基于最小二乘支持向量机的谐波源建模

综述了现有的各种谐波源模型,提出一种基于最小二乘支持向量机的谐波源建模新方法,以供电端基波电压和负荷特征参数作为输入、各次谐波电流的幅值和相角作为输出进行训练,建立模型。算例计算表明,模型输出谐波电流与实际仿真结果基本一致,使用上述方法建立模型速度快、精度高,是一种有效的谐波源建模方法。     

基于最小二乘支持向量机的开关磁阻电动机建模

开关磁阻电动机(SRM)的磁化曲线族是电机建模及性能分析的基础，文中探讨了利用最小二乘支持向量机处理磁化曲线族，建立电机模型的方法。在分析电机非线性磁特性的基础上，运用最小二乘支持向量机(LS-SVM)的回归理论，通过对磁路有限元分析法(FEM)得到的样本数据集进行学习，建立了电机的最小二乘支持向量机模型。与以往的神经网络建模方法相比，该模型在小样本情况下有更好的泛化能力及更快的学习速度。仿真实验表明，该模型比较准确地反映了电机的磁特性，可用来进行SRM其它性能指标的分析。     

基于最小二乘支持向量机的冷端玻璃板位置建模

玻璃生产线上对冷端玻璃板运动位置监测效果的好坏是安全、高效生产的关键,本文尝试了一种改进最小二乘支持向量机的数据拟合算法来对不同时刻冷端玻璃板的运动位置进行建模。支持向量机是针对小样本的新的学习机器,具有良好的泛化性。通过剪枝算法提高其快速性和稀疏性,并用遗传算法搜索向量机的参数,避免了参数选择的盲目性,获得了最优的参数,提高了预测能力。将此法与工程上常使用的非线性回归分析方法进行仿真比较,结果表明基于改进最小二乘支持向量机算法的拟合效果更好。     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

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.     

基于最小二乘支持向量机的生物质发电气化过程建模

采用动力学方法进行生物质发电的气化过程建模需要许多物性参数,而这些参数往往难以获得.针对机理建模的这些缺陷,考虑直接基于实验数据进行气化建模,提出了基于最小二乘支持向量机的建模方法,给出了相应的系统结构和算法,用实验数据进行验证取得了很好的预测效果.通过和实际数据的比较,仿真结果证明该方法具有很好的性能指标,能为现场生物质发电气化过程的控制与优化提供一定的参考依据.     

基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。     

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。     

最小二乘小波支持向量机在非线性控制中的应用

结合小波技术和支持向量机,提出了一种基于多维允许小波核的最小二乘小波支持向量机,其小波核函数具有近似正交和适用于信号局部分析的特点。同时,给出了一种有效求解最小二乘小波支持向量机的Cholesky分解算法。将最小二乘小波支持向量机应用在非线性系统的自适应控制上,仿真结果表明,与最小二乘支持向量机、多层前向神经网络或模糊逻辑系统相比,最小二乘小波支持向量机均能给出较好的性能,显示出快速而稳定的学习速度,而且在相同条件下,最小二乘小波支持向量机比最小二乘支持向量机的逼近精确度提高了一个数量级。所提出的用于非线性动态系统自适应控制的最小二乘小波支持向量机方法具有效性和实用性。     

基于最小二乘支持向量机的居民用电预测研究

随着我国经济的发展和经济结构的调整,居民用电占全社会用电量的比重逐渐增大并且有继续增加的趋势,科学合理地预测居民用电水平将为电力规划与需求侧管理提供决策基础。首先,采用相关系数法进行居民用电关键影响因素的选择。其次,将选取的影响因素作为LS-SVM的输入端,城乡居民用电量作为输出端,用Bayes准则进行SVM的参数选取,通过智能模拟学习,建立了Bayes-LS-SVM居民用电预测模型。最后,以中国某省居民用电量预测为例进行学习以及测试,并将其预测结果与广义回归神经网络预测法及几种常用的居民用电预测方法进行误差对比分析,证明了该组合方法比其它几种方法更精确有效。提出了采用人工智能的方法通过家用电器以及其他影响因素来预测居民用电,克服了以往采用家用电器预测中,家用电器功率以及年利用小时数预测不准确的问题。     

最小二乘支持向量机短期负荷预测研究

电力系统短期负荷预测是一项非常重要的工作,准确的短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义.随着电力系统的日趋复杂化,特别是电力市场的逐步深入,短期负荷预测被赋予了更高的要求.提出了基于负荷日周期性进行前后向外推的数据预处理新方法,为短期负荷预测模型利用这些历史数据奠定了基础.最小二乘支持向量机是新一代机器学习方法,将其应用于电力系统短期负荷预测,在充分利用日周期性和同时刻负荷相近性的基础上,提出了基于最小二乘支持向量机回归算法(LSSVR)的短期负荷预测点模型.该模型通过采用不同天同时刻的负荷样本训练LSSVR来获取负荷的最优线性回归函数,实现了在最小化负荷样本点误差的同时,缩小模型泛化误差的上界,获取了较好的负荷预测性能.     

