粒子群优化–最小二乘支持向量机算法在高压断路器机械故障诊断中的应用

提出了一种高压断路器机械故障诊断的智能算法,该算法采用最小二乘支持向量机(least squares support vector machine,LSSVM)算法,提取高压断路器振动信号的特征熵;为了提高故障诊断的精度,采用粒子群优化(particle swarm optimization,PSO)算法,优化LSSVM算法的参数。算例表明:PSO-LSSVM算法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统的支持向量机(support vector machine,SVM)算法,适用于高压断路器机械故障诊断。     

基于最小二乘支持向量机和粒子群算法的两相流含油率软测量方法

为提高油水两相流含油率的测量精度,提出基于最小二乘支持向量机(least squares support vector machine,LSSVM)和改进的粒子群算法(particle swarm optimization,PSO)的含油率建模方法。该方法将测量的油水总流量和加热器上下游温差作为LSSVM输入,含油率作为输出,对含油率与温差和总流量的关系进行训练,通过改进的PSO优化LSSVM的参数,建立了含油率的优化模型,并用测试数据对含油率的模型进行了比较。实验结果表明,基于改进的PSO-LSSVM含油率模型比PSO-LSSVM和遗传算法–最小二乘支持向量机模型运算速度快,比理论修正模型测量精度高,含油率在4%~60%时,平均测量误差为0.93%。     

结合改进PSO算法和LSSVM的化工异常工况超早期监测预警研究

针对化工过程采样间隔短、动态性强,短期参数预测不能有效地为现场人员提供充足的操作时间,提出了结合改进粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的异常工况超早期监测预警方法。采用最小二乘支持向量机对归一化处理后的过程数据进行训练,利用改进的粒子群优化算法对最小二乘支持向量机中的核参数和惩罚因子进行快速精确地全局寻优,得到优化的预测模型。在丙烷塔的超压异常工况超早期监测预警案例分析中,能够准确地对未来500 s内的过程数据进行预测,并比DCS系统提前40 s发出异常报警,相比于最小二乘支持向量机预测模型和标准粒子群优化的最小二乘支持向量机预测模型,所提方法有效降低了预测误差。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于PSO-LSSVM的短期电力负荷预测

提出一种基于粒子群优化-最小二乘支持向量机(particle swarm optimization-least squares support vector machine,PSO-LSSVM)的短期负荷预测的方法。采用PSO算法对LSSVM的模型参数进行寻优,实现LSSVM参数的自动优化选取,进而得到比单一LSSVM更准确的短期负荷预测模型。实际算例结果验证了所提预测方法可行性,与其他方法预测结果的对比进一步突出了所提方法的有效性。     

基于WRF模式和PSO-LSSVM的风电场短期风速订正

风速预测是风电场风电功率预测的基础与前提,以数值天气预报(WRF模式)为基础进行风速预测,为了提高WRF模式预测的准确性,采用最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)对WRF模式输出的风速进行订正。同时,为提高LSSVM算法的精确度和减小拟合过程的复杂度,采用粒子群优化算法(Particle Swarm Optimization, PSO)对其参数进行优化。试验结果表明:采用LSSVM订正可以进一步减小WRF模式预测风速的误差,再经过PSO优化后,相对均方根误差和相对平均绝对误差降低了5%~10%,均方根误差下降了0.5 m/s。与未经优化的LSSVM以及极限学习机(ELM)算法对比分析后得出,粒子群优化最小二乘支持向量机(PSO-LSSVM)对WRF模式预测的风速有较好的订正效果,能进一步提高风速预测的准确性。     

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LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机(SVM)解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度.将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果.     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机（SVM）解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度。将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果。     

基于PSO-LSSVM的锂离子电池荷电状态预测方法

锂离子电池荷电状态(State of Charge,SOC)直接影响着锂离子电池使用性能和效率。为了实现准确的SOC在线预测,提出一种粒子群优化最小二乘支持向量机软测量方法。该方法使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立非线性系统模型,以锂离子电池工作电压、电流为输入量,电池SOC为输出量。建立软测量模型时,LSSVM正则化参数λ和径向基核宽度μ直接影响着模型的准确度,采用粒子群算法(Particle Swarm Optimization,PSO)对这两个关键参数进行优化。用型号为BTS6050C4的NBT电池测试系统进行样本数据采集,通过MATLAB仿真软件进行模型训练并校正。实验和仿真结果表明采用PSO-LSSVM优化算法精确度高、易实现,且在正常和过充工作环境下均可有效预测锂离子电池SOC。     

遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机的非线性磁链特性,用最小二乘支持向量机(least square support vector machine,LSSVM)与自适应遗传算法相结合的方法精确构建开关磁阻电动机的磁链模型。在最小二乘支持向量机通过采样数据训练模型的过程中,用自适应遗传算法评价拟合误差,优化LSSVM模型的超参数,进而优化开关磁阻电机的磁链模型。通过比较该模型的预测数据与实际测量数据,可以得出用自适应遗传算法优化的最小二乘支持向量机构建的开关磁阻电机模型是可行的,有较高的精度和较好的预测能力。     

