基于LS_SVM高精度抑制局部放电信号窄带干扰的研究

在频域内抑制局部放电信号窄带干扰通常会造成局放信号能量损失。从时域出发,用最小二乘支持向量机拟合出一段窄带干扰信号,对其周期延拓得到测量时段内的全部窄带干扰信号,再将其从测量信号中减去,从而抑制了窄带干扰;讨论了最小二乘支持向量机嵌入维数对估算精度及参数（γ,σ）的影响。研究分析表明,本方法可有效抑制窄带干扰,窄带干扰越强、窄带信号频率与局放信号越接近,本方法优势越明显;合理选择嵌入维数可提高精度及参数鲁棒性。     

TLS-ESPRIT在局部放电窄带干扰抑制中的应用

针对局部放电信号的多态性以及利用混沌振子抑制周期性窄带干扰存在的不足,将一种阵列信号处理方法总体最小二乘-旋转矢量不变技术TLS-ESPRIT(total least squares-estimation of signal parameters via rotational invariance techniques)应用到局部放电信号窄带干扰抑制中。首先将含有窄带干扰的局放信号进行采样并形成HANKEL矩阵;再对HANKEL矩阵进行奇异值分解,划分为窄带干扰子空间与局放信号子空间,并判断是否存在窄带干扰及主要干扰的真实数目;最后通过TLS的二次消噪处理,改善周期性窄带干扰参数的提取精度。研究结果表明,该方法能够有效识别窄带干扰参数和有效处理多种形态的放电信号。     

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机(LS-SVM)的局部放电模式识别的方法.应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的例数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类.结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题.该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值.     

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机（LS-SVM）的局部放电模式识别的方法。应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的倒数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类。结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题。该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值。     

基于相空间重构和LSSVM的短期风速预测

为了提高短期风速预测精度,提出了一种基于最小二乘支持向量机的短期风速预测方法.首先采用复自相关法和互信息法计算延迟时间,采用伪最邻近点法和 Cao式法计算嵌入维数,使延迟时间和嵌入维数取值更合理.其次运用小数据量法计算混沌时间序列的最大 Lyapunov指数,G-P算法计算时间序列的关联维数,用以证明风速序列为混沌时间序列并确定支持向量.然后采用扩展记忆粒子群对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立 PSOEM-LSSVM 的短期风速预测模型.最后与其他几种风速预测模型对比,仿真结果表     

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。     

基于广义S变换与数学形态学的局部放电窄带干扰抑制方法

针对高压电力设备局部放电信号受周期性窄带干扰影响大的问题,提出了一种基于广义S变换与数学形态学的局部放电窄带干扰抑制方法。该方法可以从染噪局部放电(partial discharge,PD)信号中分离出原始PD信号和窄带干扰信号的时频谱图,从而在时频域内准确辨识出窄带干扰和原始PD信号,避免强能量的窄带干扰掩盖原始PD信号时频特征的问题。再利用总体最小二乘不变旋转矢量技术准确估计窄带干扰的特征参数,以抑制染噪PD信号中窄带干扰。对仿真和实测PD信号开展窄带干扰的抑制测试,测试结果表明：该文所提方法可以有效分离出染噪PD信号时频谱图中窄带干扰和PD信号,提高了时频分析的准确率;同时相比于传统的快速傅里叶变换(fast Fourier transform,FFT)算法谱最小熵解卷积滤波法和自适应奇异值分解法,该文方法能够有效抑制小幅值的窄带干扰,具备更好的窄带干扰抑制效果,以恢复局放信号的波形特征。     

基于线性组合的风电机组风速软测量方法

针对风电机组来流风速不易直接测量的现状,文章提出了基于BP神经网络与最小二乘支持向量机线性组合的风电机组风速软测量方法。首先,分析影响风电机组来流风速的各种因素,寻找与其有关联的直接或间接可测变量;其次,对传统的BP神经网络和最小二乘支持向量机风速软测量模型做一些改进,主要是增加输入变量维数;然后根据均方误差最小原则,合理分配权重,建立基于BP神经网络与最小二乘支持向量机的线性组合模型。最后通过现场实测来流风速对组合风速软测量模型的有效性和准确性进行验证,并与传统的BP神经网络和最小二乘支持向量机风速软测量模型输出结果对比分析,得到提出模型具有更高的测量精度。     

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。     

基于广义S变换和随机子空间的局放窄带干扰抑制方法

为了解决传统方法难以有效抑制局部放电中周期性窄带干扰的问题,本文提出了一种基于广义S变换和随机子空间的局部放电窄带干扰抑制方法.该方法首先利用广义S变换将染噪局放信号从时域变换到时频域中,接着利用局放信号和窄带干扰不同的时频特征确定窄带干扰数目和无局放时间片段,最后利用随机子空间算法估计窄带干扰参数,实现染噪局放信号的窄带干扰抑制.仿真和实际测试结果表明:相比于传统的广义S变换模矩阵方法和频率切片小波变换方法,本文所提方法对窄带干扰抑制效果更好,能更好地恢复原始局放波形.