基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机（SVM）解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度。将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果。     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机(SVM)解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度.将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果.     

LS-SVM在通信电源蓄电池SOC估计中的应用

结合统计学习理论的方法,将最小二乘支撑向量机(LS-SVM)用于通信电源中蓄电池的荷电状态(SOC)检测。选定径向基核函数为支撑向量机算法的核函数,并选取矩阵分块求逆的方法改进最小二乘支撑向量机的算法,在此基础上建立了蓄电池荷电状态估计的模型。通过仿真实验验证了该算法具有较好的SOC估计效果,对于实际应用,可以选择合理的剪辑标准,从而得到更好的估计效果。     

基于最小二乘支持向量机的电力系统暂态稳定在线预测

利用最小二乘支持向量机进行在线轨迹预测时,反复的矩阵求逆是影响计算速度的重要因素.该文根据分块矩阵求逆定理对标准算法进行改进,以提高计算速度.为满足实际多机系统稳定预测的要求,引入轨迹聚合技术对多机轨迹进行聚合,进一步减少了计算量.在轨迹降阶的基础上,根据扩展等面积法则(EEAC),通过识别聚合轨迹的动态鞍点来判断轨迹的稳定性.以中国电力科学研究院36节点系统和中国西北电网为例进行仿真分析,从预测精度和计算时间两方面验证方法的有效性.     

基于在线最小二乘支持向量机回归的电力系统暂态稳定预测

提出了一种基于在线最小二乘支持向量机回归的电力系统暂态稳定预测方法。分析了标准最小二乘支持向量机回归算法用于在线预测时存在的主要问题，然后根据分块矩阵求逆定理对标准算法进行改进，实现支持向量的递推式求解，提高了算法的学习效率。为了满足实际多机系统在线稳定预测的要求，引入轨迹聚合技术对多机轨迹进行聚合，进一步减少了计算量。在轨迹降阶的基础上，根据EEAC理论，通过识别聚合轨迹的动态鞍点来判断轨迹的稳定性。最后，以电科院7机系统和我国西北电网为例进行仿真分析，从预测精度和计算时间两方面验证了方法的有效性。     

基于薄壁管法的稀疏最小二乘支持向量回归机

针对最小二乘支持向量回归机的解存在缺乏稀疏性的缺陷,并结合支持向量分类机选择支持向量的特点,提出了薄壁管算法。通过样本的学习误差构造一个中空的有穷厚壁的管即薄壁管,把支持向量压缩到管壁当中,以克服传统的剪枝算法由于构造无穷厚壁管而无法抑制系统中奇异点的缺陷。与已有的拥有无穷厚壁的剪枝算法相比,薄壁管算法不仅能大大减少最小二乘支持向量回归机的支持向量数目和缩短预测时间,而且能成功抑制系统中存在的奇异点,提高最小二乘支持向量回归机的预测精确度。仿真实例验证了薄壁管法的有效性。     

基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法

电力变压器运行故障的准确诊断有利于提高变电设备状态检修和电网安全运行水平，为实现故障的准确分类，文章以油中溶解的5种典型气体作为故障诊断的特征量，提出一种基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法。该方法通过改进灰狼算法寻求最小二乘支持向量机中的最优惩罚系数C和核函数参数g，用以提高故障诊断的准确率。首先阐明最小二乘支持向量机和灰狼算法的改进点并将二者耦合，将其代入413组电力变压器的油中溶解气体检测数据来诊断故障类型，与其他诊断方法进行对比；其次研究惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响规律；最后借助训练后的改进灰狼算法与最小二乘支持向量机耦合方法，通过两台不同电压等级的变压器故障实例分析，验证了故障诊断方法的有效性。研究结果表明：相较于单一使用最小二乘支持向量机和传统灰狼算法与最小二乘支持向量机耦合，改进灰狼算法与最小二乘支持向量机耦合方法对电力变压器故障诊断的准确率分别提高了14%和7%。此外，惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响呈现非线性规律，凸显了通过智能算法找到最优解的便捷性、必要性、有效性。     

基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型

结合罗杰斯比值法,基于自适应PSO算法和最小二乘支持向量机(LS-SVM).提出一种牵引变压器绝缘故障诊断模型.该模型提出一种自适应PSO算法.即根据群体的收敛程度和个体的适应值来调整惯性权重,加快训练速度,利用该算法迭代求解LS-SVM中出现的矩阵方程,避免矩阵求逆,节省内存:为了快速和准确地区分牵引变压器12种绝缘...     

