改进的加权支持向量机回归的谐波发射水平估计方法

提出一种利用改进的加权支持向量机回归估计系统谐波阻抗及谐波发射水平的新方法。根据公共连接点处谐波测量数据的差异,利用欧几里德距离作为加权指标修正支持向量机的误差要求,通过线性插值确定惩罚参数的加权参数,以此形成用于估计系统谐波阻抗的加权支持向量机回归模型,从而求解谐波发射水平。通过对仿真电路的理论分析和现场数据的实际应用,证明了所提方法能有效抑制背景谐波波动对估计结果的影响。     

基于TLS-ESPRIT算法和支持向量机的间谐波检测

由于间谐波具有在频域广泛分布、幅值相对于基波和谐波较小、周期难以确定等特点,因此间谐波的检测难度很高,要求能够尽量限制非同步采样对检测精度的影响。现代谱估计算法由于对同步采样没有要求,频率分辨率高等特点被广泛地用于电力系统谐波与间谐波检测中,由于其只能准确的估计信号的频率,不能很好的估计信号的幅值和相位,在实际应用中受到很大限制,而支持向量机如果要准确的估计信号的频率、幅值和相位,计算量很大。基于以上特点,将支持向量机(SVM)与总体最小二乘旋转不变(TLS-ESPRIT)算法结合起来,先用TLS-ESPRIT算法准确估计信号频率分量,再用支持向量机方法估计信号的幅值和相位,通过三个算例分别讨论了该方法在相邻信号、多信号等情况下的检测情况,证明该方法切实可行,能准确检测出间谐波的各种参数,并且比单独使用支持向量机计算量小。     

基于支持向量机与神经网络的间谐波测量混合算法

针对目前缺乏国家标准规范间谐波对电能质量的影响,也缺乏有效的手段监测间谐波的问题,用支持向量机理论对其进行了探索。支持向量机理论将间谐波这个非线性问题变换到更高维的空间中进行线性回归,它基于迭代权调整最小二乘法,引入反向传播神经网络算法整定算法参数,通过反馈现场采集、分析信号,并将教师信号与计算信号的差值作为调整参数的驱动信号,在此基础上通过反向遗传算法(BPNN)的反向传播能力对参数进行基于负反馈的调整,提高了算法的收敛速度。通过数值实验对比,该算法比没有使用差动信号的混合算法效率提高约13%。     

基于Root-MUSIC和支持向量机的间谐波参数估计

为准确地检测电力系统中间谐波信号的参数,提出基于求根多重信号分类法(Root-MUSIC)和支持向量机(SVM)的间谐波参数估计方法。首先对采样数据构成的自相关矩阵进行特征分解,利用信号子空间和噪声子空间的正交性求得谐波和间谐波的个数及频率;然后通过支持向量机算法对间谐波信号的幅值和相位进行回归估计。Matlab仿真结果表明:该算法在低信噪比下频率估计准确,利用支持向量机在处理小样本数据上的优势,有效的提高了幅值和相位估计的精度。     

采用改进支持向量机和复小波变换的谐波及间谐波测量方法

为给谐波、间谐波治理提供准确依据,提出了基于改进型支持向量机和可调窗复连续小波变换相结合的高精度谐波、间谐波测量方法。通过合理优化预设模型的准确性,构造改进型支持向量机对整个测量频带进行初步扫频,以较小的计算量一次性获取谐波、间谐波分量的个数并初步测量其频率。根据改进型支持向量机提供的频谱分布情况,对各个分量跟踪配置复...     

基于支持向量机的谐波阻抗估计方法

提出了一种基于支持向量机的谐波阻抗估计方法：利用在公共连接点测量的谐波电压和谐波电流信号,通过支持向量机构造回归模型,进而回归出谐波阻抗。相对于“波动法”、“双线性回归法”和“二元线性回归法”等谐波阻抗估计方法,该方法能解决小样本、非线性、高维数和局部极小点等实际问题,当谐波阻抗变化时,也具有良好的泛化性和精度。通过对实验电路的仿真分析验证了该方法的有效性,并与其他谐波阻抗估计方法进行了比较分析。     

基于支持向量机的谐波阻抗估计方法

提出了一种基于支持向量机的谐波阻抗估计方法:利用在公共连接点测量的谐波电压和谐波电流信号,通过支持向量机构造回归模型,进而回归出谐波阻抗.相对于"波动法"、"双线性回归法"和"二元线性回归法"等谐波阻抗估计方法,该方法能解决小样本、非线性、高维数和局部极小点等实际问题,当谐波阻抗变化时,也具有良好的泛化性和精度.通过对实验电路的仿真分析验证了该方法的有效性,并与其他谐波阻抗估计方法进行了比较分析.     

