支持向量机在模拟电路故障诊断中应用

支持向量机是建立在统计学习理论基础上的机器学习方法,结构简单,泛化能力强,对小样本分类具有良好的识别效果.本文提出了基于支持向量机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以支持向量机为基础的模拟电路故障诊断模型.并以双二次滤波电路为诊断实例,实验结果表明,该方法故障诊断准确率大于96.5%,优于传统方法.     

基于双向长短期记忆网络的输电线路状态画像与评估

为提高输电线路状态评估的准确率,提出一种先聚类再回归的输电线路状态画像与评估模型。首先,设计自组织神经网络对输电线路原始数据进行降维,自适应地提取若干类代表性特征信息,无需人工提取特征和依据主观经验选择聚类数;然后,将代表性特征数据输入LSTM（长短期记忆）网络中,LSTM网络将前向学习和反向学习相结合,对模型进行双向训练与评估,建立输电线路核心数据与状态的非线性映射关系,提高电网场景下的输电线路状态评估准确率。实验结果表明,所提模型在实际数据集上取得了较好的评估效果,评估准确率高于常用的支持向量机、人工神经网络、稀疏自动编码机等方法。     

一种基于萤火虫支持向量机的油色谱在线数据校正方法

为了解决在线油色谱受外界环境和设备误差影响导致数据失真的问题,笔者提出了一种基于萤火虫支持向量机的油色谱在线数据校正的方法。首先将支持向量机中的一组错误惩罚因子,不敏感参数和核参数作为萤火虫个体,通过萤火虫算法对影响支持向量机性能的重要参数进行优化。然后计算油色谱离线数据间的分段函数,当在线数据超出分段函数误差允许的范围时,认为在线数据异常。利用少数准确的油色谱离线数据对支持向量机回归模型进行训练,当在线数据出现异常时,通过支持向量机回归模型对异常的在线数据进行校正。最后通过某台变压器油色谱的在线和离线数据对文中提出的方法进行验证,结果证明了该方法的可行性和有效性。     

基于支持向量机和DGA的变压器状态评估方法

针对电力变压器结构、老化、故障机理复杂,具有不确定性,难以进行准确的状态评估的问题,将变压器健康状态分为良好、一般、注意、较差4种状态,提出了一种基于支持向量机的二叉树多级分类器变压器健康状态评估方法。该模型以变压器油中溶解气体的产气量和产气速率为评价指标,利用支持向量机挖掘评价指标与变压器健康状况之间的关系。     

变压器在线监测物联网多维信息聚合模型研究

为了提高变压器在线监测物联网信息的利用率与状态评估准确性,提出了一种基于相关系数与支持向量机的变压器在线监测物联网多维信息聚合模型。采用状态信息间的相关性作为支持向量机的输入矩阵,并利用支持向量机对状态类别进行划分。对变压器油中溶解气体含量及油温等数据信息进行了验证。结果表明,可以有效判断变压器的状态并进行状态划分,研究结果有助于提升变压器在线监测物联网多维信息的整合与利用,从而提高变压器状态评估的准确性。     

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。     

基于电介质响应理论的10kV交联聚乙烯(XLPE)电力电缆绝缘诊断

电力电缆的绝缘诊断是评估电缆老化程度的重要途径。近年来,最新发展形成的极化/去极化电流(polarization/depolarization current, PDC)方法,能有效反映电介质整体老化状态。本文研究了不同老化状态下电缆的极化/去极化电流特性,并分析电流特性与老化程度的关系。首先论述了极化/去极化的电介质响应理论,建立了电缆老化和极化/去极化电流测试方案。基于测量结果,建立了电缆三支路电路等效模型,进一步对电缆的频率响应特性进行分析。研究表明,老化电缆和新电缆的tanδ(ω)值在低频范围具有明显区分度,可用于表征电缆绝缘老化程度。     

兰州站径流支持向量机预测

统计学习理论是研究有限样本情况下机器学习规律的理论.支持向量机是基于统计学习理论的一种新型的机器学习方法,可以解决样本空间中的高度非线性分类和回归等问题.建立了两种模型,模型Ⅰ将黄河干流兰州站的径流时间序列作为输入,模型Ⅱ将径流时间序列和太阳黑子作为输入,两种模型都应用支持向量机对次年的年径流进行预测.结果表明,SVM模型泛化能力强,具有较满意的预测效果.它较好地解决了小样本、过学习、高维数、局部最小等问题,同时模型Ⅱ的预测效果优于模型Ⅰ的,说明径流除了与径流时间序列本身有关外,与太阳黑子活动等有较密切的关系.虽然两者间的物理关系尚需进一步研究,但是支持向量机反映出两者间的非线性关系.     

