基于支持向量机的配电设备温度监测数据预测

环网柜是环网供电的关键设备,但在长期运行过程中,其温度会因多种因素的影响而升高,从而降低设备的供电安全及可靠性。提出了一种环网柜电气接头温度值的预测方法,分析环网柜电气接头的实测温度值,并使用小波去噪去除所测温度数据中的系统噪声;利用最小二乘支持向量机,预测数据的变化趋势。将该模型应用于环网柜的温度预测中,实验结果验证了该模型的有效性。     

基于小波变换的支持向量回归机振动数据短期预测

支持向量回归机(SVR)是数据挖掘方面一种较好的方法.但对于包含多频率成分的非平稳信号的预测,其运算精度不是十分理想.对此,提出基于小波变换的支持向量回归机振动数据短期预测方法.该方法首先利用小波变换(WT)将非平稳信号分解成若干平稳的频率成分;然后对各个频率成分进行回归运算,得到各频率成分的预测结果;最后对各个成分的预测结果求和,最终得到原信号的预测结果.还对影响预测精度的小波函数进行了分析比较,最终实现了振动信号的准确预测.     

基于相空间重构的支持向量机的风电场风速预测

风力发电具有波动性、间歇性和随机性的特点,风力发电的并网给电力系统的安全运行带来了严峻挑战,因此,实现风电场风速的预测具有重要意义。支持向量机是发展比较好的一种常用的风速预测方法,但是由于其输入特征对预测的精度影响比较大,所以特征的选择一直是人们所关注的问题。文章提出采用相空间重构理论对风电场风速进行预测,并通过与使用自然特征作为输入特征的预测方法作比较,验证了基于相空间重构的支持向量机的预测方法的优越性。     

基于支持向量机的风速预测模型研究

由于风速的随机性很大,风速大小的影响因素较多,风速预测的准确度不高.针对这种现象,该文基于支持向量机(SVM)理论,结合风速资料,建立支持向量机(SVM)预测模型来进行短期的风速预测,由支持向量机预测模型得到的预测风速与实际风速基本一致,预测效果较理想,预测的平均绝对百分比误差为10.07%,验证了支持向量机预测模型在风速短期预测中的可行性.     

基于遗传算法与支持向量机的日流量预测

提出了采用遗传算法求解支持向量机最优参数的算法,并将其应用于Chickasaw河的日流量预测.为评估由不同时刻的流量、降水量及蒸发量组成的输入向量对模型预测精度的影响,设计了四种模型输入方案,以方差和确定性系数为标准对其进行评价.结果表明,采用前3 d流量、前1 d降水量及蒸发量的方案3预测精度最高.与BP神经网络模型预测结果对比显示,支持向量机模型预测精度较优,可用于水库或水电站的日流量预测.     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

支持向量机回归模型在径流预测中的应用

为了探索提高径流中长期预测精度的有效途径,尝试建立了基于支持向量机的径流预测模型,并应用于西江流域梧州站的年、月径流预测中,取得了很好的效果。并与神经网络预测进行对比,结果表明该模型的预测精度要高于人工神经网络模型。     

基于小波分析与支持向量机的风速预测

将小波多分辨率分析特点和支持向量机良好的泛化性能相结合,建立小波-支持向量机风速预测模型。先将原始风速序列经小波分解成概貌分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。     

基于支持向量机的汽轮机振动故障诊断系统

以MATLAB为开发平台构建了一套汽轮机振动故障诊断系统.该系统以支持向量机算法为核心,并通过建立支持向量机多分类模型对汽轮机常见故障进行了精确的诊断.     

基于支持向量机的气动式转子故障检测系统研究

利用气动检测安全可靠的特点,研究出一种气动式转子故障检测系统,结合支持向量机进行多类故障识别,能正确地检测出转子不平衡、松动、不对中等常见故障,其灵敏度完全与转子材料无关,可在强磁、高温等恶劣环境下工作。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

基于支持向量机的某地区电网短期电力负荷预测

摘要： 负荷预测是电力系统安全经济运行的前提。随着电力系统的市场化和能源互联网的研究与发展,高质量的负荷预测显得愈发重要。分析了影响负荷预测的因素,对数据进行收集及挖掘,采用了基于支持向量机负荷预测算法对区域负荷进行短期预测,并进一步开展了针对城区的精细化负荷预测研究。结合某地区案例,对该算法进行验证,结果表明,该算法预测结果优越,相对误差率较小。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法.     