基于改进最小二乘支持向量机的短期负荷预测

为了提高短期负荷预测的精度,提出基于量子差分进化算法(Quantum Differential Evolution,QDE)优化的最小二乘支持向量机(Least Squares-Support Vector Machine,LSSVM)模型。该算法克服了最小二乘支持向量机算法中依据经验选定参数的盲目性。实例验证结果表明,QDE-LSSVM的预测精度要远高于BP神经网络与单纯的最小二乘支持向量机,证明了利用量子差分进化选取最小二乘支持向量机的有效性。该算法更适用于当前中国短期负荷预测的需要。     

支持向量机结合TLS-ESPRIT的间谐波参数估计

为精确估计间谐波信号参数,提出支持向量机(SVM)结合总体最小二乘旋转不变子空间(TLS-ES-PRIT)算法的间谐波分析方法。首先对由采样数据形成的HANKEL矩阵进行奇异值分解(SVD),运用总体最小二乘法(TLS)求解旋转关系方程,获得电网信号的频率参数;然后通过支持向量机算法估计出间谐波信号的幅值和相位参数。仿真结果表明,该方法能够精确估计间谐波信号的各项参数,不仅减小了单独使用SVM算法的计算量,而且在低信噪比条件下,具有良好的稳健性。     

LSSVM增量式训练的稀疏化算法在短期负荷预测中的应用

最小二乘支持向量机与传统支持向量机相比在训练速度上有所提高,但当训练样本数目较大时,训练速度也相对缓慢。针对这一特点,对最小二乘支持向量机用增量式训练方法,使训练速度得到进一步提高,但是与传统支持向量机相比,丧失了解的稀疏性,影响了二次学习的效率。因此通过改进的剪枝算法对解进行了稀疏化处理,将此方法应用在电力系统短期负荷预测中,并对其预测结果与支持向量机进行分析比较,预测的准确性得到了进一步提高。     

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。     

遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机的非线性磁链特性,用最小二乘支持向量机(least square support vector machine,LSSVM)与自适应遗传算法相结合的方法精确构建开关磁阻电动机的磁链模型。在最小二乘支持向量机通过采样数据训练模型的过程中,用自适应遗传算法评价拟合误差,优化LSSVM模型的超参数,进而优化开关磁阻电机的磁链模型。通过比较该模型的预测数据与实际测量数据,可以得出用自适应遗传算法优化的最小二乘支持向量机构建的开关磁阻电机模型是可行的,有较高的精度和较好的预测能力。     

基于支持向量机的无线电干扰预测算法

针对给定海拔高度、温湿度、风速风向等环境因素下的特高压直流线路无线电干扰分布无法仿真计算的问题,采用灰色关联度模型提取给定环境参数相似的现场测试样本数据,利用遗传算法优化惩罚系数和支持向量的核宽度,提出了特高压直流无线电干扰预测的最小二乘支持向量机法(lest squares support vector machine,LSSVM)。通过分析迭代步数与训练误差证明了灰色关联度的遗传LSSVM方法计算效率和计算精确度优于LSSVM方法和遗传LSSVM方法。对比本文预测方法的计算结果与实际测量值、同类算法计算结果表明:低海拔时0.5 MHz无线电干扰水平负极全压下平均偏差为10.1%,正极半压负极全压下平均偏差为6.75%,双极全压下平均偏差为4.64%;海拔1 900 m时,双极全压下0.5 MHz和10MHz无线电干扰水平平均偏差分别为4.63%和3.5%。     