基于支持向量同归的电力变压器状态评估

为提高电力变压器状态评估的准确性,将变压器健康状态分为5级。鉴于支持向量机对小样本具有良好的拟合能力,而变压器数据具有小样本、贫信息的特点,提出了基于支持向量回归的电力变压器状态评估模型。将变压器的油色谱分析数据和电气实验数据利用半岭模型确定变压器各个参数的分值,评分项目结果作为支持向量机的自变量,通过多层动态自适应优化算法优化了支持向量回归的参数,形成变权重的预测。实例验证了变压器状态评估模型的正确性及可行性,其结果更接近变压器的真实运行状态。     

融合频域介电谱及支持向量机的变压器油浸纸绝缘老化状态评估

变压器油纸绝缘老化-受潮协同效应能够显著影响其频域介电谱(FDS)数据,因此,在绝缘严重受潮情况下难以利用FDS技术实现纸绝缘老化状态的准确评估.鉴于此,该文融合FDS以及支持向量机(SVM)提出了一种考虑水分-老化协同效应的变压器油浸纸绝缘老化状态评估方法.在当前的研究中,首先,制备具有不同老化及受潮状态的油浸纸绝缘样本,并基于FDS测试提取用于表征绝缘劣化状态的特征参量.其次,基于多元回归分析构建用于训练老化状态分类模型的拟合介电特征参量数据库.最后,利用拟合介电特征参量数据库和SVM构建用于老化状态评估的分类模型.研究结果证明,构建的分类模型可以准确评估不同受潮状态的变压器油浸纸绝缘样本的老化状态.     

基于支持向量机和决策函数的暂态稳定评估方法

暂态稳定评估是保证电力系统安全稳定运行的关键点,为解决应用机器学习进行暂态稳定评估保守性不足的问题,提出了一种基于支持向量机和决策函数的暂态稳定评估方法。该方法以故障前潮流量为初始特征集,结合暂态安全稳定量化评估和统计理论方法,提取输入特征;通过支持向量机训练暂态稳定评估模型,得出评估模型的决策函数,并依据支持向量的决策值确定门槛值,保证评估结果保守性。新英格兰10机39节点测试系统和实际系统算例验证了所提方法的可靠性和实用性。     

基于概率神经网络的油纸绝缘老化诊断技术研究

对油纸试样进行加速热老化处理,根据聚合度变化将其老化过程划分为5个老化阶段;基于气隙放电模型进行局部放电试验,采集不同老化阶段油纸试样的PRPD图谱;利用统计算子提取特征量,采用因子分析法(FAM)对原始特征数据降维,比较降维前后特征数据的聚类特性;建立概率神经网络(PNN)模型识别油纸绝缘的老化阶段,作为对照,搭建反向传播(BP)神经网络模型以及支持向量机(SVM)模型,使用相同的数据对其进行训练,比较三者的识别结果.结果表明:老化会导致纸板内部产生孔隙,从而促进局部放电的发生;与其他模型相比,FAM-PNN模型在识别准确率和运算效率上具备明显优势,使用FAM-PNN模型可以准确高效地对变压器油纸绝缘的老化状态进行评估.     

基于支持向量机的感应电机状态监测

提出一种基于支持向量机的三相异步电动机状态监测的方法。利用健康电机、轴承故障、定子匝间短路和转子断条的电机在不同负载条件下的各种数据，计算三线电压和电流计算总谐波失真形成特征向量，然后将其用于支持向量机的训练，并针对两个核函数对基于支持向量机的感应电机状态监测的性能进行了评估。仿真结果表明，所提出的方法的故障识别准确率超过98%,验证了其有效性。     

热老化对配电电缆绝缘等温松弛电流及阈值电场的影响

针对等温松弛电流法在配电电缆绝缘状态评估中的问题及难题，本文采用国产未老化的10 kV配电电缆新样作为检测对象，通过检测140℃下加速热老化288 h过程中电缆段的等温松弛电流和绝缘切片的高场电导，分析了热老化过程中表征绝缘状态的电流松弛分量、老化因子(A)和阈值电场(E_t)变化趋势及范围。结果表明：等温松弛电流中存在3个明显的极化松弛峰，时间常数τ₁、τ₂和τ₃分别在7～12 s、31～39 s和210～536 s范围；热老化过程中等温松弛电流峰2和峰3对应的材料陷阱改变较大，其中峰3的改变最为明显；基于等温松弛电流的老化因子A在1.72～3.17范围，随老化时间的增加老化因子A先降后升，而对应的电导阈值电场E_t呈先升后降的趋势，这表明阈值电场(E_t)和老化因子(A)存在明显的关联，均是绝缘材料内部分子结构的宏观外在表象；国产电缆未老化时的老化因子A为1.91，已近德国标准DIN VDE 0276的“老年”状态，而热老化48 h时的老化因子(A)降至1....     

