应用贝叶斯框架的LS-SVM概率输出诊断电力变压器故障

针对传统最小二乘支持向量机（LS-SVM）分类器的参数选择具有随意性和不确定性等不足,采用贝叶斯推断方法、通过3级分层推断优化来确定最小二乘支持向量机的各参数,有效提高了最小二乘支持向量机的建模效率。结合最小二乘支持向量机的后验概率输出,可将其运用到变压器故障诊断中。仿真结果表明：该方法能有效地诊断电力变压器故障,且诊断精度和建模效率均优于传统的最小二乘支持向量机方法。     

基于贝叶斯框架的LS-SVM中长期径流预报模型研究

为解决最小二乘支持向量机模型采用交叉验证方法确定模型参数耗时较长的问题,将贝叶斯证据框架理论用于最小二乘支持向量机模型参数的优选.选用径向基核函数,建立了中长期径流预报模型.采用岷江紫坪铺水文站1937～2007年的年径流资料进行模型的预测和检验,并与交叉验证方法优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较.研究结果表明,基于贝叶斯框架下的最小二乘支持向量机径流预报模型具有较好的预报精度.     

基于LS-SVM的电厂过热汽温系统建模

针对电厂过热汽温控制中存在大滞后和强非线性的特点,采用最小二乘支持向量机方法建立过热汽温系统模型并给出基于贝叶斯证据框架的LS-SVM的参数选择方法。在第一推断准则选择模型参数,第二推断准则选择模型超参数,第三推断准则选择模型的核参数。仿真结果表明该模型具有灵活的结构,较快的计算速度以及很好的泛化能力。     

基于贝叶斯最小二乘支持向量机的电池SOC预测

针对混合动力汽车电池电能容量判别问题,将最小二乘支持向量机方法应用于混合动力汽车电池荷电状态的预测。考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响,提出了基于贝叶斯证据框架优化的最小二乘支持向量机预测方法。通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中。将电池的工作电压、工作电流和表面温度参数用来预测蓄电池的荷电状态实时值,在美国城市动态驱动工况(UDDS)条件下进行实验验证,结果表明:所设计预测模型具有较高的精度,能够实时准确地预测出SOC值,实用性强,有效性高。     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

利用粒子群优化最小二乘支持向量机诊断H桥功率模块IGBT故障

为了提高H桥功率模块中IGBT故障诊断的准确性,提出将粒子群优化最小二乘支持向量机用于H桥功率模块中IGBT故障诊断。分析了功率模块中可供采集的信号,将H桥直流侧电容电压作为故障的原始信号。通过小波多分辨率提取故障特征。采用粒子群算法优化最小二乘支持向量机中的核函数和正则化参数。通过仿真实验表明,粒子群优化最小二乘支持向量与默认参数最小二乘支持向量机、粒子群优化支持向量机和遗传算法优化最小二乘支持向量机相比,诊断准确率高和诊断时间短等优点,具有很好的实用性。     

基于优化LS-SVM的电力系统实用动态安全域稳定裕度拟合

采用最小二乘支持向量机回归模型构造电力系统动态安全域的稳定裕度拟合器,并分别采用粒子群优化算法和多层动态自适应搜索技术选择最小二乘支持向量机的参数,对系统既定故障下运行点的临界切除时间进行在线拟合并计算出稳定裕度的平均相对误差.以EPRI36节点模型为算例进行仿真计算,并将两种参数优化方法与贝叶斯框架理论自动优选方法得到的结果进行比较,仿真结果表明这两种方法能提高拟合的精度,具有一定的实用价值.     

结合改进PSO算法和LSSVM的化工异常工况超早期监测预警研究

针对化工过程采样间隔短、动态性强,短期参数预测不能有效地为现场人员提供充足的操作时间,提出了结合改进粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的异常工况超早期监测预警方法。采用最小二乘支持向量机对归一化处理后的过程数据进行训练,利用改进的粒子群优化算法对最小二乘支持向量机中的核参数和惩罚因子进行快速精确地全局寻优,得到优化的预测模型。在丙烷塔的超压异常工况超早期监测预警案例分析中,能够准确地对未来500 s内的过程数据进行预测,并比DCS系统提前40 s发出异常报警,相比于最小二乘支持向量机预测模型和标准粒子群优化的最小二乘支持向量机预测模型,所提方法有效降低了预测误差。     