基于OLS法及改进LM法的ICP-AES非线性标准曲线拟合方法研究

针对电感耦合等离子体原子发射光谱法( ICP-AES)分析过程中出现的元素浓度-光强关系的非线性标准曲线,提出基 于正交最小二乘法(OLS)及改进 LM(Levenberg-Marquardt)算法的标准曲线拟合方法,以实现元素浓度的准确分析。 采用二次 多项式、三次多项式、Limbek 表达式、Lwin 表达式作为标准曲线的非线性模型,以适用不同数据的分布特点。 依据各表达式在 拟合过程中的损失函数特性,对二次、三次多项式利用 OLS 法计算其最优拟合参数,对 Limbek、Lwin 表达式利用改进 LM 法得 到其最优拟合参数,实现标准曲线的拟合。 针对 Sb、Cd、Sn、Mo、Ni、Ba 元素的一系列不同浓度标准样品的光强实测数据,进行 上述方法的标准曲线拟合实验。 实验结果表明,各元素的浓度-光强数据均可拟合得到决定系数在 0. 999 以上的非线性标准曲 线,且标准曲线对于已知数据点的拟合浓度的相对误差均在±5%。     

基于形态相似准则的曲线拟合算法及其在超短期负荷预测中的应用

提出了一种基于形态相似准则的曲线拟合算法,以保证拟合曲线与实际曲线的形态最相似为准则,同时引入时间影响因子。将拟合曲线方程参数的求解转化为约束极值问题,利用罚函数法将该约束极值问题转化为无约束极值问题,采用Powell方法求解该无约束极值问题。利用该算法对超短期负荷预测中的曲线拟合预测方法进行了改进,研究结果表明,该算法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性。     

基于电容阵列I-V测试仪的光伏STC曲线拟合研究

现有的光伏组件在标准条件(STC)下I-V曲线的拟合算法存在计算过于复杂或准确度不足的问题。为提高曲线在偏离STC环境下的拟合准度,提出了一种依据太阳电池四参数结构,通过选取曲线最大功率点(MPP)附近6个点作为拟合点,计算组件I-V数学模型从而实现曲线拟合的拟合算法。不同光伏组件的最优拟合点间隔不同,为提高拟合精度,进一步提出了自适应拟合点选取方法,同时设计了以电容阵列为负载的I-V测试仪结构并研制了一套完整仪器。该测试仪可通过增加MPP附近数据点的密度,提升拟合点的选取精度。经过MATLAB仿真与实际验证表明,模型拟合算法的拟合结果在各种测试环境下的准确度均高于多项式拟合算法;所设计的I-V测试仪性能优越,适用于工程测量之中。     

基于有理函数逼近的光耦合隔离放大器宽频域建模方法

目前光耦合隔离放大器频率特性的获取方法多是基于额定参数推算,但经过长时间运行后,内部元件参数因老化发生改变,隔离放大器内部元件不再以额定参数工作,导致基于额定参数得到的频率特性不再准确。针对这一问题,提出一种光耦合隔离放大器宽频域建模方法。在不依赖其元件参数的情况下,通过测量不同频率下隔离放大器传递函数值,基于有理函数逼近拟合原理构造误差函数,采用粒子群优化算法对该误差函数进行迭代求取最优解及拟合传递函数表达式。在不同噪声水平下对算法的准确性进行研究,基于仿真与实测数据验证了所提方法在宽频域下具有较高的准确性和良好的抗噪能力。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

一种适用于配电网的同步相量测量改进算法

分布式能源接入电网使配电网的动态特性日趋复杂,配电网运行管理从被动式走向主动式,同步相量测量技术在配电网的应用成为一种趋势。对适用于输电网的常规同步相量算法在配电网中的应用进行分析,根据产生误差的原因,提出了一种利用三角函数多项式对误差曲线进行最小二乘法拟合的新算法。阐述算法具体的实现过程,在动态变化、谐波干扰的情况下对算法进行仿真验证。仿真结果表明算法在各种条件下测量精度得到了很大提升。     

基于蚁群粒子群优化的卡尔曼滤波算法模型参数辨识

针对复杂的低压配电网通信环境,提出一种基于蚁群粒子群融合的无先导卡尔曼滤波(UKF)算法的模型参数辨识方法。对于电力线多径信道传输模型,采用具有最小均方误差估计效果的UKF辨识算法。针对UKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于蚁群粒子群算法优化UKF噪声矩阵的方法,同时引入蚁群算法将惯性权重离散化以提高粒子群算法的搜索效率,克服其容易发生早熟收敛的缺点。试验和仿真结果表明,采用该优化算法辨识电力线信道模型可克服参数的分散性,提高拟合精度并缩短辨识时间。     

基于时变滤波经验模态分解和SSA-LSSVM的变压器内部机械故障诊断方法

为了准确有效地识别变压器内部的潜伏性机械故障,提出了一种基于时变滤波经验模态分解(TVFEMD)和麻雀搜索算法优化最小二乘支持向量机(SSA-LSSVM)的变压器内部机械故障诊断方法。首先,对铁心处于不同松动状态的变压器进行振动信号采集;其次,利用时变滤波改进的经验模态分解（EMD）对所得振动信号进行分解,以获取多个本征模态函数(IMF)即模态分量;然后,采用相关系数法计算IMF分量与原始振动信号的相关性,并计算相关性最大的IMF分量的样本熵,以此构建特征向量集;最后,以诊断准确率最高为目标函数,利用SSA对LSSVM的正则化参数和核函数参数进行优化,搭建SSA-LSSVM诊断模型,并利用诊断模型对特征向量集进行诊断识别,实现变压器铁心内部潜伏性机械故障的诊断。试验结果表明,所提方法能够有效识别变压器内部潜伏性机械故障,识别准确率达到了98%以上,比对比算法的识别准确率高出5%以上,达到了高识别准确率的诊断效果。