T-S模糊模型的辨识与控制

提出了基于支持向量机和遗传算法的T-S模糊模型辨识,支持向量机具有很好的泛化能力,能自动确定T-S模型结构,通过遗传算法优化和估计系统参数。针对辨识出的T-S模型进行控制,控制器包括两个部分,权重最大子系统局部反馈控制和利用滑模控制设计的全局监督控制,能保证系统稳定。辨识和控制仿真结果证明了算法的有效性。     

基于最小二乘支持向量机的模糊辨识及其在热工对象逆系统建模中的应用

建立1种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的模糊辨识方法,根据学习样本集的模糊聚类结果,产生LSSVM的模糊核函数,并证明该模糊核函数是Mercer核函数,为LSSVM提供1种构造核函数的简便方法。此外,由于所建立的模糊辨识方法在T-S模糊模型的后件参数学习过程中采用结构风险最小化准则,提高了模型的泛化能力。利用所建立的辨识方法进行热工对象逆系统模型辨识,证明了该方法的有效性。     

基于贝叶斯证据框架的支持向量机负荷建模

负荷建模一直是电力系统中的难题之一,精确的负荷模型对电力系统数字仿真非常重要。本文提出一种基于贝叶斯证据框架的支持向量机负荷建模方法。根据广域测量的负荷特性数据,利用支持向量机进行负荷建模,选用高斯径向基核函数优化模型结构;用贝叶斯证据框架推断准则1解释了支持向量机的训练,又将贝叶斯证据准则2和3应用到支持向量机。采用贝叶斯证据框架的三个准则对负荷模型进行训练并对参数进行了辨识和优化。通过对支持向量机负荷模型的仿真试验,验证了该方法的正确性和有效性。贝叶斯证据框架下的支持向量机负荷模型具有泛化能力强、结构灵活、计算速度快的特点,能够较准确地描述实际负荷特性。     

特征空间最小数据分布最大间隔支持向量机

为提高支持向量机的泛化能力,根据统计学习理论中学习机推广能力的界和VC维理论,提出了一种同时以特征空间中样本数据分布半径最小化和类间间隔最大化为优化目标的支持向量机模型。通过合理设计其目标函数,将该支持向量机的建模问题转化为二次规划问题,从而可以采用与传统SVM相似的算法快速实现。用UCI数据库中的部分数据进行了仿真,实验证明与传统的SVM相比,在分类准确度不降低,且有所提高的基础上,使其支持向量的数目得到减少;在支持向量数目相近的情况下,预测精度得到提高。体现出更强的泛化能力。     

支持向量机回归算法在锅炉燃烧系统建模中的应用研究

针对高维非线性系统,分析了基于支持向量机网络的建模能力,并将增量回归支持向量机算法应用于锅炉燃烧过程建模,根据现场采集的数据进行支持向量机网络建模和泛化能力实验.理论分析和实验结果表明网络具有良好的辨识精度和泛化能力.     

基于参数优化的支持向量机在电力负荷建模中的应用

以基于参数优化的支持向量机为建模手段来建立电力负荷模型,该算法可自动调整经验风险和VC维之间比重,并由此提高模型的泛化能力.参数优化时采用了结合网格搜索和模式搜索的组合寻优策略优化支持向量机负荷模型的3个参数,并且引入更加客观高效的交叉验证技术参与模型的训练和评价.算例中利用实测数据进行负荷动态建模,结果表明可得到精度和泛化能力都较高的负荷模型,在电力负荷建模方面具有广泛的应用价值.     

基于统计学分类的综合负荷模型实测建模

电力系统负荷模型参数的简化是负荷模型实用化的关键,基于所辨识的负荷模型参数进行负荷统计学特性分析对于建立具有强泛化能力的负荷模型具有重要意义.以综合负荷模型为研究对象,采用标准阶跃响应为特征向量,用统计学中的系统聚类法并结合方差分析指标对负荷数据加以筛选和分类,并对分类后的结果进行观察,得到了一些参数和时间上的特征,揭示了负荷数据内部所存在的部分统计学规律.进而应用支持向量机工具对分类后的负荷建立了具有良好泛化能力的负荷模型.归纳出了负荷数据由筛选、分类到建立模型的一条思路.     

混沌时间序列的模糊聚类预测与目标检测

针对海杂波中的弱信号检测问题,以相空间重构和模糊理论为基础,提出了一种基于T-S模型的模糊聚类方法对混沌时间序列进行预测和目标检测,利用自适应门限法判决混沌背景下微弱目标信号的有无.在模糊聚类建模中将前件划分和结论参数分开辨识,既简化辨识步骤,又提高模型的泛化能力,同时解决了模糊模型随辨识系统复杂程度提高而规则数增大的问题.与基于RBF神经网络的混沌背景下弱信号检测结果进行比较,仿真结果验证了该方法的有效性.     

