永磁同步电机转子位置提取近似分类支持向量机灰色预测方法

针对单一灰色预测方法下磁特性曲线建模对电机不同运行状态区分能力差、概括性不强,由此导致估计误差较大的问题,提出基于支持向量机分类细化特性曲线区,提高用以灰色GM（1,1）预测建模数据指数光滑度,改善转子信息估计精度的灰色近似支持向量机分类预测算法。将此预测方法用于永磁同步电机的矢量控制当中,数值仿真结果证明,引入先期近似支持向量机分类算法后的转子位置灰色预测法可以在较少测试数据集上达到较高的估计精度。     

永磁同步电机转子位置提取近似分类支持向量机灰色预测方法

针对单一灰色预测方法下磁特性曲线建模对电机不同运行状态区分能力差、概括性不强,由此导致估计误差较大的问题,提出基于支持向量机分类细化特性曲线区,提高用以灰色GM(1,1)预测建模数据指数光滑度,改善转子信息估计精度的灰色近似支持向量机分类预测算法.将此预测方法用于永磁同步电机的矢量控制当中,数值仿真结果证明,引入先期近似支持向量机分类算法后的转子位置灰色预测法可以在较少测试数据集上达到较高的估计精度.     

考虑相关因素的最小二乘支持向量机风速预测方法

准确的短期风速预测对电网的安全稳定性及降低运行成本具有重要意义。提出了考虑相关因素的最小二乘支持向量机风速预测方法,通过相关性分析,寻找对风速影响较大的因素,作为预测风速的信息特征参考量,并利用灰色关联分析方法,对风速数据进行预处理,筛选出某些与预测日特征相似的历史样本作为最小二乘支持向量机模型的训练样本,定量分析了预测模型的输入变量。由于训练样本与预测日风速信息的相似度极高,通过实例验证,有效提高了预测结果的可信度和精确度。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

考虑相关因素的最小二乘支持向量机风速预测方法

准确的短期风速预测对电网的安全稳定性及降低运行成本具有重要意义.提出了考虑相关因素的最小二乘支持向量机风速预测方法,通过相关性分析,寻找对风速影响较大的因素,作为预测风速的信息特征参考量,并利用灰色关联分析方法,对风速数据进行预处理,筛选出某些与预测日特征相似的历史样本作为最小二乘支持向量机模型的训练样本,定量分析了预测模型的输入变量.由于训练样本与预测日风速信息的相似度极高,通过实例验证,有效提高了预测结果的可信度和精确度.     

在线递推支持向量机的磁轴承转子位移预测

研究了一种基于在线递推支持向量机的三相交流主动磁轴承转子位移实时预测方法。阐述了算法在线学习原理,建立了转子位移在线预测模型。该模型通过在线学习,形成理想的支持向量机结构,实现等效电流、等效磁链与转子位移的非线性映射,达到磁轴承转子位移的在线预测。仿真和实验结果表明所提算法具备较高的预测精度和较强的适应性。     

基于支持向量机的开关磁阻电机转子位置估计

开关磁阻电机具有结构简单、工作可靠、效率高和成本较低等优点,在很多领域都显示出强大的竞争力,但是位置传感器的存在不仅削弱了开关磁阻电机结构简单的优势,而且降低了系统高速运行的可靠性,增加了成本.针对这一问题,提出了基于支持向量机的开关磁阻电机转子位置估计新方法.该方法针对开关磁阻电机的非线性,利用支持向量机泛化能力强以及能够较好地解决小样本学习问题的特点,通过离线学习的方法形成一个理想的支持向量机结构来实现电机电流、磁链与转子位置之间的非线性映射,实现开关磁阻电机的转子位置估计.仿真及实验结果表明,该方法能够实现电机转子位置的准确估计,进而实现开关磁阻电机的无位置传感器控制.     

基于Kmeans-SVM的短期光伏发电功率预测

短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要的意义。提出了一种基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。根据短期光伏发电特性和光伏发电季节特性,组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析,在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。经实验表明所提出的方法相较于传统的BP、SVM模型精度有了明显的提升,具有较好的工程应用潜力。     

基于离散Hopfield模式识别样本的GRNN非线性组合短期风速预测模型

利用实时风速数据,建立基于离散Hopfield模式识别样本的广义回归神经网络(GRNN)非线性组合预测模型。在风速数据样本集经二维小波阈值去噪处理后,基于离散Hopfield识别历史数据中与待预测样本最相似的数据,并作为训练样本;将支持向量机、BP神经网络和Elman神经网络分别进行单项预测的结果作为输入向量,经GRNN进行非线性组合预测。采用某风电场的实际风速数据进行预测,结果验证了该预测模型的正确性和有效性。     

微粒群优化相关向量机的开关磁阻电机转子位置自检测

将电机在有位置传感器运行条件下采样获得的磁链、电流和转角作为样本数据,基于相关向量机回归理论,通过对样本数据的训练与学习,构建开关磁阻电机转子位置的非线性相关向量机预测模型。为提高预测模型的拟合精度和泛化能力,训练过程中采用微粒群算法优化相关向量机的核函数参数。以1台三相12/8极样机为例,开展仿真研究,结果表明:该预测模型能够正确地检测出开关磁阻电机的转子位置,并且检测精度较高。     

定转子电阻在线辨识的感应电机转速估计方法

针对感应电机参数变化导致转速估计不准的问题,提出了一种基于定、转子电阻在线辨识的模型参考自适应转速估计方法.该方法只需检测定子侧的电压和电流,在估计电机转速的同时,在线辨识定转子电阻,实时更新转速估计系统中受电机温升影响而变化的定子电阻和转子电阻,以保证转速估计的精确度;同时,辨识的转子电阻应用于矢量控制系统,确保系统获得良好的稳态和动态性能.仿真及实验结果表明,与未进行电阻在线辨识的转速估计方法相比,该方法具有较高的转速估计精确度,对参数变化的鲁棒性强,并适用于无速度传感器矢量控制系统.     

