基于类加权支持向量机的永磁直流电机故障模式识别方法

该文针对永磁直流电机故障在线诊断中存在类样本数目不平衡、误判损失不等、在线样本数据缺少类别标识等问题,通过对支持向量机数学模型中的误差惩罚因子进行加权,构建了一种基于加权支持向量机的永磁直流电机故障模式识别算法。理论分析和实验结果表明:该算法可以提高小样本类(故障样本类)诊断精度,降低误判损失。     

基于聚类算法的蓄电池SOC模糊预测

为了实现对蓄电池的准确在线估算,研究了利用蓄电池电动势、内阻与荷电状态(state of charge,SOC)之间的关系,设计了基于模糊C-均值聚类的模糊控制器。该控制器将模糊C-均值聚类方法与模糊控制系统有机结合,能有效地进行数据划分和构建模糊控制规则。实验表明,该方法将SOC预估误差控制在3%之内,很好地反映了铅酸蓄电池的能量状态。与现有的模糊预测控制器相比,准确度更高,具有一定的实用性。     

一种密度聚类模糊神经网络的建模方法

针对仅依赖于输入输出样本数据的复杂系统建模问题,借鉴模式识别聚类分析的理论思想,提出了基于密度聚类提取样本数据模糊规则的理论和方法,通过密度聚类法提取样本数据输入输出变量间的内在规则,并根据密度聚类提取规则的特点,建立了基于密度聚类的模糊逻辑推理方法,确立了一种基于密度聚类的模糊神经网络(DFNN)模型结构。以石化过氧化氢异丙苯(CHP)分解反应过程为对象,进行了仿真建模比较分析,结果表明在模型精度和可靠性上,均优于基于C均值聚类提取规则的模糊神经网络(CFNN),验证了DFNN建模方法的有效性。     

基于点密度加权核模糊聚类的变压器故障诊断方法

变压器油中溶解气体分析(DGA)是电力变压器绝缘诊断的重要方法。针对模糊C-均值聚类算法(FCM)用于DGA时存在可分性差和等趋势划分等问题,用样本点分布密度大小作为权值,结合核函数的增强可分性,提出点密度加权模糊核C-均值聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断。实例分析结果表明该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境。     

一种基于径向基神经网络的短期风电功率直接预测方法

提出了一种基于RBF神经网络的未来24 h风电功率直接预测方法。为克服传统聚类算法局部寻优的缺陷,基于模糊C-均值聚类算法,提出了一种将遗传算法、模拟退火算法和模式识别技术相结合的模糊聚类算法。基于某风电场的实测数据,采用所提出的模糊聚类算法和几种常用方法分别确定径向基函数的中心,并采用最小二乘法解决权值学习问题。预测结果表明了基于RBF神经网络的风电功率预测方法能够有效提高预测精度,且证明了所提出的模糊聚类算法的优越性。     

永磁直流电机故障模式识别方法对比研究

构建了两种基于BP神经网络和支持向量机的的永磁直流电机故障模式识别分类器,并对该两种模式识别分类器在永磁直流电机故障诊断中的应用进行了实验研究与理论分析。研究结果表明:基于支持向量机的永磁直流电机故障模式识别方法在小样本情况下的诊断正确率高于基于BP神经网络,最好能达到94.6667%,且不存在局部极小值问题和过学习问题。     

基于核的模糊C均值逐层聚类算法在负荷分类中的应用

针对传统的模糊C均值聚类方法不适于非正态分布数据集的聚类、处理高维数据集收敛速度缓慢以及噪声点敏感的问题,提出了一种基于核的模糊C均值逐层聚类方法,应用于电力负荷特性分类。该方法的核心是2个模块和1个算法:改进快速排序法模块、核函数模块与模糊C均值算法。改进快速排序法模块将大数据集划分为若干特征突出的子空间,进而结合核函数模块与模糊C均值算法对各子空间进一步精确分类。以广东省的负荷调研数据为基础,在Matlab平台上对基于核的模糊C均值逐层聚类方法与模糊C均值算法的分类结果进行对比分析,结果表明:前者在提高分类效率与分类精确度的同时,具备较理想的收敛速度;另外,前者分类结果精细程度的可控性有利于电网工程实用规划。     

基于模糊时序有效聚类的太湖流域汛期分期研究

依据流域暴雨洪水的长期规律对汛期进行合理划分,是确定分期设计洪水与分期汛限水位,进而制定洪水资源利用方案,挖掘洪水资源利用潜力的前提。本文通过引入时间维聚类算子对模糊C-均值聚类方法,以及有效聚类判别函数进行改进,并为消除模糊C-均值聚类方法对初值敏感的问题,用实码加速遗传算法替代迭代方法进行求解,在此基础上建立了基于模糊时序有效聚类的汛期分期方法。将该方法应用于太湖流域汛期分期中,为消除汛期起始点对分期结果敏感性和人为干扰,应用时以防洪规划规定的汛期起始点5月1日为中点,前后推移不同时段构成11个方案分别进行研究。结果表明：本方法有效,提出太湖流域汛期划分为5期的计算结果,经分析是合理的。     

基于加权模糊C均值聚类算法的变压器故障诊断

模糊C均值聚类(FCM)算法具有将数据集合进行相等划分的趋势,每一个样本对数据集分类的影响相同.在变压器绝缘故障中,不同故障类型产生的主要特征气体及气体组分含量存在很大差异.因此,为了区别各类数据对故障划分的影响程度,可考虑对各类数据施加一个权.文中提出了一种加权模糊C均值聚类(WFCM)算法,该算法可实现故障聚类.与FCM算法相比,WFCM算法明显提高了故障划分的正确性和鲁棒性.     

