基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值(WSV)和支持向量机(SVM)的电力系统故障类型识别的新方法.利用WSV来量化故障特征,再与SVM结合进行故障类型识别.对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别.仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性.SVM具有训练样本少、训练时间短、识别率高等优点.     

基于奇异值特征向量的支持向量机人脸识别技术

支持向量机的人脸识别的方法,是利用专门的小样本统计理论来解决典型小样本问题的人脸识别技术。该文作者采用对图像灰度变化有良好稳定性等特性的图像矩阵的奇异值(SVD)特征向量来表征人脸。实验取得了较高的识别率,不仅验证了方法的有效性,也说明了支持向量机在人脸识别领域的实用性。     

基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的,但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响,先利用小波包降嗓,得到振动信号的谱奇异值作为故障特征,并选用SVM来诊断故障类型。试验结果表明,该方法能有效地应用于滚动轴承故障的识别。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提.应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵.以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别 A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络.应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型.仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响.     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提。应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵。以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络。应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型。仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响。     

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法.该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值.对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价.与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8％;全系统的准确率由93.5％提高到了95.1％.     

基于小波奇异熵和相关向量机的氢气传感器故障诊断

针对氢气传感器故障问题,提出了一种智能化的传感器故障诊断方法,可以对自身故障状态进行诊断和识别。提出了一种基于小波奇异熵(wavelet singular entropy,WSE)和相关向量机(relevance vector machine,RVM)原理的氢气传感器故障诊断方法,将小波变换和奇异熵两种分析思想相结合,提取信号的完备故障特征;利用小生境粒子群优化算法(niche particle swarm optimization,NPSO)对相关向量机的核参数进行优化,提高故障诊断的准确率。将提出的方法与其他成熟算法进行了比较,实验结果表明所提方法故障诊断识别率达到98%以上,解决了非线性、小样本条件下的传感器故障诊断问题,提高了传感器的可靠性。     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.     

基于支持向量机的移动机器人故障诊断

某些移动机器人在人们无法到达的环境下工作,因此机器人应该具备自己诊断和处理故障的能力。本文研究移动机器人运行时正常状态和可能发生的故障状态,通过采集和记录其数据作为训练和测试数据,采用小波变换提取不同状态下的特征矢量,利用支持向量机(SVM)的方法对特征矢量分类,实现对移动机器人行进时的故障诊断。结果表明,小波变换提取特征矢量、支持向量机分类的方法对于移动机器人的故障诊断效果良好。     

基于奇异值分解的分数阶小波综合实现方法

针对现有模拟小波变换实现中存在的不足,提出了一种基于奇异值分解算法的分数阶小波综合实现方法。首先,根据分数阶系统理论和介电松弛特性的Cole-Cole分布函数,构造了一种新的分数阶小波;然后,以线性离散系统的状态空间模型为基础,采用矩阵奇异值分解算法求解出分数阶小波逼近函数;最后,利用多输出开关电流双线性积分器和电流镜作为基本结构单元,设计了冲激响应为分数阶小波逼近函数的多环反馈开关电流小波滤波器。对开关电流分数阶小波滤波器的时域和频域响应以及灵敏度和非理想性进行了仿真与分析,实验结果表明所提出的分数阶小波综合实现方法具有小波逼近算法简单且逼近精度较高、电路灵敏度低和受元件非理性因素影响小等特点。     

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值.用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度.     

基于EMD奇异值熵的高压输电线路故障选相新方法

在对暂态电压信号进行经验模态分解(EMD)基础上,结合奇异值分解(SVD)及信息熵理论提出了利用高频暂态分量的奇异值熵实现故障选相。此方法对采集到的故障后电压信号求取EMD奇异值熵,并比较三相间熵值的大小来识别故障类型和判别故障相。基于Matlab环境,对一典型500 kV线路进行故障类型选相的仿真,结果表明该方法不受过渡电阻、故障位置、故障初始角和噪声强度等因素影响,能够快速准确识别各类故障。     

输电线路故障层次化变步长Tsallis小波奇异熵诊断方法

为提高熵方法输电线路故障信号时-频域的特征提取能力,提出层次化变步长Tsallis小波奇异熵(Tsallis Wavelet Singular Entropy, TWSE)方法用于电力系统故障诊断。首先,对采集到的电压信号进行小波分解与单支重构,构建时-频矩阵;之后,将奇异值分解与Tsallis熵理论相结合,对该时-频矩阵求滑动步长为1的Tsallis奇异熵,确定故障发生时刻;然后,对故障发生后1周期内的三相电压重构系数求滑动步长为1/4周期的TWSE,构建用于故障诊断的特征向量;最后,将TWSE特征向量输入到极限学习机(Extremly Learning Machine, ELM)分类器中,实现输电线路故障诊断。仿真结果表明,新方法具有更好的故障暂态信号特征表现能力,且分类结果不受故障时间、过渡电阻和故障位置等因素影响,相较基于小波奇异熵的线路故障诊断方法具有更好的诊断效果。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

基于小波分量奇异值分解的单通道盲分离算法

针对单通道盲分离领域先验信息不足的问题,提出了一种基于小波变换、奇异值分解和独立分量分析的单通道盲分离算法.首先对单路传感器接收的信号进行小波分解和重构,得到一组代表原始信号特征的细节信号,对其施加奇异值分解并剔除小于门限值的奇异点,以此消除干扰信号和噪声的影响.然后将经过处理的细节信号组作为独立分量分析算法的输入信号...     

Discrete wavelet transform and support vector machine‐based parallel transmission line faults classification

This paper presents a scheme for classification of faults on double circuit parallel transmission lines using combination of discrete wavelet transform and support vector machine (SVM). Only one cycle post fault of the phase currents was employed to predict the fault type. Two features for each phase current were extracted using discrete wavelet transform. Thus, a total of 12 features were extracted for the six phase currents. The training data were collected, and SVM was employed to establish the fault classification unit. After that, the fault classification unit was tested for different fault states. The power system simulation was conducted using the MATLAB/Simulink program. The proposed technique took into account the mutual coupling between the parallel transmission lines and the randomness of the faults on transmission line considering time of occurrence, fault location, fault type, fault resistance, and loading conditions. The results show that the proposed technique can classify all the faults on the parallel transmission lines correctly. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.