基于LS-SVM的单元机组协调控制系统模型辨识

预测模型的准确性在非线性预测控制中起着重要的作用。采用最小二乘支持向量机(LS-SVM)回归算法辨识单元机组协调控制系统模型。LS-SVM具有良好的非线性逼近能力和较快的计算速度,适用于非线性系统的实时建模。考虑到系统的耦合问题,提出将MIMO对象分解为多个MISO对象,分析历史输入和输出数据对每个输出分量进行建模。通过基于实际采样数据的仿真实验,证明了该模型辨识方法是有效的,且具有很好地泛化能力。     

基于模糊控制补偿的支持向量机逆模型控制

支持向量机(SVM)具有很强的非线性逼近能力与泛化能力,文章研究了基于SVM的非线性系统逆模型辨识,并设计了基于模糊控制补偿的SVM逆控制系统.由SVM辨识的逆模型作为前馈控制器,形成直接逆模型控制器.同时,设计模糊控制器构成反馈补偿控制,克服逆模型的建模误差,提高系统鲁棒稳定性.仿真研究表明,SVM具有优良的逆模型辨识能力,基于模糊控制补偿的支持向量机逆控制系统的动态性能好、跟踪精度高、鲁棒稳定性强.     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基于SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果。和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性。仿真结果表明了算法的有效性。     

基于嵌入注意力机制的UNet-DB_ECA网络检测金具研究

由于电力巡检中所拍摄的电力金具图片数量多,检查工作量大,为了提高电力金具的自动化检测效果,本文基于UNet框架提出了一种UNet-DB_ECA网络检测金具的方法。先降低UNet网络宽度,然后在网络中嵌入高效通道注意力机制模块ECANet(ECANet)和批量规范化(BN),最后引入了Hard-Swish激活函数,从而构建了UNet-DB_ECA网络。本文使用电力金具检测数据集进行实验,实验结果表明本文所提出的方法检测效果良好,与UNet网络检测效果相比,在提升检测效果的同时也兼顾了算法性能。此外,电力金具检测数据集中包含七类形状不同的金具类型,另一方面也表明本文所提方法具有较好泛化能力,因此该方法在电力金具自动化检测方面具有一定的应用前景。     

基于变量选择的锅炉NO_x排放的最小二乘支持向量机建模

电站燃煤锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是锅炉优化降低NOx的基础。针对热工过程变量之间的强相关和耦合性,利用偏最小二乘方法(partial least squares,PLS)对多工况实炉热态测试数据进行重要变量(variable importance in projection,VIP)信息提取和变量选择(variable selection,VS),把最优的变量子集作为最小二乘支持向量机(least squares support vector machine,LSSVM)的输入,最终得到NOx排放的VS-LSSVM模型。最优的输入变量个数通过留一交叉验证法获取。并将该模型与其他建模方法进行对比,结果表明通过变量选择后建模可以降低模型的复杂度,提高模型的泛化能力。     

基于切换模型极限学习机的超短期负荷预测

针对极限学习机算法中输出波动大与模型不稳定的问题,提出采用切换模型极限学习算法进行超短期电力负荷预测的方法。该算法通过切换模型准则,将建立的多个神经网络模型分为误差较小的保持模型和误差较大的更新模型两部分。保持模型无需进行在线更新,减低了模型输出的波动性;更新模型则需采取随机方法进行在线更新,使得训练误差达到最小,提高模型的泛化能力。通过对某地区电力负荷的预测仿真,结果表明了所提方法提高了预测速度,节省了计算时间,具有更佳的泛化能力和预测精度。     

基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估

基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力。通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度。     

基于多值编码混合遗传算法的变压器故障诊断

根据网络的结构和参数的特性采用多值编码方式构造染色体结构,同时确定BP神经网络的结构,优化网络参数。在遗传算法中嵌入一个梯度下降算子,使得混合算法既有较快的收敛性,又能以较大概率得到全局极值。基于油中气体分析法的变压器故障诊断仿真结果表明,该算法有较快的收敛速度,较高的逼近精度。     

遗传算法和神经网络结合的PSD非线性校正

针对光电位置传感器(PSD)检测系统在大坝变形观测中所呈现的非线性问题,建立改进的遗传算法和LM-BP神经网络结合的模型,对PSD的非线性进行补偿?该方法先用遗传算法对LM-BP网络的权阈值进行优化后再用LM-BP网络逼近任意非线性函数的特点对实际位置数据与理想值进行拟合后并进行测试,经过多次任意产生的种群优化后选择较为优秀个体作为神经网络的和阈值,并对任意位置进行校正,仿真结果表明,该方法克服了LM-BP网络对初始权阈值的依赖和泛化能力弱的特点,多次实验平均误差都小于1%,其泛化能力优于标准的遗传算法和神经网络结合的模型。     

基于SVR与扰动观察法的光伏阵列多峰值MPPT研究

当光伏组件出现局部阴影遮挡或光照不均匀时,光伏阵列的输出特性将发生改变,此时的P-U特性曲线将呈现多峰值现象,传统的基于单峰P-U特性曲线的MPPT算法将失效,很难准确地跟踪到全局的最大功率点。为解决该问题,提出了一种基于支持向量机回归与扰动观察法的MPPT融合算法。利用支持向量机的全局优化、泛化性能高的特点,结合扰动观察法的控制简单、容易实现的优点来实现最大功率点的跟踪。仿真结果表明,在真实的光照、温度及光照突变等外界条件下,该新型融合算法与传统的扰动观察法相比,光伏阵列在局部阴影下不会陷于局部峰值,能迅速准确地搜寻到全局最大功率点。     

新型RBF神经网络及在热工过程建模中的应用

文中提出了一种基于免疫原理的新型径向基函数（RBF－Radial Basis Function)神经网络模型。该模型利用人工免疫系统的记忆、学习和自组织调节原理，进行RBF神经网络隐层中心数量和位置的选择，并采用递推最小二乘算法确定网络输出层的权值。将这种新型的RBF神经网络应用于建立热工过程的非线性模型。仿真研究表明，这种建模方法不仅计算量较小，而且精度高，并有较好的泛化能力。