共查询到10条相似文献,搜索用时 15 毫秒
1.
为进一步提高变压器故障诊断准确率,提出一种基于ReliefF-mRMR与IAO-SVM结合的变压器故障诊断模型。采用ReliefF和最大相关最小冗余(mRMR)算法对变压器故障数据进行特征优选;引入混沌反向学习和自适应混合变异策略改进天鹰优化算法,并对最优特征集合和支持向量机(SVM)参数联合寻优,构建最佳故障诊断模型;利用已有变压器故障数据对所提模型仿真实验,并与常用故障诊断模型灰狼算法支持向量机(GWO-SVM)、天鹰优化算法支持向量机(AO-SVM)相比较,准确率分别提高了10.76%和6.15%,高达95.38%,结果表明所提模型能有效提高变压器故障诊断精度。 相似文献
2.
3.
光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。 相似文献
4.
针对故障信息较少时无法准确诊断变压器故障的问题,提出一种改进的人工蜂群算法优化支持向量机的故障诊断方法。首先采用主成分分析(PCA)对输入变量进行特征提取,降低特征向量的维数,避免了变量信息之间的相互重叠。其次,通过基于二维均匀的种群初始化和基于欧氏距离的食物源更新来对传统的人工蜂群算法(ABC)进行改进,并将改进蜂群算法(IABC)与ABC和粒子群算法(PSO)进行性能测试,证明了搜索速率和收敛性都有显著提高。最后用IABC优化支持向量机(SVM)的参数,将PCA提取的新特征值分别输入IABC-SVM、GA-SVM、PSO-SVM模型并对比诊断效果。最终表明所提方法具有诊断准确率高、模型简单、泛化能力强的特点。 相似文献
5.
针对光伏发电系统的输出功率具有非平稳性和随机性的特点,提出一种基于经验模态分解(EMD)和人工蜂群算法(ABC)优化支持向量机(SVM)的光伏并网系统输出功率预测模型。首先根据预测日的天气预报数据,构建相似日的15 min输出功率时间序列。然后,将输出功率时间序列进行经验模态分解,得到不同尺度下的固有模态分量IMFn和趋势分量Res,针对每个IMF分量和趋势分量分别建立相应的支持向量机预测模型,并对SVM模型参数进行人工蜂群算法寻优预处理。最后,将每个模型预测的结果进行合成重构,得到光伏并网系统输出功率的预测值。通过实际数据测试表明:基于EMD和ABC-SVM的功率预测模型同单一SVM预测模型及未经优化的EMD-SVM预测模型相比,具有更快的运算速度和更高的预测精度。 相似文献
6.
7.
为了提高变压器故障诊断模型的诊断精度,提出了一种基于方差分析(analysis of variance, ANOVA)和黑猩猩算法优化支持向量机(bonobo optimizer-support vector machine, BO-SVM)的变压器故障诊断方法。首先,采用方差分析对模型输入量,即变压器油中溶解气体特征进行筛选降维。其次,用黑猩猩算法对影响支持向量机诊断性能的2个参数(核参数与惩罚因子)进行寻优。最后,利用该文所提方法对变压器进行故障诊断,实例仿真结果表明:与IEC、Rogers法相比,采用ANOVA对模型输入量进行筛选降维能更好地提升模型性能;BO算法优化后的支持向量机对比网格搜索算法优化后的支持向量机,在训练速度与诊断精度两方面都有所提升;与粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)和遗传算法优化支持向量机(genetic algorithm-support vector machine, GA-SVM)相比,所提方法收敛更快,且故障诊断精度更高、更稳定,BO-SVM、... 相似文献
8.
9.
电气故障诊断具有重要的实际应用价值,针对电气故障诊断中的支持向量机(SVM)参数选择问题,提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声,并提取特征,然后采用人工蜂群优化算法确定SVM的最优参数,建立电气故障诊断模型,最后通过与其他电气故障诊断模型进行对比实验。结果表明,WA-ABC-SVM可以描述电气设备状态与特征间的变化关系,提高了电气故障的诊断正确率,诊断结果要高于对比模型。 相似文献
10.
由于光伏组件的非线性输出特性,传统故障保护装置难以检测到所有故障,从而导致光伏阵列出现安全问题和火灾危险。针对传统故障保护装置存在的缺陷问题,提出一种基于半监督机器学习(semi-supervised machine learning,SSML)算法的光伏阵列故障诊断模型,模型利用参考光伏组件将光伏阵列电压与电流归一化,通过半监督机器学习算法分析光伏阵列工作点状态,进而检测故障和识别故障类型。该故障诊断模型仅需要少量容易测量的标签数据,且对环境变化有较强适应能力。最后,通过仿真和实验,验证该故障诊断模型的有效性。 相似文献