基于粗糙集的混合支持向量机长期电力负荷预测研究

影响中长期负荷因素众多,而且单一核函数支持向量机泛化或学习能力较弱,预测精度受限。提出一种结合粗糙集和支持向量机智能算法的负荷预测模型,通过属性约简算法筛选出影响长期电力负荷的核心影响因素,剔除冗余信息,选定全社会用电量、人均产值、产值单耗为输入变量,构建基于多项式核函数、径向基核函数的混合核函数支持向量机预测模型,有效提高函数的泛化及学习能力。算例结果表明,所提出的模型预测平均误差仅为0.59%,预测精度有了很大提高且适用于长期负荷预测。     

基于粗糙集的混合支持向量机长期电力负荷预测研究

影响中长期负荷因素众多,而且单一核函数支持向量机泛化或学习能力较弱,预测精度受限.提出一种结合粗糙集和支持向量机智能算法的负荷预测模型,通过属性约简算法筛选出影响长期电力负荷的核心影响因素,剔除冗余信息,选定全社会用电量、人均产值、产值单耗为输入变量,构建基于多项式核函数、径向基核函数的混合核函数支持向量机预测模型,有效提高函数的泛化及学习能力.算例结果表明,所提出的模型预测平均误差仅为0.59%,预测精度有了很大提高且适用于长期负荷预测.     

基于模糊C均值聚类和改进相关向量机的变压器故障诊断

为了提高电力变压器故障诊断准确率和单一相关向量机核函数存在的固有二分类属性及对预测分类鲁棒性弱的问题,提出基于模糊C均值聚类和改进相关向量机的变压器故障诊断模型。首先对样本进行模糊C均值聚类,然后再采用相关向量机的完全二叉树结构进行划分。相关向量机核函数采用组合高斯核函数和多项式核函数构造的混合核函数,并利用双子群果蝇算法对混合核函数参数进行优化。实验表明,相比单核函数、粒子群算法优化混合核函数参数,所提方法准确率高、稳定性好,同时分类速度快,满足实时在线故障诊断。     

基于支持向量机混合模型的短期负荷预测方法

将支持向量机专家系统混合模型应用于短期负荷预测采用方法分为2个阶段:应用神经网络中的聚类算法将历史数据分割成不相连的数据域;对每个数据域选择最佳核函数预测单个SVMs。实际数据验证表明,该方法与单个多项式核、高斯核和3次样条核的SVMs预测相比具有预测精度高、支持向量少和计算量小等优点。     

优化组合核函数相关向量机电力负荷预测模型

在单一核函数相关向量机模型的基础上,构建高斯核函数分别与多项式核函数和张量积线性样条核函数进行线性组合的多种组合核函数相关向量机中期电力负荷预测模型,并利用粒子群优化算法对组合核函数的各参数进行优化选择.以2001年组织的国际电力负荷预测竞赛提供的公开数据为训练和测试样本,分别对多种核函数相关向量机中期电力负荷预测模型进行仿真预测计算.结果显示,虽然各模型都取得了较好的预测精确度,但是基于组合核函数的相关向量机在各项评价指标上都优于基于单一核函数的相关向量机.还利用相关向量机的概率预测优势得到了其他模式识别模型无法得到的预测误差范围.     

基于最小二乘支持向量机的边坡稳定性预测

本文提出一种基于最小二乘支持向量机(LS-SVM)的边坡稳定性预测方法,采用线性函数,多项式函数和径向基函数三种核函数,进行机器学习,经过反复计算和对比分析,建立精度较高的边坡稳定安全系数预测模型.以实例数据作为学习样本和测试样本,对模型进行检验,结果表明LS-SVM建模预测速度快,其预测精度与GA-BP神经网络算法和改进支持向量机算法(ν-SVR)基本相近,将其用于边坡稳定性预测是可行的.     

基于RVM算法的蓄电池SOC预测

由于蓄电池真实的荷电状态与多种因素如电池温度、充放电电压、充放电电流和电池老化等成高度非线性,使得蓄电池荷电状态预测模型建立困难,且预测精度差。针对以上问题,用基于相关向量机的预测方法,以电池充电端电压和充电电流为输入量、电池的荷电状态为输出量建立预测模型,分析该模型性能与高斯核函数带宽之间的关系。通过分析得出,高斯核函数带宽取值为0.9时,相关向量机方法具有较为理想的预测效果。与支持向量机模型相比较,该模型稀疏性强、复杂度低、预测时间短,并提高了对新测试样本点的预测精度,泛化能力强。     

基于改进粒子群优化支持向量机的光伏电池输出功率预测

采用支持向量机预测光伏电池功率时,其预测精确度与惩罚参数c和核函数参数g的取值有关。提出一种改进粒子群算法优化支持向量机并预测光伏电池输出功率。改进粒子群算法通过控制粒子的初始速度和位移并限制粒子速度的最大值和最小值,保证粒子不超出规定的速度边界,且具有自主调节功能;增加自适应粒子变异,避免粒子群算法陷入局部最优而导致搜索精度下降。结果表明,采用改进粒子群算法优化支持向量机预测光伏电池输出功率的精度更高,误差更小。     