基于关联矩阵的电网拓扑辨识

提出了基于关联矩阵的电网拓扑辨识算法。该算法使用节点－支路关联矩阵表示电网路的基本拓扑结构,定义了矩阵的“与－或”乘法运算,利用连通性的传递性质,实现对电网络的拓扑辨识。在此基础上,利用节点－支路关联矩阵和节点－节点连通矩阵的对称性,提出了加快计算的技术和实现方法,该算法即可以通过汇编语言或高级语言编程实现,也可以由单片机系统或ASIC等硬件方法实现。     

基于矩阵束算法的谐波和间谐波参数估计

电力系统中非线性负载的不断增加导致谐波污染问题日趋严重。基于矩阵束算法提出了一种谐波和间谐波参数估计的新方法。该方法将含噪声的谐波、间谐波信号构造为两个Hankel矩阵,通过奇异值分解和矩阵的低秩近似等方法抑制了噪声的干扰,同时减少了计算量;利用矩阵间的特定关系获得频率信息后,再通过最小二乘法得到幅值和相位。仿真结果表明,该方法具有精度好、运算率高、抗噪性强等特点。     

基于CNGWO-LSSVM的汽轮机热耗率预测模型

为了准确计算汽轮机热耗率,提出一种改进灰狼优化算法优化最小二乘支持向量机（LSSVM）的热耗率软测量方法。首先针对灰狼算法收敛精度低的缺点提出一种混沌非线性灰狼优化算法（CNGWO）,通过Kent混沌搜索策略和非线性动态递减权值策略来改善灰狼优化算法的性能。然后利用CNGWO算法预先选择LSSVM模型参数,并建立CNGWO-LSSVM的软测量模型。以某600 MW超临界汽轮机组实时运行数据仿真实验,对具有复杂非线性的热耗率变量进行预测,预测结果表明,经过CNGWO算法优化的LSSVM模型取得了较好的预测效果,为汽轮机热耗率的精确计算提供了一种有效方法。     

矩阵束算法在同步电机参数辨识中的应用

同步电机参数的准确性对于电力系统运行和控制具有重要的意义。文中基于矩阵束算法提出一种同步电机参数辨识的新方法,并给出了辨识的基本原理和基本过程。该方法将采集到的三相短路电流构造为2个Hankel矩阵,通过奇异值分解和矩阵的低秩近似等方法抑制了噪声的干扰,同时减少了计算量,从而利用矩阵间的特定关系提取出直流分量和基波分量,实现了同步电机参数的准确辨识。仿真结果表明,该方法具有精度好、运算效率高、抗噪性强等特点。     

改进约束的传输线频率相关转换矩阵平滑算法

提出了一种新算法能够得到依频率连续变化的转换矩阵,先使用传统算法计算出每个频率点的转换矩阵,然后通过一个平滑算法消除转换矩阵中由传统算法产生的突变点。通过一个双回三相不换相输电线路的算例将新算法与Newton-Raphson算法进行比较,实验结果和理论分析表明,新算法具有更高的效率和更好的追踪能力,且更加灵活,可以适应更多约束条件,实验表明可以通过改进约束得到光滑性更好的转换矩阵。     

基于 DBN-MPA-LSSVM 的无绝缘轨道电路故障诊断研究

针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题,从故障特征提取和特征分类两方面出发,提出了一种深度 置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。 首先,将集中监测数据和状态 标签输入到 DBN,以半监督的方式进行降维和特征提取,从而挖掘轨道电路不同故障特征信息;然后,采用 MPA 智能算法对 LSSVM 的惩罚因子和核函数参数进行寻优并建立最优 MPA-LSSVM 诊断模型;最后,将 DBN 提取的特征样本导入诊断模型进 行轨道电路的故障分类识别。 DBN-MPA-LSSVM 诊断模型充分利用了 DBN 在特征提取过程中的逐层提取优势以及 LSSVM 在 解决小样本情况下高维模式识别的优势。 实验验证与对比分析表明,DBN-MPA-LSSVM 模型测试集准确率为 98. 33%,MPA 优 化算法较 PSO、GWO、GA 算法模型诊断准确率分别提高了 6. 11%、3. 89%、3. 33%,平均准确率为 97. 98%,为基于数据驱动的轨 道电路故障诊断技术提供了一种新的方法。