基于改进决策树的充电桩故障预测方法

为了保证电动汽车充电桩的安全稳定运行,提高充电桩故障预测准确性,提出一种基于改进决策树的充电桩故障预测方法。首先,对充电桩的运行参数进行预处理,将处理后的数据作为模型输入;其次,建立基于粒子群算法改进的决策树的充电桩故障预测模型;最后,采用真实充电桩故障的数据集进行仿真分析。仿真结果表明,所提出的方法能有效提高模型预测准确性。     

改进灰狼算法优化支持向量机的网络流量预测

高精度网络流量预测是现代网络智能管理的基础,针对支持向量机在网络流量预测建模过程中的参数优化难题,以改善网络流量预测结果为目标,提出了改进灰狼算法优化支持向量机的网络流量预测模型.首先收集网络流量历史数据,并对数据进行相空间重构、归一化等预处理,然后引入改进灰狼算法快速搜索到全局最优支持向量机的相关参数,并根据最优参数...     

基于灰狼-支持向量机的配电网架空线路故障停电率水平预测

配电网故障停电对电力系统安全运行有着巨大影响,架空线路作为配电网中重要部分,工作环境复杂,因此对架空线路故障停电率水平进行预测有重要价值。针对目前支持向量机算法模型对故障停电率预测存在的问题,利用灰狼优化算法对其中惩罚因子及核函数参数进行最优搜索,构建起灰狼-支持向量机算法模型。结合某地区架空线路故障停电历史数据,构建了故障停电率预测模型,验证了这一方法的有效性。     

IAO优化SVM的电机滚动轴承故障诊断

对于当前存在电机滚动轴承多种类型故障分类准确率不高的现象,提出一种改进天鹰优化算法（IAO）优化支持向量机（SVM）的电机滚动轴承故障诊断方法。首先,介绍了基本天鹰优化算法,然后引入Tent混沌映射和自适应权重对其改进,提高收敛速度,防止陷入局部最优;其次,对10种状态下的滚动轴承故障时域信号样本进行VMD分解,得到不同状态的时频域特征组成特征样本集。最后,利用IAO算法对支持向量机的惩罚参数(c)和核参数(g)进行优化,从而构建IAO-SVM滚动轴承故障诊断模型。最终结果表明,IAO-SVM诊断模型对电机滚动轴承10种状态下的故障诊断准确率最高达100%。     

基于IAFSA-SVM的岸电箱断路器故障诊断

断路器的故障诊断对岸电系统的稳定运行有重要意义。针对人工鱼群算法和其他智能算法在优化支持向量机参数时,存在易陷入局部最优、泛化能力差等问题,通过自适应调整步长和引入全局随机行为,提出基于改进人工鱼群算法优化支持向量机参数的故障诊断模型。将断路器合闸线圈电流信号中的时间和电流信号作为特征量,采用改进人工鱼群算法对支持向量机的参数寻优,以提升支持向量机的故障分类性能。仿真结果显示,该算法在样本数量小的情况下仍具有良好的分类性能,能够准确对断路器进行故障分类。     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法

电力变压器运行故障的准确诊断有利于提高变电设备状态检修和电网安全运行水平，为实现故障的准确分类，文章以油中溶解的5种典型气体作为故障诊断的特征量，提出一种基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法。该方法通过改进灰狼算法寻求最小二乘支持向量机中的最优惩罚系数C和核函数参数g，用以提高故障诊断的准确率。首先阐明最小二乘支持向量机和灰狼算法的改进点并将二者耦合，将其代入413组电力变压器的油中溶解气体检测数据来诊断故障类型，与其他诊断方法进行对比；其次研究惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响规律；最后借助训练后的改进灰狼算法与最小二乘支持向量机耦合方法，通过两台不同电压等级的变压器故障实例分析，验证了故障诊断方法的有效性。研究结果表明：相较于单一使用最小二乘支持向量机和传统灰狼算法与最小二乘支持向量机耦合，改进灰狼算法与最小二乘支持向量机耦合方法对电力变压器故障诊断的准确率分别提高了14%和7%。此外，惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响呈现非线性规律，凸显了通过智能算法找到最优解的便捷性、必要性、有效性。     

基于SO优化神经网络的新能源汽车充电桩故障预测系统研究

随着新能源汽车的广泛应用,充电桩作为电网终端设备,其故障会对电网稳定性产生影响。为提高充电桩故障预测的准确性,本文提出一种基于蛇群算法(SO)优化神经网络的新能源汽车充电桩故障预测方法。该方法将SO算法与神经网络模型相结合,利用SO算法的全局优化搜索能力对神经网络权重进行训练优化,以提升模型的预测性能。在充电桩故障分类数据集上,本文构建三层全连接神经网络,并采用SO算法优化网络参数。优化后模型的各项指标如AUC、准确率、召回率等明显提高,较单一神经网络和其他优化算法效果更好。研究表明,SO算法可以有效提升神经网络在充电桩故障预测任务上的性能,为充电桩的状态监测和故障预警提供了有效解决方案。本研究的发现为未来充电桩故障预测方法的研究提供了有益的参考,同时也为实际的充电桩状态监测和故障预警系统的设计提供了支持。     

