机与最小二乘支持向量机的特点,设计了基于最小二乘支持向量机的控制器,该控制器构成的系统学习与泛化能力强、抗干扰效果好,并利用垃圾焚烧炉的估计模型进行了仿真.仿真结果表明,该方法抗干扰效果好,适应性强.     

在线无偏置LSSVM逆模型和PID的自适应复合控制

针对可逆非线性系统,结合逆控制与PID控制设计了一种自适应复合控制.将在线无偏置最小二乘支持向量机(ONB-LSSVM)用于系统的逆建模以提高逆模型的逆动态特性跟踪能力.在每个控制周期,控制信号南逆控制量与PID控制量按合成,合成比例自动调节.逆控制在高频段发挥较大作用,PID控制在低频段发挥较大作用.因此,该控制方法...     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值（WSV）和支持向量机（SVM）的电力系统故障类型识别的新方法。利用WSV来量化故障特征,再与SVM结合进行故障类型识别。对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别。仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性。SVM具有训练样本少、训练时间短、识别率高等优点。     

基于粗糙集理论和最小二乘支持向量机的中长期负荷预测

根据电力系统中长期负荷预测的特点,提出了粗糙集理论与最小二乘支持向量机相结合的预测方法。应用粗糙集理论对影响负荷的众多因素进行约简,得到与负荷关系最为密切的核心因素,将其作为最小二乘支持向量机的输入矢量进行预测。实际算例分析表明,该预测模型符合中长期负荷预测的特点并具有较高的精度,方法是可行和有效的。     

基于免疫加权支持向量机方法的短期负荷预测

在对支持向量机（SVM）方法进行分析的基础上，提出了一种免疫加权支持向量机（IWSVM）方法来预测电力系统短期负荷。其中根据各样本重要性的不同，引入了加权支持向量机方法，然后利用免疫规划算法对其进行参数优化。免疫规划算法利用浓度和个体多样性保持机制进行免疫调节，有效地克服了未成熟收敛现象，提高了群体的多样性。电力系统短期负荷预测的实际算例表明，与支持向量机方法相比，所提免疫加权支持向量机方法具有更高的预测精度。     

电动车蓄电池荷电状态估计的支持向量机方法

结合电动车蓄电池容量判断问题,将支持向量机方法用于蓄电池荷电状态估计。针对蓄电池本身的非线性特性,使用核函数为非线性核的最小二乘支持向量机算法完成估计器的设计,得到了基于多项式核函数和径向基核函数的估计器。通过实验分析了两种核函数对估计器性能的影响。从实际应用出发,分析了如何合理简化估计器模型的复杂性。结果表明基于多项式核函数的估计器精度较低,但应用过程简单;基于径向基核函数的估计器精度较高,但其应用时需要存储部分训练数据,增加了应用的复杂性。具体应用可以根据实际环境,合理选择核函数,提高估计器的综合性能。     

基于粗糙集属性约简算法和支持向量机的短期负荷预测

结合粗糙集和支持向量机两种智能算法提出了短期负荷预测模型。首先根据历史数据建立属性决策表,通过属性约简算法对数据进行挖掘,找到影响负荷的核心因素,然后将它们作为支持向量机的输入矢量来预测负荷。算例结果表明,新模型与按经验选取输入矢量的传统支持向量机模型相比,预测精度有了很大的提高且更适用于短期负荷预测。     

Wavelet-based feature extraction and selection for classification of power system disturbances using support vector machines

This paper presents a new approach for the classification of the power system disturbances using support vector machines (SVMs). The proposed approach is carried out at three serial stages. Firstly, the features to be form the SVM classifier are obtained by using the wavelet transform and a few different feature extraction techniques. Secondly, the features exposing the best classification accuracy of these features are selected by a feature selection technique called as sequential forward selection. Thirdly, the best appropriate input vector for SVM classifier is rummaged. The input vector is started with the first best feature and incrementally added the chosen features. After the addition of each feature, the performance of the SVM is evaluated. The kernel and penalty parameters of the SVM are determined by cross-validation. The parameter set that gives the smallest misclassification error is retained. Finally, both the noisy and noiseless signals are applied to the classifier given above stages. Experimental results indicate that the proposed classifier is robust and has more high classification accuracy with regard to the other approaches in the literature for this problem.     

基于支持向量机混合模型的短期负荷预测方法

将支持向量机专家系统混合模型应用于短期负荷预测采用方法分为2个阶段:应用神经网络中的聚类算法将历史数据分割成不相连的数据域;对每个数据域选择最佳核函数预测单个SVMs。实际数据验证表明,该方法与单个多项式核、高斯核和3次样条核的SVMs预测相比具有预测精度高、支持向量少和计算量小等优点。     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。