基于深度学习的火电机组用钢金相组织评级方法研究

针对火电机组用钢金相组织评级受人为因素影响,效率低、重复性差等问题,提出建立金相检验图像样本数据集,采用ConvNeXt-T卷积神经网络模型研究基于深度学习的火电机组用钢金相组织评级方法,同时用混淆矩阵对所建模型的性能进行评估,模型对铁素体+珠光体组织球化评级的准确率均值为98.7%、精确度均值为97.3%、灵敏度均值为97.2%、特异度均值为99.1%、F_1-Score均值为97.2%,表明该方法能够对火电机组用钢金相组织进行较为准确的评级,提升评级效率,为火电机组用钢金相组织智能评级提供一种新的方法,同时助力电力行业金相检验向数字化、智能化发展。     

集员估计的加权最小二乘支持向量机方法

针对带有未知但有界误差的参数非线性回归模型,提出了集员估计的加权最小二乘支持向量机方法.采用加权最小二乘支持向量回归的方法建立逼近方程误差向量的加权l∞范数与参数向量之间的复杂函数关系的模型.根据此模型和可行的方程误差向量的加权1∞范数导出近似参数可行集.为了评估集员估计结果的优劣,给出了反映近似边界接近精确边界程度的指标.仿真结果表明,采用本文方法比采用一般最小二乘支持向量杌的方法所得的近似边界更接近精确边界.     

基于高光谱技术的复合绝缘子表面老化程度评估

针对现有绝缘老化检测尚无一种便捷快速的方法,该文提出一种基于高光谱技术的复合绝缘子表面老化程度的非接触、快速无损检测评估方法.首先,通过对不同老化程度样品进行傅里叶红外测试,分析样品表面的基团变化以及对憎水性的影响;其次,利用高光谱成像仪(900～1700nm)获取老化样本光谱信息,结合傅里叶中红外光谱,确定老化样本基团变化和光谱信息的对应关系,从而对老化程度进行定性分析;最后,基于深度极限学习机建立绝缘子老化程度评估模型,并对60组待测数据进行预测,实现对绝缘子老化程度精确分级,分类准确率达96.67％,与BP神经网络和支持向量机模型对比,表明该文所用模型可兼备快速性和准确性,为实现外绝缘表面老化程度的在线检测提供了新思路.     

基于支持向量机和模糊控制的输电线路覆冰状态评估模型

输电线路覆冰严重威胁着电力系统的安全运行。为提高输电线路覆冰状态评估准确率,以输电线路覆冰监测系统为基础,综合考虑监测系统的等效覆冰厚度、微气象参数以及覆冰持续时间等,提出基于支持向量机和模糊控制的输电线路覆冰状态评估模型。支持向量机实现覆冰状态的初步分类,输出无覆冰状态和有覆冰状态,针对有覆冰的状态进一步通过模糊控制评估模型对覆冰的严重程度作出准确评估,输出线路覆冰综合评估结果。实验数据验证了评估模型的准确性和可行性。     

基于在线支持向量回归的锂离子电池SOC估计

对于锂离子电池来说,其化学特性是动态非线性的,并具有较强的耦合性,但是现在常用的电池模型并不能准确表达其上述特性。训练样本数量定量时,在线支持向量回归机可以在线实时更新模型,且具有全局最优、良好的泛化能力。训练模型时,采用输入变量为工作电压和温度,输出变量为荷电状态。仿真结果表明,与BP神经网络相比,在线支持向量回归可以准确预测电池的充电状态,具有较高的SOC预测精度和稳定性。     

基于模糊综合评判和支持向量回归的变压器状态评估方法

将模糊综合评判与支持向量机回归的方法相结合,应用于变压器的状态评估,首先使用模糊综合评判法,综合考虑多种因素对变压器状态的影响,以及各因素之间的模糊性、不确定性,得出模糊运算的结果,再利用支持向量机适合小样本、泛化能力强的特点,使用支持向量机回归模型得出变压器状态的评判分数,依此制定出变压器的检修策略。实例证明该方法的合理性与有效性。