蚁群优化最小二乘支持向量机在变压器故障诊断中的应用

变压器故障诊断对提高电力系统运行的可靠性、稳定性、安全性有着至关重要的作用。为了提高故障分类率,提出一种基于蚁群优化的最小二乘支持向量机(Ant colony optimization least squares support vector machine,ACO-LSSVM)电力变压器故障诊断方法。该方法首先利用ACO对LSSVM诊断模型的参数进行优化,选用径向基核函数。其次,以溶解气体含量为输入变量,变压器故障类别为输出变量,将测试数据输入训练好的模型。最后,将诊断结果与标准SVM结果进行比较。仿真结果表明,ACO-LSSVM方法具有更高的分类准确率,验证了其有效性。     

基于α稳定分布参数估计的滚动轴承故障诊断

针对滚动轴承故障损伤程度难以确定的问题,提出对滚动轴承不同故障位置、不同损伤程度的振动信号进行故障特征提取及智能分类的故障诊断方法。首先,对各状态振动信号进行α稳定分布四参数估计,选取敏感性及稳定性最好的二种参数组成二维故障特征量;然后,输入到经过粒子群优化算法(particle swarm optimization,简称PSO)进行参数优化后的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)中进行故障诊断;最后,通过台架试验数据验证了该方法的有效性,并与未经过PSO参数优化的LSSVM、支持向量机(support vectors machine,简称SVM)方法的诊断结果进行比较。结果表明:该方法可实现滚动轴承故障位置及损伤程度的智能诊断,比未经PSO参数优化的LSSVM、SVM方法具有更优的泛化性,更短的训练、测试时间,可应用于实际工程。     

基于IBA-LSSVM的轨道交通辅助逆变器故障诊断

为降低轨道交通列车辅助逆变器（SIV）中三相逆变桥IGBT开路故障的排查难度和保障列车安全运行，对常见的多种IGBT故障进行诊断。提出了改进的完全自适应噪声集合经验模态分解方法（ICEEMDAN）、改进的蝙蝠算法（IBA）优化最小二乘支持向量机（LSSVM）模型参数相结合的故障诊断方法，来改善特征提取效果和诊断精度。通过MATLAB仿真实验可以看出，相较于蝙蝠算法（BA）优化LSSVM，粒子群算法（PSO）优化LSSVM,IBA-LSSVM模型在诊断速度和精度上都具有很大优势。     

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。      

多核LSSVM算法在轴承故障识别中的应用

针对最小二乘支持向量机(LSSVM)实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。     

基于改进粒子群优化LSSVM的短期电力负荷预测

电力系统正常运行时,负荷预测是其运行和规划的重要依据之一。因此,针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)存在的速度变化梯度方向产生的非最优粒子问题,提出了一种基于自适应粒子群优化LSSVM参数的短期电力负荷预测方法。该预测模型在保持PSO优点的基础上,引入了自适应步长,使PSO在速度梯度上找到更优的粒子;引入遗传算法的变异操作保持粒子群的多样性,减小算法陷入局部极值的可能。随后将自适应PSO对LSSVM回归估计方法的参数进行优化,得到自适应PSO-LSSVM。最后将该方法应用于短期电力负荷预测。     

基于PSO的改进BP算法在变压器故障诊断上的研究

变压器是电力系统的重要组成部分,其运行状态对电力系统的稳定、安全运行有着重要的意义。研究变压器故障诊断方法,加强变压器的运行维护,可以有效减少故障隐患所带来的安全事故。BP神经网络具有并行分布式计算、自适应、记忆及聚类等诸多优点,能准确表达变压器油中溶解气体与变压器内部故障之间存在的映射关系;但是BP算法存在收敛速度慢、易陷入局部极小点的缺陷,而PSO算法具有全局寻优的能力,可有效地改善BP神经网络收敛速度,提高故障诊断准确率。将BP神经网络模型与PSO算法改进的BP神经网络模型应用于变压器故障诊断,结果表明,故障诊断的可靠性和准确性都得到了明显提高。     

基于三比值法的变压器故障诊断识别

变压器作为电力系统发、输、变、配电环节重要的电气设备,其故障能被快速、精准地诊断对电力系统稳定运行起到至关重要的作用。目前,变压器油中溶解气体的三比值法被广泛应用于变压器内部故障诊断,现利用三比值法对变压器进行诊断,在广泛收集5种变压器故障的基础上,首先利用ReliefF算法对三比值特征的重要性进行评价,然后利用KNN分类器进行故障识别。实验结果表明,该方法可以有效识别变压器故障类型。     

基于IFOA优化SVM的油浸式变压器故障诊断方法

针对小样本数据的油浸式变压器故障诊断,将修正因子引入果蝇优化算法,提出了一种基于IFOA优化SVM的油浸式变压器故障诊断方法。通过IFOA优化SVM的惩罚因子C和核函数参数g,实现小样本数据的油浸式变压器故障诊断。为了验证该算法的有效性和可靠性,将IFOA-SVM和GridSearch-SVM,FOA-SVM,SVM等算法进行比较。实验结果表明,IFOA-SVM比Grid Search-SVM,FOA-SVM和SVM具有更高的准确率,更加适合油浸式变压器的故障诊断。     