支持向量机在电能质量间谐波分析中的应用

针对间谐波不易检测的特点,提出了一种基于支持向量机的电能质量检测方法,并结合算例予以分析。仿真结果表明,该方法能够有效地消除异常值影响,使算法对异常值具有稳健性,有比较高的分析精度。     

支持向量机结合TLS-ESPRIT的间谐波参数估计

为精确估计间谐波信号参数,提出支持向量机(SVM)结合总体最小二乘旋转不变子空间(TLS-ES-PRIT)算法的间谐波分析方法。首先对由采样数据形成的HANKEL矩阵进行奇异值分解(SVD),运用总体最小二乘法(TLS)求解旋转关系方程,获得电网信号的频率参数;然后通过支持向量机算法估计出间谐波信号的幅值和相位参数。仿真结果表明,该方法能够精确估计间谐波信号的各项参数,不仅减小了单独使用SVM算法的计算量,而且在低信噪比条件下,具有良好的稳健性。     

基于空间谱和支持向量回归机的间谐波分析

针对电力系统中存在的间谐波问题,提出一种结合参数法和非参数法特点的间谐波频谱分析算法。首先,为了应用空间谱分析需要将电网信号变换为空域信号;然后应用盖氏圆盘估计协助求根多重信号分析算法准确估计信号源数及其频率;最后由稳健支持向量回归机计算幅值和相角。获得准确频率信息后,支持向量回归机计算的频率范围变成已知的有限频率点,计算量降到最低,并且此算法无需同步采样和过长的采样数据。通过仿真和实例检测,验证了该方法的有效性。     

一种基于自回归模型的间谐波谱估计的改进算法

间谐波的频率是基频的非整数倍，频谱随时间而变化，具有随机性，因此间谐波是随机信号。该文首先介绍平稳随机信号的AR模型和Burg算法的基本原理，然后分析Burg算法在处理正弦信号时出现谱峰偏移的原因。在此基础上该文提出了一种基于AR模型的间谐波谱估计改进算法。该算法通过直接求解在预测误差功率最小意义下的较低阶AR模型系数，再递推计算高阶系数，减小了谱估计的谱峰偏移。仿真结果表明，该算法明显改善了谱估计的性能，而且只要用比较短的数据即可得出较好的间谐波谱估计。     

电力系统间谐波检测在LabView平台上的实现与分析

间谐波是一种特殊的谐波,间谐波及其影响广泛存在于电力系统中.文中简单介绍了间谐波的定义以及对电力系统的危害,以支持向量机原理实现间谐波检测算法,并在图形化编程软件LabView上实现该间谐波检测方法,仿真结果验证了所提方法的合理性和有效性.     

基于稳健估计的迭代型支持向量机及其在电站数据检验中的应用

提出一种基于扩展Huber估计的迭代型支持向量回归算法.该方法将最小二乘支持向量机(1east squares support vector machine,LS-SVM)目标函数中残差的最小二乘估计用扩展的Huber估计代替,并且采用迭代算法求解,在整体上考虑了回归曲线的平滑性,有效地抑制了少数异常点的回归误差引起的残差污染,进而通过比较实测值与回归估计值之间的残差来识别测量数据中的异常值.同时还给出了基于该方法的数据检验及重构的流程与步骤.以某600MW机组为例,对主蒸汽温度进行了算例分析,结果表明该方法能够有效识别主蒸汽温度测量值中异常值,并可给出可靠的重构值,具有较好的稳健性能,而且迭代收敛较快,适合于工程上的在线应用.     

基于最优加权Burg谱估计的间谐波智能分析方法

为改善Burg算法的频率分辨率和谱线分裂现象,提出一种最优加权Burg谱估计的间谐波智能分析方法。首先在平均频率误差方差最小意义下获得最优权函数,通过使加权的二阶前后向预测误差平均功率最小化来获得二阶滤波器系数,然后采用Levinson递推获得一阶反射系数,进而得到谐波和间谐波的个数及频率初值。同时,提出各间谐波频率学习率的自适应调整算法,最后应用改进的Adaline神经网络精确分析谐波和间谐波的频率、幅值和相位。仿真结果表明所提算法的谱估计性能优于传统的Burg算法,计算复杂度远低于特征空间法,具有分辨率高、精度高、鲁棒性强的优点。     

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。     

免疫支持向量机在故障测距中的应用

针对支持向量机参数选择难的问题,提出了一种免疫支持向量回归机进行故障测距.该算法运用免疫算法来优化支持向量回归机的参数,减少人为选择参数的盲目性,提高了SVR的推广预测能力.与标准支持向量机算法相比,文章的参数选择具有更明确的理论指导,加速了参数的寻优过程.大量仿真表明:该算法测距精度高,适应性强,训练样本少,测距结果...     

神经网络和支持向量机在短期负荷预测中的应用

本文在分析了支持向量机基本原理的基础上,对支持向量机采用回归算法,建立了相应的预测模型,和改进的BP神经网络进行比较,并做了实例分析比较,证明了基于支持向量机回归算法预测模型的优越性。     

支持向量回归机理论及其应用

介绍了支持向量回归机理论的原理及其学习算法,并给出其具体应用。     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

虚拟仪器非线性校正的支持向量机方法

随着虚拟仪器的广泛应用,其误差控制问题越来越突出.传统的虚拟仪器非线性校正主要采用人工神经网络的方法,由于该方法本身固有的缺陷,其应用受到一定限制.支持向量机是近年来发展起来的一种新的机器学习算法,在许多领域中得到应用.本文分析了虚拟仪器的非线性误差的主要来源,提出了一种对虚拟仪器进行非线性校正的支持向量机方法.该方法能够克服神经网络处理小样本问题的不足,具有较高的泛化能力.实验表明,用支持向量机算法解决虚拟仪器非线性问题是有效的.