基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机(LS-SVM)的局部放电模式识别的方法.应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的例数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类.结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题.该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值.     

基于LS-SVM和数学形态谱的局部放电模式识别

阐述了1种基于最小二乘支持向量机的局部放电模式识别的新方法.该方法采用多尺度数学形态学开运算提取局部放电信号的数学形态谱,通过数学形态谱可以看出每种类型局部放电具有不同的形态特征,把提取的形态特征作为最小二乘支持向量机的输入,然后应用最小二乘支持向量机的多分类算法来识别不同的放电类型.识别结果表明,该方法有效、可行,具...     

采用动态模式分解分形特征的局部放电模式识别

为了解决传统局部放电模式识别方法计算量大、识别速度低的问题,本文采用构造二维谱图的方法进行局部放电模式识别。首先,利用动态模式分解算法构造局部放电的二维谱图,以少于构造传统三维谱图的计算量获取局部放电缺陷信号的二维表征。然后,针对不同缺陷信号的二维谱图提取两种分形特征(分形维数和间隙度),且构造了不同缺陷信号下二维谱图的分形特征数据集。最后,对该数据集进行X均值聚类。结果表明,X均值聚类结果优于传统K均值聚类和模糊C均值聚类算法,并且相比于反向传播神经网络和支持向量机算法,本文所提模式识别方法对3种局部放电缺陷信号综合识别率高,算法运算时间短。     

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。     

基于散点集分形特征的局部放电模式识别研究

该文应用数字化测量装置采集发电机定子线棒工业仿真模型的局部放电信号，获得放电脉冲序列；在放电相位-放电量平面上，将脉冲序列表示为散点集；改变观察区域尺度，用逐段拟合法确定分形无标度区；用最小二乘拟合法计算分形维（Hausdorff维数和信息维数）；以分形维和散眯集重心坐标构成特征向量，并应用人工神经网络进行放电模式识别。研究表明分形特征在局部放电类型区分和程序判别方面均具有良好的性能。     

基于最小二乘支持向量机的改进型GIS局部放电识别方法

利用最小二乘支持向量机（1east square-support vector machine,LS．SVM）的方法识别气体绝缘组合电器局部放电的类型。在信号的快速分类后利用相位分布的局部放电特征谱图的特征参数作为LS．SVM识别放电类型的依据;信号快速分类处理部分主要包括信号时间一频率特性提取部分和模糊C-均值聚类2...     

局部放电识别中分维数分布的研究

本文将分形理论应用于局部放电模式识别 ,从统计图谱中提取分形特征。在局部放电模式试验基础上 ,采用计盒数的分形维数算法 ,从大量的局部放电样本中提取分形网格维数特征参数 ,提高了局部放电模式的准确性。     

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LS_SVM高精度抑制局部放电信号窄带干扰的研究

在频域内抑制局部放电信号窄带干扰通常会造成局放信号能量损失。从时域出发,用最小二乘支持向量机拟合出一段窄带干扰信号,对其周期延拓得到测量时段内的全部窄带干扰信号,再将其从测量信号中减去,从而抑制了窄带干扰;讨论了最小二乘支持向量机嵌入维数对估算精度及参数（γ,σ）的影响。研究分析表明,本方法可有效抑制窄带干扰,窄带干扰越强、窄带信号频率与局放信号越接近,本方法优势越明显;合理选择嵌入维数可提高精度及参数鲁棒性。     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断研究

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用对水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本,通过训练,使最小二乘支持向量机能够反映特征向量和故障类型的映射关系,在完成局部诊断后再实现决策信息融合,从而达到故障诊断的目的。以水电机组振动故障诊断为例,进行了应用检验。结果表明,与常规方法相比,最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点,适合水电机组振动故障的诊断。     

基于LS_SVM高精度抑制局部放电信号窄带干扰的研究

在频域内抑制局部放电信号窄带干扰通常会造成局放信号能量损失.从时域出发,用最小二乘支持向量机拟合出一段窄带干扰信号,对其周期延拓得到测量时段内的全部窄带干扰信号,再将其从测量信号中减去,从而抑制了窄带干扰;讨论了最小二乘支持向量机嵌入维数对估算精度及参数(γ,σ)的影响.研究分析表明,本方法可有效抑制窄带干扰,窄带干扰越强、窄带信号频率与局放信号越接近,本方法优势越明显;合理选择嵌入维数可提高精度及参数鲁棒性.     

