基于支持向量机和粒子群算法的信息网络安全态势复合预测模型

提出一种基于支持向量机和粒子群算法的网络态势复合预测模型。模型使用滑动窗口方法将各原始离散时间监测点的安全态势值构造成部分线性相关的连续时间序列,以其作为安全态势数据样本集对支持向量机加以训练,生成预测模型。在支持向量机训练过程中,利用粒子群算法搜寻支持向量机的最优训练参数,以降低支持向量机参数选择的盲目性,提高预测精度。最后通过基于大量电力企业信息网络现场安全监测数据的实验,验证了复合预测模型的有效性。     

基于改进多分类算法和相关向量机的电力变压器故障诊断方法

针对电力变压器故障诊断问题实际特点和支持向量机方法的条件限制,提出一种基于改进多分类算法和相关向量机的智能故障诊断方法。该方法综合标准一对一和一对余多分类算法的结构特点,改进现有一对一算法的最大投票策略,提出一种全新的两层最大投票策略,并在此基础上将k类多分类问题转化为k(k-1)/2个三分类子问题,最终设计出一种一对一对余的改进多分类算法;同时在三分类子问题上,采用综合性能较支持向量机更为优异的相关向量机作为二类分类器,并基于一对一算法完成三分类,进而实现k类多分类。电力变压器故障诊断实例结果和理论分析表明,该智能故障诊断方法具有以下明显优势:可有效提升诊断正确率5%以上,可剔除绝大部分无效投票从而优化投票结果,可显著增强样本诊断可信度水平,可提高识别未知故障类型精度20%以上,并具有诊断多重故障类型性能。     

基于结构化特征图谱的组合支持向量机非侵入式负荷辨识

非侵入式负荷监测是获取负荷数据、实现负荷感知的有效途径。为了使非侵入式负荷监测过程具有通用性和实用性,在不干扰用户情况下自动执行流程并达到高辨识精度,研究了一种结构化特征图谱下的组合支持向量机辨识方法。构建典型负荷的特征图谱将变化无序的波形数据转化为结构化特征数据,使其具有通用性与可分性。在结构化特征图谱基础上,研究构建典型负荷的支持向量机分类器模型,在基分类器基础上形成每类负荷的组合支持向量机分类器,利用“集弱成强”思想保证每类组合分类器具有高分类准确率,从而实现准确的负荷辨识。在构建形成通用的图谱与分类器模型基础上,即可通过事件波形提取、波形数据结构化及分类器判决的处理流程实现实时的非侵入式负荷辨识。通过实际采集的负荷数据进行验证,构建了典型负荷的特征图谱,基于组合支持向量机模型对多户的采集数据进行分类判决,对不同用户的负荷数据均达到了高准确率辨识,验证了该方法具有较好的通用性与有效性。     

基于超球球心间距多类支持向量机的滚动轴承故障分类

为了降低滚动轴承故障智能分类的训练时间并提高分类精度,提出了一种滚动轴承正常、内、外环故障及不同故障严重程度的多状态分类方法。该方法首先采用峭度值结合相关系数法确定集合经验模态分解结果中包含主要状态信息的固有模态函数;再将其组成特征矩阵,利用奇异值分解所得奇异值作为特征向量;最后在采用改进分类规则的超球多类支持向量机分类时,提出由各状态超球球心间距中的最值来确定多类分类器核参数的选取范围,缩小选取区间,最终实现滚动轴承的多状态分类。实验结果表明,提出的滚动轴承多状态分类方法可以减少分类器的训练时间,提高分类精度。     

采用改进最小闭包球向量机的电力信息网络入侵检测方法

为降低电力信息网络入侵检测的检测误差和检测耗时,提出一种基于改进最小闭包球向量机(minimum enclosing ball vector machine,MEBVM)的入侵检测方法。该方法将入侵检测抽象成多分类问题,通过改进MEBVM对历史数据样本的训练学习来得到入侵检测模型。改进MEBVM利用最小闭包球降低检测耗时,并在训练过程中利用粒子群优化算法动态搜索MEBVM的最优训练参数以降低入侵检测模型误差。最后基于电力信息网络现场数据的实验证明,该方法与传统方法相比具有更高的检测精度和更少的检测耗时。     

基于支持向量机多分类方法的模拟电路故障诊断研究

基于统计学习理论结构风险最小化原则和VC维理论的支持向量机对小样本决策具有较好的学习推广性。由于基本支持向量机算法最初是针对两分类问题推导出来的，在解决故障诊断这种典型的多类分类问题时存在困难。针对模拟电路故障诊断问题，在分析比较支持向量机“一对多”和“一对一”多分类算法的基础上，构建改进的串行支持向量机多分类方法，并依据该算法建立了多故障分类器。将其应用于典型的电源电路故障诊断，仿真试验结果证明了该方法的有效性。     

基于误差分类的分布式光伏超短期功率预测

针对分布式光伏系统,使用相关系数确定功率预测模型的样本输入,在没有天气预报,仅依靠天气数据和功率输出的历史记录信息的情况下,采用支持向量机建立了超短期功率预测模型.通过离线的权重系数寻优和基于误差分类的分类器设计,筛选出支持向量机的训练样本,使得建立的模型能够充分反映光伏输出功率的变化规律.实验结果表明,该模型能够获得较高的预测精度,预测样本的分类能够在实际值未知的情况下根据分类结果判断预测值的可信度.     

基于粒子群算法的决策树SVM多分类方法研究

针对SVM多分类问题提出了一种基于粒子群算法的最优决策树SVM生成算法,以解决传统支持向量机多分类方法存在的不可分区域和误差积累现象。该方法利用自变异的PSO聚类算法在每一决策节点自动寻找最优或近优分类决策,将数据集划分为两类,直至叶子节点为止,最终根据最优决策树构建SVM多分类结构,训练各个节点SVM分类器。将该算法应用于图像人群密度分类问题,仿真实验表明,分类精度和分类时间得到明显改善,是一种有效地的多分类算法。     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型.该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位.经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率.     

一种基于M-ary支持向量机的功率变换器故障分类方法

针对功率变换器开关管的故障诊断和定位问题,提出了一种基于遗传算法优化的M-ary支持向量机故障分类方法。该方法以类内类间距离为判据,通过遗传算法来确定与故障本身有关的较优故障编码,然后建立优化后的M-ary支持向量机模型来对功率变换器进行故障诊断和定位。仿真和物理实验结果表明,基于遗传算法优化后的M-ary支持向量机与标准M-ary支持向量机相比,具有更高的诊断精度;与常用的一对一支持向量机和一对多支持向量机相比,需要的子分类器数目少,诊断速度快。