应用支持向量机的变压器故障组合预测

对变压器油中溶解气体进行预测有助于及时预测变压器的故障。提出一个基于支持向量机(support vector machine,SVM)的变压器故障组合预测模型及其求解步骤。在预测过程中,首先利用多个单一预测方法如线性模型、指数模型、乘幂模型、非等间隔灰色GM(1,1)模型和非等间隔灰色Verhulst模型构成预测模型群,对原始油中溶解气体数据进行拟合。然后,将预测模型群的拟合结果作为支持向量机回归模型的输入进行2次预测,形成变权重的组合预测。该文对基于SVM的组合预测过程和参数计算进行了详细地探讨。通过2个实例证明了该文提出的组合预测模型能较好地平衡拟合和外推,在某种程度上解决了传统方法拟合优而外推差的问题。此外,通过与多种预测方法进行比较,基于支持向量机的变压器故障组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

无轴承异步电机转子径向位移自检测

为实现无轴承异步电机转子径向位移自检测,提出一种基于最小二乘支持向量机的位移估计方法。把带位移传感器运行时获取的悬浮绕组的磁链、电流,转矩绕组的电流和位移,作为最小二乘支持向量机的拟合因子,经过离线训练构建转子位移预测模型,利用位移预测模型的泛化能力,进行转子位移估计。仿真结果表明,提出的位移估计方法能够准确检测转子径向位移信号,并且能实现电机无位移传感器系统稳定运行。     

基于人工蜂群算法优化支持向量机的接地网腐蚀速率预测模型

为了提高接地网腐蚀速率预测的精确度,在建立预测模型的过程中,首先对接地网进行了基于电网络理论的腐蚀诊断过程,并以经过诊断之后确定的腐蚀支路位置为采样点。考虑到仅以土壤理化性质反映接地网腐蚀速率的局限性,在接地网腐蚀诊断结果的基础上,提出接地网电阻平均增长速率作为预测模型的输入特征量之一。建立了基于人工蜂群优化支持向量机的接地网腐蚀速率预测模型,测试结果显示相对BP神经网络模型和广义回归神经网络模型,所提模型的预测结果精确度和稳定性更高,表明了对于解决接地网腐蚀速率预测问题,所提模型具有良好的适用性。     

一种燃煤质量的综合预测方法

建立了一种新的基于多元线性回归与最小二乘支持向量机(LS-SVM)的燃煤发热量综合预测模型,并给出了建模步骤和具体算法.考虑到燃煤实际发热量与其工业分析组成(水分、灰分和挥发分) 之间的关系,由初步预测子模型和误差修正子模型构成综合模型.用煤样实测发热量与其工业分析组成的原始数据构造训练样本集,用多元线性回归算法对发热量进行初步预测,用LS-SVM修正子模型获得误差补偿量.综合模型最终的预测值为初步预测子模型的输出值加上误差补偿量.实际预测结果表明,这种综合预测方法耗时少,预测效果优于常用方法,具有一定的应用价值.     

基于在线支持向量回归的锂离子电池SOC估计

对于锂离子电池来说,其化学特性是动态非线性的,并具有较强的耦合性,但是现在常用的电池模型并不能准确表达其上述特性。训练样本数量定量时,在线支持向量回归机可以在线实时更新模型,且具有全局最优、良好的泛化能力。训练模型时,采用输入变量为工作电压和温度,输出变量为荷电状态。仿真结果表明,与BP神经网络相比,在线支持向量回归可以准确预测电池的充电状态,具有较高的SOC预测精度和稳定性。     

基于LSSVM逆系统的磁悬浮开关磁阻电机转子位置检测

为提高磁悬浮开关磁阻电机(BSRM)角度位置的检测精度,实现其高性能无传感器控制,提出一种基于最小二乘支持向量机(LSSVM)左逆系统的转子位置软测量方法。将BSRM的数学模型进行状态空间变换,根据逆系统理论构造转子位置的左逆软测量模型,由于BSRM模型具有高度非线性及不确定性,采用LSSVM辨识左逆软测量模型,实现BSRM转子位置的检测。仿真试验结果表明,所构造的软测量模型能够较为实时准确地估计出BSRM转子位置。     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机（LS-SVM）进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择。对于支持向量机中的核参数σ和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择。在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均（ARMA）误差预测模型来修正负荷预测结果从而提高预测精度。选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比。实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域。     

基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测

为准确估计变压器热状态,提出了一种基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测模型。首先通过Bootstrap采样得到L组训练样本,分别训练L个核极限学习机模型对顶层油温进行拟合回归点预测;然后训练一个核极限学习机模型对顶层油温观测噪声方差进行回归估计;最后根据这L+1个核极限学习机模型的结果估计在某置信水平上的顶层油温的预测区间。算例仿真结果表明,该方法可以较好地考虑变压器顶层油温预测模型的不确定性,得到较为准确可靠的顶层油温预测区间;采用核极限学习机算法的顶层油温区间预测结果的不确定性小于BP神经网络和极限学习机,与采用支持向量机算法区间预测模型相当,但计算速度明显优于支持向量机。相比于传统的顶层油温点预测方法,所提区间预测方法可以为变压器的热状态估计、安全运行等提供更为合理和充分的辅助依据。