基于SVM修正模糊多属性决策法的用电客户信用评价

针对电力客户信用评价缺乏准确的科学指标体系和评价中主观因素和经验因素难以量化、标准化的问题,提出了支持向量机(SVM)修正的模糊期望值决策法。建立了电力客户信用评价指标体系,并以三角模糊数的形式给出指标值和评价者的主观经验值,利用模糊期望值决策法得到信用期望值,最后通过SVM基于结构风险最小化原则修正该期望值。实例分析表明,SVM修正后的电力客户信用等级与供电企业原先为其设定的信用等级基本符合,更可靠地贴近实际。     

用电客户信用评价方法研究

针对用电客户信用评价的现状，借鉴商业银行信用等级划分标准，对用电客户信用进行等级界定。采用多分类支持向量机方法以及仿真数据进行的实证分析，证明这种用电客户信用评价方法具有较高的分类正确率。     

基于支持向量机的中长期电力负荷预测

通过探讨多种确定性及非确定性负荷预测方法,将当前少有应用的支持向量机算法引入电力系统负荷预测。介绍了统计学理论,引入了根据该理论提出的支持向量机算法。对支持向量机算法原理进行了介绍,分析了该算法的本质及应用价值。采用回归问题的支持向量回归机ε-SVR算法,给出了将该算法应用于中长期负荷预测的方法。通过算例,验证了该方法的有效性。     

基于支持向量机的电力负荷组合预测模型

给出了一种基于支持向量机(SVM)的组合预测模型,利用各种方法的预测结果作为SVM的输入,实际负荷值作为SVM的输出,并采用LIBSVM算法和径向基核函数对SVM进行训练,训练后的SVM便具有预测能力。最后的仿真结果表明,基于SVM的组合预测模型的预测精度不仅高于任一单一模型,且高于固定权系数组合预测模型。     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

基于半监督支持向量机的供电企业安全性评价

为了解决支持向量机(SVM)必须采用标识样本进行训练和支持向量选择困难两个弊端,提出了一种基于模糊C均值(FCM)和支持向量机的半监督支持向量机分类算法(S3VM).为了验证模型的有效性,将该算法应用于供电企业安全性评价.与BP神经网络的分类结果比较表明,该模型在样本较少的条件下,具有较高的分类正确率和很好的推广能力.     

基于高阶谱与支持向量机的电力电子电路故障诊断技术

针对现有电力电子电路故障诊断方法存在的不足，研究了采用高阶谱分析和支持向量机(support vector machine，简称SVM)的电力电子电路故障诊断和定位方法。首先利用高阶谱中的双谱技术分析、处理和提取电路状态的故障信息特征；然后设计和采用多类层次支持向量机分类器作为故障模式的训练和识别器，其中，分类器的结构利用模糊C-均值算法(fuzzy C-means，简称FCM)进行了优化；最后采用一个实际的Buck功率电路进行了建模、仿真和验证。结果表明，采用该方法对电力电子电路故障的诊断和定位率可达99%以上，达到了较为理想的诊断精度。     

基于模糊支持向量机的继电保护状态在线评价

继电保护状态评价工作一直以来都是状态检修的重点和难点。提出一种基于模糊支持向量机的继电保护状态评价方法。首先,获取智能变电站继电保护装置的历史数据,从中选择合适的状态评价因素,再对状态评价因素进行数据预处理,并根据状态巡视及故障记录计算装置在各巡视点的百分比剩余寿命,生成训练样本集。然后通过模糊支持向量机回归训练生成模型,利用在线巡视记录,对装置状态进行在线评估。并根据最差指标,判定装置的当前状态,作为最终的在线状态评价结果。仿真分析表明,方法通过引入样本权重,能够区分本装置样本和同型号装置样本的不同,使得算法能够兼顾装置的个性和家族性共性,并具备一定的抗噪能力。     

基于模糊综合评判的电力客户信用评价

电力市场条件下,电力企业面临着电力客户信用问题带来的经营风险。根据电力客户信用评价指标多样性的特点,提出利用模糊综合评判的方法对电力客户进行信用评价进而确定客户所属的信用等级的方法。然后根据客户的不同信用等级提供有针对性的奖惩措施,从而有效地提高电力企业的经营效益。通过对一组客户数据进行分析得出了其信用等级,与客户实际信用比较证明了该方法的有效性和合理性。该方法对于电力企业提高电费回收率,规避企业经营风险具有现实意义。     

