基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。     

粒子群优化算法和最小二乘支持向量机的 雷电过电压识别

为了提高雷电过电压的识别率,满足雷电过电压识别的实时性,提出了粒子群优化算法和最小二乘支持向量机的雷电过电压识别模型。首先提取多种特征作为雷电过电压识别的输入向量,然后采用最小二乘支持向量机设计雷电过电压识别的分类器,采用粒子群优化算法确定最合理的分类器参数,最后通过实验分析其有效性和优越性。结果表明,PSOLSSVM可以描述雷电过电压信号与特征间变化关系,提高了雷电过电压识别率,加快了雷电过电压识别速度,识别结果优于其他模型。     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

基于PSO优化最小二乘支持向量机的热工系统辨识

在用最小二乘支持向量机(LS-SVM)辨识大迟延对象时,正则化参数、核宽度以及模型类中的迟延时间多是根据经验估测的,而不同的参数值对最小二乘支持向量机辨识的精度就会不同.针对上述问题,采用粒子群优化(PSO)算法对热工辨识系统中的相关参数进行优化.对电厂一次风量数据和平均床温数据进行的仿真实验结果表明,在用LS-SVM对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳参数及迟延时间,能够有效地提高辨识精度.     

基于量子粒子群优化最小二乘支持向量机的变电站全寿命周期成本预测研究

变电站的规划设计与建设是电力工程建设的重点内容,快速的对变电站全寿命周期成本进行准确预测对变电站的建设具有指导意义.本文建立基于量子粒子群优化最小二乘支持向量机的变电站全寿命周期成本预测模型,将变电站全寿命周期内相关特征指标作为模型的输入,输出为变电站全寿命周期成本.通过仿真算例对比了QPSO优化LS-SVM,PSO优...     

基于最小二乘支持向量机控制器的研究

阐述了支持向量机与最小二乘支持向量机的特点,设计了基于最小二乘支持向量机的控制器,该控制器构成的系统学习与泛化能力强、抗干扰效果好,并利用垃圾焚烧炉的估计模型进行了仿真.仿真结果表明,该方法抗干扰效果好,适应性强.     

基于变分模态分解和改进粒子群算法优化最小二乘支持向量机的短期电价预测

针对电价序列具有非线性强、波动性大的特点,提出一种基于变分模态分解(VMD)和改进粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)的短期电价预测模型.首先利用VMD将原始电价数据分解为多个子序列,然后采取LSSVM模型分别对子序列进行预测.对于LSSVM预测模型的最优参数选择问题,利用改进的PSO优化LSSVM模型的参数,能够很好地提高模型预测精度.最后集成各子序列预测结果,获得最终电价预测值.为了验证所提模型的有效性,以美国PJM市场电价数据为例进行分析,并与其他预测模型进行对比,结果表明,所提模型能够很好地对短期电价进行预测.     

量子遗传算法优化的最小二乘支持向量机的风机故障诊断

针对最小二乘支持向量机（LSSVM）在故障诊断过程中的模型参数选择问题,提出了利用全局寻优能力强、收敛速度快的量子遗传算法（QGA）对模型参数进行参数寻优,把LSSVM参数选择问题转化为优化问题。该算法克服了遗传算法优化过程中陷入局部极值的问题,提高了优化性能。利用UCI数据库的数据进行分类验证,相比遗传优化的LSSVM和交叉验证的LSSVM,基于QGA优化的LSSVM模型提高了分类精度。最后,把该模型应用于风力发电机齿轮箱故障诊断中,取得了良好的效果。     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于最小二乘支持向量机的变压器故障诊断

介绍了一种基于最小二乘支持向量机(LS-SVM)的电力变压器故障诊断方法,将样本数据进行归一化处理,以绝缘油中特征气体种类及其含量为依据建立变压器故障诊断LS-SVM模型,对模型中的核参数σ与惩罚参数C进行优化,并将测试样本输入训练好的LS-SVM模型,得到诊断结果。实例结果分析表明,LS-SVM将原先的非线性问题转化为求解线性问题,即使在小训练样本的前提下,也能获得更为准确的诊断结果。     