基于最小二乘支持向量机的风功率短期预测

为了减小风力发电的随机性对电力系统的影响,提出了一种基于最小二乘支持向量机的风功率短期预测模型。在研究最小二乘支持向量机的基础上,为解决最小二乘支持向量机建模时其参数对预测性能影响,运用粒子群算法对参数进行优化,最后建立了基于粒子群优化最小二乘支持向量机的预测模型。运用某风电场的实测数据进行仿真研究,为了对比分析,同时利用E1man神经网络模型和支持向量机模型进行了预测,仿真结果表明,本文所提方法与其它方法相比预测精度更高,可以有效地应用于风功率的预测。     

改进粒子群算法和最小二乘支持向量机的电力负荷预测

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(IPSO-LSSVM)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,IPSO-LSSVM可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。     

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。     

结合D-S证据推理的贝叶斯网络法在配电网可靠性评估中的应用

D-S证据理论的不确定推理方法,能够很好地处理具有模糊和不确定信息的合成问题。本文针对配电网可靠性评估中原始参数的不完整或者主观性参数对评估结果的影响,将D-S证据推理方法与传统的贝叶斯网络法相结合,进行配电系统的可靠性评估。通过构造信任函数、似然函数和多状态的节点模型,建立改进的贝叶斯网络模型。该方法很好地解决了由于信息的不完整和不确定对可靠性评估结果造成的影响,减少了传统可靠性评估方法对设备原始参数的依赖性,更加客观地反映了系统的可靠性。通过实例分析,验证了该方法的有效性。     

遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机的非线性磁链特性,用最小二乘支持向量机(least square support vector machine,LSSVM)与自适应遗传算法相结合的方法精确构建开关磁阻电动机的磁链模型。在最小二乘支持向量机通过采样数据训练模型的过程中,用自适应遗传算法评价拟合误差,优化LSSVM模型的超参数,进而优化开关磁阻电机的磁链模型。通过比较该模型的预测数据与实际测量数据,可以得出用自适应遗传算法优化的最小二乘支持向量机构建的开关磁阻电机模型是可行的,有较高的精度和较好的预测能力。     

Chaotic system identification using Wiener‐LSSVM model

In this paper, a new method is proposed for identifying chaotic system based on a Wiener‐least squares support vector machine (Wiener‐LSSVM) model. The model consists of a linear dynamic subsystem followed by a static nonlinear function, which is represented by LSSVM in this paper. The parameters of the linear dynamic part and those of LSSVM are estimated simultaneously by solving a set of linear equations using the least squares (LS) method. The proposed method incorporates partial structure information into the identification process and does not assume that the parameters of linear dynamic part are known. On the other hand, the LS algorithm is more efficient than gradient‐descendent‐based algorithms for estimating the parameters of Wiener‐LSSVM. Three identification examples are given to validate the effectiveness of the proposed method. © 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于LSSVM的光伏最大功率点跟踪算法研究

为了实现光伏电池的最大功率点跟踪（Maximum Power Point Tracking,MPPT）,在分析现有方法的优缺点基础上,提出了一种基于最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）的MPPT实现方法。为证明该方法的有效性,在Matlab/Simulink中,搭建了光伏电池仿真模型,分析了光伏电池的输出特性。结合LSSVM工具箱,采用交叉验证方法实现LSSVM的参数寻优,并对LSSVM用于MPPT的方法进行了仿真。仿真结果表明,该方     

基于PSOEM优化LSSVM的接地网腐蚀预测研究

1. 三峡大学 电气与新能源学院， 湖北 宜昌　443002； 2. 国网荆门供电公司，湖北 荆门　448000     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于主观贝叶斯方法的电力系统故障诊断

提出将主观贝叶斯方法应用到电力系统故障诊断中,并与贝叶斯网络方法相结合,既克服了贝叶斯网络方法参数难以获得的问题,又发挥了贝叶斯网络在推理方面的优势.在用主观贝叶斯方法进行推理计算时,对贝叶斯网络进行了2步合理的简化,使得算法更为简单高效.针对故障诊断中的不完备信息情况,应用了证据的不确定性推理和比较异常事件数2种方法.在应用比较异常事件数的方法时,为解决大量信息缺失时出现的组合爆炸问题,对贝叶斯网络进行了分层,提出利用已有的继电保护信息推断缺失信息状态、删除不重要的缺失信息等规则,明显减少了计算量.大量算例表明了该方法的合理性和实用性.