基于支持向量机的燃气轮机故障诊断

分析燃气轮机的8种典型常见故障,建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性。同时和神经网络方法对比后发现：在小样本情况下,支持向量机方法的计算结果比神经网络要好,推广能力更强,而且效率高于神经网络。本方法针对故障诊断样本少的特点,为建立智能化的燃气轮机状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值。     

支持向量机灰熔点预测模型研究

根据电厂对混煤灰熔点计算的需求,采用支持向量机算法和BP神经网络算法对灰熔点进行了建模和对比研究,灰熔点模型采用灰成分作为输入量,灰熔点(ST)作为输出量,用所建模型对单煤和混煤灰熔点进行预测,然后将预测结果与实验结果进行比较。支持向量机模型对单煤和混煤的预测误差分别为0.57%和1.94%,BP神经网络模型对单煤和混煤的预测误差分别为1.925%和10.43%,结果表明,支持向量机模型对单煤和混煤灰熔点的预测更精确。     

基于支持向量机的发动机磨损故障识别

针对发动机磨损故障识别问题,利用支持向量机(Support Vector Machine,SVM)的小样本训练学习的优势,建立基于SVM的发动机磨损故障识别方法,有效解决了困扰发动机油液分析故障诊断中小样本识别问题,为发动机故障诊断提供了一种新的途径.     

基于混沌相空间重构与支持向量机的风速预测

讨论了基于混沌相空间重构和支持向量机的风速预测。对风速数据的混沌特性进行分析,在此基础上进行相空间重构,采用C-C算法求取嵌入维数m和延时时间τ,确定预测模型的输入维m与样本集;在样本集中,采用粗搜索和细搜索的方法选取预测点的参考点,在进行细搜索的过程中提出相关性分离速率的方法,提高了预测精度。利用支持向量机强大的泛化能力,构造出风速预测回归函数,避免了传统的人工神经网络所存在收敛速度慢、结构选择困难和局部极小点问题。最后采用新西兰某风电场采样周期为10min的风速测量数据进行风速预测,实验结果表明采用Chaos-SVR方法有效降低了风速预测误差,且此方法与神经网络法相比具有更好的泛化能力和更高的预测精度。     

基于支持向量机的柴油机排气阀智能故障诊断研究

排气阀是柴油机的重要部件之一，其故障诊断一直受到研究者的关注，传统的学习机器在小样本学习时不具有良好的泛化能力，其现场效果与实验室精度差距较大。建立在统计学习理论基础之上的支持向量机具有和样本数相适应的最优泛化能力。利用支持向量机适合处理高维数据以及具有良好泛化能力的特点，建立了排气阀故障诊断模型，将排气阀振动信号经过小波包分解后提取的特征指标在小样本时进行支持向量机学习，通过不同核函数的支持向量机和其它智能方法准确率的比较证明：支持向量机较其它智能方法有较大的优越性；准确率对核函数有一定的敏感性；在常用的3种核函数中，线性核的诊断准确率达到了100％，是柴油机排气阀智能故障诊断支持向量机的最佳核函数。     

基于粒子群的支持向量机在径流预测中的应用

针对中长期水文预报中样本缺乏问题,以大伙房水库月径流预测为例,基于粒子群优化算法寻优选择,构建了粒子群优化算法的支持向量机回归预测模型,并与未优化的预测模型进行比较.结果表明,该模型收敛速度快、推广能力强,预测精度高.     

基于数据挖掘与支持向量机的现货市场出清价预测方法

现货市场环境下,市场出清价对于电力市场的发、用两侧参与者和市场管理者都是极为重要的信息。因此,市场出清价的预测研究越发重要。首先分析大多数传统电价预测方法采用的连续序列与该文选取的同时段的电价序列表现出的变化特征差异,给出选取同时段电价序列作为输入的原因。然后基于数据挖掘相似性理论,通过欧氏距离和角度距离2个维度识别历史电价相似序列,得到模型所需训练集数据。以支持向量机（SVM）为预测工具,并利用遗传算法对SVM的关键参数进行寻优。最后将模拟预测结果与不考虑历史相似状态的SVM模型、BP神经网络模型进行对比,通过误差分析证明了所提模型具备更高的预测精度。