最小二乘支持向量机多分类法的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种基于小样本的最小二乘支持向量机(LS-SVM)多分类电力变压器油中气体分析(DGA)法,即通过相关统计分析和数据的预处理,选择变压油中典型气体作为LS-SVM的输入,然后利用典型故障气体的体积分数在高维空间的分布特性诊断变压器故障类型。该法在小样本条件下可获得最优解,泛化能力很好,且没有传统支持向量机只能分两类的缺陷,很好地解决了变压器多种故障共存的实际情况。试验表明,该方法分类效果很好,可较好地解决变压器放电和过热共存时故障的难分辨问题,故障类型的正判率较高。     

基于可靠性数据分析和最小二乘支持向量机的电力变压器故障诊断

基于可靠性数据分析和最小二乘支持向量机对电力变压器故障进行了诊断,并给出了实例分析。     

基于粒子群优化支持向量机的变压器故障诊断

为了克服了人工神经网络(ANN)中存在的过拟合、收敛速度慢、容易陷入局部极值等缺点,提出了基于粒子群优化支持向量机(PSO-SVM)的变压器故障诊断方法,即将粒子群优化算法(PSO)用于SVM参数优化。PSO是一种智能群体搜索方法,它源于对鸟类捕食行为的研究。这种方法不仅具有很强的全局搜索能力,而且容易实现,适合于SVM参数优化。变压器故障诊断实例分析结果证明,PSO-SVM的诊断精度高于IEC三比值法、BP神经网络、普通的SVM,PSO-SVM适用于电力变压器故障诊断。     

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%。     

基于最小二乘支持向量机的风功率短期预测

为了减小风力发电的随机性对电力系统的影响,提出了一种基于最小二乘支持向量机的风功率短期预测模型。在研究最小二乘支持向量机的基础上,为解决最小二乘支持向量机建模时其参数对预测性能影响,运用粒子群算法对参数进行优化,最后建立了基于粒子群优化最小二乘支持向量机的预测模型。运用某风电场的实测数据进行仿真研究,为了对比分析,同时利用E1man神经网络模型和支持向量机模型进行了预测,仿真结果表明,本文所提方法与其它方法相比预测精度更高,可以有效地应用于风功率的预测。     

基于DGA的粒子群相关向量机变压器故障诊断

传统智能算法中因算法自身的固有缺陷,从而导致变压器故障诊断结果不理想。为此,针对相关向量机中核函数参数的选取对分类效果产生影响的问题,笔者在对运用粒子群算法优化相关向量机的可行性进行充分分析的基础上,构建了粒子群优化的相关向量机方法,以DGA作为特征输入,利用粒子群优化算法对核函数参数σ进行优化,以获得最优的相关向量机故障诊断方法,从而提高变压器的故障诊断精度。实例对比分析表明,与SVM、RVM方法相比,粒子群相关向量机方法具有更高的诊断精度。     

基于优化最小二乘支持向量机的电能质量扰动分类

提出了一种基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)分类器的电能质量扰动分类方法,对电网环境中多类扰动特征混合的情况进行更加精细的分类辨识。针对电能质量扰动特征向量的特点,对混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)进行了改进,与交叉验证(Cross Validation,CV)相结合实现了对多分类器参数的优化,有效地解决了支持向量机模型参数优化的问题。仿真实验与工程验证表明,经过优化后的分类器不仅可以提高电能质量波形的分类精度,还可以进一步使分类器避免出现过学习的状态,有效提高了分类器的计算速度。     

基于改进粒子群算法与支持向量机的变压器状态评估

支持向量机(SVM)能较好地解决小样本、非线性特征的多分类问题,适用于电力变压器运行状态评佑,但参数选择时分类效果有着显著影响.利用改进的粒子群算法(PSO)对支持向量机(SVM)参数进行寻优,通过引入收敛因子、惯性因子动态化和自适应杜子变异三种方法对传统的PSO算法进行改进,从而获得最佳的分类模型.该模型以变压器油中...