一种基于粒子群算法的配电网低电压诊断模型研究

随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。     

基于粒子群优化LS-SVM的车刀磨损量识别技术研究

刀具的磨损状态直接影响产品加工质量、成本和效率,对刀具磨损量的实时监测识别具有重要意义。针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机（LS-SVM）的刀具磨损识别方法,并针对支持向量机的惩罚因子和核参数对模型识别精度影响较大的问题,提出一种根据个体适应度来调整惯性权重的自适应粒子群算法进行自动参数寻优。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息作为识别模型的输入,然后利用训练好的自适应粒子群算法优化后的LS-SVM识别模型进行刀具磨损量识别。实验结果表明,该自适应粒子群优化算法比标准粒子群优化算法参数寻优能力更强;粒子群优化LS-SVM模型能高效地实现刀具磨损量识别,与BP神经网络相比具有更高的精度,且所需样本数较少,训练速度更快。     

基于智能手机大数据的交通出行方式识别研究*

智能手机时代所产生的大数据能够为交通研究者带来大量信息,基于智能手机采集交通出行大数据,利用基于粒子群的支持向量机模型进行了交通出行方式识别研究。在分析数据特点的基础上提出用于建模的特征变量,之后使用粒子群算法优化支持向量机参数,并基于成都市的实证数据进行模型的训练与出行方式识别研究。研究结果表明,该模型识别正确率为95.1%,高于决策树、BP神经网络、基于网格搜索的支持向量机模型,且该模型在时间效率方面具有明显的优越性,因而在出行方式识别方面具有良好的现实意义。     

基于改进PSO-SVM的电能质量综合评估

针对现有电能质量评估方法存在的不足,提出了一种新的粒子群优化算法和支持向量机理论相结合的智能电能质量综合评估方法.根据电能质量国家标准,确定了电能质量评估指标,并针对目前电能质量等级过于模糊的缺点,提出了区间化电能质量的细化措施.利用惯性权重自适应调节方法对粒子群算法进行了改进,在此基础上建立了基于粒子群优化支持向量机的电能质量综合评估模型.仿真实例的评估结果表明,所建立的综合评估模型是合理有效的,评估结论与其他评估方法相比更为合理可信.     

模拟退火优化SVM参数的变压器故障诊断

利用群智能算法优化支持向量机(SVM)参数往往需要引入额外的变量,使变压器故障诊断问题更加复杂,对此提出一种自适应的模拟退火算法优化(ASA)支持向量机参数;通过设计自适应的冷却进度表,使得寻参的过程仅仅依赖于退火速率以及网格搜索粒度,保持了较少的参数设置;在相关数据集上的实验表明,与已提出的粒子群算法(PSO)、遗传算法(GA)相比,ASA算法具有更快的收敛速度以及较好的诊断精度;利用自适应的模拟退火算法能够较好的优化SVM参数并提高变压器故障诊断的精度.     

基于PSO-SVM的电机故障检测

传统智能故障检测模型中算法初始参数复杂,选取难度较大,缺乏自学习、自组织能力、泛化能力弱,极易陷入局部极小值、算法单一等缺点.组合应用智能检测算法可整合不同算法优势,避免单一算法缺点,为此,文中提出支持向量机算法与改进粒子群算法相结合的电机故障检测模型:以电机故障特征频率特征数据为基础,首先使用改进全局求解性能的粒子群算法求解影响支持向量机分类检测性能的最佳参数,然后把最佳参数应用于的擅长模式识别的支持向量机算法,进行样本数据的训练,构建故障检测模型;最后,使用故障检测模型对电机的状态进行预测.实验结果表明,采用该方法进行故障检测的准确率,比传统的神经网络方法提高17%,比纯支持向量机算法提高3.33%.     

电网可靠性评估的PSO-SVR评估模型

城市电网结构复杂,数据量大是电网可靠性评估的难点,导致了传统的电网可靠性评估方法难以有效评估.为提高评估的精度和效率,提出一种基于粒子群支持向量回归法的电网可靠性评估的新方法解决电网可靠性评估的问题,采用供电可靠率作为评估指标,粒子群支持向量回归法能克服传统的人工神经网络可靠性评估方法易陷人局部极值.采用电网可靠性评估特征参数与评估指标,确定评估模型结构,再用粒子群优化算法优化支持向量回归模型参数.仿真结果表明,粒子群支持向量回归法可靠性评估精度高于人工神经网络.证明粒子群支持向量回归的电网可靠性评估方法具有更好的应用价值.     

粗糙集和支持向量机的表具识别算法研究

针对量子粒子群算法具有陷入局部值缺点,提出了一种基于改进量子粒子群算法优化的粗糙集和支持向量机相结合的表具识别算法,引入人工蜂群算法和免疫算法,来提高算法搜索空间、收敛速度。首先通过改进量子粒子群算法优化的粗糙集对得到的特征向量进行属性约简,然后经过改进量子粒子群算法优化支持向量机参数。最后通过实验仿真表明,改进的算法能有效地减少决策属性的个数,提高了粗糙集属性约简能力,优化了支持向量机的参数,算法收敛速度快,识别准确率高。     

分布式新能源接入电网的电能质量异常监测方法研究

电网电能质量易受到分布式新能源接入电网的冲击。冲击会破坏电压数据的完整性从而无法确定监测阈值,导致监测时间长、准确率低。为此,对分布式新能源接入电网的电能质量异常监测方法进行了研究。构建最小二乘支持向量机模型,通过综合学习粒子群算法确定模型超参数,利用优化后模型填补电压信号缺失数据。采用小波变换提取电能质量数据分布特征,获取每层能量分布与标准信号能量分布的差值。引入樽海鞘群优化算法优化反向传播(BP)神经网络初始权值和监测阈值,将差值输入训练完成的BP神经网络中,实现电能质量异常监测。试验结果表明,所提方法的查准率和查全率在95%以上、训练时间和测试时间在15 ms左右。该方法可准确、高效地监测到异常数据,从而保证电网的稳定运行。     