基于AWOA算法与LSSVM的主蒸汽流量软测量模型

汽轮机主蒸汽流量是分析机组运行效率的重要参数。针对大型机组主蒸汽流量计算模型复杂繁琐、计算精度不高的现状,提出一种基于自适应鲸鱼优化算法(AWOA)与最小二乘支持向量机(LSSVM)结合的主蒸汽流量软测量模型。针对鲸鱼优化算法(WOA)寻优精度低的问题,提出了自适应鲸鱼优化算法,在鲸鱼个体位置更新公式中引入自适应惯性权值,通过平衡算法的开发和探索能力改善算法的优化性能。在此基础上,提出了基于AWOA优化LSSVM的主蒸汽流量的软测量模型,引入AWOA算法来提高LSSVM的学习效率、逼近精度和泛化能力。主蒸汽流量软测量的仿真结果表明:优化后的AWOA-LSSVM主蒸汽流量软测量模型具有良好的训练精度与泛化能力,可有效地用于主蒸汽流量的软测量。     

基于SIE和SVR的液压泵故障定量诊断

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。     

电力变压器故障自动化实时检测技术

电力变压器故障高精度检测是保障电力系统稳定运行的基本条件。现结合最小二乘法与支持向量机,构建了最小二乘支持向量机分类模型,通过参数优化与样本分类的方式,实时检测变压器运行故障。首先设计了油色谱在线监测系统,获取变压器故障特征样本信息;然后采用粒子群算法优化分类模型的两个参数,粒子群算法优化参数过程中将分类误差作为适应度值,直到其符合迭代终止条件,输出参数优化结果;最后将优化后的参数带入分类模型,将油色谱在线监测数据作为测试样本,模型输出结果即为变压器故障类型,以此实现电力变压器故障检测的目的。     

粒子群优化的SVM提升钢丝绳故障诊断

为了加强多绳摩擦提升系统的提升钢丝绳故障与提升钢丝绳张力之间的联系,提出了基于支持向量机(SVM)以及最小二乘支持向量机(LSSVM)的诊断模型。在MATLAB中应用粒子群优化算法(PSO)对模型参数进行优化,得到具有最优参数的支持向量机诊断模型;在某矿的提升系统进行三种故障及正常状态试验,利用东方所INV3060S采集仪获得的钢丝绳故障及正常状态数据对PSO-SVM以及PSO-LSSVM进行训练以及预测,结果显示PSO-SVM的运算结果的误差及均方误差较小,PSO-LSSVM的运算速度较快,且两种算法都能有较好的故障诊断能力。     

基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测

针对Cr12MoV刀具磨损量预测问题,提出了一种新的粗糙集和最小二乘支持向量机(LSSVM)相结合的预测方法。将声发射信号提取的能量值和切削要素作为预测模型的输入参数,为了降低运算的复杂性,提出采用粗糙集理论对多维输入参数进行降维处理的方法;为提高预测准确性和精度,利用蚁群算法对LSSVM的参数进行优化,建立基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测模型。仿真结果表明,所建立的Cr12Mo V刀具磨损量预测模型合理有效,具有较强的推广能力和较高的预测精度。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

基于DGA和HMM的小样本变压器故障诊断算法

针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明：使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。     

基于EEMD和PSO-LSSVM模型的短期电力负荷预测

短期电力负荷预测是电力系统规划、运行、维护的基础。精确的负荷预测对电网的运行和供电调度提供了可靠的指导。为了提高负荷预测的精度,提出了一种基于集总经验模态EEMD和粒子群算法优化下的最小二乘支持向量机(PSO-LSSVM)模型方法。该方法先利用EEMD将数据分解成不同尺度的模态固有分量IMF分量和剩余分量,将分解的分量在PSO-LSSVM模型下对负荷数据进行预测。通过引进粒子群算法下的LSSVM模型与b P神经网络模型法进行仿真分析比对表明,优化下的LSSVM预测方法比b P神经网络方法在绝对误差、相对误差以及均方根误差都有提升。     

基于优化遗传算法的变压器故障诊断方法研究

提出的变压器故障诊断方法以多个主要影响因子为网络的输入信息,建立变压器故障诊断的遗传神经网络模型,利用GA较强的全局寻优能力和BP梯度法较强的局部搜索能力,较快同时又较好地综合诊断出网络输出信息的变压器故障类型。为了验证所提出识别方法的有效性,对变压器故障实测数据进行了学习和综合诊断对比,测试结果表明,基于优化遗传算法的故障诊断方法计算速度快、精度高、鲁棒性强,可以有效直观地对变压器故障类型进行综合诊断,具有一定实际应用价值。     

采煤机自动截割识别系统的应用研究

为提高采煤机的自动化水平,保证安全采煤,基于采煤机自动截割监测控制系统,提出了一种以改进的苍蝇优化算法(IFOA)来优化最小二乘支持向量机(LSSVM)参数的方法,并将LSSVM与IFOA耦合用于采煤机截割模式识别.结果 表明,该方法可行、有效,且优于其他方法,并且以煤矿工作面为例,验证了该系统的应用效果良好.     

基于SAPSO-ELM的风电机组齿轮箱故障诊断

由于极限学习机(Extreme Learning Machine,ELM)的参数是随机生成的,导致其存在网络结构稳定性差、分类精度不高等问题。针对这些问题提出了一种利用模拟退火粒子群算法(Simulated Annealing Particle Swarm Optimization,SAPSO)来优化ELM参数的算法。该算法对ELM参数进行SAPSO寻优处理,从而达到增强网络稳定性、提高ELM性能的目的。为验证该算法的有效性,将该方法应用到样本分类上,对风电机组齿轮箱故障进行诊断,实验结果表明,与ELM、粒子群-极限学习机(PSO-ELM)等算法相比,模拟退火粒子群-极限学习机(SAPSO-ELM)算法具有较好的稳定性和可靠性,提高了风电机组齿轮箱故障诊断正确率。