基于DGA的差分进化支持向量机电力变压器故障诊断

针对支持向量机中参数选择严重影响分类效果的特点,提出采用差分进化算法对核函数g和惩罚因子c进行优化,得到最优的支持向量机模型,用于变压器的故障诊断。在简单介绍支持向量机的基础上,分析了采用差分进化算法对支持向量机优化的可行性。通过将收集的数据样本进行预处理,再利用差分进化的变异、交叉和选择对高斯径向基核函数进行优化,搜索出最优(c,g),并对得到的参数进行验证,获得最优的支持向量机模型。仿真实验表明,与SVM、GRID-SVM、GA-SVM、PSO-SVM相比,该方法误判率最低、全局寻优能力及鲁棒性较好。     

基于改进鱼群算法与最小二乘支持向量机的短期负荷预测

在电力系统中,无论是正常运行时的调度工作还是故障修复时的孤岛划分,都需要准确的负荷数据,因此电力负荷准确的短期预测工作十分重要。本文运用最小二乘支持向量机进行预测:首先,对人工鱼群算法通过视野和步长自适应设定以及引入精英反向学习机制进行改进,使其计算更加具有优越性;其次,利用改进的人工鱼群算法对广泛应用于负荷预测的最小二乘支持向量机进行改进(主要针对其核宽度系数与正则化参数);最后,运用参数改进后的最小二乘支持向量机对IEEE 33节点系统进行短期负荷预测。实例表明了此方法的工程实用性。     

基于ISSA-SVM的充电桩故障诊断

针对充电桩故障诊断精度较低的问题,文中首先提出先利用多维尺度分析法处理样本数据,将原始数据映射到更低维的空间,减小模型计算代价;其次在麻雀搜索算法里融入了Sin混沌映射和动态自适应权重,提高它的全局搜索能力和寻优精度,然后再利用改进的麻雀搜索算法对支持向量机模型进行参数寻优,同时建立最优诊断模型;最后用所得模型进行充电桩故障诊断,输出诊断结果。最终的实验结果表明：文中提出的充电桩故障诊断模型的诊断准确率高达95.135 1%,明显高于现有的一些常用模型。同时,文中所选用的支持向量机模型较其他分类模型效果更好,效率更高。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

基于人群搜索算法优化参数的支持向量机短期电力负荷预测

支持向量机是一种新型机器学习算法,它基于结构风险最小化准则取得较小的实际风险,有效提高了泛化能力,具有理论严密、适应性强、全局优化等特点,在模式识别和回归问题等方面应用广泛。以某地区历史负荷数据为输入,通过人群搜索算法对支持向量的各项参数进行寻优计算,得到最优的参数取值,然后把最优参数代入到SVM预测模型中,得到人群搜索算法的支持向量机(SOA-SVM)模型,利用此模型对某地区未来24小时的负荷进行短期预测。通过算例验证,利用SOA-SVM预测的精度要比BP神经网络和PSO-SVM的精度要高,所以说明用此方法进行短期负荷预测是有效和可行的。     

基于混合建模的蒸汽管道参数计算

提出一种结合机理建模和数据驱动建模的混合模型用于蒸汽管道的参数计算。在机理模型的基础上,采用向量机算法建立数据驱动误差预测模型,对机理模型计算所造成的机理误差进行预测,并将该模型的误差预测结果用于修正机理模型计算结果。为验证混合建模计算的有效性,通过实例建立机理模型和基于向量机算法的蒸汽参数预测模型计算管道末端蒸汽参数,并与混合模型的计算结果进行比较。结果证明,混合模型具有更高的计算精度,可为供热管道的运行优化提供参考。     

基于混合建模的蒸汽管道参数计算

提出一种结合机理建模和数据驱动建模的混合模型用于蒸汽管道的参数计算。在机理模型的基础上,采用向量机算法建立数据驱动误差预测模型,对机理模型计算所造成的机理误差进行预测,并将该模型的误差预测结果用于修正机理模型计算结果。为验证混合建模计算的有效性,通过实例建立机理模型和基于向量机算法的蒸汽参数预测模型计算管道末端蒸汽参数,并与混合模型的计算结果进行比较。结果证明,混合模型具有更高的计算精度,可为供热管道的运行优化提供参考。     

基于机器学习的自适应双模协同无线充电调度策略

为了打破无线传感器网络的能量瓶颈,考虑无线充电效率对充电距离的敏感性,提出一种基于机器学习的自适应双模式设备协同调度的无线充电方案。首先,基于剩余能量、能耗以及充电效率来定义节点状态,提出一种计及节点状态的自适应阈值选择充电算法。然后设计改进式遗传算法,以最大化能量效用为目标为各节点选择合适的充电模式。此外,为进一步降低充电算法时间复杂度,利用基于支持向量机的机器学习方法学习上述充电模式切换机制,构建节点状态智能预测模型。仿真结果表明,所提算法可在保证较低充电时延的基础上,有效提升多无线充电设备的能量效用,增强传感网络的可持续性。     

基于WD-CS-SVM的超短期风电功率组合预测

为了提高风电场输出功率的预测精度,应用小波分析(WD)和布谷鸟优化支持向量机(CS-SVM)算法对风电功率进行超短期预测,对比于通过预测风速间接求得的风电功率更加直接且准确。首先,利用WD与重构,将风电功率模型分解成近似序列和细节序列,然后利用CS-SVM算法对每个序列进行预测,得到每个序列的预测结果,最后把各个序列的预测结果叠加,形成风电功率的最终预测值。算例计算结果表明,预测结果具有较高的精度,与SVM以及其他方法优化的SVM预测结果相比,文中使用的方法预测结果更加准确,具有较强的优越性和实用性。     

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 IALO-SVR 的锂电池健康状态预测

健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型。在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1%以内,验证了预测方法的可行性。