粮情智能测控系统中的数据融合技术研究

粮情智能测控系统是保证粮食储藏安全的关键措施之一。针对目前粮情智能测控系统中单一传感器存在测量不足、粮情安全状态难以判断且无法直接检测等问题,研究了一种基于粒子群优化最小二乘支持向量机的粮情安全状态数据融合方法。以粮情数据为研究对象,以粮情安全状态检测为目的,构建基于最小二乘支持向量机的数据融合模型,并采用粒子群优化算法对最小二乘支持向量机的关键参数进行寻优,获取最佳的数据融合结果。根据广西某粮库提供的数据进行实例分析,数据融合结果与实际值误差较小,均方误差为0.06,结果表明,该方法在粮情安全状态的检测上表现出优越的性能,具有科学性和可行性,提高了粮情智能测控系统的准确性和可靠性。     

Artificial bee colony-based support vector machines with feature selection and parameter optimization for rule extraction

Support vector machine (SVM) is a state-of-art classification tool with good accuracy due to its ability to generate nonlinear model. However, the nonlinear models generated are typically regarded as incomprehensible black-box models. This lack of explanatory ability is a serious problem for practical SVM applications which require comprehensibility. Therefore, this study applies a C5 decision tree (DT) to extract rules from SVM result. In addition, a metaheuristic algorithm is employed for the feature selection. Both SVM and C5 DT require expensive computation. Applying these two algorithms simultaneously for high-dimensional data will increase the computational cost. This study applies artificial bee colony optimization (ABC) algorithm to select the important features. The proposed algorithm ABC–SVM–DT is applied to extract comprehensible rules from SVMs. The ABC algorithm is applied to implement feature selection and parameter optimization before SVM–DT. The proposed algorithm is evaluated using eight datasets to demonstrate the effectiveness of the proposed algorithm. The result shows that the classification accuracy and complexity of the final decision tree can be improved simultaneously by the proposed ABC–SVM–DT algorithm, compared with genetic algorithm and particle swarm optimization algorithm.     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

基于二阶粒子群优化的支持向量机回归在炉龄预测中的应用

针对钢铁企业对炉龄预测精度要求高的特点,提出了基于二阶粒子群优化的支持向量机的炉龄预测方法。利用粒子群智能算法优化支持向量机的回归参数,可以避免按经验选取输入参数的盲目性,能有效地提高预测速度和精度。实例仿真结果表明用该方法对炉龄预测具有很高的精确度,远优于BP神经网络的预测结果。     

基于改进离散粒子群优化的连续属性离散化

为了解决数据挖掘和机器学习领域中连续属性离散化问题,提出一种改进的自适应离散粒子群优化算法。将连续属性的断点集合作为离散粒子群,通过粒子间的相互作用最小化断点子集,同时引入模拟退火算法作为局部搜索策略,提高了粒子群的多样性和寻找全局最优解的能力。利用粗糙集理论中决策属性对条件属性的依赖度来衡量决策表的一致性,从而达到连续属性离散化的目的,最后采用多组数据对此算法的性能进行了检验,并与其他算法做了对比实验,实验结果表明此算法是有效的。     

两种智能优化算法在交通控制 应用中的对比分析

城市交通系统是一个庞大的系统,具有极强的随机性以及复杂性,要想实现对其有效控制,必须不断进行研究 和分析。本文主要讨论两种智能优化算法在城市交通控制应用中的对比。两种智能算法分别是混沌遗传算法和混沌粒子群 算法。通过对这两种智能优化算法的计算结果进行仿真发现,这两种算法的自适应性、鲁棒性以及自学习性都是相当强的,能 够有效地实现对地区交通信号的控制优化,并且由于固定周期控制方式在其中的应用,能够使车辆的平均延误情况得到有效 的缓解,对改善地区交通有着积极的意义。     

基于粒子群算法优化支持向量机汽车故障诊断研究

汽车故障检测和诊断技术一直是国内外研究热点问题。支持向量机用于汽车故障诊断时,其多分类组合决策对分类正确率及诊断时间有很大影响,为了有效提高汽车系统故障诊断的效率和精度,提出了一种基于粒子群算法优化层次支持向量机汽车故障诊断检测方法。针对分解支持向量机具有测试时间短、结构难以确定的特点,利用粒子群算法,依据最大间隔距离原则优化层次支持向量机模型,使每个节点的支持向量机具有最大分类间隔,减少了误差积累,从而优化了多级二叉树结构的SVM,实现故障的分级诊断。仿真实验结果表明,提出的算法在所有参比模型中精度最高,能高效地对汽车系统的故障进行检测与定位,具有较强的泛化能力,同时缩短了故障诊断时间。     

基于灰关联分析方法

针对一致关联度算法不具有普遍性和动态改变惯性权的自适应粒子群算法(DCW)不易跳出局部收敛能力的缺陷,本文提出了完全关联度算法和自适应变异的动态粒子群优化算法。完全关联度算法主要用来选择软测量的辅助变量。在改进的粒子群优化算法中,除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子。为了构造一种性能较好的神经网络,采用改进的粒子群优化算法来优化神经网络所有的权值参数,并将提出的软测量建模方法预测延迟焦化的汽油干点,实验结果表明,与DCW算法优化神经网络(DCWNN)的建模方法相比,该算法不仅具有较好的泛化性能,而且具有较高的精度和良好的应用前景。