交联聚乙烯电缆局部放电灰度图像的模式识别

局部放电模式识别是判断电气设备绝缘状况的重要方法之一。分形理论在局部放电特征的提取上是一种行之有效的方法,通过构造交联聚乙烯(XLPE)电缆局部放电信号的灰度图像,采用逐段搜索确定无标度区域,并采用盒维数与信息维数为特征量作为人工神经网络的输入,对局部放电缺陷进行模式识别。研究表明分形特征在局部放电模式识别上具有良好的效果。     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用以水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本，通过训练，使最小二乘支持向量机能够反映特征向量和故障类型的映射关系，在完成局部诊断后再实现决策信息融合，从而达到故障诊断的目的。以水电机组振动故障诊断为例，进行了应用检验。研究结果表明，与常规方法相比，最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点，适合水电机组振动故障的诊断。     

采用分形和支持向量机的气体绝缘组合电器局部放电类型识别

局部放电可以反映气体绝缘组合电器(gas insulated switchgear,GIS)内部的绝缘缺陷,正确识别GIS的放电类型具有重要意义。放电信号特征量的提取和模式识别器的设计对最终判别结果影响较大,因此有必要将分形理论和支持向量机应用到局部放电类型识别中以提高识别效果。在简单介绍了分形理论和支持向量机后,采集了4种绝缘缺陷的放电数据,应用分形理论从φ-q-n灰度图中提取放电特征,并构造6个二分类支持向量机识别器,采取投票法识别放电类型。实验结果表明,该方法与反向传播网络方法相比具有识别率高、稳定性好的优点,能有效识别GIS放电类型。     

电力系统动态安全域的LS-SVM在线拟合法

提出了一种基于支持向量机的电力系统动态安全域在线拟合方法。支持向量机在解决非线性有限样本和高维识别方面有明显优势,但标准支持向量机在学习时需要求解复杂的二次规划问题,耗时较多。为此采用最小二乘支持向量机的二值分类算法,构造了二类和三类分类器对运行点的稳定状态进行判断,以最小二乘线性系统代替二次规划方法的标准支持向量机进行模式识别和函数估计,解决了大样本数据建模和运算速度慢的问题。同时采用回归算法构造稳定裕度拟合器,对系统既定故障下运行点的临界切除时间进行在线拟合并计算出稳定裕度。最后以EPRI-36节点模型为算例进行仿真计算,仿真结果表明该方法避免“维灾难”问题的同时,能更好地拟合动态安全域的边界,且进一步证明了该方法的有效性和准确性。     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

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。     

小波与分形理论的互补性及其在局部放电模式识别中的应用研究

研究应用于电气设备局部放电模式识别及故障诊断的放电特征量提取方法,是电气设备状态维护技术研究中的难题之一。该文从尺度变换的角度,研究了小波与分形理论的互补性;并从局部放电信号小波分解后的能量谱图提取放电特征,用于局部放电模式识别。研究结果表明：选用适当的小波函数和尺度函数,将局部放电信号的逼近信号能量谱和精细的结构能量谱的分形维数作为局部放电模式特征,能够有效地应用于局部放电模式识别中。该项研究结果具有较高的理论和应用价值。     

变压器局部放电超高频信号多尺度网格维数的提取与识别

提出了一种基于小波包多尺度分析和网格维数的变压器局部放电超高频信号模式识别的新方法,采用小波包多尺度变换提取局部放电超高频信号在多尺度上的小波系数,通过改进差盒计数法计算多尺度小波系数的网格维数,并将多尺度网格维数作为特征量用于局部放电超高频信号的识别。采用了4种典型放电模型产生局部放电,并采用3阶Hilbert分形天线检测局部放电超高频信号,提取的信号特征量输入径向基函数神经网络进行分类识别,识别正确率最低为70%。     

基于主成分分析和最小二乘支持向量机的电力系统状态估计

电力系统状态估计在能量管理系统中起着非常重要的作用,作者提出了基于主成分分析和最小二乘支持向量机的状态估计方法。首先对由量测量组成的初始样本进行主成分分析,对初始样本进行数据压缩和特征提取,消除数据间的相关性,提取出包含初始样本足够信息的主成分,然后将提取出的主成分作为最小二乘支持向量机的输入,降低了样本空间的维数。算例结果表明了所提出方法能有效地提高电力系统状态估计的精度。