混合核函数相关向量机在污垢预测中的应用

污垢的热阻反映了污垢结垢的程度,准确预测污垢热阻,为污垢监测以及污垢对策提供了重要参考依据。近年来,混合核函数相关向量机开始用于预测变压器顶层油温。将基于混合核函数的相关向量机应用到污垢预测研究中,介绍混合核函数相关向量机的基本原理,通过在线监测装置,采集样本数据,进行仿真实验。结果表明混合核函数相关向量机能准确预测污垢热阻值,相对于单一核函数相关向量机,混合核函数相关向量机的预测精度更高。     

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。     

基于改进的SVM的电能质量复合扰动分类

本文利用支持向量机对电能质量复合扰动进行分类,解决其多重分类问题,为了提高其整体分类的准确率,对支持向量机中的核函数进行了改进。考虑到特征向量在核函数中心位置的聚集程度会影响支持向量的数目,本文在核函数中引进一个径向宽度因子和一个幅值调节因子,从而解决传统核函数存在的问题,减少支持向量数目,降低计算复杂度。将改进后的算法应用到电能质量复合扰动分类中,验证所提方法对于电能质量复合扰动分类不仅具有可行性,并且有较高的分类准确率。从仿真实验结果可以看出,改进的方法对常见的7种单一电能质量扰动信号和5种电能质量复合扰动信号能够进行分类,相对原算法提高了分类准确率。     

基于核极限学习机的风光容量配置研究

风光发电的大量接入,电动汽车充电需求的持续增长,将引起配电网规划与运行特征的根本性改变,因而,研究风光发电以及电动汽车充电站容量配置问题对配电网的稳定与经济运行具有重要意义。本文通过利用网络节点电压、风光电源出力等数据对核极限学习机进行训练学习,构建了基于核极限学习机的容量选择模型,并利用均方根误差对模型精度进行评估。采用IEEE33节点系统作为算例进行仿真,给出满足总投资成本和网络损耗最小的容量配置结果,引入电压稳定性评价指标对结果进行评估,并与支持向量机、遗传算法和粒子群算法获得的结果进行对比分析,验证了所提模型和方法的可行性和有效性。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

基于PCA和混合核函数QPSO_SVM频谱感知算法

频谱感知是认知无线电系统的关键技术之一,针对基于支持向量机的频谱感知方法中核函数选取的单一性和核函数参数的不确定性,提出一种基于混合核函数支持向量机的频谱感知算法,将两种核函数混合构造新的核函数,采用量子粒子群算法对其中的参数进行优化,并引入主成分分析方法对样本进行降维并提取其全局特征。实验结果表明,该模型较传统方法在低信噪比下无线环境中的分类精度上有了明显提高,在信噪比为－10 dB的无线环境中能完全识别出主用户,为频谱感知提供了一种可靠性高的设计方案。     

基于支持向量机光伏电池最大功率点跟踪研究

介绍了支持向量机（support vector machine,SVM）和光伏电池的数学模型,利用SVM技术对光伏电池的最大功率点所对应的最佳动作电压进行回归预测分析。通过 MATLAB/Simulink 建立仿真模型,采用基于 SVM的改进扰动算法进行最大功率点跟踪仿真研究,结果证明利用 SVM回归预测技术来实现最大功率点跟踪控制,能有效减少跟踪时间、扰动次数以及功率振荡现象,可以更好地发挥光伏电池的性能。     

电动车蓄电池荷电状态估计的支持向量机方法

结合电动车蓄电池容量判断问题,将支持向量机方法用于蓄电池荷电状态估计。针对蓄电池本身的非线性特性,使用核函数为非线性核的最小二乘支持向量机算法完成估计器的设计,得到了基于多项式核函数和径向基核函数的估计器。通过实验分析了两种核函数对估计器性能的影响。从实际应用出发,分析了如何合理简化估计器模型的复杂性。结果表明基于多项式核函数的估计器精度较低,但应用过程简单;基于径向基核函数的估计器精度较高,但其应用时需要存储部分训练数据,增加了应用的复杂性。具体应用可以根据实际环境,合理选择核函数,提高估计器的综合性能。     

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。     

基于支持向量机的规则零件检测技术研究

基于机器视觉的零件检测系统由于具有非接触、实时性强、速度快等优点广泛应用于各种工业生产中,提出了一种基于边缘跟踪的零件缺陷边缘智能检测算法,很好的检测到了完整的缺陷边缘,为特征提取提供了高质量的缺陷边缘参数。采用基于支持向量机的分类识别算法,避免了神经网络算法中需要多样本和过度拟合的问题,通过对比分析选择合适于本系统的核函数,并运用基于交叉验证和网格搜索的参数选择方法找到核函数的最佳参数,采用一对一的投票策略进行分类训练和测试,最后对采集到的缺陷零件样本进行了分类测试实验,达到预定的较高的检测精度。