基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

基于PSO-SVM模型的供水管网漏损诊断

为了找到更高精确度的供水管网定位方法,基于支持向量机搭建了PSO-SVM给水管网漏失诊断模型,对影响支持向量机(SVM)性能的两个重要参数c和g使用粒子群优化算法(PSO)做了优化处理,使得支持向量机的运算速率和准确度显著提高,利用单漏点供水管网仿真模拟试验平台测得管网各运行工况下的漏点特征数据,测得数据通过后期归一化处理作为PSO-SVM模型的输入样本数据集,样本数据经PSO-SVM模型运行后证明该模型可有效对管网漏失点做出精准定位,并能对各漏失点的漏失量做出精准预测。     

基于改进的PSO-SVM法的大坝安全非线性预警模型研究

针对常用的大坝安全预警模型存在的不足,将改进的粒子群(PSO)算法与支持向量机(SVM)相结合,建立了基于改进的PSO-SVM法的大坝安全非线性预警模型,即利用粒子群算法对支持向量机模型的参数进行寻优,同时为防止粒子群寻优过程陷入局部最优点,引入了位置因子和速度因子,并通过实例应用做了比较。结果表明,改进后的模型有效摆脱了粒子群陷入局部最优点,且具有更好的非线性拟合能力和泛化能力,可用于复杂大坝安全非线性预警建模。     

PSO_SVM软测量方法在火电厂煤质发热量测量中的应用

为了对电厂煤质发热量进行简单准确的测量,在煤质发热量理论研究的基础上,提出了利用支持向量机算法进行软测量。对支持向量机的数学原理进行分析后,利用某燃煤电厂的运行数据,构建了支持向量机模型。在构建模型过程中引入了PSO(粒子群优化算法)寻找模型中涉及的惩罚参数c和核函数参数g的最优值,然后利用最优值构建了PSO-SVM软测量模型,模型的测试结果表明:PSO-SCM模型相对误差集中在1%以内,CV(交叉验证法)建立的SVM模型相对误差在1.5%左右,而常用的BP(按误差逆传播算法训练的多层前馈网络)神经网络模型得到的相对误差只能保证在3%以内,可见PSO-SVM款测量模型对煤质发热量的测量更准确。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

混凝土特高拱坝变形监测的智能优化支持向量机模型

拱坝变形监测模型是拱坝健康监测中最常用的方法。针对特高拱坝的变形监测问题，提出了一种混凝土特高拱坝的智能优化支持向量机变形监测模型。采用粒子群算法(PSO)优化支持向量机(SVM)的惩罚因子、核函数参数及容忍偏差，建立基于PSO-SVM的混凝土特高拱坝变形监测模型，分析了时效因子对模型性能的影响。工程实例表明，混凝土特高拱坝的PSO-SVM变形监测模型有着良好的预测精度及泛化能力，适用于特高拱坝的变形监测。     

基于粒子群算法优化支持向量机的 专用工程费用量化研究

针对电力专用工程费用的复杂性且易受各种因素影响的问题,以某地区专用工程数据为基础,参考国内其他地区的收费标准,提出了一种基于粒子群算法优化支持向量机的专用工程费用预测。通过历史的专用工程费用数据样本对支持向量机进行训练,利用训练的模型对专用工程费用进行预测。同时用粒子群优化算法优化支持向量机的关键参数,提高专项工程费用的预测精度。     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

基于云粒子群优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。     

基于CPSO-LSSVM的汽轮机热耗率软测量模型

为了准确建立汽轮机热耗率预测模型,提出了一种基于变空间Logistic混沌粒子群算法(CPSO)优化最小二乘支持向量机(LSSVM)的汽轮机热耗率软测量模型。采用变空间Logistic混沌搜索策略和粒子镜像越界处理策略来改善粒子群算法(PSO)的全局优化性能,提出了CPSO优化最小二乘支持向量机的超参数以改善模型预测精度,并以某600 MW汽轮机组为研究对象,利用该机组的运行数据建立CPSO-LSSVM的热耗率预测模型。结果表明:CPSO-LSSVM模型具有更高的预测精度和更强的泛化能力,能够准确有效地预测热电厂的汽轮机热耗率。     

PSO-SVM模型在黑龙江省水资源承载力评价中的应用

针对水资源承载力评价预测涉及多因素综合指标的问题,采取粒子群算法对支持向量机模型中影响较大的训练参数惩罚因子C和核参数σ进行优化,建立了基于PSO-SVM的水资源承载力预测模型,根据指标等级标准构造训练集数据,对黑龙江省2017年水资源承载力进行评价。结果表明,黑龙江省2017年水资源承载力指数位于0.423 4～0.709 2之间,部分地区水资源承载力处于Ⅱ级,承载能力较弱,仍有较大提升空间。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

基于改进PSO-SVR模型在短期风速预测上的应用研究

针对现有风速预测精度不高等问题,选择一种组合核函数的支持向量机回归模型(SVR),根据粒子的适应度动态自适应地调节算法中惯性权重取值的改进粒子群优化算法优化模型参数,建立基于改进PSO-SVR的短期风速预测模型,通过实例研究验证该方法的有效性与实用性.     

基于APPSO-RVM与APPSO-SVM的大坝安全预警模型的应用比较研究

为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。     

基于加权最小二乘支持向量机的月度负荷预测

考虑到实际电力负荷预测中各数据的重要程度并不相同,在标准最小二乘支持向量机回归算法的训练样本中设置权值系数,建立了加权最小二乘支持向量机模型,以实现样本的优化选择,达到历史数据"重近轻远"的学习效果;同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,提出了一种基于混沌思想的粒子群优化算法对模型参数进行优化,引入优势粒子和劣势粒子的权重自适应调节机制,使算法具有动态适应性。将改进的模型应用于江西省萍乡市月度负荷预测中,结果表明本文方法与常规方法相比降低了预测误差,且速度较快。     

支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响

鉴于支持向量机的核函数及其参数选择对大坝变形监控模型的预测精度有重要影响,基于支持向量机常用的高斯核函数、多项式核函数及其线性混合核函数分别建立了大坝监控模型,并利用改进的粒子群算法对支持向量机的惩罚因子和核参数进行寻优。实例分析结果表明,基于高斯核函数的大坝监控模型的拟合能力较好,基于多项式核函数的监控模型的泛化能力较好,基于混合核函数的监控模型的综合性能较好。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

基于广义回归神经网络的旋转机械振动特征预测

提出了一种基于广义回归神经网络(GRNN)模型的旋转机械振动特征预测策略,给出了一种快速的GRNN模型平滑参数的优选方法;采用滑动窗口的方法更新训练样本,以便在每步预测之前获得能反应振动最新变化趋势的网络结构,进而提高预测精度。将该方法应用于某600MW核电机组动静碰摩故障下的振动特征预测,并与粒子群算法优化的支持向量回归模型(PSO-SVM)、径向基函数神经网络(RBFNN)模型的预测结果进行了对比分析,结果表明:提出的振动预测模型的总体性能优于PSO-SVM、RBFNN模型,在学习样本数目较少的情况下也能够得到较为满意的预测结果。