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法．较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程,对色谱分析法检测到的特征气体含量进行数值预处理。提取出故障识别所需要的6个特征量。然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别。并最后判断输出变压器所处的状态。测试结果表明,该方法具有三个优点：1)具有较强的鲁棒性。识别正确率极高;2)训练时间很短,实时性能好;3)不存在局部极小问题。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

基于BGSA算法的SVM分类模型设计研究

为了设计性能更优的支持向量机（SVM）分类模型,对影响其分类性能的参数和样本特征子集进行优化选择,对支持向量机理论和万有引力搜索算法（GSA）进行了研究,提出了一种基于二进制万有引力搜索算法（BGSA）的支持向量机分类模型构建方法,能够对影响支持向量机分类性能的相关参数及有效样本特征子集同时进行优化选择,获得最优组合解,并通过实验对其有效性进行了对比分析和验证。实验结果表明,所提出的BGSA-SVM分类模型能够有效提高支持向量机的分类性能,可进一步推广到工程实际中应用。     

基于改进SVM的纳税评估和预测

目前进行纳税评估和预测工作主要依赖于纳税评估人员的人工判别和分析,这样导致税务评估人员工作量较大,而且所得的评估结果也不准确。为了解决这一问题,提出了基于 Adaboost-PSO-SVM的纳税评估模型。利用PSO优化 SVM弱分类器,再用 Adaboost将多个PSO-SVM组合成为强分类器进行纳税评估。实验结果表明在纳税评估方面,相比于单个 SVM弱分类器,Adaboost-PSO-SVM强分类器的准确率由94%提高到了99%。在纳税评估的基础上,利用 SVM回归机实现对纳税数据变化趋势和变化空间的预测,结果表明包含纳税评估结果的预测模型的预测效果更好。     

基于KPCA和SVM的直升机旋翼桨叶损伤源定位

直升机旋翼桨叶在飞行过程中极易发生疲劳损伤,为了解决桨叶损伤源定位问题,构建了桨叶损伤监测及定位系统。通过核主成分分析(KPCA)对损伤源的声发射信号进行特征提取,结合支持向量机(SVM)及其回归功能对旋翼桨叶模型损伤源进行定位。使用特征提取后的参数区域损伤定位精度达到100%,回归分析平均误差率4.06%,均优于使用原始数据进行定位,因此该方法能够有效实现直升机旋翼桨叶损伤源定位,并且减少了输入数据的维数,降低了计算量。     

基于随机共振和支持向量机的频谱感知

认知无线电是一门新技术,它的目标实现用户的动态频谱接入,提高频谱的使用效率。频谱感知是认知无线电的基础,它的作用是感知频谱空洞,实现对主用户无干扰接入。频谱感知需要在极低信噪比下有较好的感知性能,才能保证感知用户在不影响主用户通信的情况下进行通信。即使在较低的信噪比条件下,它也需要较高的检测性能。提出一种对信号进行双稳态随机共振和特征识别的方法,首先信号先通过随机共振系统以提高信噪比,然后使用FAM算法将信号的循环谱特征提取出来。最后使用支持向量机(SVM)对特征进行模式识别。实验结果表明,在低信噪比下本方法相比传统的能量检测和SVM方法具有更高的检测可靠性。     

基于SVM的葛根素提取软测量系统的设计

针对超声波高效率提取植物根茎类药材活性成分含量难以实时在线检测的问题,采用基于粒子群算法和支持向量机相结合的软测量建模方法。通过对辅助变量的测量来建立软测量预测模型,从而估计和推断待测量变量的值,并利用单片机进行辅助变量的数据采集和处理、软测量模型的计算及建立和模型的硬件实现,从而实现了对超声波提取植物根茎类药材葛根素的在线测量。与目前采用紫外分光光度计分时离线取样进行检测相比,该方法克服了无法直接得到提取率测量值、离线测量工作量大等缺点,具有实时性好、测量精度较高(测量相对误差控制在3%以内)和响应速度快等特点。     

采用支持向量机和模拟退火算法的中长期负荷预测方法

准确的中长期负荷预测能够提高电力系统的经济效益和社会效益.分析了支持向量机(support vector nachine,SVM)模型,并针对利用支持向量机进行负荷预测需要人为地确定相关参数的不足,提出了利用支持向量机进行中长期预测的新方法.该方法利用模拟退火(simulated annealing,SA)算法自动优化参数.实例验证结果表明,所提出的方法可以有效地选取支持向量机模型的参数,降低支持向量机的建模误差和测试误差,该方法与利用默认参数支持向量机进行预测的方法相比,有效地提高了负荷预测精度.     

一种基于最小二乘支持向量机的年电力需求预测方法

针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。