基于最小二乘支持向量机的励磁特性曲线拟合

针对传统支持向量机在电流互感器铁心励磁特性曲线拟合时样本数目较大出现的训练速度慢、占用内存大的问题,提出了一种新的基于最小二乘支持向量机算法.该算法将实测数据由径向基函数把非线性逼近问题转化为线性逼近问题,依据最小二乘法的思想,利用Matlab7.0求一个线性方程组的解,得到拟合曲线的近似表达式.实验结果表明,新算法训练速度快,误差小、拟合精度高.     

基于最小二乘支持向量机的机车轴承故障诊断

针对神经网络故障诊断存在的诸多问题,提出了基于最小二乘支持向量机的机车轴承故障诊断方法。采用最小二乘支持向量机方法建立多类故障分类器,对输入的特征向量信息进行分类,完成故障诊断功能。仿真证明了最小二乘支持向量机在小样本情况下比神经网络具有更强的泛化能力,用于故障诊断时在识别准确率和抗干扰能力方面有明显的优势。     

基于最小二乘支持向量机的电机故障鉴别

针对异步电机的构造与转子故障特征,基于统计学习理论提出了信号处理技术与支持向量机故障诊断相结合的方法,以鼠笼式异步电动机为研究对象,建立了电机转子故障实验系统,并采集了电机故障信号,使用最小二乘支持向量机(LS-SVM)进行故障分类。其次针对鼠笼式电机转子多故障分类问题,提出了小波包分析两种不同故障信号预处理方法,将采集的电机机壳振动信号分别进行分析,提取了故障特征向量,并结合LS-SVM分类功能,实现对电机转子不同故障的有效分类。实验结果表明,小波分析与LS-SVM结合的方法具有很好的分类精度。     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。     

基于最小二乘支持向量机的高压断路器故障诊断

为了快速、准确地对高压断路器发生的故障进行分析和诊断,确定故障的性质、类别和部位,提出了一种高压断路器故障诊断的新方法。首先对高压断路器分合闸线圈电流进行分析,提取电流和时间特征量形成特征向量,然后用遗传算法对最小二乘支持向量机(least square support vector machine,LS-SVM)参数进行优化,最后,将特征向量输入到优化后的最小二乘支持向量机中进行故障识别、分类。试验表明,该方法可以准确地识别断路器的多种故障类型,为断路器故障定位和状态检修提供了依据。与广泛使用的神经网络方法相比,该方法在样本较少时仍能获得较好的诊断效果,更适用于高压断路器等小样本设备的故障诊断。     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

基于最小二乘支持向量机的边坡稳定性预测

本文提出一种基于最小二乘支持向量机(LS-SVM)的边坡稳定性预测方法,采用线性函数,多项式函数和径向基函数三种核函数,进行机器学习,经过反复计算和对比分析,建立精度较高的边坡稳定安全系数预测模型.以实例数据作为学习样本和测试样本,对模型进行检验,结果表明LS-SVM建模预测速度快,其预测精度与GA-BP神经网络算法和改进支持向量机算法(ν-SVR)基本相近,将其用于边坡稳定性预测是可行的.     

基于最小二乘支持向量机的短期负荷预测

为了合理解决用电高峰电量分配问题,采用短期负荷预测是一种非常有效的手段,在电力系统安全调度、经济运行中扮演着重要角色。利用最小二乘支持向量机在求解样本少、维度高等复杂问题中的优势,通过提高负荷预测的精度,使电力系统运行的可靠性得到提高。并采用某地负荷数据进行仿真,结果表明,最小二乘支持向量机在短期负荷预测中运行良好。     

基于优化最小二乘支持向量机的负荷预测

针对交叉验证法确定LS-SVM参数存在盲目性的问题,提出了一种自动选择正规化参数和核参数,建立负荷预测模型的方法。该方法把参数选择问题转化为优化问题,采用全局寻优能力强、收敛速度快的量子遗传算法,自动寻找最小二乘支持向量机的最优参数并建立负荷预测模型。