基于广域录波数据和FCM聚类的电网故障诊断方法

断路器和保护设备存在误动和拒动的可能性,不正确的动作会引入错误的故障信息干扰电网故障诊断。针对上述问题提出了一种基于广域故障录波数据和模糊C均值(FCM)聚类的电网故障诊断方法。对母线、输电线路和变压器这3种电网元件的故障录波数据进行挖掘分析,从中提取能够有效区分故障元件的特征;建立基于模糊C均值聚类的电网故障元件诊断模型。对故障后的元件进行聚类分析,并计算各元件的故障可信度,最终确定故障元件。新英格兰39节点系统的仿真和实际算例表明所提方法能够快速准确定位故障元件且不受故障类型和位置的影响。     

基于模糊最小二乘支持向量机的系统边际电价预测方法

提出了基于模糊最小二乘支持向量机的系统边际电价（system marginal price,SMP）预测方法。为了减少样本数据中孤立点对回归性能的影响,将模糊隶属度的概念引入到最小二乘支持向量机中的同时,采用网格搜索和交叉验证的方法寻找最佳参数组合,使系统边际电价算法性能达到最佳。以美国加州电力市场的实际数据作计算实例,分别采用标准三层BP神经网络和模糊最小二乘支持向量机进行系统边际电价预测,结果表明基于模糊最小二乘支持向量机的系统边际电价预测的方法有效提高了预测精度。     

支持向量机在电能质量间谐波分析中的应用

针对间谐波不易检测的特点,提出了一种基于支持向量机的电能质量检测方法,并结合算例予以分析。仿真结果表明,该方法能够有效地消除异常值影响,使算法对异常值具有稳健性,有比较高的分析精度。     

基于最小二乘算法的模糊支持向量机控制器及其应用

介绍了一种基于最小二乘算法的模糊支持向量机控制器，它将模糊控制与支持向量机结合起来，融合了两者的优点，既有不依赖被控对象模型又有泛化能力强等特点。同时采用混合学习算法来优化控制器参数，即先采用最小二乘算法离线优化支持向量机(SVM)性能参数，建立SVM控制系统，再根据对象的变化，采用遗传(GA)算法在线学习优化SVM性能参数和模糊比例因子，以使控制器的性能能适应对象的变化而达到最优。火电厂主汽温控制的仿真结果表明这种控制器具有良好的控制性能。     

采用模糊支持向量机的模拟电路故障诊断新方法

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种模拟电路故障诊断的新方法。首先对采集的信号进行时-频域联合特征提取并采用新的模糊隶属度函数确定训练样本的隶属度,消除噪声和野点对故障诊断的影响;然后将训练集输入模糊支持向量机分类方法训练获得故障诊断模型;最后将测试集输入训练好的模糊支持向量机分类模型,实现对不同故障类型的识别。将该方法应用于CTSV滤波电路进行故障诊断仿真实验,结果显示该方法不仅能正确分类单故障而且能有效分类多故障,平均故障诊断率达到98.2%,为模拟电路故障诊断开辟新的途径。     

基于复合核 SVM 的智能电表基本误差预测方法

智能电表作为电网的终端设备,其退化情况与工作环境、运行时间等因素密切相关.针对复杂变量条件下智能电表退化情况难以预测的问题,提出一种基于复合核支持向量机(support vector machine,SVM)的智能电表基本误差预测方法.首先对智能电表退化数据进行分析,采用皮尔逊相关性分析找出与智能电表基本误差相关性极强的环境变量.然后,为进一步提取数据退化特征,采用模糊C均值聚类算法对智能电表退化数据进行聚类,确定退化特征向量.最后,基于高斯径向基核函数与多项式核函数构造一种新的复合核SVM模型用以预测智能电表基本误差.结合新疆地区智能电表退化数据对复合核SVM模型性能进行验证,实验结果表明,复合核SVM模型可以准确预测复杂环境下智能电表的基本误差,其预测准确率高于贝叶斯方法、神经网络方法以及经典SVM方法.     

基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,本文提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。     

基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测

传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种基于最小二乘支持向量机(least squares support vector machine,LS-SVM)的配电网空间负荷预测方法。该方法首先引入模糊C–均值算法把各类用地性质负荷聚类为几个等级,建立比较精确的负荷密度指标体系;然后根据待预测地块的规划属性,在体系中为LS-SVM预测模型选出与预测样本特征更为相似的样本进行训练,提高LS-SVM的泛化能力和预测精度;采用遗传算法对LS-SVM预测模型的参数进行自动优化,进一步提高预测模型的适应性和预测精度,实例验证了该方法的实用性和有效性。     

短期负荷预测的聚类组合和支持向量机方法

为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为C-均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.预测结...     

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。